1.一种混合神经网络训练方法,应用于交通流预测,其特征在于,所述混合神经网络包括LSTM模块和第一自注意力机制模块,所述LSTM模块和所述第一自注意力机制模块耦接,所述第一自注意力机制模块包含有经降维映射处理的注意力矩阵,所述方法包括:获取多个道路网络节点的交通流数据;
将所述交通流数据输入到所述混合神经网络中进行训练,得到训练后的混合神经网络。
2.根据权利要求1所述的混合神经网络训练方法,其特征在于,所述混合神经网络还包括位置嵌入模块,所述位置嵌入模块的输入端与所述LSTM模块的输出端连接,所述位置嵌入模块的输出端与所述第一自注意力机制模块的输入端连接,其中,所述位置嵌入模块用于对所述LSTM模块的输出数据进行位置编码。
3.根据权利要求1所述的混合神经网络训练方法,其特征在于,获得所述经降维映射处理的注意力矩阵包括:根据所述LSTM模块的输出数据获得查询矩阵、键矩阵和值矩阵;
获取映射矩阵,并根据所述映射矩阵对所述查询矩阵和所述键矩阵的乘积进行降维映射,得到第一相关性矩阵;
根据所述映射矩阵对所述值矩阵进行降维映射,并根据所述第一相关性矩阵和降维映射后的值矩阵得到所述注意力矩阵。
4.根据权利要求3所述的混合神经网络训练方法,其特征在于,使用映射矩阵对所述查询矩阵和所述键矩阵的乘积进行降维映射得到第一相关性矩阵之后,所述方法还包括:对所述第一相关性矩阵进行包括以下之一的处理:规范化处理、缩放处理、函数映射处理。
5.根据权利要求3所述的混合神经网络训练方法,其特征在于,根据所述LSTM模块的输出数据获得查询矩阵、键矩阵和值矩阵包括:将所述LSTM模块的输出数据划分为多个子输出数据,根据各子输出数据获得对应的子查询矩阵、子键矩阵和子值矩阵。
6.根据权利要求5所述的混合神经网络训练方法,其特征在于,获得所述经降维映射处理的注意力矩阵包括:根据所述映射矩阵对各子输出数据对应的子查询矩阵和子键矩阵的乘积进行降维映射,得到第一子相关性矩阵;
根据所述映射矩阵对各子输出数据对应的子值矩阵进行降维映射,并根据所述第一子相关性矩阵和降维映射后的子值矩阵得到子注意力矩阵;
根据多个子注意力矩阵获得所述注意力矩阵。
7.根据权利要求1所述的混合神经网络训练方法,其特征在于,所述混合神经网络还包括第二自注意力机制模块,所述第二自注意力机制模块包括局部掩码机制模块。
8.一种交通流预测方法,其特征在于,所述方法包括:
获取多个道路网络节点在上一单位时间内的交通流数据;
将所述交通流数据按照生成时间顺序输入到由权利要求1至7中任一项所述的混合神经网络训练方法训练得到的混合神经网络,经由所述混合神经网络处理之后输出所述多个道路网络节点在下一单位时间内的交通流预测值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。