一种基于时空注意力机制的高速公路交通流量预测方法及系统技术方案

本发明专利技术公开了一种基于时空注意力机制的高速公路交通流量预测方法及系统。该方法以门架数据为基础，基于深度学习构建了高速公路交通流量预测模型MDAN。该模型主要包括：将扩散卷积与时间卷积网络进行融合，同时提取了空间特征和时间特征；从多个维度在模型中利用注意力机制，识别出不同特征、不同空间位置、不同时刻的重要程度，提高了模型的预测性能；采用了多任务学习架构，将每个门架的流量预测视为单独任务，并通过基于同方差不确定性的损失函数来平衡不同任务，共同学习以克服不同门架数据特征差别较大的问题，提高模型的泛化能力和鲁棒性。本发明专利技术融合了多种关键技术和组件，能够充分挖掘时空数据中的关键信息，实现高效准确的特征提取。

【技术实现步骤摘要】

本专利技术涉及交通领域，具体涉及一种基于时空注意力机制的高速公路交通流量预测方法及系统。

技术介绍

1、公路交通是综合立体交通网的重要组成部分，而高速公路在推进综合交通运输体系建设方面发挥了集疏运通道和衔接运输枢纽的纽带作用。高速公路交通流运行状态信息是高速管控的基础与关键，在信息感知与状态分析上，目前普遍存在监测手段单一、监测设备覆盖率低、信息反馈种类少、异常交通事件感知方式简单、路网运行风险主动预判能力不足等问题，对高速管控措施落地的及时性和正确性造成影响。

2、由此可见，高速公路的交通流量预测已经成为智慧高速管理的基础。而对于短时交通流量这样的复杂预测问题，经典的理论方法很难取得满意的效果。尤其是针对改扩建期间的高速公路，区域交通状况随着工程进展而不断变化，这种变化难以被传统预测模型所感知。对于目前主流的基于神经网络的方法，往往侧重于时空信息的提取，将所有门架的预测结果集成在一起输出，忽视了每个门架数据分布的差异性，导致在部分门架上存在较大的预测误差。因此，在考虑不同门架数据差异的基础上，研究更精确的可行方法，对未来交通流量做出精准预测，本文档来自技高网...

【技术保护点】

1.一种基于时空注意力机制的高速公路交通流量预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于时空注意力机制的高速公路交通流量预测方法，其特征在于，MDAN模型利用扩散卷积网络DCN处理图结构数据，捕获节点间的空间依赖关系，理解节点之间的关联和结构特征；MDAN模型利用时间卷积网络TCN作为时序数据处理的核心组件，捕获时间序列内部的时间依赖关系，理解时序数据的特征；在特征提取过程中，MDAN模型采用LeakyReLU激活函数来引入非线性，增强模型的表达能力，并利用通道注意力层来辨识不同特征的重要性，提高特征的区分度；所述通道注意力层对输入的时空特征在时空维度做...

【技术特征摘要】

1.一种基于时空注意力机制的高速公路交通流量预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于时空注意力机制的高速公路交通流量预测方法，其特征在于，mdan模型利用扩散卷积网络dcn处理图结构数据，捕获节点间的空间依赖关系，理解节点之间的关联和结构特征；mdan模型利用时间卷积网络tcn作为时序数据处理的核心组件，捕获时间序列内部的时间依赖关系，理解时序数据的特征；在特征提取过程中，mdan模型采用leakyrelu激活函数来引入非线性，增强模型的表达能力，并利用通道注意力层来辨识不同特征的重要性，提高特征的区分度；所述通道注意力层对输入的时空特征在时空维度做最大池化和平均池化，之后通过一个共享的多层感知机对信息进行变换，将所得结果相加，并经过sigmoid激活函数，得到最终的注意力表示。

3.根据权利要求1所述的基于时空注意力机制的高速公路交通流量预测方法，其特征在于，mdan模型通过空间注意力层提取图结构中节点间的重要特征，所述空间注意力层对输入的时空特征在时间维度做最大池化和平均池化，之后将两种池化的结果进行拼接，通过graphsage网络提取邻接节点之间的空间依赖，接着通过多层感知机对信息进行非线性变换，并经过sigmoid激活函数，得到最终的空间注意力表示。

4.根据权利要求1所述的基于时空注意力机制的高速公路交通流量预测方法，其特征在于，mdan模型通过时间注意力层捕获时间序列中的关键信息，所述时间注意力层对输入的...

【专利技术属性】
技术研发人员：虞安军，刘志远，余小晴，杨哲懿，励英迪，余佳，童蔚苹，张晨洋，
申请(专利权)人：江西赣粤高速公路股份有限公司，
类型：发明
国别省市：