CN114169647A - 持续记忆的自适应异质时空图卷积的交通预测方法及系统 - Google Patents

Abstract

本发明属于交通预测技术领域，具体公开了一种持续记忆的自适应异质时空图卷积的交通预测方法及系统，该方法将交通流量数据和流量数据的历史记忆，并输入记忆输入层，记忆输入层输出时间序列，并将该时间序列作为异质时空图卷积层的第一个子层的输入，异质时空图卷积层设有多个子层，前一个子层的输出是下一个子层的输入，构建不同时空异质图，并利用时空异质图完成图卷积操作，异质时空图卷积层的各层输出时间序列至时空信息融合层，得到交通流量预测数据和新的历史记忆。采用本技术方案，捕获交通流量数据的异质性，通过历史信息获取交通流量的长期时间依赖，提升预测效果。

Description

持续记忆的自适应异质时空图卷积的交通预测方法及系统

技术领域

本发明属于交通预测技术领域，涉及一种持续记忆的自适应异质时空图卷积的交通预测方法及系统。

背景技术

随着智能交通系统(I TS)的发展，交通流量数据的预测成为了I TS不可或缺的一部分，准确及时的交通预测可以帮助进行有效的交通管制。交通流量是道路状况的基础指标，如果可以有效预测交通流量数据，I TS能够更有效、更合理地规划车辆路线和交通信号灯。

交通流量数据有以下三个特点：(1)时间相关性(时间依赖)，一个区域的流量与该区域之前一段时间的流量相关；(2)空间相关性(空间依赖)，车辆从一个区域驶向另一个区域，导致同一时刻下，一个区域的流量会受到另一个区域流量的影响；(3)异质性，不同时间下，一个区域的流量受到其他区域流量的影响是不一样的。所以，如果可以建模交通流量数据的特点，将达到更好的预测效果。

为了检测道路的交通状况，人们将大量的传感器应用到交通路网中，并借此积累了大量关于交通流量的历史数据。许多研究人员借助历史数据挖掘交通流量数据的时空相关性，来达到预测交通流量、检测交通事故发生等研究目的。预测交通流量的研究方法在十几年间发生了明显的变化，从早期基于统计学的方法，到将机器学习的方法以及深度学习的方法应用到交通流量预测中，模型的预测性能有了显著的改善。

但现有技术中采用的时空模型在捕获时间依赖时，往往只建立同一种图结构，忽视不同时间下，一个区域的流量受到其他区域流量的影响是不一样的现象，即交通流量数据的异质性。且以往的模型采用LSTM或是GRU等模块，来获取交通流量数据的时间依赖，这样获取的时间依赖的时间跨度局限在当前输入数据的时间长度，不能记忆之前输入数据的历史信息。

发明内容

本发明的目的在于提供一种持续记忆的自适应异质时空图卷积的交通预测方法及系统，捕获交通流量数据的异质性，通过历史信息获取交通流量的长期时间依赖，提升预测效果。

为了达到上述目的，本发明的基础方案为：一种持续记忆的自适应异质时空图卷积的交通预测方法，包括如下步骤：

获取交通流量数据和流量数据的历史记忆，并输入记忆输入层；

记忆输入层输出时间序列，并将该时间序列作为异质时空图卷积层的第一个子层的输入；

异质时空图卷积层设有多个子层，前一个子层的输出是下一个子层的输入，构建不同时空异质图，并利用时空异质图完成图卷积操作；

异质时空图卷积层的各层输出时间序列至时空信息融合层，得到交通流量预测数据和新的历史记忆。

本基础方案的工作原理和有益效果在于：本方案构建不同时刻的时空图的图结构，以此捕获交通流量数据的异质性。将当前输入序列的信息保存到历史信息中，到达持续记忆的效果，可以通过历史信息获取交通流量的长期时间依赖，提升模型的预测效果。

