CN115905629A - 一种基于时空门控超图卷积网络的交通预测系统及方法 - Google Patents

Abstract

本发明提出一种基于时空门控超图卷积网络的交通预测系统及方法。本发明方法构建交通超图以建模高阶空间相关性；将多个历史时刻各道路节点交通流通过滑动窗口划分方法，得到多组各道路节点交通流样本和真实交通流；结合交通超图构建时空门控超图卷积网络交通预测模型，将每组样本输入至预测模型进行预测得到预测交通流，结合真实交通流构建损失函数，通过Adam优化训练得到优化后时空门控超图卷积网络交通预测模型；中心服务器通过多个交通流传感器采集多个时刻各道路节点交通流，将采集的交通流通过优化后时空门控超图卷积网络交通预测模型预测，得到未来多个时刻各道路节点交通流。本发明充分挖掘高阶空间相关性和不同类型交通数据间的相关性。

Description

一种基于时空门控超图卷积网络的交通预测系统及方法

技术领域

本发明属于人工智能领域，尤其涉及一种基于时空门控超图卷积网络的交通预测系统及方法。

背景技术

机动车已经成为许多家庭必不可少的出行工具。机动车数量的增加引发了交通拥堵、交通事故频发等问题，不仅影响了人们的出行计划和出行安全，而且还降低了交通路网的运行效率，加剧了生态环境的污染。准确的交通预测可以为交通管理者更好地诱导交通流分布提供前瞻性依据以避免交通拥堵和事故；可以为出行者制定出行计划提供参考；也可以为出租车、网约车、共享单车等企业更好地分配资源以满足出行需求提供依据。由于准确的交通预测可以帮助人们绿色出行，节省时间成本，交通预测成为了智能交通系统中的一个重要研究热点。

现有方法大多采用传统图结构表示道路网络，然而传统图结构中的每条边只能连接两个节点，即每条边仅表示两个节点之间的关系。然而，道路节点之间的相互作用不一定是成对的(二元关系)，也可以是高阶的(多元关系)。例如，一条道路可能连接多个收集交通数据的节点。因此，传统图结构在提取节点之间的高阶关系方面存在局限性，如何挖掘道路节点之间的高阶空间相关性是一个关键问题。此外，不同类型的交通数据之间存在相关性，例如，交通流与速度成反比，与占有率成正比。然而现有工作大多忽略了不同类型交通数据之间的内在相互作用。因此如何挖掘不同类型交通数据之间的相关性是另一个关键问题。本发明的目标就是解决这些关键问题。

发明内容

为了解决上述技术问题，本发明提出了一种基于时空门控超图卷积网络的交通预测系统及方法。

本发明系统所采用的技术方案为一种基于时空门控超图卷积网络的交通预测系统，包括：中心服务器、多个交通流传感器；

将多个交通流传感器依次部署于城市中多个道路节点；

所述中心服务器与所述多个交通流传感器依次无线连接；

所述交通流传感器用于采集道路节点的交通流，并无线传输至所述中心服务器；

所述中心服务器结合多个道路节点的交通流，通过基于时空门控超图卷积网络的交通预测方法实现交通流的预测。

本发明方法所采用的技术方案为一种基于时空门控超图卷积网络的交通预测系统，包括以下步骤：

步骤1：根据道路节点之间的连通性构建地理交通图；

步骤2：构建交通超图以建模多个节点之间的高阶空间相关性；

步骤3：将多个历史时间步每个道路节点的交通流数据通过滑动窗口划分方法，得到多组道路节点交通流样本，并构建每组道路节点交通流样本的真实交通流数据；

步骤4：结合地理交通图和交通超图构建时空门控超图卷积网络交通预测模型，将每组道路节点交通流样本依次输入至时空门控超图卷积网络交通预测模型进行预测，得到每组道路节点交通流样本的预测交通流数据，结合每组道路节点交通流样本的真实交通流数据构建时空门控超图卷积网络损失函数模型，通过Adam算法优化训练得到优化后时空门控超图卷积网络交通预测模型；

步骤5：中心服务器通过所述多个交通流传感器实时采集多个时刻的各道路节点交通流，将实时采集的多个时刻的各道路节点交通流通过优化后时空门控超图卷积网络交通预测模型预测，得到未来多个时刻的各道路节点交通流。

作为优选，步骤1所述根据道路节点之间的连通性构建地理交通图，具体如下：

将每个交通流传感器定义为地理交通图中每个节点；

将城市中道路节点之间的连通性定义为地理交通图中任意两个节点之间的邻接关系；

所述地理交通图表示为：

G＝(V，A)，

V＝{v₁，v₂，...，v_N}；

其中，G表示地理交通图，V表示地理交通图的节点集合，N为地理交通图的节点集合的节点数量，v_i表示地理交通图的节点集合中第i个节点，A表示邻接矩阵，A∈R^N×N，R^N×N表示N行N列的二维矩阵，若节点v_i与v_j相连通，则A[i，j]＝1，若节点v_i与v_j之间不连通，则A[i，j]＝0；

作为优选，步骤2所述交通超图表示为：

G_h＝(V，ξ)，

V＝{v₁，v₂，...，v_N}，

ξ＝{e₁，e₂，...，e_M}；

其中，G_h表示交通超图，V表示地理交通图的节点集合，v_i表示地理交通图的节点集合中第i个节点，ξ表示交通超图的超边集合，e_j表示交通超图的超边集合中第j条超边，M表示交通超图的超边集合的超边数量，N为地理交通图的节点集合的节点数量；

所述交通超图的超边集合，具体构建过程如下：

结合地理交通图的邻接矩阵根据KNN算法构建结构超边集合，所述结构超边集合中的每条结构超边反映地理交通图的节点集合中多个节点之间的结构连通性；

结合地理交通图的节点集合中每个节点的交通流根据K-mean算法构建语义超边集合，所述语义超边集合中的每条语义超边反映地理交通图的节点集合中多个节点之间的上下文语义相似性；

根据结构超边集合、语义超边集合构建交通超图的超边集合；

所述交通超图的超边集合由结构超边和语义超边构成；

作为优选，步骤3所述多组道路节点交通流样本，具体如下：

χ_t＝(X_t，1，X_t，2，...，X_t，N)，t∈[1，T]

其中，InData_p表示第p组道路节点交通流样本，S表示道路节点交通流样本的数量，χ_(p-1)+k表示第p组道路节点交通流样本中第k个交通流数据，即第(p-1)+k个历史时间步每个道路节点的交通流数据，k∈[1，T_h]，T_h表示每组道路节点交通流样本的长度，χ_t表示第t个历史时间步每个道路节点的交通流数据，T表示历史时间步的数量，X_t，i表示第t个历史时间步第i个道路节点的交通流数据，i∈[1，N]，N表示地理交通图的节点集合的节点数量；

