【技术实现步骤摘要】
本专利技术涉及智能交通，特别是涉及一种交通流量预测方法。
技术介绍
1、随着城市化进程的加速，城市交通拥堵问题日益凸显，成为影响城市运行效率和居民生活质量的重要因素。交通流量预测作为智能交通系统中的关键技术，对于交通管理和规划具有重要意义。然而，交通流量预测面临着诸多挑战，主要包括如何有效缓解城市交通拥堵问题、如何提取和利用交通数据中的时空信息以及如何处理交通网络中动态变化的空间依赖关系。
2、传统的交通流量预测方法，如卡尔曼滤波、自动回归集成移动平均(autoregressive integrated moving average model，arima)等，主要基于线性模型，难以捕捉复杂的时空相关性。近年来，基于深度学习的方法，尤其是图神经网络(graphneural network，gnn)，因其在提取图结构数据的空间特征方面的优势，被广泛应用于交通流量预测。然而，这些方法通常依赖于静态的邻接矩阵来捕捉空间依赖，忽视了交通网络中节点间流量关系的动态性。此外，现有模型在提取时间特征时，往往忽略了节点之间不同时间步的长期时间相关性。
3、为了解决上述问题，研究人员提出了多种改进方法，如动态图卷积、注意力机制等，以提高交通预测的准确性。尽管这些方法在一定程度上提高了模型性能，但仍存在局限性。例如，时空图模块的堆叠使得模型变得复杂，参数量大，而性能提升有限。此外，现有模型在处理交通流量数据的周期性特征方面也存在不足，未能充分利用这些特征来提高预测精度。
技术实现思路>
1、为了解决以上技术问题，本专利技术提供一种交通流量预测方法，包括以下步骤
2、s1、构建交通流量预测模型，交通流量预测模型包括嵌入层、多图图卷积层、时空多头自注意力层以及输出层，嵌入层包括原始特征嵌入、周期嵌入以及自适应时空嵌入，周期嵌入包括按日嵌入和按周嵌入；
3、s2、获取城市区域交通网络的历史交通数据，以及交通拥堵情况，并将历史交通数据送入嵌入层中的嵌入模块，在原始交通流序列的基础上融合得到包含时空信息特征的新交通流序列，历史交通数据包括交通流量、交通速度以及道路占有率；
4、s3、对交通流量预测模型进行训练，将原始交通流序列依次输入嵌入层来融合时空信息，分别提取交通数据中的原始特征嵌入、按日嵌入、按周嵌入以及自适应时空特征嵌入，并将四种嵌入拼接在一起得到嵌入层的输出；
5、通过多图图卷积层来提取空间特征，多图图卷积层包括邻接矩阵、最大互信息系数矩阵、动态的自适应邻接矩阵以及扩散图卷积操作，通过动态的自适应邻接矩阵捕捉交通网络中的实时变化和节点间的依赖关系；
6、通过时空多头自注意力层来捕获时空相关性，时空多头自注意力层包括时间多头自注意力和空间多头自注意力；
7、在输出层中，将提取到的时空信息通过一层全连接层，最终通过激活函数和线性变换层输出最终的预测结果；
8、s4、获取当前时刻交通数据，将获取的当前时刻交通数据输入训练好的交通流量预测模型，输出未来时间段的交通流量。
9、本专利技术进一步限定的技术方案是：
10、进一步的，步骤s2中，将获取的历史交通数据按照6：2：2的比例划分为训练集、验证集以及测试集。
