【技术实现步骤摘要】
本专利技术属于智能交通，特别是涉及一种基于选择注意力机制的交通流量预测方法及系统。
技术介绍
1、交通流量预测任务是一种利用数据分析和机器学习技术来预测特定区域或路段未来交通流量的过程。这项任务通常利用历史交通数据、道路网络数据、天气情况等多种因素进行分析和建模。随着物联网的发展，现如今这些数据来源可以通过各种方式收集，包括传感器设备、政府机构的数据公开、第三方数据提供商和公共数据库等，为交通流量预测领域提供了有力数据支撑。
2、传统的交通流量预测方法主要基于统计模型和时间序列分析。这些方法利用历史交通数据和一些数学模型进行建模和预测。虽然传统方法在一定程度上可以满足交通流量预测的需求，但它们往往无法处理复杂的非线性问题。相比传统方法，深度学习可以自动从数据中学习特征表示，并通过端到端的方式进行数据建模和预测。这种端到端的学习方式消除了传统方法中繁琐的特征工程过程，能够更好地捕捉数据中的潜在规律。但大部分模型都忽视了交通网络的整体性，道路的全局相关性，有些模型采用了注意力机制解决这个问题，但会面临输出过度平均的问题。
...【技术保护点】
1.一种基于选择注意力机制的交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于选择注意力机制的交通流量预测方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的基于选择注意力机制的交通流量预测方法，其特征在于，所述步骤2中将所述知识向量和交通速度矩阵输入的KF-Cell，得到嵌入了知识向量XE的交通速度矩阵X′t：
4.根据权利要求1所述的基于选择注意力机制的交通流量预测方法，其特征在于，步骤3所述的有空间信息的交通速度矩阵XGCN为：
5.根据权利要求1所述的基于选择注意力机制的交通流量预...
【技术特征摘要】
1.一种基于选择注意力机制的交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于选择注意力机制的交通流量预测方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的基于选择注意力机制的交通流量预测方法，其特征在于，所述步骤2中将所述知识向量和交通速度矩阵输入的kf-cell，得到嵌入了知识向量xe的交通速度矩阵x′t：
4.根据权利要求1所述的基于选择注意力机制的交通流量预测方法，其特征在于，步骤3所述的有空间信息的交通速度矩阵xgcn为：
5.根据权利要求1所述的基于选择注意力机制的交通流量预测方法，其特征在于，步骤4中所述的有时间信息的门控循环单元隐藏状态...
【专利技术属性】
技术研发人员：邱天阳，钱玉文，李骏，时龙，梅镇，
申请(专利权)人：南京理工大学，
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。