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】
本专利技术涉及道路车流量分析预测的,尤其是涉及基于时空图注意力神经网络的交通流量预测方法。
技术介绍
1、作为解决交通问题的有效手段之一,智能交通系统越来越受到人们的推崇。智能交通系统(its)是一种先进的交通管理控制系统,它旨在结合数字通信与计算机网络等先进的信息技术来对交通系统提供与原始的运输方式和交通管理不同的创新型服务,这能够使得用户可以更好地了解交通的情况,并且能够使用更安全、更协调、更智能的交通运输网络。在智能交通系统中,交通流量预测占有显著的位置,交通流量预测是智能交通系统实现的基础和关键所在,科学的管理方法必须有数据的支持,只有在历史交通数据上进行高精度的交通流量预测,才能向出行者提供更为有效的道路交通信息,为动态交通规划提供数据支撑,从而达到缓解道路交通拥堵和方便人们出行的目的。因此,交通流量预测就显得十分必要,预测结果可以指导交管部门对道路流量进行科学的管理,从而提高道路资源的利用率。
2、然而,目前的交通流量预测的方法还存在很多的不足。一方面,真实世界中的道路网络具有复杂的空间结构,道路交通流是非欧几里得的和定向的;另一方面,道路交通流随时间的变化是非平稳的,具有很强的时间依赖性,比如早晚高峰、节假日或者无法预知的交通事故都会对道路交通速度产生影响。
3、现有的预测方法采用图神经网络(gnns),但是现有技术gnns所采用的图结构是预定义的,仅代表路网的物理结构。因此,它不能保证是交通流量之间依赖性的最佳描述。两个相距较远但趋势相似的交通流量之间的关系对交通预测也很重要,而这种依赖性
技术实现思路
1、本专利技术的目的就是为了克服预定义图结构导致的预测精度不足的缺陷而提供的基于时空图注意力神经网络的交通流量预测方法。
2、本专利技术的目的可以通过以下技术方案来实现:
3、一种基于时空图注意力神经网络的交通流量预测方法,包括以下步骤:
4、获取交通流量数据,将交通流量数据输入训练好的交通流量预测模型中,得到预测结果,其中,交通流量预测模型包括多个编码器和一个解码器,交通流量数据经过嵌入单元后进入第一个编码器,每个编码器的输入为上一个编码器的输出和初始图,第一个编码器的输入为经过嵌入单元后的交通流量数据和初始图,编码器包括空间注意模块和时间注意模块,交通流量预测模型的训练过程具体为:
5、步骤s1、获取历史交通流量数据x和初始图g,历史交通流量数据x经过嵌入单元后进入第一个编码器;对于任意一个编码器,根据该编码器的输入生成隐藏状态h=[ht-p+1,...ht],通过空间注意模块中的图注意机制输入,在数据空间域中提取特征,计算初始图中节点与该编码器的输入之间的关系r,然后执行s2;
6、步骤s2、对初始图中节点与编码器的输入之间的关系r进行卷积,得到编码器的节点i属性的输出通道,1个编码器对应多个通道;
7、步骤s3、基于s2的输出通道,通过学习对偶节点表示的度量函数推导初始图的两个节点之间的学习关系a[i,j];
8、步骤s4、通过空间注意模块的多头注意机制,将包括该编码器的前k个编码器的空间注意模块的结果进行平均,输出该编码器的空间注意力结果的平均值xg,其中第k个编码器的空间注意模块的结果为:a(k)w(k)h(t),其中a(k)为第k个编码器的空间注意模块的s3中求出的节点之间关系,w(k)为第k个编码器的空间可训练的参数,h(t)为第k个编码器的生成的隐藏状态;
9、步骤s5、基于嵌入单元xe,添加残差连接xr,结合平均值xg得到空间注意模块输出的最终特征xs;
10、步骤s6、在同一个编码器中,将经过嵌入单元的历史交通流量数据作为输入,确定数据的各个特征的查询矩阵q、键矩阵k和值矩阵v,通过时间自注意力机制计算经过嵌入单元的历史交通流量数据的各个特征之间的权重;
11、步骤s7、根据各个特征之间的权重计算各个特征的时间注意力特征h,并通过时间注意模块的多头注意机制,将包括该编码器的前k个编码器的时间注意力特征进行拼接;
12、步骤s8、将拼接后的结果输入前馈网络,前馈网络输出时间注意力结果xa;
13、步骤s9、基于嵌入单元xe,添加残差连接xr,结合时间注意力结果xa得到时间注意模块输出的最终特征xt,融合s5和s9的空间注意模块输出的最终特征xs和时间注意模块输出的最终特征xt,融合得到的特征作为下一个编码器的输入,最后一个编码器的输出的融合特征为hn;
14、步骤s10、将最后一个编码器的输出的融合特征hn,以及经过嵌入单元的历史时间序列x和未来时间序列y输入解码器中,计算预测时间步ti与历史时间步tj之间的相似性;