步骤3所述构建每组道路节点交通流样本的真实车流数据，具体如下：

第p组道路节点交通流样本的真实交通流数据为：

其中，T_f表示每组道路节点交通流样本的预测时间步长，OutData_p表示第p组道路节点交通流样本的真实交通流数据；

作为优选，步骤4所构建时空门控超图卷积网络交通预测模型，具体过程如下：

所述时空门控超图卷积网络交通预测模型包括：卷积神经网络、编码器时间块、编码器空间块、解码器时间块、解码器空间块、时空感知的通道注意力机制；

所述的卷积神经网络、编码器时间块、编码器空间块、解码器时间块、解码器空间块、时空感知的通道注意力机制依次级联；

所述卷积神经网络，用于将每组道路节点交通流样本通过卷积神经网络得到每组道路节点交通流样本的高维特征，并输出至所述编码器时间块；

所述编码器时间块，用于将每组道路节点交通流样本的高维特征通过对时间相关性进行建模得到每组道路节点交通流样本的编码时间特征，输出至所述编码器空间块；

所述编码器空间块，用于将每组道路节点交通流样本的编码时间特征通过对空间相关性进行建模得到每组道路节点交通流样本的编码空间特征，输出至所述解码器时间块；

所述解码器时间块，用于将每组道路节点交通流样本的编码空间特征通过对时间相关性进行建模得到每组道路节点交通流样本的解码时间特征，输出至所述解码器空间块；

所述解码器空间块，用于将每组道路节点交通流样本的解码时间特征通过对空间相关性进行建模得到每组道路节点交通流样本的解码空间特征，输出至所述时空感知的通道注意力机制；

所述时空感知的通道注意力机制，用于将每组道路节点交通流样本的解码空间特征通过时空感知的通道注意力机制挖掘时空相关性和通道特征相关性，并将解码空间特征映射到输出以得到每组道路节点交通流样本的预测交通流数据；

所述编码器时间块与所述解码器时间块的结构、功能均相同；

所述编码器空间块与所述解码器空间块的结构、功能均相同；

进一步地，所述编码器时间块由时间门控卷积模块、时间注意力机制模块、时间注意力融合模块组成；

所述的时间门控卷积模块、时间注意力机制模块并联连接，进一步与所述时间注意力融合模块级联；

所述时间门控卷积模块，选择时间门控卷积神经网络模型，用于将每组道路节点交通流样本的高维特征通过对局部时间相关性进行建模得到每组道路节点交通流样本的局部时间相关性，并输出至所述时间注意力融合模块；

所述时间注意力机制模块，选择时间注意力机制，用于将每组道路节点交通流样本的高维特征通过对全局时间相关性进行建模得到每组道路节点交通流样本的全局时间相关性，并输出至所述时间注意力融合模块；

所述时间注意力融合模块，选择注意力机制，将每组道路节点交通流样本的局部时间相关性、每组道路节点交通流样本的全局时间相关性进行融合得到每组道路节点交通流样本的编码时间特征，输出至所述编码器空间块；

进一步地，所述编码器空间块由空间门控卷积模块、超图卷积模块、空间注意力融合模块组成；

所述的空间门控卷积模块、超图卷积模块并联连接，进一步与所述空间注意力融合模块级联；

所述空间门控卷积模块，选择空间门控卷积神经网络模型，用于将每组道路节点交通流样本的编码时间特征通过对成对空间相关性进行建模得到每组道路节点交通流样本的成对空间相关性，并输出至所述空间注意力融合模块；

所述超图卷积模块，选择超图卷积神经网络模型，用于将每组道路节点交通流样本的编码时间特征通过对高阶空间相关性进行建模得到每组道路节点交通流样本的高阶空间相关性，并输出至所述空间注意力融合模块；

所述超图卷积神经网络模型由顶点卷积模块、超边卷积模块级联组成；

所述顶点卷积模块，选择多头注意力机制，将交通超图的超边集合中每条超边所连接的每个节点的信息聚合到该条超边，具体如下：

构建交通超图的超边集合中每条超边所包含的节点集合：

若交通超图的超边集合中第m条超边包含地理交通图的节点集合中k_m个节点，m∈[1，M]，M表示交通超图的超边集合中超边的数量，则交通超图的超边集合中第m条超边包含的节点集合为：

其中，

表示交通超图的超边集合中第m条超边包含的节点集合中第k个节点，即地理交通图的节点集合中第l_k个节点；

通过多头注意力机制计算得到第h个注意力头的顶点卷积的变换矩阵，具体如下：

其中，

表示km行km列的二维矩阵；

其中，h表示头索引，H表示注意力头的数量，D是每层神经网络的输出通道的数量，

表示第h个注意力头的变换矩阵的第i行第j列，代表了交通超图的超边集合中第m条超边包含的节点集合中第i个节点与交通超图的超边集合中第m条超边包含的节点集合中第j个节点之间的相似性，

表示第h个注意力头中用以获取查询的训练参数，

表示第h个注意力头中用以获取键的训练参数，

表示交通超图的超边集合中第m条超边包含的节点集合中第i个节点的特征，

交通超图的超边集合中第m条超边包含的节点集合中第j个节点的特征。

用softmax函数归一化

归一化后的

具体如下：

其中，

表示交通超图的超边集合中第m条超边包含的节点集合中第i个节点与交通超图的超边集合中第m条超边包含的节点集合中的第k个节点之间的相似性，k_m表示交通超图的超边集合中第m条超边包含k_m个节点；

第h注意力头的顶点卷积的归一化后变换矩阵，具体如下：

其中，

表示k_m行k_m列的二维矩阵，

的第i行第j列为

将

作为权重矩阵以计算交通超图的超边集合中第m条超边包含的所有节点特征的加权和，从而得到交通超图的超边集合中第m条超边的特征，具体为：

X_m ^*＝reshape(X_m)，m∈[1，k_m]，

其中，reshape(*)表示重组形状，conv₁(*)表示卷积操作，

是顶点卷积的输入，即通过时间注意力融合模块得到的每组道路节点交通流样本的编码时间特征，表示交通超图的超边集合中第m条超边包含的k_m个节点的特征，

表示三维向量，维度分别为k_m、T_h、D，T_□表示每组道路节点交通流样本的长度，D是每层神经网络的输出通道的数量，通过对X_m进行重组得到二维向量

维度分别为k_m、(T_h*D)，

是交通超图的超边集合中第m条超边的特征，||表示将H个注意力头拼接起来，

表示第h个注意力头中用以获取值的训练参数；

所述超边卷积模块，选择多头注意力机制将交通超图中的超边集合的超边的特征聚合到质心，具体如下：

构建连接地理交通图的节点集合中每个节点的超边集合：

对于地理交通图的节点集合中每个节点，构建连接该节点的超边集合：如果交通超图的超边集合中的k_i条超边连接地理交通图的节点集合中第i个节点v_i，i∈[1，N]，N表示地理交通图的节点集合中节点的数量，则连接地理交通图的节点集合中第i个节点v_i的超边集合为：

