时空自适应动态图卷积网络交通流预测方法技术

本发明专利技术公开了时空自适应动态图卷积网络交通流预测方法，能够通过引入门控时间卷积网络，通过使用不同粒度的扩张因果卷积网络来捕捉交通流的时间依赖性，扩张因果卷积网络的感受野大小随着隐藏层数量的增加呈指数增长，在堆叠扩张因果卷积的支持下，STADGCN能够高效且有效地处理具有长程时间序列的时空图数据，设计由静态自适应图学习、动态图学习和空间门控融合模块组成的自适应混合图卷积模块，分别利用静态自适应图学习和动态图学习捕获全局空间变化和局部空间变化，通过空间门控融合模块融合充分捕捉交通流历史数据中的动态时空特征，方便进行交通流准确预测。

【技术实现步骤摘要】

【】本专利技术涉及交通预测的，特别是时空自适应动态图卷积网络交通流预测方法的。

技术介绍

0、
技术介绍

1、随着城市化的快速发展，交通道路越加错综复杂，智能交通系统(intelligenttransportation system，its)的负担日益加重。交通预测作为现代交通基础设施和智能交通系统的核心起着至关重要的作用。然而，由于交通活动的时空依赖性以及城市不断扩张带来的挑战，交通预测问题仍面临着不断增长的车辆数量、交叉路口的复杂流动以及不同交通模式的融合等问题。在这复杂多变的背景下，传统的交通管理方法逐渐显现出短板，因此，精确的交通流量预测成为解决这些问题的迫切需求。

2、交通预测是一个时间序列预测问题，利用过去的交通数据来预测未来的数据。早期的工作只是简单的采用了经典的时间序列模型，例如历史平均(historical average，ha)、向量自回归(vector autoregression，var)和自回归移动平均(autoregressiveintegrated moving average，arima)。这些模型本文档来自技高网...

【技术保护点】

1.时空自适应动态图卷积网络交通流预测方法，其特征在于：包括多个STADGCN层、每个STADGCN层设置有残差连接和跳连接，所述STADGCN层包括门控时间卷积(Gated TCN)和自适应混合图卷积模块(AHGCM)，所述门控时间卷积(Gated TCN)和自适应混合图卷积模块(AHGCM)相连，所述自适应混合图卷积模块(AHGCM)包括静态自适应图学习(SAGL)和动态图学习(DGL)，所述静态自适应图学习(SAGL)和动态图学习(DGL)通过空间门控融合机制构成自适应混合图卷积模块(AHGCM)；

2.如权利要求1所述的时空自适应动态图卷积网络交通流预测方法，其特征在...

【技术特征摘要】

1.时空自适应动态图卷积网络交通流预测方法，其特征在于：包括多个stadgcn层、每个stadgcn层设置有残差连接和跳连接，所述stadgcn层包括门控时间卷积(gated tcn)和自适应混合图卷积模块(ahgcm)，所述门控时间卷积(gated tcn)和自适应混合图卷积模块(ahgcm)相连，所述自适应混合图卷积模块(ahgcm)包括静态自适应图学习(sagl)和动态图学习(dgl)，所述静态自适应图学习(sagl)和动态图学习(dgl)通过空间门控融合机制构成自适应混合图卷积模块(ahgcm)；

2.如权利要求1所述的时空自适应动态图卷积网络交通流预测方法，其特征在于：所述门控时间卷积(gated tcn)采用时序关联模拟方法，将门控机制与时序卷积...

【专利技术属性】
技术研发人员：崔文恬，楼俊钢，申情，刘振方，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：