进一步，所述记忆输入层包括记忆模块和第一全连接层，输入的交通流量数据X₀和流量数据的历史记忆

依次经过记忆模块和第一全连接层，T为时间长度，N为节点数量，C₁为节点历史信息特征的长度，R表示实数张量矩阵。

结构简单，便于使用。

进一步，所述记忆模块包括第二全连接层和GRU模块；

交通流量数据X₀先经过第二全连接层，第二全连接层的输出

和历史记忆

作为GRU模块的输入；

GRU模块更新的历史记忆信息并保留当前交通流量序列的信息，得到新的历史记忆

将新的历史记忆作为新的特征拼接到当前节点的特征上，即将M′与X₁进行拼接得到新的节点特征，其计算式为：

X₂再经过第一全连接层来扩展节点的特征维度，以提高网络的表达能力，得到该层的输出H₍₀₎∈R^T×N×C，H₍₀₎作为异质时空图卷积层的第一个子层的输入，C₁为节点拼接历史信息特征后的长度。

GRU模块的目的是更新当前输入序列的信息到历史记忆上，将历史输入序列的历史特征(即历史记忆M)拼接到当前的输入序列上，以便后续使用。

进一步，所述异质时空图卷积层的子层包括异质时空图构建模块和时空图卷积模块，异质图构建模块进行图信号选择和异质图结构构建，用来构建不同时空异质图；

异质时空图构建模块输出T-2个异质时空图的图信号和对应的邻接矩阵，作为时空图卷积模块的输入，时空图卷积模块中包含多个图卷积块，图卷积块用于同步捕获异质时空图的时空依赖。

操作简单，利于使用。

进一步，异质时空图构建模块构建不同时空异质图的方法如下：

把相邻的3个图信号构建一个异质时空图，对于输入的时间序列H∈R^T×N×C，即T个时刻的图信号，可以构建出T-2个异质时空图；

对于第i个异质时空图，其图信号为H_i＝Reshape(H[i：i+2])∈R^3N×C；

构建每个异质时空图的邻接矩阵，其过程如下：

根据输入的空间邻接矩阵，得到如下初始矩阵A：

其中，I∈R^N×N是单位矩阵，这样构建的原因是在保持原来空间上的路网结构的同时，将中间时刻的节点与前后时刻的同一节点连接来构建时间上的联系；A代表异质时空图的基础连接关系，A_s∈R^N×N为根据节点的空间关系生成的空间邻接矩阵，A_s不会随着时间发生变化；

邻接矩阵A与一个随机初始化可学习的参数矩阵Mask∈R^3N×3M做哈达玛乘积来对已有的边进行边权调整，得到一个邻域关系矩阵A_neibor，其数学公式表示为：

A_neibor＝A*Mask

随机初始化构建一个可学习的参数矩阵A_Emb∈R^T×N×E，该参数矩阵可以自适应地学习不同时刻节点的流量变化趋势，

代表时间为i时，N个节点的流量变化趋势的嵌入表示；当构建第i个异质时空图的邻接矩阵时，选取i到i+2时刻的节点嵌入表示，即

reshape是一个矩阵形状变换函数，

表示第i到i+2时刻的节点的流量变化趋势的嵌入表示；E为超参数，为流量变化趋势嵌入表示的维度大小；通过将

与

的转置矩阵相乘来计算时空图上任意两点之间的流量变化趋势相似性，得到全局关系矩阵

从而获取该异质时空图的节点之间的全局潜在关系；

将邻域关系矩阵和全局关系矩阵相加，并进行ReLu操作得到最终的邻接矩阵，其计算方式表示为：

其中，A′_i为第i个异质时空图的邻接矩阵，每个异质时空图由于

的不同，从而学习到不同的节点间时空关系来捕获交通流量数据的异质性。

对邻接矩阵A上的非0值做边权调整，用参数矩阵A_Emb来得到不同时刻的图结构，来获取交通流量数据的异质性。

进一步，时空图卷积模块捕获异质时空图的时空依赖的方法如下：

图卷积模块中包含B个图卷积块，邻接矩阵使用异质时空图构建模块构建的异质时空图邻接矩阵，对于第i个异质时空图的图信号h_i和邻接矩阵A′_i，第b个图卷积块的计算公式为：

