[发明专利]一种基于动态时空相关性的交通流预测方法

说明书

本发明涉及一种基于动态时空相关性的交通流预测方法，包括以下步骤：S1、进行数据设计，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，再进行定义；S2、进行模型设计，利用卷积神经网络和门控循环网络处理空间和时间相关性，流门控机制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，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。本发明通过引入流门控机制学习位置之间的动态相似性，并利用周期性注意力转移机制来处理时间转移，实现高准确度的模型建设，提高交通预测数据的准确性。

技术领域

本发明涉及深度学习应用技术领域，尤其涉及一种基于动态时空相关性的交通流预测方法。

背景技术

随着城市交通系统的发展，大规模交通数据的可用性以及城市拥堵问题日益严重，交通预测越来越受到人工智能研究领域的关注。例如，准确的出租车需求预测可以帮助出租车公司预先分配出租车，交通量预测可以帮助交通部门更好地管理和控制交通，缓解交通拥堵。在典型的交通预测问题中，给定历史交通数据，例如，前一个月每个小时的区域或道路交叉口的交通量，人们需要预测下一个时间段的流量。交通预测的关键挑战在于如何对路网结构复杂的空间相关性和时间相关性进行建模。

虽然现有的基于深度学习的交通预测研究中同时考虑了空间相关性和时间相关性，但现有方法往往存在两个主要局限性。首先，地点之间的空间依赖性仅依赖于历史交通数据，模型只能学习到静态的空间依赖性。然而，位置之间的依赖关系可能会随着时间的推移而改变。例如，在早上，居住区和商业中心之间的依赖性可能很强；而到了晚上，这两个地方的关系可能会很弱。其次，许多现有的研究忽视了长时间周期依赖性的转变。交通流数据显示出很强的每日和每周的周期性，我们可以利用这种周期性进行预测。然而，交通数据并不是严格周期性的。例如，工作日的晚高峰时间通常发生在下午，但在不同的日子可能从下午4:30到下午6:00不等。

发明内容

为解决现有技术所存在的技术问题，本发明提供一种基于动态时空相关性的交通流预测方法，通过引入流门控机制FGM学习位置之间的动态相似性，并利用周期性注意力转移机制来处理时间转移，实现高准确度的模型建设，从而提高交通预测数据的准确性。

本发明采用以下技术方案来实现：一种基于动态时空相关性的交通流预测方法，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分别输入到模型中，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。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明通过引入流门控机制学习位置之间的动态相似性，充分挖掘了交通流数据的动态空间相关性，实现高准确度的模型建设。

2、本发明提出一种周期注意力转移机制来获取长期周期性信息，充分挖掘了交通流数据的时间相关性，提高交通预测数据的预测性能，达到较高的准确性。

附图说明

图1是本发明方法的流程图；

图2是本发明模型训练和运用流程图；

图3(a)是交通流示意图；

图3(b)是使用门控循环网络GRU获取短期时间相关性示意图；