[发明专利]一种城市流量预测方法

说明书

本发明涉及智慧城市领域，特别公开了一种城市流量预测方法。该城市流量预测方法，具体包括如下步骤：对城市流量数据按时间顺序以窗口滑动方式进行划分，并构造时空随机遮掩数据和序列打乱数据；利用时空随机遮掩编码器Encsubgt;M/subgt;进行时空随机遮掩预训练；利用全局与局部相结合的注意力模块Encsubgt;C/subgt;进行序列顺序对比学习预训练；将时空随机遮掩预训练中自注意力模块产生的注意力权重处理为城市区域间相关性系数，利用图处理模块增强空间相关性捕捉能力；将预训练模块与图处理模块融合，构建时空融合预测模块，进行预测训练。本发明为两种预训练模块设计了合适的解码器，通过对不同角度捕获的时空特征进行解码，从而对下一时刻的城市流量进行预测。

技术领域

本发明涉及智慧城市领域，特别涉及一种城市流量预测方法。

背景技术

随着城市化的加速发展，城市的交通系统在面对人口和车辆不断增长的压力时变得日益复杂和困难。这不仅给城市交通管理和规划带来了巨大的挑战，同时也直接影响着人们的出行质量和生活体验。近年来，随着大数据和城市计算技术的不断进步，收集和分析交通数据以及进行城市流量预测成为了可能。

然而，城市流量预测的困难主要体现在数据量大、复杂度高、城市流量存在随机性和非线性等方面。传统的城市流量预测方法往往受到限制，无法准确预测未来的交通情况。近年来，深度学习技术的出现为解决这一问题提供了新的可能。

基于深度学习的交通预测方法可以更好地处理复杂的非线性关系和大量数据。通过准确的交通预测，可以为城市规划和交通管理提供参考，同时也可以帮助旅行者规划和改变他们的路线，提高出行的效率和舒适性。然而，目前的城市流量预测方法很少考虑时空差异，即区域间相关性的具体表现具有时间差异，并且区域在不同时间段的重要程度具有差异。

发明内容

本发明为了弥补现有技术的不足，提供了一种流量数据与环境特性互相嵌入、结果精确度高的城市流量预测方法。

本发明是通过如下技术方案实现的：

一种城市流量预测方法，具体包括如下步骤：

S1：对城市流量数据以经纬度划分为网格，每个网格代表一个区域，然后按时间顺序以窗口滑动方式对城市流量数据进行划分，并构造时空随机遮掩数据和序列打乱数据；

S2：对于时空随机遮掩数据，利用时空随机遮掩编码器Enc_M进行时空随机遮掩预训练；

S3：对于序列打乱数据，利用全局与局部相结合的注意力模块Enc_C进行序列顺序对比学习预训练；

S4：将时空随机遮掩预训练中自注意力模块产生的注意力权重处理为城市区域间相关性系数，利用图处理模块增强空间相关性捕捉能力；

S5：将预训练模块与图处理模块融合，构建时空融合预测模块，进行预测训练。

城市流量预测是智慧城市的重要组成部分，主要是利用历史流量数据中存在的时空变化特征对下时间点的城市流量状况进行预测。本发明提出了通过时空随机遮掩预训练和序列顺序对比学习预训练来提升模型对于城市流量的时空特征提取能力，从而提升城市流量的预测能力。

本发明的更优技术方案为：

步骤S1中，将城市流量数据中每个时刻的流量图以经纬方向划分为若干个网格，每个网格代表一个区域，然后将带有时间信息的城市流量数据利用长度为n的滑动窗口进行划分，每次划分得到一个长度为n的连续流量数据单元U，所有得到的连续流量数据单元U共同组成连续流量数据单元集S。

进一步优选的，构造时空随机遮掩数据和序列打乱数据的步骤为：

S1-1：在连续流量数据单元集S中的每个连续流量数据单元U中，针对每个时刻的每个区域，都以概率μ决定是否遮盖，得到时空随机遮掩数据；