[发明专利]基于局部-全局时空特征融合的交通流量预测方法及设备

权利要求书

1.一种基于局部-全局时空特征融合的交通流量预测方法，其特征在于，包括：步骤一：构建数据集，收集高速公路上经过的真实车辆速度信息，构建交通流量数据集；并且根据交通道路网络拓扑图，构建出邻接矩阵；步骤二：构建图注意力网络层，根据网络自己学习的注意力权重提取交通网络拓扑图中不同节点之间的非局部空间依赖特征；步骤三：构建图卷积网络层，提取交通网络拓扑图中每个节点与周围节点聚合的局部空间依赖特征；步骤四：构建门控循环神经网络层，拟合交通流量信息的顺序时长相关性；步骤五：构建transformer网络层，用于并行化处理交通序列信息，并捕获transformer网络层的长期依赖性，对未来交通流量进行预测。

2.根据权利要求1所述的基于局部-全局时空特征融合的交通流量预测方法，其特征在于，步骤一包括：步骤1.1：由传感器收集过往车辆的速度信息，构建交通流特征矩阵其中N为节点数，P为节点属性特征的数量；步骤1.2：将交通道路网络拓扑构建为一个图G＝(V,E,A)，其中V为道路节点，E为图节点v_i与v_j连接的边，为邻接矩阵，A中的每一个元素a_i,j为0或1，表示节点v_i与节点v_j是否相邻，邻接矩阵计算包括：其中，i,j＝1,…,N。

3.根据权利要求2所述的基于局部-全局时空特征融合的交通流量预测方法，其特征在于，步骤二具体为：步骤2.1：将特征向量x_i映射到另一个向量为空间，并计算每个节点之间的特征相关性系数：

其中，x_i为节点v_i的特征向量，||为节点属性的连接，为一个权重参数向量，LeakyReLU为非线性激活函数，W是特征向量的权重参数映射向量；步骤2.2：使用softmax激活函数做归一化处理，计算每个节点之间的相关权重：

步骤2.3：节点之间的相关权重与特征矩阵相乘，得到更新后的特征矩阵，并且使用多头形式在不同子空间中进行拟合：

其中，x_j为与节点v_i计算相关权重的节点的v_j特征向量，K为注意力头数量，W^k为第k个注意力头中的权重参数系数，σ为sigmoid激活函数；将每个注意力头在不同子空间中的表达连接后融合输出：X＝X'W'；其中,W'为权重参数矩阵，且做残差连接：X″＝X+X″。

4.根据权利要求3所述的基于局部-全局时空特征融合的交通流量预测方法，其特征在于，步骤三具体为：步骤3.1：图的拉普拉斯矩阵：其中I_N为单位矩阵；求出度矩阵：计算对称归一化拉普拉斯矩阵：步骤3.2：构建一层图卷积神经网络：其中，W₀为权重参数矩阵，σ为sigmoid激活函数。