其中，α_b和β_b是两个超参数，I是单位矩阵，W_b∈R^C×C是可学习的参数矩阵，σ为激活函数；

为第b个图卷积块的输出，作为第b+1个图卷积块的输出，

为输入的图信号h_i；

对最后的图卷积块的输出

进行剪切操作，仅保留中间时刻的图信号，得到图卷积模块的输出：

异质时空图卷积层拼接每个异质时空图通过时空图卷积模块得到的输出，即得到该异质时空图卷积层的输出:

H_(l)＝[h₍₀₎，h₍₁₎，...，h_(T-2)]∈R^(T-2)×N×C

H_(l)是第l层的输出以及下一层异质时空图卷积层的输入。

图卷积模块中包含的图卷积块，图卷积块用于同步捕获异质时空图的时空依赖，运算简单，利于使用。

进一步，利用时空信息融合层，得到交通流量预测数据和新的历史记忆的方法如下：

拼接记忆输入层和异质时空图卷积层的结果，进行Reshape操作，即：

X_t＝Reshape([H₀，H₁，...，H_L])∈R^N×KC

K为各层输出结果的时间维度的特征长度之和；

拼接结果X_t作为T′个预测模块的输入，每个预测模块包括两层全连接层，第i个预测模块用于预测未来第i个时刻的交通流量数据，其计算式为：

其中，

是时刻i的预测结果，

是可学习的参数，C′是第一层全连接层输出的维度，通过这样的方式，直接进行多步预测，避免单步预测中带来的误差传递；

拼接所有时间步的预测结果，得到未来T′时刻的交通流量预测数据：

交通流量预测数据

和新的历史记忆M′作为预测输出。

将拼接结果用T个预测模块进行，因为考虑到不同范围的时空信息对未来不同时刻的区域的流量的影响是不一样的，所以针对不同的时刻使用不同的预测模块。做拼接和reshape操作也是将节点在中间层学习到的不同范围下的时空信息作为节点的特征，方便作为全连接层的输入。

本发明还提供一种持续记忆的自适应异质时空图卷积的交通预测系统，包括数据获取模块和预测模块，所述数据获取模块的输出端与预测模块的输入端连接，数据获取模块用于获取交通流量数据和流量数据的历史记忆，所述预测模块执行本发明所述方法，进行交通预测。

本方案利用预测模块进行交通预测，捕获交通流量数据的异质性，通过历史信息获取交通流量的长期时间依赖，提升预测模块的预测效果。

进一步，还包括评估模块，所述评估模块提取数据集，使用过去一定时间内的流量数据预测未来一定时间内的流量数据，划分数据集为训练集、验证集和测试集；

使用平均绝对误差，平均绝对百分比误差和均方根误差作为评价系统预测性能的评价指标，其计算方式如下所示：

为预测的交通流量结果，Y为真实的交通流量，y_i为某一时刻某个节点的流量的真实值，

为y_i对应时刻对应节点的流量的预测值，n为所有真实值的数量。

利用评估模块评估预测模块的预测性能，判断预测模块的可靠性，以便进行使用或改进预测模块。

附图说明

图1是本发明持续记忆的自适应异质时空图卷积的交通预测方法的结构示意图；

图2是本发明持续记忆的自适应异质时空图卷积的交通预测系统的评估模块的评估结果示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

现有技术中，预测模型旨在学习时空数据的空间依赖和时间关系。ST-ResNet，ST-3DNet等方法采用CNN等方式获取交通流量的空间依赖，但是这些模型忽视了道路的拓扑网络结构。交通路网可以更加自然地表示为图结构，其主要构建方法是将道路上的传感器作为图的节点，并根据节点间的距离或是路网结构构建图的边集，从而模拟现实的交通路网结构。