其中，节点vi称为ξ_i的质心，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第k条超边，即交通超图的超边集合中第l_k条超边；

通过多头注意力机制计算得到第h个注意力头的超边卷积的变换矩阵，具体如下：

其中，

表示k_i行k_i列的二维矩阵；

其中，h表示头索引，H表示注意力头的数量，D是每层神经网络的输出通道的数量，

表示第h个注意力头的变换矩阵的第i行第j列，代表了连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边与连接地理交通图的节点集合中第i个节点的超边集合中的第j条超边之间的相似性，

表示第h个注意力头中用以获取查询的训练参数，

表示第h个注意力头中用以获取键的训练参数，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边的特征，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第j条超边的特征。

然后用softmax函数归一化

归一化后的

具体如下：

其中，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边与连接地理交通图的节点集合中第i个节点的超边集合中的第k条超边之间的相似性；k_i表示交通超图的超边集合中的k_i条超边连接地理交通图的节点集合中第i个节点；

第h注意力头的超边卷积的归一化后变换矩阵，具体如下：

其中，

表示k_i行k_i列的二维矩阵，

的第i行第j列为

将

作为权重矩阵以计算连接地理交通图的节点集合中第i个节点的交通超图的超边集合中的k_i条超边的加权和，从而得到地理交通图的节点集合中第i个节点的特征表示，具体为：

H_i ^*＝reshape(H_i)，i∈[1，k_i]，

其中，reshape(*)表示重组形状，conv₂(*)表示卷积操作，

表示连接地理交通图的节点集合中第i个节点的交通超图的超边集合中的k_i条超边的特征，

表示三维向量，维度分别为k_i、T_h、D，T_□表示每组道路节点交通流样本的长度，D是每层神经网络的输出通道的数量，通过对H_i进行重组得到二维向量

维度分别为k_i、(T_h*D)，HC_vi是地理交通图的节点集合中第i个节点v_i的特征表示，||表示将H个注意力头拼接起来，

表示第h个注意力头中用以获取值的训练参数；

所述空间注意力融合模块，选择注意力机制，将每组道路节点交通流样本的成对空间相关性、每组道路节点交通流样本的高阶空间相关性进行融合得到每组道路节点交通流样本的编码空间特征，输出至所述解码器时间块；

进一步地，所述时空感知的通道注意力机制由时空卷积神经网络、全局平均池化、带有Relu激活函数的卷积神经网络、带有Sigmoid激活函数的卷积神经网络组成；

所述的时空卷积神经网络、全局平均池化、带有Relu激活函数的卷积神经网络、带有Sigmoid激活函数的卷积神经网络依次级联；

所述时空卷积神经网络，采用带有时空核的时空卷积神经网络通过对时间相关性和空间相关性同时地建模得到每组道路节点交通流的时空特征

并输出至全局平均池化，其中

表示三维向量，维度分别N、T_f、D，N为地理交通图的节点集合的节点数量，T_f表示每组道路节点交通流样本的预测时间步长，D是每层神经网络的输出通道的数量，通过对每组道路节点交通流的时空特征X_st进行重组得到每组道路节点交通流变换的时空特征

其中

表示二维向量，维度分别(N*T_f)、D；

所述全局平均池化，选择全局平均池化，将每组道路节点交通流的时空特征X_st通过全局平均池化得到每组道路节点交通流的通道特征X_p∈R^1×1×D，并输出至带有Relu激活函数的卷积神经网络，其中R^1×1×D表示三维向量，维度分别1、1、D，D是每层神经网络的输出通道的数量；

所述带有Relu激活函数的卷积神经网络，选择卷积神经网络和Relu激活函数通过改变每组道路节点交通流的通道特征X_p∈R^1×1×D的通道维度得到

并输出至带有Sigmoid激活函数的卷积神经网络，其中

表示三维向量，维度分别1、1、

D是每层神经网络的输出通道的数量；

所述带有Sigmoid激活函数的卷积神经网络，选择卷积神经网络和Sigmoid激活函数通过改变

的通道维度得到X_p2∈R^1×1×D，其中R^1×1×D表示三维向量，维度分别1、1、D，D是每层神经网络的输出通道的数量，通过对X_p2进行重组得到通道注意力矩阵X_p2 ^*∈R^{D ×1}，R^D×1表示二维向量，维度分别D、1；

将每组道路节点交通流变换的时空特征

和通道注意力矩阵X_p2 ^*相乘得到结果

其中

表示二维向量，维度分别(N*T_f)、D，N为地理交通图的节点集合的节点数量，T_f表示每组道路节点交通流样本的预测时间步长，D是每层神经网络的输出通道的数量，通过对X_o的进行重组得到每组道路节点交通流样本的预测交通流数据

步骤4所述的损失函数模型，定义如下：

其中，S表示道路节点交通流样本的数量，T_f表示每组道路节点交通流样本的预测时间步长，N为地

理交通图的节点集合的节点数量，

表示第p组第i个道路节点交通流样本中第k个真实交通流数据，即第(p-1)+T_h+k个预测时间步每个道路节点的真实交通流数据，

表示第p组第i个道路节点交通流样本中第k个预测的交通流数据。

本发明与现有技术相比具有如下优点和有益效果：

传统图结构中的每条边只能连接两个节点，即每条边仅表示两个节点之间的关系，在挖掘节点之间的高阶空间相关性方面存在局限性。与其他交通预测模型不同的是，本发明构建了一个交通超图，超图中的每条超边可以连接多个节点，从而可以挖掘道路节点之间的高阶空间相关性。超图中的超边包括结构超边和语义超边。结构超边用来表征空间结构连通性，语义超边用来编码道路网络中节点间的全局上下文关系，不受相邻连接的限制。在此基础上，设计了一个超图卷积网络，包括顶点卷积和超边卷积，以充分挖掘节点之间的高阶空间相关性。

不同类型的交通数据之间存在相关性，然而现有工作大多忽略了不同类型交通数据之间的内在相互作用。本发明设计了一种时空感知的通道注意力机制，挖掘了不同类型交通数据之间隐藏的相关性，在感知时空信息的同时，探索不同通道特征对交通流的影响，以增强对通道特征的敏感性。

