基于时空图卷积网络的分段迭代长期交通流量预测方法技术

本发明专利技术公开了基于时空图卷积网络的分段迭代长期交通流量预测方法。首先将应用场景中涉及的传感器的实体映射成图论的节点权重信息来实现问题模型化，获取图模型；然后通过将交通特征矩阵划分，作为时空图卷积网络的输入。最后利用并行多步预测PMF的方法并行预测各个分段的预测结果，将预测的各个分段结合位置嵌入获得接下来各时刻的交通信息。本发明专利技术时空图卷积网络采用分段迭代代替逐点迭代，预测时用并行多步预测PMF代替递归多步预测RMF。本发明专利技术通过分段迭代策略显著减少了提取时间特征所需的递归迭代次数，从而解决了在长序列上有效训练GRU的挑战。此外，PMF的采用进一步缓解了传统RMF方法中固有的误差累积问题。

【技术实现步骤摘要】

本专利技术属于智能交通领域，具体涉及基于时空图卷积网络的分段迭代长期交通流量预测方法。

技术介绍

1、随着物联网和5g通信技术的快速发展，人们可以通过各种设备或系统获得广泛的交通信息，这推动了智能交通系统的发展。智能交通系统通拥堵的有效方法，为出行者提供可靠的出行路线，并为城市交通管理提供参考建议。作为智能交通系统领域的一个重要研究课题，使用深度学习方法进行交通流量预测近年来备受关注。通过深度学习方法可以更好地理解隐藏在复杂交通网络中的隐藏着的信息,极大的提高了我们对交通流预测的准确性。交通流量预测分为短期预测和长期预测，划分的依据是根据回顾窗口和预测范围的大小。短期交通流量预测使用较短的回顾窗口，即使用少量的历史数据进行预测近期的变化，长期交通流量预测使用较长的回顾窗口，即考虑大量的历史数据来进行长时间的预测。然而，现有的许多研究主要集中在短期交通流量预测上。长期交通流量预测在处理过长的回顾窗口和预测范围时面临着挑战。

技术实现思路

1、针对现有技术中存在的不足，本专利技术提供基于时空图卷积网络的分段迭代长本文档来自技高网...

【技术保护点】

1.基于时空图卷积网络的分段迭代长期交通流量预测方法，其特征在于，实现过程如下：

2.根据权利要求1所述的基于时空图卷积网络的分段迭代长期交通流量预测方法，其特征在于，步骤(1)具体方法如下：

3.根据权利要求1所述的基于时空图卷积网络的分段迭代长期交通流量预测方法，其特征在于，步骤(2)具体方法如下：

4.根据权利要求1所述的基于时空图卷积网络的分段迭代长期交通流量预测方法，其特征在于，所述步骤(3)中具体实现过程如下：

5.根据权利要求4所述的基于时空图卷积网络的分段迭代长期交通流量预测方法，其特征在于，步骤4具体方法如下：

...

【技术特征摘要】

1.基于时空图卷积网络的分段迭代长期交通流量预测方法，其特征在于，实现过程如下：

2.根据权利要求1所述的基于时空图卷积网络的分段迭代长期交通流量预测方法，其特征在于，步骤(1)具体方法如下：

3.根据权利要求1所述的基于时空图卷积网络的分段迭代长期交通流量预测方法，其特征在于，步骤(2)具体方法如下：

4.根据权...

【专利技术属性】
技术研发人员：刘鹏，祖李昊，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人