近年来随着图神经网络(GNN)的发展，人们引入图神经网络和其变体到预测交通流量的模型中来捕获空间依赖，同时使用长短期记忆网络(LSTM)或是门控递归单元(GRU)等组件捕获时间依赖，这些模型很好地完成预测任务并取得了不错的效果。最新的模型尝试同时捕获时空关系，STG2Seq使用门控残差网络将相邻时间步上的节点特征进行拼接，尝试建模数据的时空依赖。STSGCN则是将相邻时刻的图信号构建成时空图，只使用图神经网络模型同时捕获时空图的时空依赖。

但现有的时空模型在捕获时间依赖的时候，往往只建立同一种图结构，忽视不同时间下，一个区域的流量受到其他区域流量的影响是不一样的现象，即交通流量数据的异质性。另外，以往的模型采用LSTM或是GRU等模块来获取交通流量数据的时间依赖，但其获取的时间依赖的时间跨度局限在当前输入数据的时间长度，不能记忆之前输入数据的历史信息。

本发明公开了一种持续记忆的自适应异质时空图卷积的交通预测方法，通过自适应矩阵，自适应构建不同时刻的时空图的图结构，捕获交通流量数据的异质性。并使用一个记忆模块将当前输入序列的信息保存到历史信息中，将生成的历史信息用于交通流量预测，历史信息会用到下一次流量预测中并进行更新，到达持续记忆的效果。

如图1所示，本发明的交通预测方法包括如下步骤：

获取交通流量数据和流量数据的历史记忆，并输入记忆输入层。记忆输入层输出时间序列，并将该时间序列作为异质时空图卷积层的第一个子层的输入。异质时空图卷积层设有多个(L个)子层，前一个子层的输出是下一个子层的输入，构建不同时空异质图，并利用时空异质图完成图卷积操作。异质时空图卷积层的各层输出时间序列至时空信息融合层，得到交通流量预测数据和新的历史记忆。

本发明的一种优选方案中，记忆输入层包括记忆模块和第一全连接层，输入的交通流量数据X₀和流量数据的历史记忆

依次经过记忆模块和第一全连接层，在某个时刻i的交通流量信息用

表示，T为时间长度，N为节点数量，节点的特征为当前时刻当前节点的交通流量数据；M初始化为全0矩阵，表示不含历史信息，模型完成一次预测时会输出新的历史记忆，用于下一时刻的交通流量预测；C₁为节点历史信息特征的长度,R表示实数张量矩阵。

记忆输入层中的记忆模块包括第二全连接层和GRU模块，交通流量数据X₀先经过第二全连接层，第二全连接层的输出

和历史记忆

作为GRU模块的输入。GRU模块更新的历史记忆信息并保留当前交通流量序列的信息，得到新的历史记忆

将新的历史记忆作为新的特征拼接到当前节点的特征上，即将M′与X₁进行拼接得到新的节点特征，其计算式为：

X₂再经过第一全连接层来扩展节点的特征维度，以提高网络的表达能力，得到该层的输出H₍₀₎∈R^T×N×C，H₍₀₎作为异质时空图卷积层的第一个子层的输入，C₁为节点拼接历史信息特征后的长度。GRU模块其目的是更新当前输入序列的信息到历史记忆上，将历史输入序列的历史特征(即历史记忆M)拼接到当前的输入序列上，而不是提取当前输入序列的时间依赖。

本发明的一种优选方案中，异质时空图卷积层的子层包括异质时空图构建模块和时空图卷积模块，异质图构建模块进行图信号选择和异质图结构构建，用来构建不同时空异质图。异质时空图构建模块输出T-2个异质时空图的图信号和对应的邻接矩阵，作为时空图卷积模块的输入，时空图卷积模块中包含多个图卷积块，图卷积块用于同步捕获异质时空图的时空依赖。