附图说明

图1：本发明实施例的方法流程图。

图2：本发明实施例的基于时空门控超图卷积网络框架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。

本发明实施例系统的技术方案为一种基于时空门控超图卷积网络的交通预测系统，包括：中心服务器、多个交通流传感器；

将多个交通流传感器依次部署于城市中多个道路节点；

所述中心服务器与所述多个交通流传感器依次无线连接；

所述交通流传感器用于采集道路节点的交通流，并无线传输至所述中心服务器；

所述中心服务器结合多个道路节点的交通流，通过基于时空门控超图卷积网络的交通预测方法实现交通流的预测。

所述中心服务器的型号为；浪潮NF5280M5服务器

所述交通流传感器的型号为；LVD-6004海康威视地感线圈车辆检测器

下面结合图1-图2介绍本发明实施例提供的一种基于时空门控超图卷积网络的交通预测方法，具体如下：

步骤1：根据道路节点之间的连通性构建地理交通图；

步骤1所述根据道路节点之间的连通性构建地理交通图，具体如下：

将每个交通流传感器定义为地理交通图中每个节点；

将城市中道路节点之间的连通性定义为地理交通图中任意两个节点之间的邻接关系；

所述地理交通图表示为：

G＝(V,A)，

V＝{v₁,v₂,…,v_N}；

其中，G表示地理交通图，V表示地理交通图的节点集合，N＝358为地理交通图的节点集合的节点数量，v_i表示地理交通图的节点集合中第i个节点，A表示邻接矩阵，A∈R^N×N，R^N×N表示N行N列的二维矩阵，若节点v_i与v_j相连通，则A[i,j]＝1，若节点v_i与v_j之间不连通，则A[i,j]＝0；

步骤2：构建交通超图以建模多个节点之间的高阶空间相关性。

所述交通超图表示为：

G_h＝(V,ξ)，

V＝{v₁,v₂,…,v_N}，

ξ＝{e_1,e₂,…,e_M}；

其中，G_h表示交通超图，V表示地理交通图的节点集合，v_i表示地理交通图的节点集合中第i个节点，ξ表示交通超图的超边集合，e_j表示交通超图的超边集合中第j条超边，M表示交通超图的超边集合的超边数量，N为地理交通图的节点集合的节点数量；

所述交通超图的超边集合，具体构建过程如下：

结合地理交通图的邻接矩阵根据KNN算法构建结构超边集合，所述结构超边集合中的每条结构超边反映地理交通图的节点集合中多个节点之间的结构连通性；

结合地理交通图的节点集合中每个节点的交通流根据K-mean算法构建语义超边集合，所述语义超边集合中的每条语义超边反映地理交通图的节点集合中多个节点之间的上下文语义相似性；

根据结构超边集合、语义超边集合构建交通超图的超边集合；

所述交通超图的超边集合由结构超边和语义超边构成；

步骤3：将多个历史时间步每个道路节点的交通流数据通过滑动窗口划分方法，得到多组道路节点交通流样本，并构建每组道路节点交通流样本的真实交通流数据；

步骤3所述多组道路节点交通流样本，具体如下：

χ_t＝(X_t，1，X_t，2，...，X_t，N)，t∈[1，T]

其中，InData_p表示第p组道路节点交通流样本，S表示道路节点交通流样本的数量，χ_(p-1)+k表示第p组道路节点交通流样本中第k个交通流数据，即第(p-1)+k个历史时间步每个道路节点的交通流数据，k∈[1，T_h]，T_h表示每组道路节点交通流样本的长度，χ_t表示第t个历史时间步每个道路节点的交通流数据，T表示历史时间步的数量，X_t，i表示第t个历史时间步第i个道路节点的交通流数据，i∈[1，N]，N表示地理交通图的节点集合的节点数量；

步骤3所述构建每组道路节点交通流样本的真实车流数据，具体如下：

第p组道路节点交通流样本的真实交通流数据为：

其中，T_f表示每组道路节点交通流样本的预测时间步长，OutData_p表示第p组道路节点交通流样本的真实交通流数据；

步骤4：结合地理交通图和交通超图构建时空门控超图卷积网络交通预测模型，将每组道路节点交通流样本依次输入至时空门控超图卷积网络交通预测模型进行预测，得到每组道路节点交通流样本的预测交通流数据，结合每组道路节点交通流样本的真实交通流数据构建时空门控超图卷积网络损失函数模型，通过Adam算法优化训练得到优化后时空门控超图卷积网络交通预测模型；

步骤4所构建时空门控超图卷积网络交通预测模型，具体过程如下：

所述时空门控超图卷积网络交通预测模型包括：卷积神经网络、编码器时间块、编码器空间块、解码器时间块、解码器空间块、时空感知的通道注意力机制；

所述的卷积神经网络、编码器时间块、编码器空间块、解码器时间块、解码器空间块、时空感知的通道注意力机制依次级联；

所述卷积神经网络，用于将每组道路节点交通流样本通过卷积神经网络得到每组道路节点交通流样本的高维特征，并输出至所述编码器时间块；

所述编码器时间块，用于将每组道路节点交通流样本的高维特征通过对时间相关性进行建模得到每组道路节点交通流样本的编码时间特征，输出至所述编码器空间块；

所述编码器空间块，用于将每组道路节点交通流样本的编码时间特征通过对空间相关性进行建模得到每组道路节点交通流样本的编码空间特征，输出至所述解码器时间块；

所述解码器时间块，用于将每组道路节点交通流样本的编码空间特征通过对时间相关性进行建模得到每组道路节点交通流样本的解码时间特征，输出至所述解码器空间块；

所述解码器空间块，用于将每组道路节点交通流样本的解码时间特征通过对空间相关性进行建模得到每组道路节点交通流样本的解码空间特征，输出至所述时空感知的通道注意力机制；

所述时空感知的通道注意力机制，用于将每组道路节点交通流样本的解码空间特征通过时空感知的通道注意力机制挖掘时空相关性和通道特征相关性，并将解码空间特征映射到输出以得到每组道路节点交通流样本的预测交通流数据；

所述编码器时间块与所述解码器时间块的结构、功能均相同；

所述编码器空间块与所述解码器空间块的结构、功能均相同；

所述编码器时间块由时间门控卷积模块、时间注意力机制模块、时间注意力融合模块组成；

所述的时间门控卷积模块、时间注意力机制模块并联连接，进一步与所述时间注意力融合模块级联；

所述时间门控卷积模块，选择时间门控卷积神经网络模型，用于将每组道路节点交通流样本的高维特征通过对局部时间相关性进行建模得到每组道路节点交通流样本的局部时间相关性，并输出至所述时间注意力融合模块；

所述时间注意力机制模块，选择时间注意力机制，用于将每组道路节点交通流样本的高维特征通过对全局时间相关性进行建模得到每组道路节点交通流样本的全局时间相关性，并输出至所述时间注意力融合模块；

