CN116071932B - 交通流量预测方法、系统、存储介质及终端设备 - Google Patents

交通流量预测方法、系统、存储介质及终端设备 Download PDF

Info

Publication number
CN116071932B
CN116071932B CN202310219860.3A CN202310219860A CN116071932B CN 116071932 B CN116071932 B CN 116071932B CN 202310219860 A CN202310219860 A CN 202310219860A CN 116071932 B CN116071932 B CN 116071932B
Authority
CN
China
Prior art keywords
periodic
data
space
time
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310219860.3A
Other languages
English (en)
Other versions
CN116071932A (zh
Inventor
黄晓辉
蓝缘春
蒋超杰
许嘉杨
祝显红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202310219860.3A priority Critical patent/CN116071932B/zh
Publication of CN116071932A publication Critical patent/CN116071932A/zh
Application granted granted Critical
Publication of CN116071932B publication Critical patent/CN116071932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及交通流量预测技术领域，具体是一种交通流量预测方法、系统、存储介质及终端设备，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵；利用局部时空注意力提取不同周期的流量周期性特征；使用权重分配注意力对周期性数据分配不同的权重，实现数据不同周期的侧重；利用全局注意力网络，将提取的周期性特征再进行提取全局特征，获得最终预测值。本发明有效地捕捉了数据在不同周期的流量特征，并对不同周期的交通流量特征进行融合和分配权重，通过全局时空注意力提取全局的时空特征，通过模型结合了周期权重特征和全局时空特征，从而实现捕捉交通流量的周期性、空间依赖性和时间依赖性。

Description

交通流量预测方法、系统、存储介质及终端设备
技术领域
本发明涉及交通流量预测技术领域，尤其是涉及一种交通流量预测方法、系统、存储介质及终端设备。
背景技术
准确的交通预测对于提高智能交通系统的安全性、稳定性和效率至关重要。虽然目前提出了许多时空分析方法，准确的交通预测仍然面临着挑战。在时间和空间维度上建模交通数据的动态，捕捉交通数据的周期性和空间异质性，这一问题导致难以进行长期预测。
目前，许多城市都在努力提高智能交通系统（ITS）的性能。交通流量预测已成为智慧城市发展中交通规划、控制和状态评估不可或缺的一部分。交通预测是利用观测到的历史交通数据对城市交通数据进行预测，准确的交通预测有助于减少道路拥堵，促进城市交通路网管理，甚至提高交通效率。交通数据是一种时间序列数据，由部署的道路传感器按固定的时间间隔连续记录。尽管近年来，人们在交通流量预测这一领域做了大量的研究来提高预测性能，但它仍然面临着一些挑战。交通数据是具有复杂时间相关性和动态空间相关性的时空数据。同时交通数据作为一种时间序列数据，具有特定的周期性和趋势，如早晚高峰，工作日和休息日。有效地捕捉周期性和趋势需要能够准确捕捉时间和空间的长期依赖关系的模型，复杂的空间和时间依赖性是城市交通预测任务中的主要挑战。
现有的交通流量预测方法存在如下局限性：
（1）传统交通流量预测中，通常只对历史交通流量数据作为整体输入到模型中学习特征，然而单一的数据特征无法捕捉到不同周期对应的流量特征。
（2）没有对周期性数据使用注意力分配权重，会对预测产生一定的误差。
（3）传统的交通流量预测算法中，往往采用时间卷积提取交通流量数据的时间依赖特征，预测精度不够。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出了一种基于局部全局时空注意力网络的交通流量预测方法、系统、存储介质及终端设备。
根据本发明第一方面实施例的交通流量预测方法，其中包括：
处理周期性数据，基于不同周期选择不同的流量数据作为输入，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵，其中所述周期性数据为：
Figure SMS_1
，
其中，
Figure SMS_2
表示原始输入，/>
Figure SMS_3
代表站点数，/>
Figure SMS_4
代表特征数，/>
Figure SMS_5
表示用历史时间步的长度，将原始输入处理为周期性数据：小时数据、天数据、周数据，
其中，
Figure SMS_6
为时间步的长度，/>
Figure SMS_7
为处理之后的周期性小时数据的时间间隔周期，/>
Figure SMS_8
为处理之后的周期性天数据的时间间隔周期，/>