异质时空图卷积层中的异质时空图构建模块构建不同时空异质图的方法如下：

把相邻的3个图信号构建一个异质时空图，对于输入的时间序列H∈R^T×N×C，即T个时刻的图信号，可以构建出T-2个异质时空图，过去T时间的历史数据可用序列

表示，模型输入该序列预测未来T′时间的数据序列

对于第i个异质时空图，其图信号为H_i＝Reshape(H[i：i+2])∈R^3N×C；

构建每个异质时空图的邻接矩阵，其过程如下：

根据输入的空间邻接矩阵，得到如下初始矩阵A：

其中，J∈R^N×N是单位矩阵，这样构建的原因是在保持原来空间上的路网结构的同时，将中间时刻的节点与前后时刻的同一节点连接来构建时间上的联系；A代表异质时空图的基础连接关系，A_s∈R^N×N为根据节点的空间关系生成的空间邻接矩阵，A_s不会随着时间发生变化；A_s上元素

的取值过程如下所示：当前节点i与节点j之间的距离小于人为设定的阈值时，该元素的值取为1，否则为0，1表示节点i和节点j相连，0表示不相连；

邻接矩阵A与一个随机初始化可学习的参数矩阵Mask∈R^3N×3N做哈达玛乘积来对已有的边进行边权调整，做哈达玛乘积两个矩阵的大小一致，A的大小是3N x 3N,所以参数矩阵Mask的大小也设定为3N x 3N，Mask中的值一开始是随机初始化的，在模型的训练中通过反向传播机制进行更新矩阵上的值。得到一个邻域关系矩阵A_neibor，其数学公式表示为：

A_neibor＝A*Mask

对邻接矩阵A上的非0值做边权调整，但是之前的方法往往使用这种方式构建得到邻接矩阵A后就不再变化了，使用不变的邻接矩阵做图卷积操作难以建模流量数据的异质性，所以后面的部分是对原来的方法进行改进，用参数矩阵A_Emb来得到不同时刻的图结构，来获取交通流量数据的异质性；

随机初始化构建一个可学习的参数矩阵A_Emb∈R^T×N×E，创建时矩阵中的值一开始是随机初始化的，在模型的训练中通过反向传播机制进行更新。其形状根据输入该子层的时间序列的形状确定。该参数矩阵可以自适应地学习不同时刻节点的流量变化趋势，

代表时间为i时，N个节点的流量变化趋势的嵌入表示；当构建第i个异质时空图的邻接矩阵时，选取i到i+2时刻的节点嵌入表示，即

reshape是一个矩阵形状变换函数，不会改变矩阵上的值；

表示第i到i+2时刻的节点的流量变化趋势的嵌入表示，虽然形状经过reshape后发生了改变，但含义没变化；E为超参数，为流量变化趋势嵌入表示的维度大小；通过将

与

的转置矩阵相乘来计算时空图上任意两点之间的流量变化趋势相似性，得到全局关系矩阵

从而获取该异质时空图的节点之间的全局潜在关系；

将邻域关系矩阵和全局关系矩阵相加，并进行ReLu操作得到最终的邻接矩阵，其计算方式表示为：

其中，A′_i为第i个异质时空图的邻接矩阵，每个异质时空图由于

的不同，从而学习到不同的节点间时空关系来捕获交通流量数据的异质性。

本发明的一种优选方案中，时空图卷积模块捕获异质时空图的时空依赖的方法如下：

异质时空图构建模块输出T-2个异质时空图的图信号和对应的邻接矩阵，作为时空图卷积模块的输入。图卷积模块中包含B个图卷积块，图卷积块用于同步捕获异质时空图的时空依赖。图卷积块根据现有GCNII改进而来，邻接矩阵不再使用归一化的图拉普拉斯矩阵，而是使用异质时空图构建模块构建的异质时空图邻接矩阵，对于第i个异质时空图的图信号h_i和邻接矩阵A′_i，第b个图卷积块的计算公式为：