所述时间注意力融合模块，选择注意力机制，将每组道路节点交通流样本的局部时间相关性、每组道路节点交通流样本的全局时间相关性进行融合得到每组道路节点交通流样本的编码时间特征，输出至所述编码器空间块；

所述编码器空间块由空间门控卷积模块、超图卷积模块、空间注意力融合模块组成；

所述的空间门控卷积模块、超图卷积模块并联连接，进一步与所述空间注意力融合模块级联；

所述空间门控卷积模块，选择空间门控卷积神经网络模型，用于将每组道路节点交通流样本的编码时间特征通过对成对空间相关性进行建模得到每组道路节点交通流样本的成对空间相关性，并输出至所述空间注意力融合模块；

所述超图卷积模块，选择超图卷积神经网络模型，用于将每组道路节点交通流样本的编码时间特征通过对高阶空间相关性进行建模得到每组道路节点交通流样本的高阶空间相关性，并输出至所述空间注意力融合模块；

所述超图卷积神经网络模型由顶点卷积模块、超边卷积模块级联组成；

所述顶点卷积模块，选择多头注意力机制，将交通超图的超边集合中每条超边所连接的每个节点的信息聚合到该条超边，具体如下：

构建交通超图的超边集合中每条超边所包含的节点集合：

若交通超图的超边集合中第m条超边包含地理交通图的节点集合中k_m个节点，m∈[1，M]，M表示交通超图的超边集合中超边的数量，则交通超图的超边集合中第m条超边包含的节点集合为：

其中，

表示交通超图的超边集合中第m条超边包含的节点集合中第k个节点，即地理交通图的节点集合中第l_k个节点；

通过多头注意力机制计算得到第h个注意力头的顶点卷积的变换矩阵，具体如下：

其中，

表示km行km列的二维矩阵；

其中，h表示头索引，H表示注意力头的数量，D是每层神经网络的输出通道的数量，

表示第h个注意力头的变换矩阵的第i行第j列，代表了交通超图的超边集合中第m条超边包含的节点集合中第i个节点与交通超图的超边集合中第m条超边包含的节点集合中第j个节点之间的相似性，

表示第h个注意力头中用以获取查询的训练参数，

表示第h个注意力头中用以获取键的训练参数，

表示交通超图的超边集合中第m条超边包含的节点集合中第i个节点的特征，

交通超图的超边集合中第m条超边包含的节点集合中第j个节点的特征。

用softmax函数归一化

归一化后的

具体如下：

其中，

表示交通超图的超边集合中第m条超边包含的节点集合中第i个节点与交通超图的超边集合中第m条超边包含的节点集合中的第k个节点之间的相似性，k_m表示交通超图的超边集合中第m条超边包含k_m个节点；

第h注意力头的顶点卷积的归一化后变换矩阵，具体如下：

其中，

表示km行km列的二维矩阵，

的第i行第j列为

将

作为权重矩阵以计算交通超图的超边集合中第m条超边包含的所有节点特征的加权和，从而得到交通超图的超边集合中第m条超边的特征，具体为：

X_m ^*＝reshape(X_m)，m∈[1，k_m]，

其中，reshape(*)表示重组形状，conv₁(*)表示卷积操作，

是顶点卷积的输入，即通过时间注意力融合模块得到的每组道路节点交通流样本的编码时间特征，表示交通超图的超边集合中第m条超边包含的k_m个节点的特征，

表示三维向量，维度分别为k_m、T_h、D，T_□表示每组道路节点交通流样本的长度，D是每层神经网络的输出通道的数量，通过对X_m进行重组得到二维向量

维度分别为k_m、(T_h*D)，

是交通超图的超边集合中第m条超边的特征，||表示将H个注意力头拼接起来，

表示第h个注意力头中用以获取值的训练参数；

所述超边卷积模块，选择多头注意力机制将交通超图中的超边集合的超边的特征聚合到质心，具体如下：

构建连接地理交通图的节点集合中每个节点的超边集合：

对于地理交通图的节点集合中每个节点，构建连接该节点的超边集合：如果交通超图的超边集合中的k_i条超边连接地理交通图的节点集合中第i个节点v_i，i∈[1，N]，N表示地理交通图的节点集合中节点的数量，则连接地理交通图的节点集合中第i个节点v_i的超边集合为：

其中，节点v_i称为ξ_i的质心，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第k条超边，即交通超图的超边集合中第l_k条超边；

通过多头注意力机制计算得到第h个注意力头的超边卷积的变换矩阵，具体如下：

其中，

表示k_i行k_i列的二维矩阵；

其中，h表示头索引，H表示注意力头的数量，D是每层神经网络的输出通道的数量，

表示第h个注意力头的变换矩阵的第i行第j列，代表了连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边与连接地理交通图的节点集合中第i个节点的超边集合中的第j条超边之间的相似性，

表示第h个注意力头中用以获取查询的训练参数，

表示第h个注意力头中用以获取键的训练参数，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边的特征，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第j条超边的特征。

然后用softmax函数归一化

归一化后的

具体如下：

其中，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边与连接地理交通图的节点集合中第i个节点的超边集合中的第k条超边之间的相似性；k_i表示交通超图的超边集合中的k_i条超边连接地理交通图的节点集合中第i个节点；

第h注意力头的超边卷积的归一化后变换矩阵，具体如下：

其中，

表示k_i行k_i列的二维矩阵，

的第i行第j列为

将

作为权重矩阵以计算连接地理交通图的节点集合中第i个节点的交通超图的超边集合中的k_i条超边的加权和，从而得到地理交通图的节点集合中第i个节点的特征表示，具体为：

H_i ^*＝reshape(H_i)，i∈[1，k_i]，

其中，reshape(*)表示重组形状，conv₂(*)表示卷积操作，

表示连接地理交通图的节点集合中第i个节点的交通超图的超边集合中的k_i条超边的特征，

表示三维向量，维度分别为k_i、T_h、D，T_□表示每组道路节点交通流样本的长度，D是每层神经网络的输出通道的数量，通过对H_i进行重组得到二维向量

，维度分别为k_i、(T_h*D)，HC_vi是地理交通图的节点集合中第i个节点v_i的特征，||表示将H个注意力头拼接起来，

表示第h个注意力头中用以获取值的训练参数；

所述空间注意力融合模块，选择注意力机制，将每组道路节点交通流样本的成对空间相关性、每组道路节点交通流样本的高阶空间相关性进行融合得到每组道路节点交通流样本的编码空间特征，输出至所述解码器时间块；

