【技术实现步骤摘要】
本专利技术涉及智能交通领域，具体涉及一种融合外部时间信息和上下文空间信息的交通流量预测方法。
技术介绍
1、短期交通流量预测是实现智能交通的基础任务之一。其利用时空数据挖掘技术，对历史和实时路网传感器采集的观测数据进行建模，以对未来短期城市交通状况进行预测。这一技术的发展对于改善城市交通管理、缓解交通拥堵、提高道路安全性等方面具有重要意义。然而，由于各观测结点之间存在着错综复杂的时空关联，并且很多突发或规律性的外部因素会造成流量突变，导致其呈现出非线性时空耦合的复杂模式，这使得短期交通流量预测极具挑战。
2、目前，交通流量预测的关键在于对时间和空间特征的有效建模。时间特征用于捕获交通状态随时间的动态变化，空间特征则刻画了不同路段之间的拓扑关系及其相互影响。
3、针对时间特征的建模已从传统统计方法和机器学习方法逐渐发展为基于深度学习的方法。早期研究主要采用循环神经网络、长短期记忆网络和门控循环单元来建模时间序列。然而，这些模型在捕获长期依赖关系时存在遗忘问题。这一问题使得基于transformer 的架构在建模时间...
【技术保护点】
1.一种融合外部时间信息和上下文空间信息的交通流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤A所述的数据预处理，具体为：
3.根据权利要求1所述的方法，其特征在于，步骤B所述的特征嵌入模块，具体为：
4.根据权利要求1所述的方法，其特征在于，步骤D所述的ST-SDNet模型，具体为：
5.其中表示两个监测站点之间的距离，表示某一特定的阈值；
6.得到两层自注意力层的输出 ，其中是可学习的线性映射权重，表示注意力的缩放维度；
【技术特征摘要】
1.一种融合外部时间信息和上下文空间信息的交通流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤a所述的数据预处理，具体为：
3.根据权利要求1所述的方法，其特征在于，步骤b所述的特征嵌入模块，具体为：<...
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。