1.一种交通流预测模型的构建方法,其特征在于,包括如下步骤:S100、以图结构来描述网络中实体之间的关系,同时构建节点之间的特征矩阵;包括:S110、以图结构来描述网络中实体之间的关系,具体为:以G=(V,E,A)描述图网络的构造,多变量时间序列中的变量视为图中的节点,图邻接矩阵描述节点之间的关系;其中V={v1,v2,…,vN}表示N个节点的集合,E表示边的集合,e=(v,u)∈E表示一条从节点u指向节点v的边,A∈N×N表示G的邻接矩阵;若(vi,vj)∈E,则Aij=c>0,反之则Aij=0;
其中,v1,v2,…,vN,以及vi,vj均表示节点;Aij代表邻接矩阵中节点vi,vj的相关程度值,俩个节点无关系则为0,有关则值为c;
S120、构建节点之间的特征矩阵,具体为:
图的特征矩阵用X∈RT×N×D表示,其中T为时间序列的长度,D为特征的维数;对于给定的图网络的构造G和Tin个时间步长的特征矩阵,交通预测问题表示为:其中,f表示映射过程,f表示输入到输出的映射过程;
Tin为进行预测输入的步长;Tout为预测输出的步长;t为代表的一个数,用来类比选取的部分;为预测的数据;
构建的特征矩阵,包括分别基于区域的交通流量、相互距离和天气,构建的相关特征矩阵、距离特征矩阵和天气特征矩阵;
其中,相关特征矩阵的构建方法为:
采用Pearson相关系数和Spearman相关系数共同度量节点间的数据相关性;Pearson相关系数的定义为:式中,mean表示平均操作,Tin表示历史交通流的时间长度,xn,t表示第n个节点在时刻t记录的交通流量;Wp(i,j)表示第i个节点和第j个节点的Pearson相关系数;
Spearman相关系数定义为:
其中rank表示对变量值进行排序的操作,WS(i,j)表示第i个节点与第j个节点之间的Spearman相关系数;
设置超参数JC=0.5来衡量两相关系数的重要程度,并定义节点之间的相关性计算式为:Ac(i,j)=JCWS(i,j)+(1-JC)WP(i,j) (4);
式中,AC(i,j)表示第i个节点与第j个节点之间的数据关联性度量,取值范围为-1到1;值越接近1或-1,表示节点之间的正相关或负相关越大;利用AC(i,j)计算各节点之间的数据关联特征,得到关联特征矩阵AC∈RN,N;
距离特征矩阵的构建方法为:
节点i与节点j之间的物理距离由Haversine公式计算,计算式为:d(i,j)=γR (5);
DN(γ)=(1-cos(γ))/2 (6);
DX(γ)=Hav(Lat(i)-Lat(j))+cos(Lat(i))cos(Lat(j))Hav(|Lon(i)-Lon(j)|) (7);
其中d(i,j)为节点i与节点j之间的物理距离,R为地球的半径;DN(γ)为节点间角距离的归一化表示;DX(γ)表示通过Haversine公式计算的节点间角距离;Hav函数,即Haversine函数,用于处理角度在球面距离计算中的转换;Lat,Lon分别表示节点的纬度和经度;
计算出所有节点之间的物理距离,生成距离集Dd,进行距离评估,计算式为:其中,AD(i,j)为节点i与节点j的距离相关度量,取值范围为0到1,接近1的值表示距离相关性越大;使用AD(i,j)计算所有节点之间的距离相关特征,得到距离特征矩阵AD∈RN·N;
天气特征矩阵的构建方法为:
将天气划分为不同的类别,定义为公制值TS,其值从0到1,数值越接近1,天气状态越适合出行;相反,天气条件越不适合出行;TS(i,j)表示第i个节点和第j个节点的天气特征度量值,确定所有节点的天气特征矩阵为AS∈RN×N;
S200、根据图结构和特征矩阵,采用结合时空注意力机制的卷积神经网络框架,构建交通流预测模型;
该交通流预测模型的框架包括图网络生成层、卷积层以及跳跃连接输出层;
其中,图网络生成层由自适应动态图生成器和异构邻接关系注意力机制构成,自适应动态图生成器用于生成动态邻接矩阵,异构邻接关系注意力机制为多邻接关系注意力机制,聚合初始邻接矩阵、动态邻接矩阵以及特征矩阵,并输出聚合邻接矩阵;
卷积层由若干层卷积单元组成,每个卷积单元均由一个MTCN模块和一个GC模块组成;MTCN模块用于利用不同大小的卷积核来提取不同范围内的时间特征;GC模块用于融合一个节点及其相邻节点的信息,以处理图中的空间依赖关系;
跳跃连接输出层与卷积层的每层卷积单元跳跃连接,对每个卷积层的输出求和,并输出预测结果;
步骤S200根据图结构和特征矩阵,采用结合时空注意力机制的卷积神经网络框架,构建交通流预测模型;包括:S210、构建图网络生成层;具体方法为:
S211、构建自适应动态图生成器,动态邻接矩阵用Avα∈RN×N表示,动态邻接矩阵具体为:定义.T代表转置;三个可学习的权重矩阵分别用N1∈RF×H,N2∈RF×H,N3∈RN×N表示,其中H为隐含维数,F=Tin×D;