所述时空感知的通道注意力机制由时空卷积神经网络、全局平均池化、带有Relu激活函数的卷积神经网络、带有Sigmoid激活函数的卷积神经网络组成；

所述的时空卷积神经网络、全局平均池化、带有Relu激活函数的卷积神经网络、带有Sigmoid激活函数的卷积神经网络依次级联；

所述时空卷积神经网络，采用带有时空核的时空卷积神经网络通过对时间相关性和空间相关性同时地建模得到每组道路节点交通流的时空特征

，并输出至全局平均池化，其中

表示三维向量，维度分别N、T_f、D，N为地理交通图的节点集合的节点数量，T_f表示每组道路节点交通流样本的预测时间步长，D是每层神经网络的输出通道的数量，通过对每组道路节点交通流的时空特征X_st进行重组得到每组道路节点交通流变换的时空特征

，其中

表示二维向量，维度分别(N*T_f)、D；

所述全局平均池化，选择全局平均池化，将每组道路节点交通流的时空特征X_st通过全局平均池化得到每组道路节点交通流的通道特征X_p∈R^1×1×D，并输出至带有Relu激活函数的卷积神经网络，其中R^1×1×D表示三维向量，维度分别1、1、D，D是每层神经网络的输出通道的数量；

所述带有Relu激活函数的卷积神经网络，选择卷积神经网络和Relu激活函数通过改变每组道路节点交通流的通道特征X_p∈R^1×1×D的通道维度得到

，并输出至带有Sigmoid激活函数的卷积神经网络，其中

表示三维向量，维度分别1、1、

，D是每层神经网络的输出通道的数量；

所述带有Sigmoid激活函数的卷积神经网络，选择卷积神经网络和Sigmoid激活函数通过改变

的通道维度得到X_p2∈R^1×1×D，其中R^1×1×D表示三维向量，维度分别1、1、D，D是每层神经网络的输出通道的数量，通过对X_p2进行重组得到通道注意力矩阵X_p2 ^*∈R^{D ×1}，R^D×1表示二维向量，维度分别D、1；

将每组道路节点交通流变换的时空特征

和通道注意力矩阵X_p2 ^*相乘得到结果

，其中

表示二维向量，维度分别(N*T_f)、D，N为地理交通图的节点集合的节点数量，T_f表示每组道路节点交通流样本的预测时间步长，D是每层神经网络的输出通道的数量，通过对X_O的进行重组得到每组道路节点交通流样本的预测交通流数据

步骤4所述的损失函数模型，定义如下：

其中，S表示道路节点交通流样本的数量，T_f表示每组道路节点交通流样本的预测时间步长，N为地理交通图的节点集合的节点数量，

表示第p组第i个道路节点交通流样本中第k个真实交通流数据，即第(p-1)+T_h+k个预测时间步每个道路节点的真实交通流数据，

表示第p组第i个道路节点交通流样本中第k个预测的交通流数据。

步骤5：中心服务器通过所述多个交通流传感器实时采集多个时刻的各道路节点交通流，将实时采集的多个时刻的各道路节点交通流通过优化后时空门控超图卷积网络交通预测模型预测，得到未来多个时刻的各道路节点交通流。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

尽管本文较多地使用了中心服务器、交通流传感器等术语，但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质，把它们解释成任何一种附加的限制都是与本发明精神相违背的。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (10)

1.一种基于时空门控超图卷积网络的交通预测系统，其特征在于，包括：

中心服务器、多个交通流传感器；

将多个交通流传感器依次部署于城市中多个道路节点；

所述中心服务器与所述多个交通流传感器依次无线连接；

所述交通流传感器用于采集多个时刻的道路节点的交通流，并无线传输至所述中心服务器；

所述中心服务器用于构建交通超图；将多个历史时刻各道路节点交通流通过滑动窗口划分方法得到多组各道路节点交通流样本和真实交通流；结合交通超图构建时空门控超图卷积网络交通预测模型，结合多组各道路节点交通流样本和真实交通流优化训练得到优化后时空门控超图卷积网络交通预测模型；中心服务器将多个时刻的道路节点的交通流通过优化后时空门控超图卷积网络交通预测模型预测，得到未来多个时刻的道路节点的交通流。

2.一种利用权利要求1所述的基于时空门控超图卷积网络的交通预测系统进行基于时空门控超图卷积网络的交通预测方法，其特征在于，包括以下步骤：

步骤1：根据道路节点之间的连通性构建地理交通图；

步骤2：构建交通超图以建模多个节点之间的高阶空间相关性；

步骤3：将多个历史时间步每个道路节点的交通流数据通过滑动窗口划分方法，得到多组道路节点交通流样本，并构建每组道路节点交通流样本的真实交通流数据；

步骤4：结合地理交通图和交通超图构建时空门控超图卷积网络交通预测模型，将每组道路节点交通流样本依次输入至时空门控超图卷积网络交通预测模型进行预测，得到每组道路节点交通流样本的预测交通流数据，结合每组道路节点交通流样本的真实交通流数据构建时空门控超图卷积网络损失函数模型，通过Adam算法优化训练得到优化后时空门控超图卷积网络交通预测模型；

步骤5：中心服务器通过所述多个交通流传感器实时采集多个时刻的各道路节点交通流，将实时采集的多个时刻的各道路节点交通流通过优化后时空门控超图卷积网络交通预测模型预测，得到未来多个时刻的各道路节点交通流。

3.根据权利要求2所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：

步骤1所述根据道路节点之间的连通性构建地理交通图，具体如下：

将每个交通流传感器定义为地理交通图中每个节点；

将城市中道路节点之间的连通性定义为地理交通图中任意两个节点之间的邻接关系；

所述地理交通图表示为：

G＝(V,A)，

V＝{v₁,v₂,…,v_N}；

其中，G表示地理交通图，V表示地理交通图的节点集合，N为地理交通图的节点集合的节点数量，v_i表示地理交通图的节点集合中第i个节点，A表示邻接矩阵，A∈R^N×N，R^N×N表示N行N列的二维矩阵，若节点v_i与v_j相连通，则A[i,j]＝1，若节点v_i与v_j之间不连通，则A[i,j]＝0。

4.根据权利要求3所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：

步骤2所述交通超图表示为：

G_h＝(V,ξ)，

V＝{v₁,v₂,…,v_N}，

ξ＝{e₁,e₂,…,e_M}；

其中，G_h表示交通超图，V表示地理交通图的节点集合，v_i表示地理交通图的节点集合中第i个节点，ξ表示交通超图的超边集合，e_j表示交通超图的超边集合中第j条超边，M表示交通超图的超边集合的超边数量，N为地理交通图的节点集合的节点数量；

所述交通超图的超边集合，具体构建过程如下：

结合地理交通图的邻接矩阵根据KNN算法构建结构超边集合，所述结构超边集合中的每条结构超边反映地理交通图的节点集合中多个节点之间的结构连通性；

结合地理交通图的节点集合中每个节点的交通流根据K-mean算法构建语义超边集合，所述语义超边集合中的每条语义超边反映地理交通图的节点集合中多个节点之间的上下文语义相似性；

