【技术实现步骤摘要】
本专利技术涉及智慧交通，具体涉及一种城市道路交通流预测方法。
技术介绍
1、随着城市化进程的加速和交通工具的普及，道路交通流量的增加已经成为现代城市面临的一个重要问题。如果交通管理部门不能及时有效地规划和控制交通流，就会导致交通拥堵、交通事故等问题的发生，对城市居民的出行和生活造成极大的不便。
2、为了解决上述问题，道路交通流预测技术应运而生。预测交通流可以帮助交通管理部门更好地规划交通流量，减少交通拥堵和交通事故的发生。此外，预测交通流还可以帮助公共交通运营商更好地规划公交线路、车辆调度等，提高公共交通的效率和准确性。
3、随着数据采集技术、数据分析技术、机器学习技术等相关技术的不断发展和普及，道路交通流预测技术也在不断进步。预测模型的精度和实用性也在逐渐提高。因此，道路交通流预测技术已经成为城市交通管理的一个重要手段，对于提高城市交通的效率和安全性具有重要的意义。
4、道路交通流是以道路为研究对象，采用固定线圈检测、视频检测或浮动车gps采样等方式统计道路在一定时间内的交通流量，通常是采用单位时间内通过的车辆数和道路上行车的平均速度来衡量。由于道路交通网络在真实场景下的复杂性，所以道路交通流数据在形式上是不规则的交通路网图式空间关系的时间序列数据。早期的一些研究工作是基于线性回归方法对特定的单一道路进行建模，存在难以推广到其他道路的缺点。之后的一些研究工作开始运用非线性模型挖掘交通数据中的时空信息，如小波分析、支持向量机等，但是依旧存在特征挖掘不够充分和预测效果较差的问题。近些年来，随着算
技术实现思路
1、本专利技术的目的是提出一种城市道路交通流预测方法，通过充分挖掘道路交通流数据中的时空特性，实现快速准确地对城市道路交通流预测。
2、本专利技术通过以下技术方案实现：
3、一种城市道路交通流预测方法，包括如下步骤：
4、步骤s1、构建编码器和解码器，编码器包括依次连接的le′层编码器层，编码器层包括依次连接的多头门控自注意力层和门控递归图单元层，门控递归图单元层由多个依次连接的门控递归图单元组成，门控递归图单元包括依次连接的多图图卷积层、多头图注意力层和门控递归结构，解码器包括依次连接的ld′层解码器层，解码器层包括依次连接的带遮掩的多头门控自注意力层、多头门控自注意力层和门控递归图单元层；
5、步骤s2、根据道路交通网络构建用于表征时间间隔t内城市道路交通流的特征矩阵依据该特征矩阵得到编码器原始输入为解码器原始输入为对编码器原始输入和解码器原始输入提升维度后再进行额外的信息嵌入，得到编码器输入和解码器输入表示大小为n×1的实数集，n表示道路交通网络中的节点总数，th、tb、tp均表示时间步长，tb＜th，f表示提升后的维度；
6、步骤s3、编码器输入经过编码器层的多头门控自注意力层提取其时间维度上的特征矩阵根据该特征矩阵通过门控递归图单元层提取时空相关性，如此通过le′层编码器层逐层计算后得到编码器输出和其中，为包含时空信息的输出，为包含空间信息的隐藏状态；
7、步骤s4、对于第一层解码器层，解码器输入输入该解码器层带遮掩的多头门控自注意力层以捕捉解码器输入中的时序信息，该待遮掩的多头门控自注意力层的输出与编码器输出共同输入解码器层的多头门控自注意力层，以得到该两者之间的相关性，该多头门控自注意力层的输出与编码器输出的共同输入解码器层的门控递归图单元层，如此通过ld′层编码器层逐层计算后得到预测结果。
8、进一步的，所述步骤s2中，构建所述特征矩阵具体为：
9、以道路网络中每一个路段的经纬度中心点作为一个节点，所有节点相连可形成无向图g＝(v,e)，其中，v＝{v1,v2,…,vn}表示所有节点的集合，e＝{e1,e2,…en}表示所有连接边的集合，n为道路网络中节点的个数，连接边指两个节点的连线；
10、对于每一个路段，以一定的时间间隔t进行采样，可统计得到各个路段在时间间隔t内的平均行车速度或通过的车辆总数，则在时间间隔t内，道路网络中的道路交通流的特征矩阵表示为
11、进一步的，所述编码器和解码器均还包括第一线性层和信息嵌入层，所述编码器原始输入和解码器原始输入的维度分别经过对应的第一线性层映射到高纬度，并通过信息嵌入层进行额外的信息嵌入，额外的信息包括每个时间步长的全局时间信息、局部时间信息和影响因素信息。
12、进一步的，所述步骤s3中，根据公式mt＝concat(head1,...,headh)wo提取时间维度上的特征矩阵其中，headk＝attention(qk,kk,vk)⊙σ(q′k)，h表示多头门控自注意力层的头的个数，headk表示多头门控自注意力层的第k个头的输出，k＝{1,2,...,h}，d＝f/h，均为参数矩阵；q、k、v根据编码器输入得到，th为编码器输入的时间步长。
13、进一步的，所述步骤s3中，在所述多图图卷积层中构建了欧式距离图邻接矩阵ae、行驶距离图邻接矩阵ad和交通信号灯距离图邻接矩阵at，其中，distancee函数为欧式距离计算函数，vi表示第i个节点，1≤i≤n，表示节点vi的x坐标，表示节点vi的y坐标，distanced(vi,vj)表示从节点vi到节点vj的最短行驶距离，distancet(vi,vj)表示从节点vi到节点vj的所有行车路线中最少的交通信号灯数量，当出现交通信号灯数量为0时，为distancet(vi,vj)赋大于零的值，以避免分母为0的情况。
14、进一步的，所述步骤s3中，所述多图图卷积层的输出为其中，a分别取ae、ad和ad，i为单位矩阵，w为参数矩阵，σ为sigmoid激活函数，为矩阵的元素，为矩阵的元素。
15、进一步的，所述步骤s3中，所述多头图注意力层的输出为其中，αij＝softmax(leakyrelu(at(w′xi||w′xj))表示注意力机制，表示在时间间隔t内的αij，at为注意力机制的权重参数，||表示拼接操作，xi、xj分别为节点vi的特征向量、节点vi的相邻节点vj的特征向量，w′为大小为c′×c的参数矩阵，c′＞c，c表示注意力机制个数，c＝1,2,…,c，表示第c个注意力机制的权重系数，为第c个注意力机制的参数矩阵，σ为sigmoid激活函数，
16、进一步的，所述步骤s3中，所述多头注意力层的输出经门控递归结本文档来自技高网...
