欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023106222921
申请人: 湖北工业大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于时空图注意力的交通流量预测方法,其特征在于,所述方法包括:S1.获取交通流数据集并进行预处理;

S2.将经过预处理的数据输入预先训练好的交通流量预测模型得到隐藏特征,所述交通流量预测模型包含时间注意力模块和四个叠加的时空卷积块ST‑Block;每个时空卷积块ST‑Block包括两个门控扩张因果卷积和一个图注意力网络,其中,每个时空卷积块ST‑Block由门控扩张因果卷积、图注意力网络、门控扩张因果卷积顺序组合;经过预处理的数据先输入到时间注意力模块中,得到时间注意力矩阵U,再将时间注意力矩阵U输入四个时空卷积块ST‑Block,以完成时空特征的融合提取得到隐藏特征;

四个时空卷积块ST‑Block之间的连接方式采用跳跃连接,将每个时空卷积块ST‑Block都进行跳跃连接直接连接到输出层,以提取到交通流量数据中更丰富的全局信息;

S3.所述隐藏特征经过两组ReLU函数和Linear完成隐藏层到输出层的线性变换以实现隐藏特征到交通流量预测结果的映射;

所述获取交通流数据集并进行预处理具体包括:

将每一个传感器视作一个节点,具有连通性的两个传感器间的连线视为一条边,并根据数据集中的传感器经纬度数据建立交通路网拓扑图G;

从公开的交通流数据集获取交通路网拓扑图G的基本图结构信息、时间序列数据及交通特征数据,具体包括:将交通路网拓扑图G定义为无向图G=(V,E),其中V表示为N个传感器节点的有限集合,N×NE为边的集合,表示节点间的连通性,G的邻接矩阵由A∈R 表示,将整个采样时间段分为若干个时间片,每个节点在一个时间片上以相同的采样频率检测L个交通流量序列,交通流量序列包括时间序列信息和交通流量特征值信息;

定义 表示传感器节点i在t时刻的第c个特征的值;

表示传感器节点i在t时刻的所有特征的值,所述特征包括车辆流量、车辆速度或车道占有率;

表示t时刻的所有节点的所有特征值;

表示时间片 上所有节点的所有特征值;

设 表示节点i在未来t时刻的交通流量;

当给定 和交通网络上所有节点在过去时间片 上的所有历史测量值,可预测未来Tq个时间片中交通网络上所有节点的交通流量序列即:

所述将经过预处理的数据输入预先训练好的交通流量预测模型得到隐藏特征具体包括:通过基于时空图注意力的交通流量预测模型的时间注意力模块对时间序列进行时间相关性特征获取,时间注意力公式为:N×N

U={T11,T12,...,Tmn}∈R

其中,at, 为可学习参数;时间

相关性矩阵T由动态输入的 确定,Tmn表示时间片m和时间片n之间的依赖关系的强度,

使用softmax函数对时间相关性矩阵T进行归一化操作,并将归一化后得到的时间注意力矩阵U直接用于门控扩张因果卷积的输入;

使用门控扩张因果卷积对时间注意力矩阵U进行时间特征提取;

所述使用门控扩张因果卷积对时间注意力矩阵U进行时间特征提取具体包括:设门控因果卷积的卷积核大小为Kt,对于交通路网拓扑图G中的每个节点,对每个节点进行扩张因果卷积的输入视为通道数为Ci、长度为M的序列 卷积核将输入Υ映射到单个输出元素 门控扩张因果卷积被定义为:σ=σ(Q(U))

其中,U为上一时间注意力模块的输出;P,Q代表经过两个通道的扩张因果卷积输出结果DCN1和DCN2,两个扩张因果卷积形式一样,其中一个用sigmoid函数激活,另一个不加激活函数,然后将其逐位相乘,即sigmoid门σ(Q(U))用于控制当前状态的输入流Q(U),sigmoid函数的值域是(0,1),σ是一个非线性函数;

所述将经过预处理的数据输入预先训练好的交通流量预测模型得到隐藏特征还具体包括:通过图注意力网络对历史交通数据进行空间特征提取处理,具体包括:所述图注意力网络的输入为一组节点特征向量h;

设交通路网上的每个传感器节点具有相同的采样频率,每个节点在每个时间片内会生成一段长度为S的特征向量;

设交通路网无向图G包含N个传感器节点,每个节点的特征向量表示为hi,节点特征数为F,即通过所述图注意力网络,通过可学习的线性变换将输入特征 转化为更高层次的特征 作为图注意力网络的输出;

通过softmax函数参数化一个权重矩阵 且作用于每一个节点,使用Attention机制计算节点j对节点i的重要性eij,表示为:使用softmax函数对eij进行归一化操作,得到注意力系数αij,表示为:其中, 表示节点i的邻居节点集合,T表示转置,||表示concat操作,注意力机制a把节点i,j的特征向量h′i,h′j拼接在一起,然后和一个维度为2F的向量计算内积,最后经过激活函数LeakyReLU得到最终注意力系数,表示为:其中,T表示转置,||表示concat操作;

赋予注意力权重后的节点i的特征向量表示为:

其中,σ是一个非线性函数,h′i是节点i的新特征;

最终空间注意力矩阵W表示为:

N

W={h′1,h′2,...,h′i}∈R

再次使用门控扩张因果卷积对空间注意力矩阵进行时空特征融合,得到预测交通流量的空间特征信息。

2.如权利要求1所述的基于时空图注意力的交通流量预测方法,其特征在于,所述隐藏特征经过两组ReLU函数和Linear完成隐藏层到输出层的线性变换以实现隐藏特征到交通流量预测结果的映射具体包括:经由时间注意力模块和叠加时空卷积块提取后的隐藏特征数据连接至输出层,经过两组ReLU函数和Linear完成隐藏层到输出层的线性变换,得到最终交通流量预测结果。

3.一种计算设备,其特征在于,所述计算设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时执行如权利要求1至2中任意一项所述的方法。