【技术实现步骤摘要】
本专利技术涉及智能交通，具体为一种基于transformer和图神经网络的交通流量预测方法。
技术介绍
1、在当今社会，城市化进程的迅猛推进使得城市交通流量呈现出日益复杂且动态变化的态势，交通流量的精准管理与预测已然成为智能交通系统建设与发展的关键核心问题。高效且准确的交通流量预测不仅能够为交通信号的智能控制提供科学依据，实现交通资源的合理优化配置，还能显著缓解交通拥堵状况，极大提升道路的实际使用效率，进而推动城市交通的有序运行。
2、近年来，深度学习技术在交通流量预测领域的应用愈发广泛，其中结合时空数据的模型备受关注，因其有望捕捉交通流量复杂多变的变化趋势。在众多技术中，图神经网络凭借其独特优势，能够有效挖掘交通网络内在的空间依赖关系，从交通网络的拓扑结构中提取有价值的信息；而诸如 transformer 等序列模型，则专注于捕捉交通流量随时间推移所呈现的演化规律，在处理时间序列数据方面表现出色。
3、然而，深入研究发现，现有的交通流量预测方法大多存在一个明显的缺陷，即往往将空间特征和时间特征孤立开来进行处理，未能充分考虑二者之间的紧密内在联系。这种分离式的处理方式使得模型在面对实时交通变化和突发情况时显得力不从心，难以做出准确及时的响应。
4、进一步分析现有技术可知，其在时空特征融合以及应对实时动态交通变化方面存在显著的局限性，这直接导致了预测精度难以满足实际需求。具体而言，当前的模型在处理交通网络复杂的空间依赖性和时间序列演变时，无法实现二者的高效协同处理，难以根据不同的时空条件动态地调
5、在实际应用场景中，这种局限性表现得更为突出。由于现有模型对交通流量的动态变化缺乏足够的自适应性，当遇到突发事件（如交通事故、恶劣天气等）或道路拥堵等常见的动态变化场景时，无法灵活适应拓扑结构的变化和调整预测策略，导致预测结果与实际交通状况出现较大偏差。
6、综上所述，迫切需要研发一种创新的交通流量预测方法，该方法能够有机融合时空特征，并具备动态调整图结构的能力，以有效应对交通流量的复杂变化，从而为解决交通管理中的诸多难题提供有力的技术支撑，这已成为当下交通领域研究与实践的关键任务和必要手段。
技术实现思路
1、本专利技术的目的在于提供基于一种基于transformer和图神经网络的交通流量预测方法，能够有效捕捉交通数据中的复杂时空关系，并通过动态图结构适应现实道路道路结构的变化，从而提升交通流量预测的准确性和鲁棒性，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：
3、一种基于transformer和图神经网络的交通流量预测方法，方法包括：
4、s100、获取来自城市中不同交通传感器设备的的时间序列数据以及初始道路拓扑图，并通过对数据进行预处理及最大-最小标准化方法来规范化模型的输入；
5、s200、transformer编码器模块通过自注意力机制捕捉长期依赖关系，并输出每个节点的嵌入向量，用于下游模块时间特征的融合计算以及图结构的动态更新；
6、s300、基于节点间的嵌入向量，使用余弦相似度计算节点之间的相似性，并根据拓扑图的变化程度来决定动态图是否进行更新；
7、s400、运用图神经网络中的图注意力机制对节点的邻居信息进行聚合，强化空间特征的学习；
8、s500、融合节点嵌入的时序特征和经过图神经网络的空间特征，并通过全连接层进行流量预测。
9、优选地，s100，包括：
10、s101、在交通节点部署传感器集群,用于采集交通流量数据，包括速度、流量、时间占有率等，传感器集群以预设的时间间隔定时采集并上传至数据中心；
11、s102、对采集的交通流量数据进行预处理，包括去除异常数据并进行标准处理,确保数据的完整和一致；
12、s103、基于交通节点（传感器）与道路之间的物理连接关系，建立交通节点与边的初始交通网络拓扑结构,所述拓扑结构以交通节点（传感器）为图的顶点，以道路为图的边，用于反映交通流量在不同节点之间的流动路径。
13、优选地，s200，包括：
14、s201、预处理过后的多变量时间序列数据集形状为，其中是特征的数量，代表时间序列的长度；
15、s202、定义嵌入时间窗口的大小为w，将整个数据集x划分为多个这样的时间切片，并将每个切片中的数据依次输入transformer encoder；
16、s203、transformer encoder将每个时间切片映射为一个嵌入向量，其中h是嵌入向量的维度；对t/w个嵌入向量取平均，得到每个节点的嵌入向量。
17、优选地，s300，包括：