根据结构超边集合、语义超边集合构建交通超图的超边集合；

所述交通超图的超边集合由结构超边和语义超边构成。

5.根据权利要求1所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：

步骤3所述多组道路节点交通流样本，具体如下：

χ_t＝(X_t,1,X_t,2,...,X_t,N)，t∈[1,T]

其中，InData_p表示第p组道路节点交通流样本，S表示道路节点交通流样本的数量，χ_(p-1)+k表示第p组道路节点交通流样本中第k个交通流数据，即第(p-1)+k个历史时间步每个道路节点的交通流数据，k∈[1,T_h]，T_h表示每组道路节点交通流样本的长度，χ_t表示第t个历史时间步每个道路节点的交通流数据，T表示历史时间步的数量，X_t,i表示第t个历史时间步第i个道路节点的交通流数据，i∈[1,N]，N表示地理交通图的节点集合的节点数量；

步骤3所述构建每组道路节点交通流样本的真实车流数据，具体如下：

第p组道路节点交通流样本的真实交通流数据为：

其中，T_f表示每组道路节点交通流样本的预测时间步长，OutData_p表示第p组道路节点交通流样本的真实交通流数据。

6.根据权利要求1所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：

步骤4所构建时空门控超图卷积网络交通预测模型，具体过程如下：

所述时空门控超图卷积网络交通预测模型包括：卷积神经网络、编码器时间块、编码器空间块、解码器时间块、解码器空间块、时空感知的通道注意力机制；

所述的卷积神经网络、编码器时间块、编码器空间块、解码器时间块、解码器空间块、时空感知的通道注意力机制依次级联；

所述卷积神经网络，用于将每组道路节点交通流样本通过卷积神经网络得到每组道路节点交通流样本的高维特征，并输出至所述编码器时间块；

所述编码器时间块，用于将每组道路节点交通流样本的高维特征通过对时间相关性进行建模得到每组道路节点交通流样本的编码时间特征，输出至所述编码器空间块；

所述编码器空间块，用于将每组道路节点交通流样本的编码时间特征通过对空间相关性进行建模得到每组道路节点交通流样本的编码空间特征，输出至所述解码器时间块；

所述解码器时间块，用于将每组道路节点交通流样本的编码空间特征通过对时间相关性进行建模得到每组道路节点交通流样本的解码时间特征，输出至所述解码器空间块；

所述解码器空间块，用于将每组道路节点交通流样本的解码时间特征通过对空间相关性进行建模得到每组道路节点交通流样本的解码空间特征，输出至所述时空感知的通道注意力机制；

所述时空感知的通道注意力机制，用于将每组道路节点交通流样本的解码空间特征通过时空感知的通道注意力机制挖掘时空相关性和通道特征相关性，并将解码空间特征映射到输出以得到每组道路节点交通流样本的预测交通流数据；

所述编码器时间块与所述解码器时间块的结构、功能均相同；

所述编码器空间块与所述解码器空间块的结构、功能均相同。

7.根据权利要求6所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：

所述编码器时间块由时间门控卷积模块、时间注意力机制模块、时间注意力融合模块组成；

所述的时间门控卷积模块、时间注意力机制模块并联连接，进一步与所述时间注意力融合模块级联；

所述时间门控卷积模块，选择时间门控卷积神经网络模型，用于将每组道路节点交通流样本的高维特征通过对局部时间相关性进行建模得到每组道路节点交通流样本的局部时间相关性，并输出至所述时间注意力融合模块；

所述时间注意力机制模块，选择时间注意力机制，用于将每组道路节点交通流样本的高维特征通过对全局时间相关性进行建模得到每组道路节点交通流样本的全局时间相关性，并输出至所述时间注意力融合模块；

所述时间注意力融合模块，选择注意力机制，将每组道路节点交通流样本的局部时间相关性、每组道路节点交通流样本的全局时间相关性进行融合得到每组道路节点交通流样本的编码时间特征，输出至所述编码器空间块；

所述编码器空间块由空间门控卷积模块、超图卷积模块、空间注意力融合模块组成；

所述的空间门控卷积模块、超图卷积模块并联连接，进一步与所述空间注意力融合模块级联；

所述空间门控卷积模块，选择空间门控卷积神经网络模型，用于将每组道路节点交通流样本的编码时间特征通过对成对空间相关性进行建模得到每组道路节点交通流样本的成对空间相关性，并输出至所述空间注意力融合模块；

所述空间注意力融合模块，选择注意力机制，将每组道路节点交通流样本的成对空间相关性、每组道路节点交通流样本的高阶空间相关性进行融合得到每组道路节点交通流样本的编码空间特征，输出至所述解码器时间块。

8.根据权利要求6所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：

所述超图卷积模块，选择超图卷积神经网络模型，用于将每组道路节点交通流样本的编码时间特征通过对高阶空间相关性进行建模得到每组道路节点交通流样本的高阶空间相关性，并输出至所述空间注意力融合模块；

所述超图卷积神经网络模型由顶点卷积模块、超边卷积模块级联组成；

所述顶点卷积模块，选择多头注意力机制，将交通超图的超边集合中每条超边所连接的每个节点的信息聚合到该条超边，具体如下：

构建交通超图的超边集合中每条超边所包含的节点集合：

若交通超图的超边集合中第m条超边包含地理交通图的节点集合中k_m个节点，m∈[1,M]，M表示交通超图的超边集合中超边的数量，则交通超图的超边集合中第m条超边包含的节点集合为：

其中，

表示交通超图的超边集合中第m条超边包含的节点集合中第k个节点，即地理交通图的节点集合中第l_k个节点；

通过多头注意力机制计算得到第h个注意力头的顶点卷积的变换矩阵，具体如下：

其中，

表示k_m行k_m列的二维矩阵；

其中，h表示头索引，H表示注意力头的数量，D是每层神经网络的输出通道的数量，

表示第h个注意力头的变换矩阵的第i行第j列，代表了交通超图的超边集合中第m条超边包含的节点集合中第i个节点与交通超图的超边集合中第m条超边包含的节点集合中第j个节点之间的相似性，

表示第h个注意力头中用以获取查询的训练参数，

表示第h个注意力头中用以获取键的训练参数，

表示交通超图的超边集合中第m条超边包含的节点集合中第i个节点的特征，

交通超图的超边集合中第m条超边包含的节点集合中第j个节点的特征；

用softmax函数归一化

归一化后的

具体如下：

其中，

表示交通超图的超边集合中第m条超边包含的节点集合中第i个节点与交通超图的超边集合中第m条超边包含的节点集合中的第k个节点之间的相似性，k_m表示交通超图的超边集合中第m条超边包含k_m个节点；

