[发明专利]一种基于时空注意力机制的卷积网络交通流预测模型

说明书

一种基于时空注意力机制的卷积网络交通流预测方法，所述的交通流组合预测方法主要由时空注意力STA‑Block，图卷积网络GCN和标准卷积网络CN三个组成，分别对交通流的周期性，空间相关性和时间依赖性进行建模；STA‑Block通过时空注意力机制和门控融合机制对不同时间步长之间的时空相关性进行建模，使用GCN和CN分别捕获交通流的空间特征和时间特征；最后，将三个分量的输出通过门控融合机制进行预测。通过结合时空注意力机制和时空卷积网络构建STAGCN方法，将n个历史时间序列交通数据输入到STAGCN方法中，以获得具有时空特征的n个隐藏状态。

技术领域

本发明涉及技术领域，具体是基于时空注意力机制的卷积网络交通流预测技术。

背景技术

交通流预测是智能交通系统(Intelligent Traffic System,ITS)的重要组成部分，可以为城市交通系统的管理和规划提供科学依据。根据历史观测结果进行准确、及时的交通流预测，有助于道路使用者制定更好的出行计划，缓解交通拥堵，提高交通运行效率。

交通流预测是一个被广泛研究的问题，早期的交通流预测方法通常是基于时间序列的统计方法或简单的机器学习方法。在实践中，这些方法难以处理非线性的交通流数据，很难同时考虑高维交通流数据的时空相关性。近年来，基于深度学习的交通流预测方法得到了广泛的研究。一些研究人员将交通网络建模为网格，并使用卷积神经网络(CNN)来捕捉空间相关性。然而，由于道路的不规则性，使用网格进行建模会丢失交通网络中的拓扑信息。针对这一问题，研究人员将能够有效捕获非欧氏距离的图神经网络(GNN)集成到递归神经网络(RNN)或CNN中，通过聚集相邻节点的信息来捕获交通流的时空特征。

尽管在交通流预测中使用深度学习方法考虑了空间相关性和时间依赖性，但是现有的方法存在两个主要的局限性。一方面，不同位置之间的空间相关性仅依赖于历史交通流的相似性和方法学习的静态空间相关性。然而，不同位置之间的时间依赖性会随着时间的推移而变化。另一方面，许多现有的研究忽略了长期周期性的依赖关系。交通流数据表现出很强的周期性，并且这种周期特性对预测具有很大的作用。然而，交通流数据并不是严格周期性的。例如，工作日的高峰时间通常发生在下午，但在不同的日期，高峰时间可能从下午到晚上不等。尽管已有研究考虑了周期性，但是他们没有考虑到序列的动态随机性。

准确的交通流预测是实现智能交通的前提保障，但因交通流复杂的时空特性，其预测一直是个难题。

发明内容

本发明的目的是提供一种基于时空注意力机制的卷积网络交通流预测方法。

本发明是一种基于时空注意力机制的卷积网络交通流预测方法，所述的交通流组合预测方法主要由时空注意力STA-Block，图卷积网络GCN和标准卷积网络CN三个组成，分别对交通流的周期性，空间相关性和时间依赖性进行建模；STA-Block通过时空注意力机制和门控融合机制对不同时间步长之间的时空相关性进行建模，使用GCN和CN分别捕获交通流的空间特征和时间特征；最后，将三个分量的输出通过门控融合机制进行预测；其具体步骤为：

步骤(1)设在交通网络G中每个节点上的第f个时间序列是交通流序列，其中，f∈(1，...，F)。表示节点i在t时刻的第c个特征值，表示节点i在t时刻的所有特征值；表示所有节点在t时刻的所有特征值；D＝(X₁，X₂，...，X_τ)^T∈R^N×F×τ表示所有节点的所有特征在τ个时间片上的值；设表示节点i在t时刻的交通流；

通过交通路网上所有节点在过去τ个时间片上的历史测量值，可预测下一个T_p时间片上整个交通网络上所有节点的未来交通流序列其中表示从τ+1到节点i的交通流；