Figure SMS_9
为处理之后的周期性周数据的时间间隔周期；
对不同周期数据进行时空特征的提取，将处理好的周期性数据分别送入周期性空间注意力模块来提取不同周期模式的周期性流量特征；
交通流量的空间依赖特征的权重分配及融合，利用周期空间注意力单元提取到不同周期模式的周期性流量特征后，将不同周期模式的周期性流量特征送入权重注意力模块，实现交通流量的空间依赖的权重分配及融合；
获得未来流量的预测结果，利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果。
根据本发明的交通流量预测方法，所述方法利用周期注意力机制从历史交通流量特征中提取有用的信息，表示为
Figure SMS_10
，
其中
Figure SMS_13
为历史交通流量数据，/>
Figure SMS_15
为需要预测的/>
Figure SMS_17
个时间段的交通流量，/>
Figure SMS_12
表示预测的流量信息，其中/>
Figure SMS_14
表示预测的时间步，/>
Figure SMS_16
代表节点数，/>
Figure SMS_18
表示带输入的模型，/>
Figure SMS_11
表示空间注意力模块的节点嵌入。
根据本发明的交通流量预测方法中，所述对不同周期数据进行时空特征的提取中，所述时空特征包括小时周期性时空特征提取、天周期性时空特征提取、周时空性特征提取；基于周期性交通数据获取不同周期的时空依赖，基于模型学习到的时空依赖特征通过反向传播自适应的更新节点嵌入矩阵。
根据本发明的交通流量预测方法中，所述对不同周期数据进行时空特征的提取过程中包括：对时间交通依赖和空间交通依赖进行特征提取。
根据本发明的交通流量预测方法中，所述交通流量的空间依赖特征的权重分配及融合过程中采用如下公式进行融合：
Figure SMS_19
，
其中：
Figure SMS_21
为分配权重后的周期性特征输出，/>
Figure SMS_25
表示连接操作，/>
Figure SMS_27
，/>
Figure SMS_22
，/>
Figure SMS_24
为可学习的权重参数，随着神经网络的训练而更新，从而动态的学习数据的不同权重。/>
Figure SMS_26
，/>
Figure SMS_28
，
Figure SMS_20
分别表示的是数据的小时、日和周时空特征，/>
Figure SMS_23
为节点空间特征。
根据本发明的交通流量预测方法中，所述利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果的过程中还包括，采用的损失函数为均方根误差，公式如下：
Figure SMS_29
，
其中：
Figure SMS_30
代表预测值，/>
Figure SMS_31
代表真值，/>
Figure SMS_32
代表预测的时间步数。
根据本发明第二方面实施例的交通流量预测系统，包括：输入模块、周期性空间注意力模块、处理模块和获取模块；所述输入模块用于处理周期性数据，基于不同周期选择不同的流量数据作为输入，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵，所述周期性数据为：
Figure SMS_33
，
其中，
Figure SMS_35
表示原始输入，/>
Figure SMS_37
代表站点数，/>
Figure SMS_39
代表特征数，/>
Figure SMS_36
表示用历史时间步的长度，将原始输入处理为周期性数据：小时数据、天数据、周数据，其中，/>
Figure SMS_38
为时间步长，/>
Figure SMS_40
为处理之后的周期性小时数据的时间间隔周期，/>
Figure SMS_41
为处理之后的周期性天数据的时间间隔周期，/>
Figure SMS_34
为处理之后的周期性周数据的时间间隔周期；所述周期性空间注意力模块用于对不同周期数据进行时空特征的提取，将处理好的周期性数据分别送入周期性空间注意力模块来提取不同周期模式的周期性流量特征；所述处理模块用于交通流量的空间依赖特征的权重分配及融合，利用周期空间注意力单元提取到不同周期模式的周期性流量特征后，将不同周期模式的周期性流量特征送入权重注意力模块，实现交通流量的空间依赖的权重分配及融合；所述获取模块用于获得未来流量的预测结果，利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果。
根据本发明第三方面实施例的一种存储介质，所述存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述的交通流量预测方法。
本发明提供一种终端，包括：处理器及存储器；所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的交通流量预测方法。
本发明提出的交通流量预测方法、系统、存储介质及终端设备，具备如下有益效果：通过对历史交通流量信息进行进一步划分和提取，划分为不同周期性数据：小时数据、天数据、周数据，可以表示出不同周期的流量特征，并且使用局部周期时空注意力模块提取不同周期的特征，基于此使用权重注意力将提取出来的周空间特征和日空间特征分别分配一定的权重，使得整个模型对交通数据的周期性有一定的偏重，对周期性的提取更加有利。更加好的拟合真实数据。本发明提出残差通道注意力从历史流量数据中筛选出有用的信息来更新未来时刻的流量，大大提高了预测的精度。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的交通流量预测方法的流程图；
