System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于交通量预测的,具体涉及一种基于多层复杂网络和多头自注意力机制的交通量预测方法。
技术介绍
1、在交通基础设施中,高速公路作为关键交通通道,承载了大量的交通流量。准确的交通量预测是有效管理和优化交通流的必要条件。然而,某些路段缺乏交通流量检测设备,这对准确预测短期交通量是一个巨大的障碍。
2、针对交通量短时预测的方法总体上可以归纳为模型驱动和数据驱动两类。
3、模型驱动方法有时间序列模型和滤波类模型,时间序列模型如arima及其变体,滤波类模型如卡尔曼滤波、粒子滤波等,以及时间序列和滤波方法相结合的混合模型。在通常情况下,参数类模型具有以下不足,一是很强的条件假设,并且需要对路段交通观测量进行实时统计;二是对每个观测位置进行单独预测,缺乏空间相关性考虑。
4、数据驱动类可以分为传统机器学习类方法和深度学习类方法。传统机器学习类方法如分类回归树、k近邻和svm等被应用于道路交通预测,此外,部分研究还采用了贝叶斯方法、knn、rnn、lstm等,深度学习类方法如cnn、transformer等,在通常情况下,数据驱动模型需要具备交通大数据的前提下进行,数据缺乏空间相关性的考虑,需要大量数据来提取其特征,计算复杂度高。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足,提供一种基于多层复杂网络和多头自注意力机制的交通量预测方法,将领域知识与机器学习技术相结合,利用复杂网络理论捕获和分析交通数据中的时空相关性,并利用自注意机
2、为了达到上述目的,本专利技术采用以下技术方案:
3、本专利技术的一个方面,提供了一种基于多层复杂网络和多头自注意力机制的交通量预测方法,包括下述步骤:
4、获取节点交通量;
5、构建多层复杂网络,选取预测路段及预测路段的并行路段为基准路段,针对节点间的起点-终点交通量依据路径选择属性及到达基准路段时间属性计算节点的特征值序列;所述多层复杂网络包括结构网、权重网、起点-终点网以及通行时间网;
6、以预测路段所处网络位置为中心,依据节点的特征值序列对周围节点进行权重kmeans聚类,划分交通小区;通过交通小区将节点交通量转换为小区交通量;
7、以小区交通量结合历史路段数据对自注意力机制预测网络进行训练;
8、将待预测的节点交通量通过交通小区进行转换,并输入训练好的自注意力机制预测网络,对路段交通量进行预测。
9、作为优选的技术方案,所述结构网表示为: g=( v, e),其中, g代表结构网;以出入口和互通立交为节点, v={ v1, v2,…, v n}表示网络中 n个节点的集合;以节点 v i到节点 v j的有向路段 e ij为边, e表示 m个有向路段 e ij=( v i, v j)的集合。
10、作为优选的技术方案,所述权重网采用广义费用函数来表征路段的通行成本,具体为:
11、;
12、式中,为有向路段 e ij的权重; k ηij为车型 η在有向路段 e ij的高速公路通行费; δ η是车型 η的单位距离运营费用,包括油耗、轮胎磨损以及汽车修理费用; l ij是有向路段 e ij的里程;是出行者的时间价值; t ij是车辆在有向路段 e ij在自由流状态下的行驶时间; v ij是路段交通量, c ij是路段通行能力; α, β表示期望行程时间的参数。
13、作为优选的技术方案,所述起点-终点网用于表征车辆在路网中的出行信息,包括车牌号、车型、起始点、目的地、出发时间以及到达时间。
14、作为优选的技术方案,所述通行时间网用于表征车辆在路段的平均通行时间,具体为:
15、;
16、式中,为路段的通行时间; t ij是车辆在有向路段 e ij在自由流状态下的行驶时间; v ij是路段交通量, c ij是路段通行能力; α, β表示期望行程时间的参数。
17、作为优选的技术方案,所述依据路径选择属性及到达基准路段时间属性计算节点的特征值序列,具体为:
18、;
19、;
20、;
21、其中, d( i)是节点 i到达预测路段及并行路段的通行时间; p( i)是节点 i在出行路径选择中选择预测路段及并行路段的概率,表示 p( i)符合概率和为1的约束条件,其中 s.t.表示约束条件; μ为包含预测路段在内的并行路段中心点的数量, γ为包含预测路段在内的并行路段的数量。 <本文档来自技高网...
【技术保护点】
1.基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述结构网表示为:G=(V,E),其中,G代表结构网;以出入口和互通立交为节点,V={v1,v2,…,vn}表示网络中n个节点的集合;以节点vi到节点vj的有向路段eij为边,E表示m个有向路段eij=(vi,vj)的集合。
3.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述权重网采用广义费用函数来表征路段的通行成本,具体为:
4.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述起点-终点网用于表征车辆在路网中的出行信息,包括车牌号、车型、起始点、目的地、出发时间以及到达时间。
5.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述通行时间网用于表征车辆在路段的平均通行时间,具体为:
6.根据权利要求1所述的基于多层复杂网络和多头自注
7.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述划分交通小区具体为:
8.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述自注意力机制预测网络包括编码器,用于实现输入序列x=(x1, ..., xn)到输出序列z = (z1, ..., zn)的转化,包括输入线性层、自注意力机制以及输出线性层;
9.根据权利要求8所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述自注意力机制中的子层中的多头注意力的多头数量为2,即h=2,采用向量拼接连接在一起,其表达式如下:
10.基于多层复杂网络和多头自注意力机制的交通量预测系统,以节点交通量为输入,路段预测交通量为输出,其特征在于,应用权利要求1-9中任一项所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,包括多层复杂网络、交通小区划分模块以及自注意力机制预测网络;
...【技术特征摘要】
1.基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述结构网表示为:g=(v,e),其中,g代表结构网;以出入口和互通立交为节点,v={v1,v2,…,vn}表示网络中n个节点的集合;以节点vi到节点vj的有向路段eij为边,e表示m个有向路段eij=(vi,vj)的集合。
3.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述权重网采用广义费用函数来表征路段的通行成本,具体为:
4.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述起点-终点网用于表征车辆在路网中的出行信息,包括车牌号、车型、起始点、目的地、出发时间以及到达时间。
5.根据权利要求1所述的基于多层复杂网络和多头自注意力机制的交通量预测方法,其特征在于,所述通行时间网用于表征车辆在路段的平均通行时间,具体为:
6.根据权利要求1所述的基于多层复杂网络和多头自...
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。