1.注意力与多元图卷积融合的时空交通速度预测方法,其特征在于,包括以下步骤:步骤1:获取辅助数据和主要数据;其中,主要数据包括交通速度,辅助数据包括交通流量;
步骤2:分别将辅助数据和主要数据代入扩张时空图卷积中得到辅助数据的图邻接矩阵和主要数据的的图邻接矩阵;
步骤3:对辅助数据的图邻接矩阵和主要数据的图邻接矩阵进行融合得到融合特征的图邻接矩阵;包括:对辅助数据和主要数据经过时空特征提取得到的带有时空嵌入信息的特征向量进行逐像素点相加,得到融合后的图邻接矩阵;公式表示为:其中,、表示带有时空信息嵌入的特征向量,为节点数,∑表示累加操作,为可学习的权重矩阵,为节点在第个卷积核中的注意力系数,表示逐像素点相加;
步骤4:提取主要数据的通道特征,将主要数据的通道特征和融合特征的图邻接矩阵进行逐点相加,得到主要数据的输出,并作为下一步主要数据的输入;其中,将主要数据的通道特征和融合了带有时空信息嵌入的辅助数据特征的图邻接矩阵进行逐点相加代入以下公式:其中,表示下一步的输入,表示融合后的特征矩阵,表示数据的通道特征;
步骤5:提取辅助数据的通道特征,将辅助数据的通道特征和辅助数据的图邻接矩阵进行逐点相加,得到辅助数据的输出,并作为下一步辅助数据的输入;
步骤6:重复步骤2-5,当循环达到预定次数时截止,将最终得到融合特征的的图邻接矩阵进行跳跃连接,得到交通速度预测数据。
2.根据权利要求1所述的注意力与多元图卷积融合的时空交通速度预测方法,其特征在于,所述分别将辅助数据和主要数据代入扩张时空图卷积中得到辅助数据的图邻接矩阵和主要数据的的图邻接矩阵包括:分别将辅助数据和主要数据代入扩张时空图卷积中,扩张时空图卷积分别提取辅助数据和主要数据的时空特征,得到辅助数据的图邻接矩阵和主要数据的的图邻接矩阵。
3.根据权利要求2所述的注意力与多元图卷积融合的时空交通速度预测方法,其特征在于,所述扩张时空图卷积是由时间卷积层和图卷积网络共同组成的时空网络,在时间卷积层使用扩张卷积和门控卷积;在图卷积网络使用动态图卷积,通过加权链路聚合邻居节点的隐藏状态,更新主节点的隐藏状态。
4.根据权利要求2所述的注意力与多元图卷积融合的时空交通速度预测方法,其特征在于,所述得到辅助数据的图邻接矩阵和主要数据的的图邻接矩阵的表达公式如下:其中,表示时间t的节点特征矩阵,为节点数,为卷积核的数量,为可学习的权重矩阵,为节点在第个卷积核中的注意力系数,通过对节点和其邻居节点的特征进行加权求和得到。
5.根据权利要求1所述的注意力与多元图卷积融合的时空交通速度预测方法,其特征在于,所述将最终得到融合特征的的图邻接矩阵进行跳跃连接包括:将来自不同深度层的时空嵌入信息的隐藏状态连接并传递到激活函数中,得到最终的交通速度预测数据。
6.根据权利要求5所述的注意力与多元图卷积融合的时空交通速度预测方法,其特征在于,所述激活函数通过以下公式表示:其中,,表示每层带有时空信息嵌入向量,表示非线性激活,表示拼接操作。
7.一种注意力机制与多元图卷积融合的时空交通速度预测系统,其特征在于,包括:通道注意力模块,用于提取助数据的通道特征,将提取数据的的通道特征和图邻接矩阵进行逐点相加,进行数据的输出,并作为下一步数据的输入;
并且每次经过通道注意力计算后,输入数据的通道保持不变;
扩张时空图卷积模块,由时间卷积层和图卷积网络组成,用来提取数据的时空特征,将数据代入扩张时空图卷积中能够得到数据的图邻接矩阵;将主要数据的通道特征和融合了带有时空信息嵌入的辅助数据特征的图邻接矩阵进行逐点相加代入以下公式:其中,表示下一步的输入,表示融合后的特征矩阵,表示数据的通道特征;
多元图融合模块,用于将模型捕获到的多个外部特征数据与交通速度数据进行融合,得到融合特征的图邻接矩阵;包括:对辅助数据和主要数据经过时空特征提取得到的带有时空嵌入信息的特征向量进行逐像素点相加,得到融合后的图邻接矩阵;公式表示为:其中,、表示带有时空信息嵌入的特征向量,为节点数,∑表示累加操作,为可学习的权重矩阵,为节点在第个卷积核中的注意力系数,表示逐像素点相加。