1.一种od交通流量矩阵预测方法,其特征在于,包括以下步骤:S1:获取历史交通订单数据,对所述历史交通订单数据进行处理,获得节点交通流量序列;
S2:基于所述节点交通流量序列,定义交通流量序列的初始邻接矩阵并使用连续LSTM和霍克斯过程进行强度调整,获得目标邻接矩阵,使用图卷积神经网络对目标邻接矩阵和节点交通流量序列进行卷积处理,基于卷积处理结果和时间周期信息,生成节点的最终表示;
S3:计算节点与节点的相似度得到节点之间的注意力权重,并基于所述注意力权重对每个节点进行多头注意力计算;
S4:根据多头注意力计算结果,将节点与节点的最终表示进行拼接作为节点的边,获得od交通流量矩阵;
其中,步骤S2:基于所述节点交通流量序列,定义交通流量序列的初始邻接矩阵并使用连续LSTM和霍克斯过程进行强度调整,获得目标邻接矩阵,使用图卷积神经网络对目标邻接矩阵和节点交通流量序列进行卷积处理,基于卷积处理结果和时间周期信息,生成节点的最终表示,具体包括:S21:定义给定时间t,顶点i和j的交通流量序列分别为S22:使用连续LSTM和霍克斯过程对初始邻接矩阵S23:使用图卷积神经网络对目标邻接矩阵S24:基于卷积处理结果
其中,所述步骤S21中,初始邻接矩阵其中,
其中,所述步骤S22,具体包括:S221:定义调整事件类型;其中,所述调整事件包括相关增强、相关减弱和关联强度不变,所述调整事件类型的定义表达式,具体为:其中,
S222:使用霍克斯过程确定在事件t处其中,
S223:使用连续LSTM和霍克斯过程对初始邻接矩阵其中,
其中,所述步骤S23中,卷积处理结果其中,
所述步骤S24中,节点的最终表示其中,
2.如权利要求1所述的od交通流量矩阵预测方法,其特征在于,步骤S1:获取历史交通订单数据,对所述历史交通订单数据进行处理,获得节点交通流量序列,具体包括:S11:获取历史交通订单数据
S12:将得到的od矩阵序列进行求行和与求列和,并对求行和结果与求列和结果进行相加获得节点交通流量序列
3.如权利要求2所述的od交通流量矩阵预测方法,其特征在于,步骤S12中:将得到的od矩阵序列进行求行和与求列和的表达式,具体为:其中,
4.如权利要求1所述的od交通流量矩阵预测方法,其特征在于,所述步骤S3:计算节点与节点的相似度得到节点之间的注意力权重,并基于所述注意力权重对每个节点进行多头注意力计算,具体包括:S31:对于给定的节点u和其对应的邻接节点集合N(u),节点的特征被分为查询、键和值三部分,并通过线性变换得到其表示的表达式,具体为:其中,
S32:对每个节点进行多头注意力计算,其表达式,具体为:其中,
5.如权利要求1所述的od交通流量矩阵预测方法,其特征在于,所述步骤S4中,根据多头注意力计算结果,将节点与节点的最终表示进行拼接作为节点的边的表达式,具体为:其中,
6.一种od交通流量矩阵预测系统,其特征在于,包括:输入模块,用于获取历史交通订单数据,对所述历史交通订单数据进行处理,获得节点交通流量序列;
连续时空依赖建模模块,用于基于所述节点交通流量序列,定义交通流量序列的初始邻接矩阵并使用连续LSTM和霍克斯过程进行强度调整,获得目标邻接矩阵,使用图卷积神经网络对目标邻接矩阵和节点交通流量序列进行卷积处理,基于卷积处理结果和时间周期信息,生成节点的最终表示;
多头注意力机制模块,用于计算节点与节点的相似度得到节点之间的注意力权重,并基于所述注意力权重对每个节点进行多头注意力计算;
融合模块,用于根据多头注意力计算结果,将节点与节点的最终表示进行拼接作为节点的边,获得od交通流量矩阵;
其中,基于所述节点交通流量序列,定义交通流量序列的初始邻接矩阵并使用连续LSTM和霍克斯过程进行强度调整,获得目标邻接矩阵,使用图卷积神经网络对目标邻接矩阵和节点交通流量序列进行卷积处理,基于卷积处理结果和时间周期信息,生成节点的最终表示,具体包括:定义给定时间t,顶点i和j的交通流量序列分别为使用连续LSTM和霍克斯过程对初始邻接矩阵使用图卷积神经网络对目标邻接矩阵基于卷积处理结果
其中,初始邻接矩阵
其中,
其中,使用连续LSTM和霍克斯过程对初始邻接矩阵定义调整事件类型;其中,所述调整事件包括相关增强、相关减弱和关联强度不变,所述调整事件类型的定义表达式,具体为:其中,
使用霍克斯过程确定在事件t处
其中,
使用连续LSTM和霍克斯过程对初始邻接矩阵其中,
其中,卷积处理结果
其中,
节点的最终表示
其中,