S212、引入异构邻接关系注意力机制,选择多种邻接矩阵,包括初始邻接矩阵A、动态邻接矩阵Avα、迁移率邻接矩阵AMi、关联特征矩阵AC,距离特征矩阵AD和天气特征矩阵As;其中迁移率邻接矩阵AMi为:其中μij、vij分别表示第i个节点和第j个节点交通流量和交通速度,κ是超参数;
该机制的具体过程为:
z=ReLU(AiW) (11);
z′=zV (12);
式(11)为线性层激活函数,式(13)和式(14)分别为平均化和归一化操作;
z′是计算得到的z继续经过另一个线性层,该层中的计算是将z与新的权重矩阵V相乘得到的输出;αi是计算出的平均值,是归一化得到的结果,计算结果是将归一化到一个0到1之间的值,所有归一化后的值加起来为1,用于概率分布的计算;是对所有αi进行指数运算后的和;
该机制中的输入为邻接矩阵集合A=[A,Avα,AMi,AC,AD,AS],输出为聚合邻接矩阵AFu,Ai∈A{i∈[1,6]},Ai指公式(15)中用到的那六种邻接矩阵;W、V为两个权值矩阵,W∈RN·H′,V∈RH×1,H′为隐维;
S220、构建卷积网络层;具体方法为:
S221、MTCN模块由多尺度门控时间卷积模块和高效金字塔分割注意力模块组成,首先构建多尺度门控时间卷积模块,多尺度门控时间卷积模块包括两个多尺度卷积层和一个门控融合模块;
多尺度卷积层为时间卷积模块,由四个不同的滤波器组成,分别为1×2、1×3、1×6和1×7,其卷积过程为:其中,是第k-1层的输出;四个滤波器根据最大的滤波器截断为相同的长度,并在通道维度上连接;和为使用4个不同的卷积核进行卷积的过程,*是卷积运算,CONCAT为串联运算,将卷积后的输出定义为然后,使用门控机制来过滤非必要时间信息,过程为:
其中,Mk,Vk,bk,ck表示当前层的模型参数,为元素积,为通过学习得到的浇注系数,σ是决定传递到下一层的信息比例的Sigmoid函数;定义时间卷积和门控机制后的输出为F为输出的时间特征个数,C为通道个数;
S222、构建高效金字塔分割注意力模块,将输入数据分成g个部分,表示为每次拆分的通道数为其中C′为分组后的通道数;
然后,采用多尺度卷积核对卷积进行分组,多尺度特征提取的计算式为式(19)~式(21):根据卷积核的大小自适应选择群的大小,其中群与卷积核的关系为Kq=2×(q+1)+1,Conv表示卷积的过程;为g群卷积拼接得到的输出;通过SEWight提取不同尺度数据的通道关注权重,为不同尺度的通道关注权重向量;
使用Softmax函数对权重参数进行处理,过程为式(22)~式(24):其中,⊙为元素积,由相应的特征向量与加权系数相乘得到;
最后,对加权特征向量进行拼接,得到时间模块在第k层的输出为S223、构建GC模块,GC模块用于融合一个节点及其相邻节点的信息,以处理图中的空间依赖关系,该模块由两个传播层组成,其分别处理每个节点的流入和流出信息,采用混合跳传播层来处理空间依赖节点上的信息流;
混合跳传播层包括信息传播和信息选择,首先纵向传播信息,然后横向选择信息,具体为:(1)信息传播步骤为纵向传播,定义为:
其中β是一个超参数,控制保持根节点原始状态的比率;
(2)信息选择步骤为横向传播,定义为:
其中K为传播深度,Hin表示前一层输出的输入隐藏状态,Hout表示当前层的输出隐藏状态,H(0)=Hin,和(3)设K=2,W(0)=0,W(1)=-1,W(2)=1,则:Hout=Δ(H(2),H(1))=H2-H1 (27);
S230、构建跳跃连接输出层;具体方法为:
跳跃连接层是1×Li的标准卷积,其中Li是第i个跳跃连接层输入的序列长度,将输出X0转换为跳跃维度dsk为跳跃尺寸;
然后,对每个跳跃连接层的输出求和,得到最终隐藏状态通过输出层将最终隐藏状态Xhid转换为所需的维度,计算式为:其中,为Tout步的预测结果;
S300、对构建的交通流预测模型进行训练,得到交通流预测产品。
2.一种交通流预测方法,其特征在于,包括如下步骤:
S400、从交通数据库收集待预测区域的历史数据,形成数据集,将数据集按比例划分为训练集、验证集和测试集,并对权利要求1所述的构建方法构建的交通流预测模型进行训练;
S500、利用训练完成的交通流预测模型进行未来时刻的交通流预测。
3.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线;
其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
处理器用于调用存储器中的逻辑指令,以执行权利要求2所述的交通流预测方法。
4.一种非暂态计算机可读存储介质,其特征在于,其上存储有计算机指令,该计算机指令使计算机执行权利要求2所述的交通流预测方法。