其中，α_b和β_b是两个超参数，I是单位矩阵，W_b∈R^C×C是可学习的参数矩阵，σ为激活函数；

为第b个图卷积块的输出，作为第b+1个图卷积块的输出，

为输入的图信号h_i；

对最后的图卷积块(即第B个图卷积块)的输出

进行剪切操作，仅保留中间时刻的图信号，得到图卷积模块的输出：

异质时空图卷积层拼接每个异质时空图通过时空图卷积模块得到的输出，即得到该异质时空图卷积层的输出:

H_(l)＝[h₍₀₎，h₍₁₎，...，h_(T-2)]∈R^(T-2)×N×C

H_(l)是第l层的输出以及下一层异质时空图卷积层的输入。

本发明的一种优选方案中，利用时空信息融合层(即图1中的时空融合输出层)，得到交通流量预测数据和新的历史记忆的方法如下：

拼接记忆输入层和异质时空图卷积层的结果，进行Reshape操作，即：

X_t＝Reshape([H₀，H₁，...，H_L])∈R^N×KC

K为各层输出结果的时间维度的特征长度之和；

拼接结果X_t作为T′个预测模块的输入，每个预测模块包括两层全连接层，第i个预测模块用于预测未来第i个时刻的交通流量数据，其计算式为：

其中，

是时刻i的预测结果，

是可学习的参数；C′是第一层全连接层输出的维度，通过这样的方式，直接进行多步预测，避免单步预测中带来的误差传递；将拼接结果用T个预测模块进行，因为考虑到不同范围的时空信息对未来不同时刻的区域的流量的影响是不一样的，所以针对不同的时刻使用不同的预测模块，同时这也是为什么会在前面保留中间层的结果(即不同范围的时空信息)的原因；做拼接和reshape操作也是将节点在中间层学习到的不同范围下的时空信息作为节点的特征，方便作为全连接层的输入；

拼接所有时间步的预测结果，得到未来T′时刻的交通流量预测数据：

交通流量预测数据

和新的历史记忆M′作为预测输出。

本发明还提供一种持续记忆的自适应异质时空图卷积的交通预测系统，包括数据获取模块和预测模块，数据获取模块的输出端与预测模块的输入端电性连接，数据获取模块用于获取交通流量数据和流量数据的历史记忆，预测模块执行本发明所述方法，进行交通预测。

本发明的一种优选方案中，交通预测系统还包括评估模块，评估模块提取数据集，数据集可采用公开的数据集PEMS03和PEMS08，两个数据集为美国加州高速公路不同区域的交通流量数据。PEMS03包含了350个节点，PEMS08包含了170个节点。使用过去一定时间内的流量数据预测未来一定时间内的流量数据，以6:2:2的比例划分数据集为训练集、验证集和测试集；

使用平均绝对误差(MAE)，平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为评价系统预测性能的评价指标，其计算方式如下所示：

为预测的交通流量结果，Y为真实的交通流量，y_i为某一时刻某个节点的流量的真实值，

为y_i对应时刻对应节点的流量的预测值，n为所有真实值的数量；评估结果如图2所示。评价指标为mae，mape和rmse，计算如上面的公式所示，三个指标的值越小，说明预测结果越准确。对比模型为STGCN、DCRNN、STSGCN，是目前最先进的模型。本方案预测模块的模型为MASTGCN，在三个评价指标上均小于上述模型，说明了本方案的预测效果均优于上面的三个模型。

本方案：一是通过可学习的自适应矩阵A_Emb为不同时刻的时空图构建不同的图结构以提取流量数据的异质性，而现有方法是只使用一种固定的图结构用于图卷积，这样难以捕获异质性。