图2为本发明实施例的空间注意力模块构造示意图；
图3为本发明实施例的交通流量预测方法的模型示意图；
图4为本发明实施例的交通流量预测系统的结构示意图；
图5为本发明实施例的交通流量预测终端设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，参考附图描述的实施例是示例性的，应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元，或者可选地，还包括没有列出的步骤或单元，或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单元。
附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作（或步骤）描述成顺序的处理，但是其中的许多操作可以并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在本说明书中使用的术语“部件”、“模块”、“系统”、“单元”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件或执行中的软件。例如，单元可以是但不限于在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或分布在两个或多个计算机之间。此外，这些单元可从在上面存储有各种数据结构的各种计算机可读介质执行。单元可例如根据具有一个或多个数据分组（例如来自与本地系统、分布式系统和/或网络间的另一单元交互的第二单元数据。例如，通过信号与其它系统交互的互联网）的信号通过本地和/或远程进程来通信。
实施例1
如图1所示，本实施例提供一种基于局部全局时空注意力网络的交通流量预测方法，包括如下步骤：
步骤S100：处理周期性数据，基于不同周期选择不同的流量数据作为输入，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵。具体实施过程如下：将原始交通站点流量数据按照间隔一小时、间隔一天、间隔一周，分别将数据划分为小时数据、天数据、周数据，划分周期性数据过程为：
Figure SMS_42
（1），
其中，
Figure SMS_45
表示原始输入，/>
Figure SMS_47
代表站点数，/>
Figure SMS_49
代表特征数，/>
Figure SMS_44
表示用历史时间步的长度，将原始输入处理为周期性数据：小时数据、天数据、周数据，其中/>
Figure SMS_46
为时间步的长度，/>
Figure SMS_48
为处理之后的周期性小时数据的时间间隔周期，/>
Figure SMS_50
为处理之后的周期性天数据的时间间隔周期，/>
Figure SMS_43
为处理之后的周期性周数据的时间间隔周期；
步骤S200：对不同周期数据进行时空特征的提取，将处理好的周期性数据分别送入周期性空间注意力模块来提取不同周期模式的周期性流量特征。具体实施过程如下：随机初始化三种不同周期的节点嵌入，本实施例采用自注意网络对图结构数据进行特征提取，并且自适应的训练周期节点嵌入矩阵。将输入的周期性数据经过GAT模块的提取后输出，GAT模块如图2所示。注意的关键思想是动态地为不同的节点分配不同的权重，为了使模型可以更好的学习隐藏交通状态，本发明将自适应节点嵌入矩阵与隐藏状态连接起来，并采用缩放点积方法来计算注意力。注意力分数计算方法如下：
Figure SMS_51
（2），
在公式中，
Figure SMS_53
代表最后一小时的注意力分数，/>
Figure SMS_55
是查询参数，/>
Figure SMS_58
为最后一小时的输入，/>
Figure SMS_54
代表连接操作，/>
Figure SMS_57
代表节点/>
Figure SMS_60
的小时节点嵌入矩阵，/>
Figure SMS_62
表示内积运算。/>
Figure SMS_52
是键值参数，/>
Figure SMS_56
代表节点/>
Figure SMS_59
的小时节点嵌入矩阵，/>
Figure SMS_61
是键和值的维度。
得到注意力分数后，本发明从网络中所有其他节点的信息中计算一个加权和，通过矩阵相乘更新隐藏状态得到输出
Figure SMS_63
，公式如下：
Figure SMS_64
（3），
其中：
Figure SMS_65
为局部小时注意力模块提取出的特征，/>
Figure SMS_66
为注意力分数，/>
Figure SMS_67
为周期性小时输入数据。
步骤S300：交通流量的空间依赖特征的权重分配及融合，利用周期空间注意力单元提取到不同周期模式的周期性流量特征后，将不同周期模式的周期性流量特征送入权重注意力模块，实现交通流量的空间依赖的权重分配及融合。如图3所示；具体实施过程如下：通过局部周期空间注意力提取到的周期性特征自适应的分配不同的权重值，且将分配权重后的空间特征进行融合。权重注意力定义为：
提取的三个周期性数据为了确定是小时数据、天数据和周数据的重要性，采用权重注意力对三个特征自适应的加入三个权重数，使得模型在训练时对周期性数据有一定的偏重。经过局部权重注意力提取出的特征，然后将全局节点嵌入矩阵与权重周期性特征融合得到局部空间特征
Figure SMS_68
，公式如下：
Figure SMS_69
（4），
其中
Figure SMS_71
