【技术实现步骤摘要】
本专利技术涉及智能交通，更具体的说是涉及一种基于时序深度学习的城市交通流量预测方法及系统。
技术介绍
1、随着城镇化率的提高，生活水平变得越来越好，汽车的保有量也在不断提高，日常工作生活中汽车出行逐渐成为人们首选，这就导致在通勤高峰期容易发生交通拥堵，严重影响出行效率和质量，因此道路交通问题越来越受到社会各界的关注。随着信息化、智能化发展，智能交通系统成为了解决道路交通问题的新手段，而交通流量的准确性直接影响着智能交通系统的有效性。
2、现有技术中，基于时空图卷积网络（stgcn）的流量预测方法主要依赖静态路网拓扑建模时空依赖关系，但现有技术中存在以下缺陷：
3、静态邻接矩阵无法捕捉动态空间关系（如临时施工、突发事件导致的路网变化）；时空特征融合不充分，传统方法对时间和空间维度的注意力分配固定，难以动态调整不同时段、不同路段的重要性。
4、因此，如何提高交通流量预测的准确性是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种...
【技术保护点】
1.一种基于时序深度学习的城市交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时序深度学习的城市交通流量预测方法，其特征在于，步骤1中预处理方法包括去噪、异常值剔除、数据填充和数据增强。
3.根据权利要求1所述的一种基于时序深度学习的城市交通流量预测方法，其特征在于，步骤2中根据交通流量数据和路网拓扑构建静态邻接矩阵，包括以下步骤：
4.根据权利要求3所述的一种基于时序深度学习的城市交通流量预测方法，其特征在于，根据交通流量数据构建动态邻接矩阵，表示为：
5.根据权利要求4所述的一种基于时序...
【技术特征摘要】
1.一种基于时序深度学习的城市交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时序深度学习的城市交通流量预测方法，其特征在于，步骤1中预处理方法包括去噪、异常值剔除、数据填充和数据增强。
3.根据权利要求1所述的一种基于时序深度学习的城市交通流量预测方法，其特征在于，步骤2中根据交通流量数据和路网拓扑构建静态邻接矩阵，包括以下步骤：
4.根据权利要求3所述的一种基于时序深度学习的城市交通流量预测方法，其特征在于，根据交通流量数据构建动态邻接矩阵，表示为：
5.根据权利要求4所述的一种基于时序深度学习的城市交通流量预测方法，其特征在于，时空注意力权重包括时间注意力权重和空间注意力权重，表示为：
6.根据权利要求5所述的一种基于时序深度学习的城市交通流量预测方法，其特征在于，改进时空图卷积网络包括依次连接的输入层、扩散卷积层、门控时序卷积层和全连接层；输入层根据时空注意力权重对交通流量数据、静态邻接矩阵和动态邻接矩阵进行调整；扩散卷积层捕捉路网拓扑中节点之间的空间传播规律，进行空间维度建模，获得空间特征；...
【专利技术属性】
技术研发人员：陈欢，陈超，邹祥莉，罗秀玲，李欣怡，尹杰丽，程亚杰，
申请(专利权)人：广州交信投科技股份有限公司，
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。