基于自监督时空Transformer模型的高速公路短时流量预测方法技术

本发明专利技术的一种基于自监督时空Transformer模型的高速公路短时流量预测方法，包括以下步骤：S1.输入交通流量数据；S2.数据预处理；S3.模型参数设置；S4.构建网络模型，构建由时空Transformer模块、掩码自编码模块构成的自监督时空Transformer模型；S5.训练网络模型，对训练集数据遍历每种缺失方法和缺失率，分别引入缺失数据进行模型训练；S6.测试网络模型，将训练好的网络模型采用验证集数据进行测试和验证，得到最佳模型参数。通过本发明专利技术的预测方法能够更好地捕捉交通数据中的时空依赖性，通过本发明专利技术的模型增强了对缺失数据的适应能力，提高了交通流量的预测性能。

【技术实现步骤摘要】

本专利技术属于交通信息，具体涉及一种基于自监督时空transformer模型的高速公路短时流量预测方法。

技术介绍

1、高速公路作为我国重要的基础设施之一，在经济发展中扮演着关键的支撑角色。然而，尽管etc系统的广泛应用提供了丰富的通行数据，但是非节假日期间交通拥堵问题仍然存在，急需改善和监测。因此，交通流预测成为制定交通管理方案、提前应对拥堵、保障路网畅通的重要手段。

2、交通数据具有时空特性，即不同时间和不同位置的交通状态具有高度相关性。然而，由于设备故障、信号干扰等原因，交通数据往往存在缺失。这种数据缺失问题在传统方法中难以有效处理，导致预测结果的准确性受到影响。

3、目前，交通流预测的方法主要分为传统统计方法和基于机器学习的方法。传统统计方法如：时间序列分析、卡尔曼滤波和arima模型等，通常依赖于线性假设，难以捕捉交通流量中的复杂非线性关系。基于机器学习的方法如：支持向量机、随机森林和长短期记忆(lstm)网络等，虽然在一定程度上能够捕捉复杂关系，但对于交通数据中的时空依赖性处理较为有限。而现有方法大多关注时间维度的特征提本文档来自技高网...

【技术保护点】

1.一种基于自监督时空Transformer模型的高速公路短时流量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自监督时空Transformer模型的高速公路短时流量预测方法，其特征在于，步骤S1中所述交通流量数据为44天每5min间隔采集而来，每天采集包括288个样本，15个门架点，所述交通流量数据的初始维度为(288*44,15)，将交通流量数据划分为训练数据X和标签数据Y，设置利用历史60分钟交通流量数据预测未来15分钟交通流量数据，设置时间步长T_dim＝12，预测步长pre_len＝3，节点N＝15，将交通流量前33天数据划分成训练集数据，后11...

【技术特征摘要】

1.一种基于自监督时空transformer模型的高速公路短时流量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自监督时空transformer模型的高速公路短时流量预测方法，其特征在于，步骤s1中所述交通流量数据为44天每5min间隔采集而来，每天采集包括288个样本，15个门架点，所述交通流量数据的初始维度为(288*44,15)，将交通流量数据划分为训练数据x和标签数据y，设置利用历史60分钟交通流量数据预测未来15分钟交通流量数据，设置时间步长t_dim＝12，预测步长pre_len＝3，节点n＝15，将交通流量前33天数据划分成训练集数据，后11天划分成验证集数据，利用各门架点之间的距离构建邻接矩阵a，其形状为(15,15)。

3.根据权利要求1所述的基于自监督时空transformer模型的高速公路短时流量预测方法，其特征在于，步骤s2中将数据进行归一化处理的公式为：

4.根据权利要求1或3所述的基于自监督时空transformer模型的高速公路短时流量预测方法，其特征在于，步骤s2中设置数据缺失的方式和缺失率具体包括：

5.根据权利要求1所述的基于自监督时空transformer模型的高速公路短时流量预测方法，其特征在于，将步骤s3中的模型参数：输入通道数设置为1、嵌入维度设置为64、时间采样数量设置为288、transfor...

【专利技术属性】
技术研发人员：张崇尚，杨觅，郭萌，宋京妮，杜凯，陈丹，郭星萍，刘会洋，马静博，
申请(专利权)人：陕西交控建投经营管理有限公司，
类型：发明
国别省市：