为分配权重后的周期性特征输出，/>
Figure SMS_74
表示连接操作，/>
Figure SMS_76
，/>
Figure SMS_72
，/>
Figure SMS_73
为可学习的权重参数，随着神经网络的训练而更新，从而动态的学习数据的不同权重。/>
Figure SMS_77
，/>
Figure SMS_78
，
Figure SMS_70
表示的是数据的小时、日和周时空特征，/>
Figure SMS_75
为节点空间特征。
步骤S400：获得未来流量的预测结果，利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果。该过程如图3所示。
具体实施过程如下：首先将提取出的局部时空特征数据输入到全局空间注意力（Global-GAT）中，提取全局空间特征，对全局节点嵌入矩阵进行自适应更新，生成全局空间特征，基于公式（4），能将局部时空模块提取出来的特征
Figure SMS_79
输入到Global-GAT中，自适应学习全局节点嵌入矩阵/>
Figure SMS_80
，提取全局空间特征信息/>
Figure SMS_81
，公式如下：
Figure SMS_82
（5），
其中：
Figure SMS_83
为注意力分数。
经过全局空间特征提取后再将数据输入到全局RECA模块中提取全局时间特征，公式如下：
Figure SMS_84
（6），
其中：
Figure SMS_85
为 Sigmoid函数 ，/>
Figure SMS_86
为可学习参数,/>
Figure SMS_87
为全局平均池化层。
终上所述，本发明提出了一种新的神经网络结构，局部全局注意力（LGA）用于交通流数据的建模和预测，交通流数据有着显著的周期性以及传感器之间关联性。所提出的LGA是一种基于注意力的对数据周期性特征分别提取的模型，能够自适应的学习出传感器之间的周期性相关性。它对数据的周期性特征使用权重注意力对数据的周期性进行一定的偏重，可以强化数据的周期性。它以不同的时间周期分别提取时空特征，能够提取出更多的隐藏时空特征。
在本实施例中的交通流量预测方法中，所述方法利用周期注意力机制从历史交通流量特征中提取有用的信息，表示为：
Figure SMS_88
，
其中
Figure SMS_91
为历史交通流量数据，/>
Figure SMS_93
为需要预测的/>
Figure SMS_95
个时间段的交通流量，/>
Figure SMS_90
表示预测的流量信息，其中/>
Figure SMS_92
表示预测的时间步，/>
Figure SMS_94
代表节点数，/>
Figure SMS_96
表示带输入的模型，/>
Figure SMS_89
表示空间注意力模块的节点嵌入。
在本实施例中的交通流量预测方法中，所述对不同周期数据进行时空特征的提取中，所述时空特征包括小时周期性时空特征提取、天周期性时空特征提取、周时空性特征提取；基于周期性交通数据获取不同周期的时空依赖，基于模型学习到的时空依赖特征通过反向传播自适应的更新节点嵌入矩阵。
在本实施例中的交通流量预测方法中，所述对不同周期数据进行时空特征的提取过程中包括：对时间交通依赖和空间交通依赖进行特征提取。
在本实施例中的交通流量预测方法中，所述交通流量的空间依赖特征的权重分配及融合过程中采用如下公式进行融合：
Figure SMS_97
，
其中：
Figure SMS_99
为分配权重后的周期性特征输出，/>
Figure SMS_103
表示连接操作，/>
Figure SMS_105
，/>
Figure SMS_100
，/>
Figure SMS_102
为可学习的权重参数，随着神经网络的训练而更新，从而动态的学习数据的不同权重。/>
Figure SMS_104
，/>
Figure SMS_106
，
Figure SMS_98
分别表示的是数据的小时、日和周时空特征，/>
Figure SMS_101
为节点空间特征。
在本实施例中的交通流量预测方法中，所述利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果的过程中还包括，采用的损失函数为均方根误差，公式如下：
Figure SMS_107
，
其中：
Figure SMS_108
代表预测值，/>
Figure SMS_109
代表真值，/>
Figure SMS_110
代表预测的时间步数。
本实施例的基于局部全局时空注意力网络的交通流量预测方法，通过对历史交通流量信息进行进一步划分和提取，划分为不同周期性数据：小时数据、天数据、周数据，可以表示出不同周期的流量特征，并且使用局部周期时空注意力模块提取不同周期的特征，基于此使用权重注意力将提取出来的周空间特征和日空间特征分别分配一定的权重，使得整个模型对交通数据的周期性有一定的偏重，对周期性的提取更加有利。更加好的拟合真实数据。本发明提出残差通道注意力从历史流量数据中筛选出有用的信息来更新未来时刻的流量，大大提高了预测的精度。
实施例2
如图4所示，在实施例1的基础上，本实施例提供一种交通流量预测系统，包括：输入模块、周期性空间注意力模块、处理模块和获取模块；所述输入模块用于处理周期性数据，基于不同周期选择不同的流量数据作为输入，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵，所述周期性数据为：
Figure SMS_111
，
其中，
Figure SMS_112
表示原始输入，/>
Figure SMS_113