第h注意力头的顶点卷积的归一化后变换矩阵，具体如下：

其中，

表示k_m行k_m列的二维矩阵，

的第i行第j列为

将

作为权重矩阵以计算交通超图的超边集合中第m条超边包含的所有节点特征的加权和，从而得到交通超图的超边集合中第m条超边的特征，具体为：

X_m ^*＝reshape(X_m),m∈[1,k_m],

其中，reshape(*)表示重组形状，conv₁(*)表示卷积操作，

是顶点卷积的输入，即通过时间注意力融合模块得到的每组道路节点交通流样本的编码时间特征，表示交通超图的超边集合中第m条超边包含的k_m个节点的特征，

表示三维向量，维度分别为k_m、T_h、D，

表示每组道路节点交通流样本的长度，D是每层神经网络的输出通道的数量，通过对X_m进行重组得到二维向量

维度分别为k_m、(T_h*D)，

是交通超图的超边集合中第m条超边的特征，||表示将H个注意力头拼接起来，

表示第h个注意力头中用以获取值的训练参数；

所述超边卷积模块，选择多头注意力机制将交通超图中的超边集合的超边的特征聚合到质心，具体如下：

构建连接地理交通图的节点集合中每个节点的超边集合：

对于地理交通图的节点集合中每个节点，构建连接该节点的超边集合：如果交通超图的超边集合中的k_i条超边连接地理交通图的节点集合中第i个节点v_i，i∈[1,N]，N表示地理交通图的节点集合中节点的数量，则连接地理交通图的节点集合中第i个节点v_i的超边集合为：

其中，节点v_i称为ξ_i的质心，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第k条超边，即交通超图的超边集合中第l_k条超边；

通过多头注意力机制计算得到第h个注意力头的超边卷积的变换矩阵，具体如下：

其中，

表示k_i行k_i列的二维矩阵；

其中，h表示头索引，H表示注意力头的数量，D是每层神经网络的输出通道的数量，

表示第h个注意力头的变换矩阵的第i行第j列，代表了连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边与连接地理交通图的节点集合中第i个节点的超边集合中的第j条超边之间的相似性，

表示第h个注意力头中用以获取查询的训练参数，

表示第h个注意力头中用以获取键的训练参数，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边的特征，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第j条超边的特征；

用softmax函数归一化

归一化后的

具体如下：

其中，

表示连接地理交通图的节点集合中第i个节点的超边集合中的第i条超边与连接地理交通图的节点集合中第i个节点的超边集合中的第k条超边之间的相似性；k_i表示交通超图的超边集合中的k_i条超边连接地理交通图的节点集合中第i个节点；

第h注意力头的超边卷积的归一化后变换矩阵，具体如下：

其中，

表示k_i行k_i列的二维矩阵，

的第i行第j列为

将

作为权重矩阵以计算连接地理交通图的节点集合中第i个节点的交通超图的超边集合中的k_i条超边的加权和，从而得到地理交通图的节点集合中第i个节点的特征表示，具体为：

H_i ^*＝reshape(H_i),i∈[1,k_i],

其中，reshape(*)表示重组形状，conv₂(*)表示卷积操作，

表示连接地理交通图的节点集合中第i个节点的交通超图的超边集合中的k_i条超边的特征，

表示三维向量，维度分别为k_i、T_h、D，T_h表示每组道路节点交通流样本的长度，D是每层神经网络的输出通道的数量，通过对H_i进行重组得到二维向量

维度分别为k_i、(T_h*D)，

是地理交通图的节点集合中第i个节点v_i的特征表示，||表示将H个注意力头拼接起来，

表示第h个注意力头中用以获取值的训练参数。

9.根据权利要求6所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：

所述时空感知的通道注意力机制由时空卷积神经网络、全局平均池化、带有Relu激活函数的卷积神经网络、带有Sigmoid激活函数的卷积神经网络组成；

所述的时空卷积神经网络、全局平均池化、带有Relu激活函数的卷积神经网络、带有Sigmoid激活函数的卷积神经网络依次级联；

所述时空卷积神经网络，采用带有时空核的时空卷积神经网络通过对时间相关性和空间相关性同时地建模得到每组道路节点交通流的时空特征

并输出至全局平均池化，其中

表示三维向量，维度分别N、T_f、D，N为地理交通图的节点集合的节点数量，T_f表示每组道路节点交通流样本的预测时间步长，D是每层神经网络的输出通道的数量，通过对每组道路节点交通流的时空特征X_st进行重组得到每组道路节点交通流变换的时空特征

其中

表示二维向量，维度分别(N*T_f)、D；

所述全局平均池化，选择全局平均池化，将每组道路节点交通流的时空特征X_st通过全局平均池化得到每组道路节点交通流的通道特征X_p∈R^1×1×D，并输出至带有Relu激活函数的卷积神经网络，其中R^1×1×D表示三维向量，维度分别1、1、D，D是每层神经网络的输出通道的数量；

所述带有Relu激活函数的卷积神经网络，选择卷积神经网络和Relu激活函数通过改变每组道路节点交通流的通道特征X_p∈R^1×1×D的通道维度得到

并输出至带有Sigmoid激活函数的卷积神经网络，其中

表示三维向量，维度分别1、1、

D是每层神经网络的输出通道的数量；

所述带有Sigmoid激活函数的卷积神经网络，选择卷积神经网络和Sigmoid激活函数通过改变

的通道维度得到X_p2∈R^1×1×D，其中R^1×1×D表示三维向量，维度分别1、1、D，D是每层神经网络的输出通道的数量，通过对X_p2进行重组得到通道注意力矩阵X_p2 ^*∈R^D×1，R^{D ×1}表示二维向量，维度分别D、1；

将每组道路节点交通流变换的时空特征

和通道注意力矩阵X_p2 ^*相乘得到结果

其中

表示二维向量，维度分别(N*T_f)、D，N为地理交通图的节点集合的节点数量，T_f表示每组道路节点交通流样本的预测时间步长，D是每层神经网络的输出通道的数量，通过对X_O的进行重组得到每组道路节点交通流样本的预测交通流数据

10.根据权利要求6所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：

步骤4所述的损失函数模型，定义如下：

其中，S表示道路节点交通流样本的数量，T_f表示每组道路节点交通流样本的预测时间步长，N为地理交通图的节点集合的节点数量，

表示第p组第i个道路节点交通流样本中第k个真实交通流数据，即第(p-1)+T_h+k个预测时间步每个道路节点的真实交通流数据,

表示第p组第i个道路节点交通流样本中第k个预测的交通流数据。

Images