11、如前所述的一种交通流量预测方法，步骤s2中，根据获取的历史交通数据，将其交通网络建模为一个有向加权图g＝(v，e，a)，其中v和e分别表示图的节点和边的集合，在交通网络中，v和e即表示传感器和道路的集合；|v|＝n表示传感器的数量；a表示图的邻接矩阵，用于描述节点之间的关系；并将处理后的交通数据视为在有向加权图上的图信号序列。
12、如前所述的一种交通流量预测方法，步骤s2中，将处理后的历史交通数据视为在有向加权图上的图信号序列具体为：在一个时间步长为t的的窗口[t+1，t+t]上，交通数据表示为xt+1：t+t＝[xt+1，xt+2，...xt+t]∈rn×t×f，其中，xt+t∈rn×f表示t时刻n个节点的特征，t表示当前时间步，r表示实数集，f表示特征数量，包括速度和车流量；
13、假设特征数量f只包括车流量，则f＝1，过去t′个时间步的数据表示为xt-t′+1：t＝[xt+1，xt+2，...xt+t]∈rn×t×1；交通预测的目标即给定有向加权图g与历史交通数据，学习一个映射f，将过去的数据xt-t′+1：t映射到未来的数据，如下式所示：
14、f(xt-t′+1：t，g)＝xt+1：t+t
15、其中，t表示当前时间步。
16、如前所述的一种交通流量预测方法，步骤s2中，使用过去的12时间步预测未来12时间步的数据，因此t′＝t＝12。
17、如前所述的一种交通流量预测方法，步骤s3中，在嵌入层中，采用全连接的方式获取原始特征嵌入其中，dda表示嵌入的维度，则原始特征嵌入的公式为：
18、cda＝linearembedding(xt-t+1：t)
19、其中，linear表示线性层，xt-t+1：t表示输入的特征；
20、按日嵌入和按周嵌入的提取方法具体为：首先初始化两个可训练的嵌入矩阵和其中，dd和dw分别表示日嵌入和周嵌入的维度，nd表示交通时间序列一天采样的数量，nw表示每周的天数，即nw＝7；输入的时间序列被用作嵌入层的索引，通过嵌入矩阵的提取，得到最终的周期嵌入cd和cw；
21、再将自适应时空特征嵌入与原始特征嵌入、按日嵌入以及按周嵌入拼接在一起得到嵌入层的输出co∈rt×n×d：
22、co＝cda||cd||cw||ca
23、其中，||表示拼接操作，最终嵌入的维度为d＝dda+dd+dw+da。
24、如前所述的一种交通流量预测方法，步骤s3中，在多图图卷积层中，将融合了嵌入层特征所输出的数据输入到多图图卷积层进行空间特征的提取，首先定义邻接矩阵：
25、
26、其中，a表示邻接矩阵，为一个方形阵列，用于表示图中的结构，矩阵中的每个元素代表了图中节点相互之间的链接状态；aij表示邻接矩阵a中的一个元素，eij∈e表示存在边使两个节点连通，否则aij为0；
27、最大互信息系数矩阵为其中，表示特征f的i传感器的序列，表示特征f的j传感器的序列，且amic∈rn×n×f；在多图图卷积中，对各个特征向量进行加权并串联，然后传递至扩散图卷积操作中进行处理；
28、在动态的自适应邻接矩阵中，构造两个用于学习空间特征的嵌入矩阵w1、其中，cemb表示嵌入的维度，为固定值；动态的自适应加权矩阵aadp由w1和w2计算得到：
29、aadp＝softmax(relu(w1w2t))
30、其中，relu()表示激活函数，使用softmax()对矩阵进行归一化，并随机初始化w1和w2。
31、如前所述的一种交通流量预测方法，多图图卷积层中，在进行多图本文档来自技高网...
