[发明专利]一种基于Transformer时空图卷积网络的交通流预测方法

权利要求书

1.一种基于Transformer时空图卷积网络的交通流预测方法，其特征在于：该方法包括以下步骤：

S1、根据路网部署的探测器及其之间的连通性和欧氏距离构造静态邻接矩阵；

S2、对探测器所采集到的交通流原始数据按指定时间间隔进行合并；

S3、构建交通流时空图G＝(V，E，A)，并对数据集采用最大最小方法进行归一化处理，将数据集分为训练集和测试集；

S4、构造基于Transformer时空图卷积网络预测模型Trans-STGCN(Transformer basedSpatial-TemporalGraph Convolution Network，Trans-STGCN)；

S5、训练预测模型：将训练集作为时空图卷积网络预测模型的输入，求解模型最优参数从而完成模型训练；

S6、利用训练完成的时空图卷积网络预测模型对测试集进行交通流预测，并根据预测结果和实际交通数据，对预测误差进行评价分析。

2.根据权利要求1所述的一种基于Transformer时空图卷积网络的交通流预测方法，其特征在于：在步骤S1中，具体包括：将部署的探测器作为图的节点；探测器之间的道路连通则对应节点之间用边连接；静态邻接矩阵的权重由两个探测器之间的距离计算，其中a_ij表示v_i和v_j两个传感器之间的权重，表示探测器之间的距离，σ是距离的标准差，得到一个带权重的静态邻接矩阵A∈R^N×N。

3.根据权利要求2所述的一种基于Transformer时空图卷积网络的交通流预测方法，其特征在于：在步骤S2中，具体包括：获取N个探测器相同时间范围内的交通流数据，原始交通流量数据为探测器在一定时间间隔内经过的车辆数；指定时间间隔为5分钟，某时刻的交通流数据指的是从此时刻开始经过指定时间间隔的交通流数据；数据集形式如下所示：

其中表示t时刻所有节点的交通流数据，为节点i在t时刻的交通流数据，T为以5分钟为单位的时间序列的长度。

4.根据权利要求3所述的一种基于Transformer时空图卷积网络的交通流预测方法，其特征在于：在步骤S3中，具体包括：交通流时空图G＝(V，E，A)在时间片t上的交通流数据用矩阵表示，其中，V为N个节点的集合，E为两个节点之间的边的集合，A是静态邻接矩阵；

最大最小归一化计算表达式为：

其中，minX_t和maxX_t分别为t时刻交通流数据中的最小值与最大值，为节点i在t时刻进行归一化操作后的交通流数据；预测未来T_f时刻交通流量时，选取前T_p个时间间隔交通流作为输入，即：取t-T_p+1，t-T_p+2，…，t时刻的交通流量作为网络输入：

其中，T_f表示预测的未来时间长度，T_p表示输入的历史时间长度，t为当前时刻。

5.根据权利要求4所述的一种基于Transformer时空图卷积网络的交通流预测方法，其特征在于：在步骤S4中，所述构造基于Transformer时空图卷积网络预测模型具体包括：在输入进入到编码器/解码器之前，增加一个结构多头自注意模块来提取路网拓扑结构信息；然后用独热编码代替正弦余弦位置编码，用时间多头自注意模块代替Transformer原来的多头自注意块，来提取交通流数据的长期时间相关性；去掉Transformer原有的前馈神经网络层，替换成一个动态演化图卷积模块，进行空间相关性提取。