【技术实现步骤摘要】
本专利技术属于交通运输，具体涉及一种基于特征注意力分解和图卷积网络的交通流量预测方法。
技术介绍
1、大数据、人工智能和物联网技术的不断发展，为车流量预测提供了更为丰富和可靠的数据源。各类传感器、智能交通设备以及移动终端的广泛应用，使得对车流量进行高精度、高时效的预测成为可能。基于交通预测的早期干预被视为提高交通系统效率和缓解交通相关问题的关键。
2、鉴于交通数据具有非线性、复杂、动态的时空依赖性，缺乏有效的方法来捕捉交通数据的内在属性和整体概况，成为提高模型交通预测能力的瓶颈。
3、时间序列分解已被证明可以解开纠缠的时间模式并揭示时间序列的固有属性，真实流量数据包括季节项、趋势和余项。对这些要素进行精确分解并对三部分进行单独建模可以揭示交通数据的内在特征，从而提高最终的交通预测结果。交通数据之间存在动态时空相关性。首先，来自同一传感器在不同时间的交通数据相互作用并随时间动态变化，代表交通数据的时间依赖性。其次，来自不同传感器的交通数据同时交互并随时间动态变化，表明交通数据的空间依赖性。最后，来自不同传感器的交通数据在不同时间交互并随时间动态变化，说明了交通数据之间的时空依赖性。
4、交通流量预测主要分为传统时间序列建模、基于时间序列分解、基于注意力机制以及增加外部因素进行流量预测这四类方法。传统时间序列建模的假设不适用于复杂、非线性、动态变化的交通数据，因此交通预测结果并不理想。同时，使用rnn网络进行时间序列预测会遇到梯度消失或爆炸等挑战，特别是在更深的网络架构中。这些问题限制了使用rnn
5、综上所述，为了解决这些技术问题，本专利技术提出了一种基于特征注意力分解和图卷积网络的交通流量预测方法(decomposition with feature attention and graphconvolution network for traffic forecasting,dfagcn)。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于特征注意力分解和图卷积网络的交通流量预测方法。本专利技术旨在解决以下问题：如何捕捉交通数据的内在属性，即非线性，复杂，动态的时空依赖性；如何捕捉交通数据的时空关联；如何提取交通数据的局部信息并捕获空间和时间上下文中相邻节点之间的依赖关系。
2、本专利技术提供了一种基于特征注意力分解和图卷积网络的交通流量预测方法，包括以下步骤：
3、s1.采集过去一段时间内的车辆gps数据和交通传感器数据，确定交通网络和交通数据；
4、交通网络：表示为图g＝(v,e,a)，其中，v表示n个交通传感器的集合；e表示每个传感器之间连接的边的集合；a∈rn×n表示邻接矩阵，其中每个元素aij表示第i个传感器vi和第j个传感器vj之间的距离；
5、交通数据：将时刻t的观测交通状态表示为图信号其中，表示时刻t时第i个传感器记录的交通状态；n表示传感器数量；f表示交通状态的数量；
6、s2.构建dfagcn模型，所述dfagcn模型包括特征注意力分解模块、时空多头注意力模块和时空卷积模块；
7、s3.输入交通数据，通过特征注意力分解模块将流量数据分解为季节项、趋势和余项；
8、s4.通过时空多头注意力模块捕获交通数据之间的动态时空相关性；
9、s5.通过时空卷积模块进一步利用交通数据中的邻近信息，预测交通流量。
10、进一步，所述步骤s3包括以下子步骤：
11、s3.1通过特征注意力过滤余项；
12、特征注意力采用软阈值和sigmoid函数实现门控机制，门控机制表示为：
13、rf＝sigmoid(nu(relu(nd(gp))))
14、式中，表示门控机制；nd和nu分别是特征降维和特征升维运算符；全局平均池化gp被用于表示整个交通数据的统计信息，全局平均池化将大小从减小到如下：
15、x＝linear(xp)
16、
17、式中，xf(i，j)是交通数据x中第n个传感器在时刻t的特征值；t表示输入的时间长度；
18、获取余项
19、xr＝x-rf×x＝x-xts
20、式中，表示趋势和季节项的组合；
21、s3.2自适应感知趋势；
22、采用具有一组卷积核的平均池化来提取趋势
23、xt′＝(avgpool1(xts)，avgpool2(xts)，...，avgpoolk(xts))
24、获取与趋势多头注意力对应的查询值qt、键值kt和值值vt；
25、
26、
27、
28、式中，是可学习的参数；是重塑后的输出；获取趋势多头注意力分数
29、
30、式中，d代表隐藏维度，是个超参数；
31、最后，获取趋势
32、
33、式中，⊙表示逐元素的哈达玛积；
34、s3.3从交通数据中移除余项和趋势，得到季节项
35、xs＝x-xr-xt。
36、进一步，所述步骤s4包括以下子步骤：
37、s4.1空间多头注意力；
38、输入数据(xs+x)，获取空间多头注意力分数aspa∈rk×n×n；
39、
40、式中，k是空间注意力头的数量；是可学习的参数。
41、s4.2时间多头注意力；
42、获取时间多头注意力分数
43、
44、式中，h是时间注意力头的数量；是可学习的参数；
45、计算时间注意力
46、
47、xs1＝layernorm(linear(tatt))
48、式中，是可学习的参数；
49、最终，得到
50、xs1＝layernorm(linear(tatt))
51、式中，xs1表示经过时间注意力计算后的值。
52、进一步，所述步骤s5包括以下子步骤：
53、s5.1空间图卷积；
54、使用基于谱图理论的图卷积直接处理信号并挖掘交通数据在空间维度上的局部空间依赖关系，通过分析拉普拉斯矩阵及其特征值，获取图结构的性质；
55、谱分析中，图卷积表示为：
56、gθ*gxs1＝gθ(l)xs1
57、式中，gθ和*g分别表示近似卷积核和卷积操作；l表示本文档来自技高网...
【技术保护点】
1.一种基于特征注意力分解和图卷积网络的交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征注意力分解和图卷积网络的交通流量预测方法，其特征在于：所述步骤S3包括以下子步骤：
3.根据权利要求2所述的一种基于特征注意力分解和图卷积网络的交通流量预测方法，其特征在于：所述步骤S4包括以下子步骤：
4.根据权利要求3所述的一种基于特征注意力分解和图卷积网络的交通流量预测方法，其特征在于：所述步骤S5包括以下子步骤：
【技术特征摘要】
1.一种基于特征注意力分解和图卷积网络的交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征注意力分解和图卷积网络的交通流量预测方法，其特征在于：所述步骤s3包括以下子步骤：
3.根据权...
【专利技术属性】
技术研发人员：郑林江，刘玉莽，唐毅，罗伟，代振，邓媛园，杨洁，
申请(专利权)人：重庆大学，
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。