二是提出一种持续记忆的方法，即记忆输入层中的记忆模块，其中用到的GRU是用于将当前输入序列的特征更新到历史记忆中，然后记忆模块还会将得到历史记忆拼接到当前输入序列的特征上用于当前的预测，到达持续记忆的效果，并将历史记忆作为模型的输出用于下次输入。通过历史信息获取交通流量的长期时间依赖，提升模型的预测效果。而现有方法都是利用GRU等方式提取当前输入序列中的数据的时间相关性，与之前的输入序列无关系，本方法用到的GRU并不是用于提取当前输入序列中的数据的时间相关性。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种持续记忆的自适应异质时空图卷积的交通预测方法，其特征在于，包括如下步骤：

获取交通流量数据和流量数据的历史记忆，并输入记忆输入层；

记忆输入层输出时间序列，并将该时间序列作为异质时空图卷积层的第一个子层的输入；

异质时空图卷积层设有多个子层，前一个子层的输出是下一个子层的输入，构建不同时空异质图，并利用时空异质图完成图卷积操作；

异质时空图卷积层的各层输出时间序列至时空信息融合层，得到交通流量预测数据和新的历史记忆。

2.如权利要求1所述的持续记忆的自适应异质时空图卷积的交通预测方法，其特征在于，所述记忆输入层包括记忆模块和第一全连接层，输入的交通流量数据X₀和流量数据的历史记忆

依次经过记忆模块和第一全连接层，T为时间长度，N为节点数量，C₁为节点历史信息特征的长度,R表示实数张量矩阵。

3.如权利要求2所述的持续记忆的自适应异质时空图卷积的交通预测方法，其特征在于，所述记忆模块包括第二全连接层和GRU模块；

交通流量数据X₀先经过第二全连接层，第二全连接层的输出

和历史记忆

作为GRU模块的输入；

GRU模块更新的历史记忆信息并保留当前交通流量序列的信息，得到新的历史记忆

将新的历史记忆作为新的特征拼接到当前节点的特征上，即将M′与X₁进行拼接得到新的节点特征，其计算式为：

X₂再经过第一全连接层来扩展节点的特征维度，以提高网络的表达能力，得到该层的输出H₍₀₎∈R^T×N×C，H₍₀₎作为异质时空图卷积层的第一个子层的输入，C₁为节点拼接历史信息特征后的长度。

4.如权利要求1所述的持续记忆的自适应异质时空图卷积的交通预测方法，其特征在于，所述异质时空图卷积层的子层包括异质时空图构建模块和时空图卷积模块，异质图构建模块进行图信号选择和异质图结构构建，用来构建不同时空异质图；

异质时空图构建模块输出T-2个异质时空图的图信号和对应的邻接矩阵，作为时空图卷积模块的输入，时空图卷积模块中包含多个图卷积块，图卷积块用于同步捕获异质时空图的时空依赖。

5.如权利要求4所述的持续记忆的自适应异质时空图卷积的交通预测方法，其特征在于，异质时空图构建模块构建不同时空异质图的方法如下：

把相邻的3个图信号构建一个异质时空图，对于输入的时间序列H∈R^T×N×C，即T个时刻的图信号，可以构建出T-2个异质时空图；

对于第i个异质时空图，其图信号为H_i＝Reshape(H[i：i+2])∈R^3N×C；

构建每个异质时空图的邻接矩阵，其过程如下：

根据输入的空间邻接矩阵，得到如下初始矩阵A：

其中，I∈R^N×N是单位矩阵，这样构建的原因是在保持原来空间上的路网结构的同时，将中间时刻的节点与前后时刻的同一节点连接来构建时间上的联系；A代表异质时空图的基础连接关系，A_s∈R^N×N为根据节点的空间关系生成的空间邻接矩阵，A_s不会随着时间发生变化；

