1.一种基于长短期时空记忆的交通预测方法,其特征在于:具体包括有以下步骤:
(1)、采集交通数据并进行预处理后,使用滑动窗口将采集的交通数据转为时间序列形式,得到交通序列;
(2)、构建交通预测模型,将真实交通序列划分为训练集、验证集与测试集,从而进行交通预测模型的训练,并得到预测误差结合对比学习损失函数,进行反向传播训练,最终生成训练好的交通预测模型;预测时,将交通序列输入到交通预测模型中,首先构建时序依赖图,并通过记忆节点参数库生成记忆自适应图,得到时序依赖图的邻接矩阵和记忆自适应图的邻接矩阵,然后两个邻接矩阵分别结合输入的交通序列通过对应的编码器进行多层次特征提取,两个编码器的输出分别为结合时序依赖图得到的短期时空信息和结合记忆自适应图得到的长期时空信息,两个编码器的输出再进行多层次特征自适应集成,得到集成编码特征,最后利用记忆节点参数库重构长期时空信息,并将重构的长期时空信息与集成编码特征拼接后,使用解码器生成交通数据的预测结果。
2.根据权利要求1所述的一种基于长短期时空记忆的交通预测方法,其特征在于:所述的采集交通数据并进行预处理后,使用滑动窗口将采集的交通数据转为时间序列形式,得到交通序列的具体步骤为:S11、将城市交通路网中的传感器设置为每间隔设定时间采样一次车辆流量或速度的交通数据,然后将采集的交通数据聚合为设定时长的增量;
S12、利用滑动窗口将采样的交通数据按设定步长划分为一个时间序列,并利用最大最小标准化对数据进行归一化处理;
S13、将归一化处理好的数据划分为训练集、验证集与测试集,输入到交通预测模型中,进行模型的训练、验证和测试;交通预测模型的输入序列为Xh∈RN×P,其中,N表示城市交通路网中有N个传感器,P为滑动窗口的设定步长,交通预测模型用于预测接下来Q个时间步的交通数据,交通预测模型的输出序列为Xf∈RN×Q。
3.根据权利要求2所述的一种基于长短期时空记忆的交通预测方法,其特征在于:所述的构建时序依赖图,并通过记忆节点参数库生成记忆自适应图,得到时序依赖图的邻接矩阵和记忆自适应图的邻接矩阵的具体步骤为:S21、首先将Xh∈RN×P输入到门控循环单元GRU中,保留并输出最后一层各个时间步的隐藏表示F∈RN×h,h为隐藏特征维度,具体见下式(1):F=GRU(Xh) (1);
然后将隐藏表示F分别通过可学习权重Wq,Wk∈RB×h×c的线性投影计算得到输出查询值Q与键值K,再利用自注意力机制计算Q与K的注意力分数Socre,得到各个交通序列之间的相似性,具体见下式(2):为了避免内积过大导致梯度不稳定,Score除以线性投影维度c的平方根,最后使用softmax函数对内积进行归一化处理得到时序依赖图的邻接矩阵As,具体见下式(3):S22、首先构建记忆自适应图,随机生成两个节点嵌入向量E1,E2∈RN×φ,再构建记忆节点参数库M∈Rφ×d,φ表示记忆节点参数库存储的节点数,d为存储节点的特征维度,然后将记忆节点参数库引入到记忆自适应图生成中,增强节点嵌入向量的扩展学习,为当前时刻的节点嵌入向量提供额外的上下文信息,得到记忆自适应图的邻接矩阵Am,具体处理过程见下式(4):Am=softmax(relu((E1*M)(E2*M)T) (4);
式(4)中,relu表示ReLU激活函数,softmax表示指数标准化函数,T表示转置。
4.根据权利要求3所述的一种基于长短期时空记忆的交通预测方法,其特征在于:所述的两个邻接矩阵分别结合输入的交通序列后通过对应的编码器进行多层次特征提取,两个编码器的输出再进行多层次特征自适应集成,得到集成编码特征的具体步骤为:S23、编码器主要由图卷积循环单元组成,具体见下式(5):