【技术保护点】
1.一种交通流量预测方法，其特征在于：包括以下步骤
2.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤S2中，将获取的历史交通数据按照6：2：2的比例划分为训练集、验证集以及测试集。
3.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤S2中，根据获取的历史交通数据，将其交通网络建模为一个有向加权图G＝(V，E，A)，其中V和E分别表示图的节点和边的集合，在交通网络中，V和E即表示传感器和道路的集合；|V|＝N表示传感器的数量；A表示图的邻接矩阵，用于描述节点之间的关系；并将处理后的交通数据视为在有向加权图上的图信号序列。
4.根据权利要求3所述的一种交通流量预测方法，其特征在于：所述步骤S2中，将处理后的历史交通数据视为在有向加权图上的图信号序列具体为：在一个时间步长为T的的窗口[t+1，t+T]上，交通数据表示为Xt+1：t+T＝[Xt+1，Xt+2，...Xt+T]∈RN×T×F，其中，Xt+T∈RN×F表示T时刻N个节点的特征，t表示当前时间步，R表示实数集，F表示特征数量，包括速度和车流量；
6.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤S3中，在嵌入层中，采用全连接的方式获取原始特征嵌入其中，Dda表示嵌入的维度，则原始特征嵌入的公式为：
7.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤S3中，在多图图卷积层中，将融合了嵌入层特征所输出的数据输入到多图图卷积层进行空间特征的提取，首先定义邻接矩阵：
8.根据权利要求7所述的一种交通流量预测方法，其特征在于：所述多图图卷积层中，在进行多图图卷积操作之前首先对邻接矩阵进行归一化处理，首先计算度矩阵D，度矩阵D是一个对角矩阵，对角元素Dii的值是邻接矩阵每行的入度，即Dii＝Rowsum(Ai)；拉普拉斯矩阵为L＝D-A，对称归一化拉普拉斯矩阵被定义为ASYS＝I-D-1/2AD-1/2，而随机游走矩阵定义为Ar＝D-1A，其中，Ai表示邻接矩阵A的第i行，I表示单位矩阵，r表示随机游走；如果为归一化邻接矩阵，为输入，为可学习的权值，则将多图图卷积表示为
9.根据权利要求8所述的一种交通流量预测方法，其特征在于：所述多图图卷积层中，利用扩散图卷积将交通流与扩散过程相关联来对空间相关性建模，扩散过程以随机游走的形式来描述，并包括正向传播Pf＝A/rowsum(A)和反向传播Pb＝AT/rowsum(AT)两个方向，多图图卷积层将每个图卷积层中的扩散图卷积、自适应邻接矩阵Aadp和Amic结合起来，并使用二阶扩散卷积(K＝2)对空间信息进行挖掘，得到最终的多图图卷积公式：
10.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤S3中，时空多头自注意力层中，将多图图卷积层的输出分别用三个线性变化映射到更高维空间，得到Q、K、V三个矩阵，在时间轴和空间轴上分别应用多头自注意力，其中，时间自注意力机制具体为：首先由输入input∈RT×N×D映射得到矩阵Q、K、V的值：以及其中Z表示多图图卷积层的最终特征表示，Q、K、Q(t)、K(t)以及V(te)分别表示节点的查询queries、键keys以及值values；均表示可学习的参数；
...【技术特征摘要】
1.一种交通流量预测方法，其特征在于：包括以下步骤
2.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤s2中，将获取的历史交通数据按照6：2：2的比例划分为训练集、验证集以及测试集。
3.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤s2中，根据获取的历史交通数据，将其交通网络建模为一个有向加权图g＝(v，e，a)，其中v和e分别表示图的节点和边的集合，在交通网络中，v和e即表示传感器和道路的集合；|v|＝n表示传感器的数量；a表示图的邻接矩阵，用于描述节点之间的关系；并将处理后的交通数据视为在有向加权图上的图信号序列。
4.根据权利要求3所述的一种交通流量预测方法，其特征在于：所述步骤s2中，将处理后的历史交通数据视为在有向加权图上的图信号序列具体为：在一个时间步长为t的的窗口[t+1，t+t]上，交通数据表示为xt+1：t+t＝[xt+1，xt+2，...xt+t]∈rn×t×f，其中，xt+t∈rn×f表示t时刻n个节点的特征，t表示当前时间步，r表示实数集，f表示特征数量，包括速度和车流量；
5.根据权利要求4所述的一种交通流量预测方法，其特征在于：所述步骤s2中，使用过去的12时间步预测未来12时间步的数据，因此t′＝t＝12。
6.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤s3中，在嵌入层中，采用全连接的方式获取原始特征嵌入其中，dda表示嵌入的维度，则原始特征嵌入的公式为：
7.根据权利要求1所述的一种交通流量预测方法，其特征在于：所述步骤s3中，在多图图卷积层中，将融合了嵌入层特征所输出的数据输入到多图图卷积层进行空...
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。