邻接矩阵A与一个随机初始化可学习的参数矩阵Mask∈R^3N×3N做哈达玛乘积来对已有的边进行边权调整，得到一个邻域关系矩阵A_neibor，其数学公式表示为：

A_neibor＝A*Mask

随机初始化构建一个可学习的参数矩阵A_Emb∈R^T×N×E，该参数矩阵可以自适应地学习不同时刻节点的流量变化趋势，

代表时间为i时，N个节点的流量变化趋势的嵌入表示；当构建第i个异质时空图的邻接矩阵时，选取i到i+2时刻的节点嵌入表示，即

reshape是一个矩阵形状变换函数，

表示第i到i+2时刻的节点的流量变化趋势的嵌入表示；E为超参数，为流量变化趋势嵌入表示的维度大小；通过将

与

的转置矩阵相乘来计算时空图上任意两点之间的流量变化趋势相似性，得到全局关系矩阵

从而获取该异质时空图的节点之间的全局潜在关系；

将邻域关系矩阵和全局关系矩阵相加，并进行ReLu操作得到最终的邻接矩阵，其计算方式表示为：

其中，A′_i为第i个异质时空图的邻接矩阵，每个异质时空图由于

的不同，从而学习到不同的节点间时空关系来捕获交通流量数据的异质性。

6.如权利要求4所述的持续记忆的自适应异质时空图卷积的交通预测方法，其特征在于，时空图卷积模块捕获异质时空图的时空依赖的方法如下：

图卷积模块中包含B个图卷积块，邻接矩阵使用异质时空图构建模块构建的异质时空图邻接矩阵，对于第i个异质时空图的图信号h_i和邻接矩阵A′_i，第b个图卷积块的计算公式为：

其中，α_b和β_b是两个超参数，I是单位矩阵，W_b∈R^C×C是可学习的参数矩阵，σ为激活函数；

为第b个图卷积块的输出，作为第b+1个图卷积块的输出，

为输入的图信号h_i；

对最后的图卷积块的输出

进行剪切操作，仅保留中间时刻的图信号，得到图卷积模块的输出：

异质时空图卷积层拼接每个异质时空图通过时空图卷积模块得到的输出，即得到该异质时空图卷积层的输出:

H_(l)＝[h₍₀₎，h₍₁₎，...，h_(T-2)]∈R^(T-2)×N×C

H_(l)是第l层的输出以及下一层异质时空图卷积层的输入。

7.如权利要求1所述的持续记忆的自适应异质时空图卷积的交通预测方法，其特征在于，利用时空信息融合层，得到交通流量预测数据和新的历史记忆的方法如下：

拼接记忆输入层和异质时空图卷积层的结果，进行Reshape操作，即：

X_t＝Reshape([H₀，H₁，...，H_L])∈R^N×KC

K为各层输出结果的时间维度的特征长度之和；

拼接结果X_t作为T′个预测模块的输入，每个预测模块包括两层全连接层，第i个预测模块用于预测未来第i个时刻的交通流量数据，其计算式为：

其中，

是时刻i的预测结果，

是可学习的参数，C′是第一层全连接层输出的维度，通过这样的方式，直接进行多步预测，避免单步预测中带来的误差传递；

拼接所有时间步的预测结果，得到未来T′时刻的交通流量预测数据：

交通流量预测数据

和新的历史记忆M′作为预测输出。

8.一种持续记忆的自适应异质时空图卷积的交通预测系统，其特征在于，包括数据获取模块和预测模块，所述数据获取模块的输出端与预测模块的输入端连接，数据获取模块用于获取交通流量数据和流量数据的历史记忆，所述预测模块执行权利要求1-7之一所述方法，进行交通预测。

9.如权利要求8所述的持续记忆的自适应异质时空图卷积的交通预测系统，其特征在于，还包括评估模块，所述评估模块提取数据集，使用过去一定时间内的流量数据预测未来一定时间内的流量数据，划分数据集为训练集、验证集和测试集；

使用平均绝对误差，平均绝对百分比误差和均方根误差作为评价系统预测性能的评价指标，其计算方式如下所示：

为预测的交通流量结果，Y为真实的交通流量，y_i为某一时刻某个节点的流量的真实值，

为y_i对应时刻对应节点的流量的预测值，n为所有真实值的数量。

Images