【技术实现步骤摘要】
本专利技术涉及时空大数据、注意力机制、时间编码、空间编码、神经网络技术，具体涉及一种基于时间感知超图的深度学习交通流量预测方法。
技术介绍
1、近年来，城市化进程不断加快，城市交通问题日益凸显。为了解决城市交通拥堵问题，提高城市交通运行效率，交通规划中的交通流量预测变得至关重要。
2、交通流量数据不仅与时间紧密相关，例如车辆的数量、速度、道路占有率和位置等关键指标都会随着交通状况的动态变化而实时波动。同时，这些数据在空间维度上也呈现出显著的关联性，因为车辆在道路上的运行状态深受道路条件的影响。面对这样复杂多变的交通环境，尤其是考虑其时空关联性和高度非线性的特点，如何精确预测城市路网的交通流量是当前面临的一个难题。
3、首先，虽然交通流量数据具有随着时间的推移会发生变化的动态性，但是受人们的出行习惯和生活规律等影响，这些动态性也具有一定的周期性。例如在早晨和傍晚的通勤高峰期，交通流量会达到峰值，而在深夜和凌晨时段，交通流量则相对较低。因此，考虑交通流量数据的周期性变化可以更好地理解和预测交通流量的动态趋势。其次，现...
【技术保护点】
1.基于时间感知超图的深度学习交通流量预测方法，其特征在于步骤如下：
2.根据权利要求1所述的基于时间感知超图的深度学习交通流量预测方法，其特征在于，所述步骤(1)中，表示交通流量数据以及构建混合超图和时间感知超图包括：
3.根据权利要求2所述的基于时间感知超图的深度学习交通流量预测方法，其特征在于，所述步骤(2)中，利用时间模块建模交通流量数据中的时间依赖关系包括：
4.根据权利要求3所述的基于时间感知超图的深度学习交通流量预测方法，其特征在于，所述步骤(3)中，利用谱域空间超图编码器有效地捕捉交通路网的空间位置信息以及利用超图注...
【技术特征摘要】
1.基于时间感知超图的深度学习交通流量预测方法，其特征在于步骤如下：
2.根据权利要求1所述的基于时间感知超图的深度学习交通流量预测方法，其特征在于，所述步骤(1)中，表示交通流量数据以及构建混合超图和时间感知超图包括：
3.根据权利要求2所述的基于时间感知超图的深度学习交通流量预测方法，其特征在于，所述步骤(2)中，利用时间模块建模交通流量数据中的时间依赖关系包括：
4.根据权利要求3所述的基于时间感知超图的深度学习交通流量预测方法，其特征在于，所述步骤(3)中，利用谱域空间超图编码器有效地捕捉交通路网的空间位置信息以及利用超图注意力网络捕捉交通流量...
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。