代表站点数，/>
Figure SMS_114
代表特征数，/>
Figure SMS_115
表示用历史时间步的长度，将原始输入处理为周期性数据：小时数据、天数据、周数据，其中，/>
Figure SMS_116
为处理之后的周期性小时数据的时间间隔周期，/>
Figure SMS_117
为处理之后的周期性天数据的时间间隔周期，/>
Figure SMS_118
为处理之后的周期性周数据的时间间隔周期；所述周期性空间注意力模块用于对不同周期数据进行时空特征的提取，将处理好的周期性数据分别送入周期性空间注意力模块来提取不同周期模式的周期性流量特征；所述处理模块用于交通流量的空间依赖特征的权重分配及融合，利用周期空间注意力单元提取到不同周期模式的周期性流量特征后，将不同周期模式的周期性流量特征送入权重注意力模块，实现交通流量的空间依赖的权重分配及融合；所述获取模块用于获得未来流量的预测结果，利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果。
实施例3
基于上述实施例，本实施例提供一种存储介质，所述存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现实施例1中的所述的交通流量预测方法。
实施例4
如图5所示，基于上述实施例，本实施例提供一种终端，包括：处理器及存储器；所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行实施例1中的所述的交通流量预测方法。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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，因此不能理解为对发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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。
显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或者特性可以包含在本实施例申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施例，也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例，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，都属于本申请保护的范围。
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 (4)

1.一种交通流量预测方法，其特征在于，所述方法利用周期注意力机制从历史交通流量特征中提取有用的信息，表示为
Figure QLYQS_1
，
其中
Figure QLYQS_3
为历史交通流量数据，/>
Figure QLYQS_5
为需要预测的/>
Figure QLYQS_9
个时间段的交通流量，
Figure QLYQS_4
表示预测的流量信息，其中/>
Figure QLYQS_6
表示预测的时间步，/>
Figure QLYQS_7
代表节点数，/>
Figure QLYQS_8
表示带输入的模型，/>
Figure QLYQS_2
表示空间注意力模块的节点嵌入；具体包括：
处理周期性数据，基于不同周期选择不同的流量数据作为输入，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵，其中，所述周期性数据为：
Figure QLYQS_10
，
其中，
Figure QLYQS_12
表示原始输入，/>
Figure QLYQS_14
代表站点数，/>
Figure QLYQS_18
代表特征数，/>
Figure QLYQS_13
表示用历史时间步的长度，将原始输入处理为周期性数据：小时数据、天数据、周数据，其中，/>
Figure QLYQS_15
为时间步的长度，
Figure QLYQS_16
为处理之后的周期性小时数据的时间间隔周期，/>
Figure QLYQS_17
为处理之后的周期性天数据的时间间隔周期，/>
Figure QLYQS_11
为处理之后的周期性周数据的时间间隔周期；
对不同周期数据进行时空特征的提取，将处理好的周期性数据分别送入周期性空间注意力模块来提取不同周期模式的周期性流量特征，其中所述时空特征包括小时周期性时空特征提取、天周期性时空特征提取、周时空性特征提取；基于周期性交通数据获取不同周期的时空依赖，基于模型学习到的时空依赖特征通过反向传播自适应的更新节点嵌入矩阵，所述对不同周期数据进行时空特征的提取过程中包括对时间交通依赖和空间交通依赖进行特征提取；
交通流量的空间依赖特征的权重分配及融合，利用周期空间注意力单元提取到不同周期模式的周期性流量特征后，将不同周期模式的周期性流量特征送入权重注意力模块，实现交通流量的空间依赖的权重分配及融合，其中所述交通流量的空间依赖特征的权重分配及融合过程中采用如下公式进行融合：
Figure QLYQS_19
，
其中：
Figure QLYQS_21
为分配权重后的周期性特征输出，/>
Figure QLYQS_24
表示连接操作，/>
Figure QLYQS_26
，/>
Figure QLYQS_20
，/>
Figure QLYQS_23
