本发明专利技术公开了基于动态图卷积与交互学习的复杂交通流预测方法，属于智能交通技术领域，本申请通过将图卷积网络嵌入到交互式学习结构中，同时捕获时间和空间依赖性，从而实现有效的长期交通流预测，再利用了一种新的动态图卷积方法，使用从自适应和可学习的邻接矩阵中实时生成的合并图来捕获交通网络中实时变化的空间相关性，接着再集成了一个时空自适应变换器，可以提取全局和局部特征，本申请可解决针对城市交通流在时间和空间上存在的复杂相关性和非线性进行交通流预测的挑战，且本申请结合了动态图卷积和交互式学习的优点，提出了一种新的动态图卷积和交互网络的高效模型，反映了交通流的动态时空特征，因而能够更加精准地实现交通流预测。
【技术实现步骤摘要】
本专利技术属于智能交通，具体涉及基于动态图卷积与交互学习的复杂交通流预测方法。
技术介绍
1、城市交通流数据是指记录城市公共交通系统或道路交通流量随时间变化的一系列数据点。它通常包含不同时期的日、周或月数据，如客流量、交通量、车速等。交通流预测包括利用历史交通数据集、实时指标和复杂的分析方法来估计交通网络的未来状况。它是智能交通系统的核心组成部分，通过对交通网络进行动态监控和模拟，帮助城市管理者、交通规划者和驾驶员做出更好的决策。
2、近年来的研究越来越关注交通流预测中固有的时空依赖性。有一些方法分别捕获时间和空间相关性并将它们串联或并联，如graph wavenet和stfgnn。尽管如此，这些方法往往会削弱交通数据中的时空相关性，有时甚至会放大不太重要的特征。
3、stsgcn和st-3dgmr等模型是通过将空间模块纳入时间框架，并行封装时空依赖关系为交通流预测做出积极贡献。然而，这些模型仅依赖交通数据之间的时空信息进行交互学习，影响了对序列的周期性和趋势的感知。
4、为了增强对交通网络动态空间依赖性的检测，mtgn本文档来自技高网...
【技术保护点】
1.基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，S1中采用Z-scores方法对交通流数据进行预处理。
3.根据权利要求1所述的基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，DGCN模块包括：
4.根据权利要求3所述的基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，S3中，DGCI模块通过DGCN模块和交互下采样的方式将输入的原始序列X分解为两个子序列特征Xodd2和Xeven2，具体为：
>5.根据权利要求4...
【技术特征摘要】
1.基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，s1中采用z-scores方法对交通流数据进行预处理。
3.根据权利要求1所述的基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，dgcn模块包括：
4.根据权利要求3所述的基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，s3中，dgci模块通过dgcn模块和交互下采样的方式将输入的原始序列x分解为两个子序列特征xodd2和xeven2，具体为：
5.根据权利要求4所述的基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，在dgcn模块中，图生成器将预定义的初始邻接矩阵a∈rn×n和一维卷积运算后得到的隐藏特征h∈rc×n×t作为输入，输入矩阵a和隐藏特征h在第一扩散图卷积层处理之后发送到多层感知器mlp，生成具有时空特性的矩阵a1∈rn×n，rn×n表示由实数构成的n×n矩阵的集合，n是模型一次处理样本数，矩阵a1表示为：
6.根据权利要求5所述的基于动态图卷积与交互学习的复杂交通流预测方法，其特征在于，将扩散映射卷积的输入统一定义为bin∈rc×n...
【专利技术属性】
技术研发人员：陈鹏，何鸿霞，李曦，单文煜，吴磊，夏云霓，曹曙烽，曾晟珂，
申请(专利权)人：衢州海易科技有限公司，
类型：发明
国别省市：
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。