式(5)中,Xt∈RN,Ht∈RN×h表示t时刻的输入与输出,h是隐藏特征维度,⊙表示点积操作,ut、rt、Ct分别表示图卷积循环单元中当前时刻t的更新门、重置门和候选门,θu、θr、θc分别表示更新门、重置门和候选门卷积所需要的核参数,*g表示图卷积操作,bu、br、bc分别表示更新门、重置门和候选门对应的偏移量,σ表示Sigmoid激活函数,tanh表示tanh激活函数;
图卷积操作具体见下式(6):
式(6)中,X为输入信号,θ为核参数,θ*gX表示对X进行图卷积操作,θ(L)X表示通过引入邻接矩阵实现图卷积操作,L表示时序依赖图的邻接矩阵或记忆自适应图的邻接矩阵的对称归一化拉普拉斯矩阵,Tk(L)∈RN×N是在L上计算的k阶切比雪夫多项展开式,θk是k阶的核参数,K表示切比雪夫多项展开式的最高阶数;
两个编码器输入序列Xh,初始状态设置为零,两个编码器分别输出由图卷积循环单元得到的最后一个时间步的隐藏状态gs与hm,隐藏状态hs是结合时序依赖图得到的短期时空信息,hm为结合记忆自适应图得到的长期时空信息;
S24、对hs和hm进行特征加权,然后对加权后的hs和hm进行集成,得到集成编码特征hms,具体见下式(7):式(7)中,为注意力机制反向传播学习的参数空间,Ww∈RB×N×N表示hs相对于hm的权重分数。
5.根据权利要求4所述的一种基于长短期时空记忆的交通预测方法,其特征在于:所述的利用记忆节点参数库重构长期时空信息,并将重构的长期时空信息与集成编码特征拼接后,使用解码器生成交通数据的预测结果的具体步骤为:S25、利用记忆节点参数库重构长期时空信息hm,得到重构的长期时空信息,具体见下式(8):
式(8)中,表示hm∈RN×h的第i个节点向量,M[j]表示记忆节点参数库中的节点记忆向量,j∈(1…φ),MT[j]表示M[j]的转置,表示第i个节点向量与节点记忆向量M[j]的相似度,表示重构后的第i个节点向量,由相似度加权计算得到,S26、将重构的长期时空信息hma与集成编码特征hms进行拼接,得到[hma,hms],然后输入到解码器中,解码器同样由图卷积循环单元组成,输入预测的Q个时间步的日时间戳嵌入向量,输入初始状态为[hma,hms],循环解码得到未来每个时间步的输出,最后使用线性投影得到最终Q个时间步的预测结果Xf∈RN×Q。
6.根据权利要求2所述的一种基于长短期时空记忆的交通预测方法,其特征在于:所述的预测误差结合对比学习损失函数,进行反向传播训练的具体步骤为:S31、首先将预测结果Xf与对应的真实交通数据Yf进行损失计算,得到预测损失L1,具体见下式(9):S32、用对比学习损失函数来约束节点记忆参数在训练中的调节,计算过程具体见下式(10):
式(10)中,Triplet loss表示Triplet loss损失函数,Compact loss表示CompactnessLoss损失函数,将第i个节点向量的长期时空信息作为锚点i,同时通过相似度S(i)∈Rφ筛选出记忆节点参数库M中与锚点i最相似的两个节点记忆向量作为正样本pos与负样本neg,分别表示为M[pos]与M[neg],margin用于控制正负样本之间的距离差异,为设定阈值,λ1与λ2为平衡因子,使用对比学习损失函数L2尽可能紧凑相似的节点记忆向量;
S33、将对比学习损失函数L2添加至预测损失L1作为目标准则,进行反向传播训练,实现训练的收敛。