[发明专利]一种基于动态时空相关性的交通流预测方法

权利要求书

1.一种基于动态时空相关性的交通流预测方法，其特征在于，主要包括以下步骤：

S1、进行数据设计，根据道路上的历史交通信息预测某一段时间内的交通流信息，对交通流信息进行预处理，将交通流信息编码后形成的固定序列输入到模型中，最后进行定义；

S2、进行模型设计，利用卷积神经网络CNN和门控循环网络GRU处理空间和时间相关性，通过流门控机制FGM捕捉层次结构中的动态空间依赖性，再通过周期注意力转移机制捕捉时间转移；

S3、进行模型训练，利用步骤S1中所生成的输入，对步骤S2中设计的模型进行训练，并在一个真实的交通数据集中评估模型；

S4、对模型性能进行评价，将步骤S2设计的模型与基线模型进行比较，评估模型的性能。

2.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S1中交通流信息预处理主要包括以下步骤：

S111、利用线性插值方法填充交通流的缺失值；

S112、在输入模型之前，利用最小-最大归一化方法将交通流值缩放到范围[0，1]，在评估中，将预测的交通流值重新调整到正常水平，与地面真实值进行比较；

S113、利用one-hot编码将交通流值形成二进制特征向量。

3.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S1中进行定义的具体步骤如下：

S121、将整个城市分割成一个a×b的网格图，总共有n个区域，n＝a×b，用{1，2，...，n}来表示，同时将整个时间段，分成m个等长的连续时间间隔；

S122、将一个区域的起点或终点交通流定义为在固定时间间隔内从该区域出发或到达该区域的旅行次数，设为第t个时间间隔内区域i的开始交通流，为第t个时间间隔内区域i的结束交通流，设为从时间间隔t中的区域i开始到时间间隔τ中的区域j结束的交通流。

4.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S2中通过卷积神经网络CNN建立模型空间依赖性，具体过程为：对于每个时间间隔t，将目标区域i及其周围的邻居设为一个S×S的图像，它具有两个通道Y_i，t∈R^S×S×2；一个通道包含起始交通流信息，另一个通道包含结束交通流信息，目标区域在图像的中心；卷积神经网络CNN取Y_i，t作为输入Y_i，t⁽⁰⁾，每个卷积层的公式为：

Y_i，t^(k)＝ReLU(W^(k)*Y_i，t^(k-1)+b^(k)) (I)

其中，Y_i，t^(k)表示目标区域i在t时刻第k层卷积的输出；Y_i，t^(k-1)表示目标区域i在t时刻第k-1层卷积的输出；W^(k)表示Y_i，t^(k-1)的权重参数；b^(k)表示Y_i，t^(k)的偏差参数；ReLU()为激励函数，在叠加k个卷积层后，利用全连接层来展开，则区域i的空间表示为y_i，t。

5.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S2中通过门控循环网络GRU捕捉时间序列依赖性，将其表述为：

h_i，t＝GRU([y_i，t；e_i，t]，h_i，t-1) (2)

其中，h_i，t是在时间间隔t时区域i的输出；y_i，t是在时间间隔t时区域i的输入；e_i，t是外部因素。