[发明专利]融合时空注意力神经网络和交通模型的交通流预测方法

权利要求书

1.一种融合时空注意力神经网络和交通模型的交通流预测方法，其特征是步骤包括：

步骤101，输入交通路网的特征数据和邻接矩阵；特征数据分别是流量数据和速度数据；

步骤102，将输入的特征数据分别按照时间片划分，在每个时间片上进行图注意网络GAT表征得到节点特征的新表示，节点特征的新表示分别是速度特征的新表示和流量特征的新表示；

步骤103，将步骤102中得到的速度特征的新表示输入进速度-流量模型中，得到流量特征的又一新表示；

对于输入的速度特征的新表示，速度-流量根据下面的算式计算得出对应的流量特征：

其中，Q为平均车流量，单位是辆/小时；K_j为车辆密集到无法移动时的最大车流密度，单位是辆/公里；V_f为自由流速度，单位是公里/小时；V表示平均车流速度，单位是公里/小时；

步骤104，将步骤102中得到的流量特征的新表示和步骤103中得到的流量数据的又一新表示分别经过门控循环单元网络GRU处理：

GRU中，对于每一个时间片，输入由两部分组成：当前时间片的输入和前一时间片的隐状态；则先由此计算出网络的重置门R_t、更新门Z_t和候选状态再将更新门在前一时间片的隐状态H_t-1和当前时间片的候选状态之间进行组合计算即可得到当前时间片的隐状态，亦为输出状态：

步骤105，将经过GRU处理得到的流量特征的两种新表征拼接起来，作为全连接层的输入；

步骤106，把步骤105输出数据分为测试集和训练集；

步骤107，用训练集的数据训练循环神经网络RNN：

用全连接层full connected layer计算循环神经网络RNN的输出，从而得到最终的预测结果；

步骤108，根据步骤107计算的预测结果和相应的真实数据，计算网络模型预测的损失值loss；当网络模型的损失值收敛到最小或者训练到指定的迭代次数，则结束训练，输出训练好的网络模型即为预测模型；

步骤109，用预测模型检测其在测试集上的表现；

步骤110，用全连接层计算最终预测结果并输出。

2.根据权利要求1所述的融合时空注意力神经网络和交通模型的交通流预测方法，其特征是步骤101中，根据真实道路交通网络中实体间的关系构建网络拓扑结构，使用无向图G＝(V，E，A)表示节点之间的空间关系和时间变化；

其中：v_i∈V表示图中的节点，对应实际交通路网中的探测器；v_i和v_j分别表示节点i和节点j，即探测器i和探测器j；

e_ij∈E表示v_i和v_j之间的关联性，如果两者之间存在邻接关系，值为1，否则，值为0；

网络邻接矩阵A＝{e_ij}，i，j∈[1，N]，N为对象实体的数量；实体是指车辆。

3.根据权利要求1所述的融合时空注意力神经网络和交通模型的交通流预测方法，其特征是步骤102中，明确数据形式及预测问题定义，表示过去τ个时间片内所有节点的所有特征值，N为对象实体的数量，F表示每个对象实体的特征数量；给定过去τ个时间片内所有节点的历史观测值X，预测未来T_p个时间内所有节点的时间序列

将应用对象实体的流量特征进行GAT表征，计算注意力系数表示节点j的特征对节点i的重要性，列出式：

其中：表示一组节点特征，在对象实体上实现自注意，注意力机制a：F′表示输出的特征维数，由人工设定；表示权重矩阵，对节点特征进行线性变换；

由计算式(1)获得描述节点间相关性的注意力系数，使用邻接矩阵对其进行筛选，只有对象实体之间存在连接才会存在注意力系数；为了使不同对象实体之间的系数易于比较，使用softmax函数进行归一化，即可得到计算式(2)，列出式：

其中，表示节点i的所有邻居节点，T表示转置操作，||表示拼接操作；

由计算式(2)得到的归一化的注意力系数用来计算其对应的特征的线性组合，作为每个节点流量特征的新表示；

同样方法，将应用对象实体的速度特征使用GAT进行表征，得到速度特征的新表示。