18、s301、在神经网络训练时，每个batch经过节点嵌入后，需要两节点向量之间重新计算余弦相似度，其公式为：；
19、s302、每个节点选择与自身余弦相似度大于0的最多k个节点作为自己的邻居节点j，然后将i和j连边，得到图的邻接矩阵a’；
20、s303、将a’与模型正在使用的图邻接矩阵相减，运用函数得到相减矩阵中非零元素的个数q，则q/2为发生变化的边数；
21、设置当q/2＞q时，更新为新的图邻接矩阵a；其中，q可根据分布式网络中的节点个数灵活设置。
22、优选地，s400，包括：基于邻接矩阵a构建图神经网络，使用基于图注意力的特征提取器，将节点的信息与其邻居融合：
23、对于节点i聚合特征计算方法为：；
24、其中，是图注意力层的输出特征，它与输入的具有相同的形状，是节点i的输入时间窗口，是从图邻接矩阵a得到的节点i的邻居节点，是可训练的权重矩阵，表示在邻接矩阵中标为1的点，数量为节点i的所有邻居节点的数量；
25、其中注意力系数计算方法为：
26、；
27、；
28、其中⊕表示链接操作，是注意力机制学习到的系数向量，使用leakyrelu作为非线性激活来计算注意力系数，并使用softmax函数对注意力系数进行归一化。
29、优选地，s500，包括：
30、s501、在经过图神经网络进行邻域特征提取后，得到个节点的新时间序列表示；为了融合时间和空间上各自丰富的特征信息，我们将之前训练获得的节点嵌入向量通过一个线性层linear，并与进行残差连接得到，公式如下：
31、；
32、其中w和b分别是linear层中的权重矩阵和偏置向量；
33、s502、通过一个全连接层对交通流量时间窗的下一个时间点进行预测，使用平均绝对值误差mae和均方根误差rmse作为本专利技术的损失函数。
34、一种采用基于transformer和图神经网络的交通流量预测方法的系统，系统包括：交通流量采集模块及中央本文档来自技高网...
【技术保护点】
1.一种基于Transformer和图神经网络的交通流量预测方法，其特征在于：所述方法包括：
2.如权利要求1所述的一种基于Transformer和图神经网络的交通流量预测方法，其特征在于，所述S100，包括：
3.如权利要求1所述的一种基于Transformer和图神经网络的交通流量预测方法，其特征在于，所述S200，包括：
4.如权利要求1所述的一种基于Transformer和图神经网络的交通流量预测方法，其特征在于，所述S300，包括：
5.如权利要求1所述的一种基于Transformer和图神经网络的交通流量预测方法，其特征在于，所述S400，包括：基于邻接矩阵A构建图神经网络，使用基于图注意力的特征提取器，将节点的信息与其邻居融合：
6.如权利要求1所述的一种基于Transformer和图神经网络的交通流量预测方法，其特征在于，所述S500，包括：
7.一种采用如权利要求1~6任一所述的基于Transformer和图神经网络的交通流量预测方法的系统，其特征在于：所述系统包括：交通流量采集模块及中央服
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于Transformer和图神经网络的交通流量预测方法中的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的一种基于Transformer和图神经网络的交通流量预测方法中的步骤。
...【技术特征摘要】
1.一种基于transformer和图神经网络的交通流量预测方法，其特征在于：所述方法包括：
2.如权利要求1所述的一种基于transformer和图神经网络的交通流量预测方法，其特征在于，所述s100，包括：
3.如权利要求1所述的一种基于transformer和图神经网络的交通流量预测方法，其特征在于，所述s200，包括：
4.如权利要求1所述的一种基于transformer和图神经网络的交通流量预测方法，其特征在于，所述s300，包括：
5.如权利要求1所述的一种基于transformer和图神经网络的交通流量预测方法，其特征在于，所述s400，包括：基于邻接矩阵a构建图神经网络，使用基于图注意力的特征提取器，将节点的信息与其邻居融合：
6.如权...
【专利技术属性】
技术研发人员：武迎新，孙哲，曹亚东，孙知信，
申请(专利权)人：南京邮电大学，
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。