【技术实现步骤摘要】
本专利技术属于智能交通预测领域，涉及一种基于跨时间的全局空间注意力网络的交通预测方法，可用于智能交通管控系统中实施预测未来多点位交通状态。
技术介绍
1、随着城市化进程的加速和交通流量的持续增长，交通拥堵、事故频发等问题已成为当今城市面临的重要挑战之一。在智能交通和智慧城市的构想下，交通预测作为一种重要的智能交通管理手段，具有重要意义。交通预测利用历史交通数据等多源信息，通过建立模型对未来交通状态进行预测，能够为交通管理者提供重要决策支持，帮助优化交通流动、减少交通拥堵，提升城市交通运输效率。
2、在智能交通和智慧城市建设中，深度学习方法的应用已成为研究的热点之一。深度学习具有强大的特征提取和表征学习能力，能够从大规模数据中学习到复杂的非线性关系，因此在交通预测领域有着广泛的应用前景。传统的交通预测方法往往依赖于手工设计的特征和模型，但难以处理复杂的交通数据模式和变化。而深度学习方法能够自动从原始数据中学习到更加高级和抽象的特征表示，能够更好地捕捉交通数据中的时空相关性和非线性关系，从而提高了交通预测的准确性和鲁棒性。>
3、因此，基本文档来自技高网...
【技术保护点】
1.一种基于跨时间的全局空间注意力网络的交通预测方法，其特征在于：
2.根据权利要求1所述的一种基于跨时间的全局空间注意力网络的交通预测方法，其特征在于：步骤一中，数据预处理包括对原始数据中缺失部分进行线性插值，对原始数据进行归一化处理，并按照7:2:1的比例划分成训练集、验证集和测试集。
3.根据权利要求1所述的一种基于跨时间的全局空间注意力网络的交通预测方法，其特征在于：步骤二中的变换层通过重塑特征矩阵将时间、空间、通道数三个维度转换为时空、通道数两个维度，此操作目的是将时间和空间拉伸到一个维度以便后续全局空间注意力机制提取跨时间的空间信息
4....
【技术特征摘要】
1.一种基于跨时间的全局空间注意力网络的交通预测方法，其特征在于：
2.根据权利要求1所述的一种基于跨时间的全局空间注意力网络的交通预测方法，其特征在于：步骤一中，数据预处理包括对原始数据中缺失部分进行线性插值，对原始数据进行归一化处理，并按照7:2:1的比例划分成训练集、验证集和测试集。
3.根据权利要求1所述的一种基于跨时间的全局空间注意力网络的交通预测方法，其特征在于：步骤二中的变换层通过重塑特征矩阵将时间、空间、通道数三个维度转换为时空、通道数两个维度，此操作目的是将时间和空间拉伸到一个维度以便后续全局空间注意力机制提取跨时间的空间信息。
4.根据权利要求1所述的一种基于跨时间的全局空间注意力网络的交通预测方法，其特征在于：步骤三中的全局空间注意力层，全局流量数据xgh由三个独立的全连接层处理后分别获得查询向量、键向量和值向量；具体来说通过一个可学习的相似矩阵来表示全局时空节点之间的相关性，s...
【专利技术属性】
技术研发人员：张敬刚，宋云，邓泽林，成石生，
申请(专利权)人：长沙理工大学，
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。