15、步骤s11、对s10的相似性进行激活,得到相似系数;
16、步骤s12、对相似系数进行归一化;
17、步骤s13、基于归一化的相似系数进行加权组合,得到预测时间步长为ti的预测结果;
18、步骤s14、基于预测结果的线形变换得到未来的交通流量预测值;
19、步骤s15、计算损失函数,判断损失函数是否符合要求或迭代的次数达到最大值,若是则结束训练,得到训练完成的交通流量预测模型,反之返回s1。
20、进一步地,两个节点之间的学习关系为:
21、
22、其中,mi是节点i的输出信号,表示度量函数,a[i,j]表示节点i和节点j之间的学习关系。
23、进一步地,空间注意模块输出的最终特征xs为:
24、xs=xg×sigmoid(xe)+xr
25、其中,xg为空间注意力结果的平均值,xe为嵌入单元,xr为残差连接。
26、进一步地,残差连接为:
27、
28、其中,f为特征维数。
29、进一步地,时间注意模块输出的最终特征xt为
30、xt=xa×sigmoid(xe)+xr
31、其中,xa为时间注意力结果,xe为嵌入单元,xr为残差连接。
32、进一步地,时间注意力结果为:
33、xa=ffn(multihead(qi,ki,vi))
34、其中,ffn表示前馈网络,multihead表示拼接后的结果。
35、进一步地,预测时间步长为tj的预测结果为:
36、
37、其中,σ为激活函数,αi,j为归一化注意系数,eti为相似系数。
38、进一步地,未来的交通流量预测值为:
39、y′=wfo+b
40、其中,w为全连接层的参数矩阵,b为偏置系数。
41、进一步地,损失函数为l2损失函数。
42、进一步地,损失函数为:
43、l(y′,wθ)=||y′(xt-p+1,…,xt,wθ)-y本文档来自技高网...
【技术保护点】
1.一种基于时空图注意力神经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所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,两个节点之间的学习关系为:
3.根据权利要求1所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,空间注意模块输出的最终特征XS为:
4.根据权利要求3所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,残差连接为:
5.根据权利要求1所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,时间注意模块输出的最终特征XT为
6.根据权利要求5所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,时间注意力结果为:
7.根据权利要求1所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,预测时间步长为tj的预测结果为:
8.根据权利要求7所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,未来的交通流量预测值为:
9.根据权利要求8所述的一种基于时空图
10.根据权利要求9所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,损失函数为:
...【技术特征摘要】
1.一种基于时空图注意力神经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所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,两个节点之间的学习关系为:
3.根据权利要求1所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,空间注意模块输出的最终特征xs为:
4.根据权利要求3所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,残差连接为:
5.根据权利要求1所述的一种基于时空图注意力神经网络的交通流量预测方法,其特征在于,时间注意模块输出的最终特征xt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。