[发明专利]基于图注意力网络和天气权重的城市车速预测方法及系统

权利要求书

1.一种基于图注意力网络和天气权重的城市车速预测方法，其特征在于，包括如下步骤：

构建由目标路段p及其相关路段组成的空间结构图G_p＝(V_p,E_p)；其中，V_p是顶点集，E_p是边集；

基于空间结构图，构建车速矩阵C_p,t,l和天气因素矩阵D_p,t,k,l；其中，矩阵C表示要预测的目标路段p在当前时刻t之前l个时段的历史车速，矩阵D表示要预测的目标路段p在当前时刻t之前l个时段和t之后k个时段的天气因素；

使用加权的方式将车速矩阵与天气因素矩阵进行加权融合，获得特征融合后的矩阵A_p,t,k,l；

将特征融合后的矩阵输入构建好的W2-GAT模型，预测出目标路段p当前时刻t之后k个时段的车速特征。

2.根据权利要求1所述的基于图注意力网络和天气权重的城市车速预测方法，其特征在于，顶点集V_p和边集E_p的表示如下：

3.根据权利要求2所述的基于图注意力网络和天气权重的城市车速预测方法，其特征在于，车速矩阵C_p,t,l和天气因素矩阵D_p,t,k,l表示如下：

其中，矩阵C表示要预测的目标路段p在当前时刻t之前l个时段的历史车速，矩阵D表示要预测的目标路段p在当前时刻t之前l个时段和t之后k个时段的天气因素，c_m,j表示第m个时间段、第j个监测点的历史车速数据，m∈[t-1,t-l]；d_o,j分别表示第o个时间段、第j个监测点的天气因素数据，o∈[t-l,t+k-1]；n＝|V_p|，为V_p中的顶点个数。

4.根据权利要求3所述的基于图注意力网络和天气权重的城市车速预测方法，其特征在于，特征融合后的矩阵A_p,t,k,l表示如下：

其中，矩阵B_k+l,n⁽¹⁾表示值全为1的(k+l)×n维矩阵，B_k,n⁽⁰⁾表示值全为0的k×n维矩阵，运算符表示Hadamard积。

5.根据权利要求4所述的基于图注意力网络和天气权重的城市车速预测方法，其特征在于，所述W2-GAT模型，具体包括：

上下两层，下层为Cell-X模块，包括图注意力网络GAT、残差连接Res-Conn和全连接FC三个组成部分，用于捕获空间特征；上层为GRU模型，用于捕获时间特征。