[发明专利]一种基于神经网络时空注意力机制的实时站点流量预测方法

说明书

本发明涉及一种基于神经网络时空注意力机制的实时站点流量预测方法，属于智能交通领域。本发明构造了一个基于编码器‑解码器的神经网络模型，该模型可以捕获站点乘客流量间的时间和空间关系。具体的，在编码器中，本发明应用空间注意力机制去获取站点间的流量相关性，在解码器中，本发明应用时间注意力机制去获取流量间的时间依赖关系。更进一步，解码器融合了额外的因素，比如兴趣点和时间特征。基于这样的时空注意力机制，本发明不仅可以准确地预测站点流量，而且具有可解释性。

技术领域

本发明属于智能交通领域，特别涉及基于神经网络时空注意力机制的实时站点流量预测方法。

背景技术

短时交通流预测是智能交通系统研究和应用中的重要组成部分。为了协助交通管理和控制以提升交通运行效率，包括路径规划、信号灯控制等，以各种各样的数据为输入，有大量的交通流预测方法被提出。

在时间序列分析领域，ARIMA(自回归差分移动平均模型，Auto-RegressiveIntegrated Moving Average)及其变种space-time ARIMA和seasonal ARIMA被用于短时交通流预测。除了类ARIMA模型，其他线性模型例如高斯过程(Gaussian process)也被提出用于交通流预测(Zhou J,Tung A K H.Smiler:A semi-lazy time series predictionsystem for sensors.In Proceedings of the 2015ACM International Conference onManagement of Data.2015,1871-1886)。然而，这些方法通常基于一些先验假设并且被预设成具有简单明显的结构。鉴于交通流的复杂性和非线性特点，这些线性方法在交通流预测时效果并不好。此外，上述技术都是分别预测每个目标路段的交通流量，不能反映交通网络的复杂性和强相关性。因此，交通流的精确建模和预测仍然是一个尚未完全解决的难题。

研究人员也付出大量精力用不同的机器学习方法进行交通流预测，比如k近邻(k-Nearest Neighbor)、随机森林(Random Forest)、梯度提升回归树(Gradient BoostingRegression Tree)和支持向量回归(Support Vector Regression)(Hu J,Gao P,Yao Y,etal.Traffic flow forecasting with particle swarm optimization and supportvector regression.In Proceedings of the IEEE 17th International Conference onIntelligent Transportation Systems.2014,2267-2268)等。一些工作应用了贝叶斯网络(Bayesian network)、马尔科夫随机场(Markov random field)、张量分解或者矩阵分解(Gong Y,Li Z,Zhang J,et al.Network-wide Crowd Flow Prediction of SydneyTrains via Customized Online Non-negative Matrix Factorization.In Proceedingsof the 27th ACM International Conference on Information and KnowledgeManagement.2018,1243-1252)等。