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: 2024114136960
申请人: 电子科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 信号装置
更新日期:2026-04-06
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.基于传递感知的时空图注意力网络交通流预测方法,其特征在于,包括以下具体步骤:

获取待预测区域的实际路网,并根据实际路网的空间连接关系建立与待预测区域对应的图结构集合,所述图结构集合表征了待预测区域中的道路节点,以及各个道路节点间的连接关系;

获取待预测区域在第一预置时间长度内的交通流数据,基于所述图结构集合,利用待预测区域的所述交通流数据对预设的TAGAT-LSTM模型进行训练,得到与TAGAT-LSTM模型对应并训练完成的目标模型,所述目标模型通过以下方式得到:利用TAGAT-LSTM模型中的输入模块对交通流数据进行预处理,并将经过预处理的交通流数据输入至TAGAT-LSTM模型中的空间特征提取模块进行处理,得到各个道路节点在第一预置时间长度内聚合相邻节点的空间特征的第一特征序列,所述预处理包括平滑处理和标准化处理;

利用TAGAT-LSTM模型中的门控网络模块对各个道路节点的所述第一特征序列进行处理,得到各个道路节点聚合相邻时间步的空间特征的第二特征序列;

利用TAGAT-LSTM模型中的时间特征提取模块对所述第二特征序列进行处理,得到所述第二特征序列的时间特征,并通过TAGAT-LSTM模型中的全连接层生成在第二预置时间长度内的初步预测值,所述第二预置时间长度与所述第一预置时间长度对应;

对所述初步预测值进行反标准化处理,并基于反标准化处理的初步预测值计算所述TAGAT-LSTM模型的损失函数,直到所述损失函数满足预设训练结束条件,将满足训练结束条件的所述TAGAT-LSTM模型确定为目标模型;

获取在预设时间长度中待预测区域的历史交通流,并将所述历史交通流输入至所述目标模型中进行处理,得到未来的预设时间长度中待预测区域的预测交通流。

2.根据权利要求1所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,所述空间特征提取模块包括图注意力模型、传递概率矩阵和距离衰减矩阵。

3.根据权利要求1所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,所述交通流数据包括各个道路节点的流量、平均速度和占有率,所述空间特征包括拥堵系数、传递概率因子、距离衰减因子和权重系数,其中:所述拥堵系数具体为:

式中,表示道路节点i在第t个时间步的拥堵系数,vi,max表示道路节点i在整个时间序列中的速度最大值,表示道路节点i在t时间步的平均速度,qi,max表示道路节点i在整个时间序列中的流量最大值,表示道路节点i在t时间步的流量,ki,max表示道路节点i在整个时间序列中的占有率最大值,表示道路节点i在t时间步的占有率。

4.根据权利要求3所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,所述传递概率因子具体为:式中,pij表示道路节点j到道路节点i的传递概率因子,li表示道路节点i的传递系数,lj表示道路节点j的传递系数,ci表示道路节点i的拥堵系数,cj表示道路节点j的拥堵系数,其中,拥堵系数=1-传递系数。

5.根据权利要求3所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,所述距离衰减因子具体为:式中,distanceij表示节点i和节点j之间的距离,σ为高斯核函数的标准差,由数据的统计信息计算获得,dij即为节点i和节点j的距离衰减因子,且距离越大,衰减因子越小,表示节点之间的影响力越弱。

6.根据权利要求3所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,所述权重系数具体为:式中:pij为道路节点i和j的传递概率因子,dij为道路节点i和j的距离衰减因子,即为改进后的道路节点i和j的权重系数,为节点i变换后第l层的新特征,为节点j变换后第l层的新特征,aT表示可训练的注意力向量,||表示特征向量的拼接操作,LeakyReLU表示激活函数。

7.根据权利要求1所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,所述聚合相邻时间步的空间特征具体为:其中Gt=σ(Wg·Xt+bg),Xt=[Ht-1,Ht];

式中,Ht-1为t-1时间步的空间特征的向量,Ht为t时间步的空间特征的向量,Xt为拼接后空间特征的向量,wg为权重矩阵,bg为偏执向量,σ为sigmoid函数,Gt为门控信号,用于自适应调节不同时间步的贡献,为t时间步聚合上一时间步的空间特征后的新向量。

8.根据权利要求1所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,所述反标准化处理具体为:y=y′·σ+μ;

式中,y′为全连接层输出的初步预测值,σ为标准化处理时得到的标准差,μ为标准化处理时得到的均值,y表示经过反标准化处理后的初步预测值。

9.根据权利要求1所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,所述损失函数具体为:式中,N为道路节点的总数,qt+p,i为道路节点i在t+p时间步的真实交通流,为节点i在t时刻经过反标准化处理后的初步预测值。

10.基于传递感知的时空图注意力网络交通流预测系统,应用于权利要求1-9中任一项所述的基于传递感知的时空图注意力网络交通流预测方法,其特征在于,包括:第一模块,用于获取待预测区域的实际路网,并根据实际路网的空间连接关系建立与待预测区域对应的图结构集合,所述图结构集合表征了待预测区域中的道路节点,以及各个道路节点间的连接关系;

第二模块,用于获取待预测区域在第一预置时间长度内的交通流数据,基于所述图结构集合,利用待预测区域的所述交通流数据对预设的TAGAT-LSTM模型进行训练,得到与TAGAT-LSTM模型对应并训练完成的目标模型,所述第二模块包括:第一子模块,用于利用TAGAT-LSTM模型中的输入模块对交通流数据进行预处理,并将经过预处理的交通流数据输入至TAGAT-LSTM模型中的空间特征提取模块进行处理,得到各个道路节点在第一预置时间长度内聚合相邻节点的空间特征的第一特征序列,所述预处理包括平滑处理和标准化处理;

第二子模块,用于利用TAGAT-LSTM模型中的门控网络模块对各个道路节点的所述第一特征序列进行处理,得到各个道路节点聚合相邻时间步的空间特征的第二特征序列;

第三子模块,用于利用TAGAT-LSTM模型中的时间特征提取模块对所述第二特征序列进行处理,得到所述第二特征序列的时间特征,并通过TAGAT-LSTM模型中的全连接层生成在第二预置时间长度内的初步预测值,所述第二预置时间长度与所述第一预置时间长度对应;

第四子模块,用于对所述初步预测值进行反标准化处理,并基于反标准化处理的初步预测值计算所述TAGAT-LSTM模型的损失函数,直到所述损失函数满足预设训练结束条件,将满足训练结束条件的所述TAGAT-LSTM模型确定为目标模型;

第三模块,用于获取在预设时间长度中待预测区域的历史交通流,并将所述历史交通流输入至所述目标模型中进行处理,得到未来的预设时间长度中待预测区域的预测交通流。