【技术保护点】
1.一种城市道路交通流预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种城市道路交通流预测方法，其特征在于：所述步骤S2中，构建所述特征矩阵具体为：
3.根据权利要求1所述的一种城市道路交通流预测方法，其特征在于：所述编码器和解码器均还包括第一线性层和信息嵌入层，所述编码器原始输入和解码器原始输入的维度分别经过对应的第一线性层映射到高纬度，并通过信息嵌入层进行额外的信息嵌入，额外的信息包括每个时间步长的全局时间信息、局部时间信息和影响因素信息。
4.根据权利要求1或2或3所述的一种城市道路交通流预测方法，其特征在于：所述步骤S3中，根据公式Mt＝Concat(head1,...,headh)WO提取时间维度上的特征矩阵其中，headk＝Attention(Qk,Kk,Vk)⊙σ(Q′k)，h表示多头门控自注意力层的头的个数，headk表示多头门控自注意力层的第k个头的输出，k＝{1,2,...,h}，d＝f/h，均为参数矩阵；Q、K、V根据编码器输入得到，Th为编码器输入的时间步长。
5.根据权利要求1或2或3所述的
6.根据权利要求5所述的一种城市道路交通流预测方法，其特征在于：所述步骤S3中，所述多图图卷积层的输出为其中，A分别取AE、AD和AD，I为单位矩阵，W为参数矩阵，σ为sigmoid激活函数，为矩阵的元素，为矩阵的元素。
7.根据权利要求6所述的一种城市道路交通流预测方法，其特征在于：所述步骤S3中，所述多头图注意力层的输出为其中，表示注意力机制，表示在时间间隔t内的αij，aT为注意力机制的权重参数，||表示拼接操作，xi、xj分别为节点vi的特征向量、节点vi的邻居节点vj的特征向量，W′为大小为C′×C的参数矩阵，C′＞C，C表示注意力机制个数，c＝1,2,…,C，表示第c个注意力机制的权重系数，为第c个注意力机制的参数矩阵，σ为sigmoid激活函数，
8.根据权利要求7所述的一种城市道路交通流预测方法，其特征在于：所述步骤S3中，所述多头注意力层的输出经门控递归结构后得到该结果经线性层后得到所述和其中，Wxr、Wxr、Wxh、Whr、Whz和Whh，br、br和bh均为参数矩阵。
9.根据权利要求1或2或3所述的一种城市道路交通流预测方法，其特征在于：所述步骤S4中，所述编码层还包括第二线性层，所述第L′d层编码器层的门控递归图单元层的输出经第二线性层后得到预测结果Υt为时间间隔t内的预测结果。
...【技术特征摘要】
1.一种城市道路交通流预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种城市道路交通流预测方法，其特征在于：所述步骤s2中，构建所述特征矩阵具体为：
3.根据权利要求1所述的一种城市道路交通流预测方法，其特征在于：所述编码器和解码器均还包括第一线性层和信息嵌入层，所述编码器原始输入和解码器原始输入的维度分别经过对应的第一线性层映射到高纬度，并通过信息嵌入层进行额外的信息嵌入，额外的信息包括每个时间步长的全局时间信息、局部时间信息和影响因素信息。
4.根据权利要求1或2或3所述的一种城市道路交通流预测方法，其特征在于：所述步骤s3中，根据公式mt＝concat(head1,...,headh)wo提取时间维度上的特征矩阵其中，headk＝attention(qk,kk,vk)⊙σ(q′k)，h表示多头门控自注意力层的头的个数，headk表示多头门控自注意力层的第k个头的输出，k＝{1,2,...,h}，d＝f/h，均为参数矩阵；q、k、v根据编码器输入得到，th为编码器输入的时间步长。
5.根据权利要求1或2或3所述的一种城市道路交通流预测方法，其特征在于：所述步骤s3中，在所述多图图卷积层中构建了欧式距离图邻接矩阵ae、行驶距离图邻接矩阵ad和交通信号灯距离图邻接矩阵at，其中，distancee函数为欧式距离计算函数，vi表示第i个节点，1≤i≤n，表示节点vi的x坐标，表示节点vi的y坐标，distanced(vi,vj)表示从节点vi到节点vj的最短行驶距离，dist...
【专利技术属性】
技术研发人员：张惠臻，姚水林，冯文娟，潘玉彪，吴坤龙，
申请(专利权)人：华侨大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。