为可学习的权重参数，随着神经网络的训练而更新，从而动态的学习数据的不同权重，/>
Figure QLYQS_25
，/>
Figure QLYQS_27
，
Figure QLYQS_22
分别表示的是数据的小时、日和周时空特征，/>
Figure QLYQS_28
为节点空间特征；
获得未来流量的预测结果，利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果，其中所述利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果的过程中还包括，采用的损失函数为均方根误差，公式如下：
Figure QLYQS_29
，
其中：
Figure QLYQS_30
代表预测值，/>
Figure QLYQS_31
代表真值，/>
Figure QLYQS_32
代表预测的时间步数。
2.一种交通流量预测系统，其特征在于，基于权利要求1中所述方法利用周期注意力机制从历史交通流量特征中提取有用的信息，表示为
Figure QLYQS_33
，
其中
Figure QLYQS_35
为历史交通流量数据，/>
Figure QLYQS_37
为需要预测的/>
Figure QLYQS_39
个时间段的交通流量，
Figure QLYQS_36
表示预测的流量信息，其中/>
Figure QLYQS_38
表示预测的时间步，/>
Figure QLYQS_40
代表节点数，/>
Figure QLYQS_41
表示带输入的模型，/>
Figure QLYQS_34
表示空间注意力模块的节点嵌入；包括：输入模块、周期性空间注意力模块、处理模块和获取模块；
所述输入模块用于处理周期性数据，基于不同周期选择不同的流量数据作为输入，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵，所述周期性数据为：
Figure QLYQS_42
，
其中，
Figure QLYQS_45
表示原始输入，/>
Figure QLYQS_47
代表站点数，/>
Figure QLYQS_49
代表特征数，/>
Figure QLYQS_44
表示用历史时间步的长度，将原始输入处理为周期性数据：小时数据、天数据、周数据，其中，/>
Figure QLYQS_46
为时间步的长度，
Figure QLYQS_48
为处理之后的周期性小时数据的时间间隔周期，/>
Figure QLYQS_50
为处理之后的周期性天数据的时间间隔周期，/>
Figure QLYQS_43
为处理之后的周期性周数据的时间间隔周期；
所述周期性空间注意力模块用于对不同周期数据进行时空特征的提取，将处理好的周期性数据分别送入周期性空间注意力模块来提取不同周期模式的周期性流量特征，其中所述时空特征包括小时周期性时空特征提取、天周期性时空特征提取、周时空性特征提取；基于周期性交通数据获取不同周期的时空依赖，基于模型学习到的时空依赖特征通过反向传播自适应的更新节点嵌入矩阵，所述对不同周期数据进行时空特征的提取过程中包括对时间交通依赖和空间交通依赖进行特征提取；
所述处理模块用于交通流量的空间依赖特征的权重分配及融合，利用周期空间注意力单元提取到不同周期模式的周期性流量特征后，将不同周期模式的周期性流量特征送入权重注意力模块，实现交通流量的空间依赖的权重分配及融合，其中所述交通流量的空间依赖特征的权重分配及融合过程中采用如下公式进行融合：
Figure QLYQS_51
，
其中：
Figure QLYQS_53
为分配权重后的周期性特征输出，/>
Figure QLYQS_55
表示连接操作，/>
Figure QLYQS_58
，/>
Figure QLYQS_54
，/>
Figure QLYQS_56
为可学习的权重参数，随着神经网络的训练而更新，从而动态的学习数据的不同权重，/>
Figure QLYQS_59
，/>
Figure QLYQS_60
，
Figure QLYQS_52
分别表示的是数据的小时、日和周时空特征，/>
Figure QLYQS_57
为节点空间特征；
所述获取模块用于获得未来流量的预测结果，利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果，其中所述利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果的过程中还包括，采用的损失函数为均方根误差，公式如下：
Figure QLYQS_61
，
其中：
Figure QLYQS_62
代表预测值，/>
Figure QLYQS_63
代表真值，/>
Figure QLYQS_64
代表预测的时间步数。
3.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的交通流量预测方法。
4.一种终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端实现权利要求1所述的交通流量预测方法。
CN202310219860.3A 2023-03-09 2023-03-09 交通流量预测方法、系统、存储介质及终端设备 Active CN116071932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310219860.3A CN116071932B (zh) 2023-03-09 2023-03-09 交通流量预测方法、系统、存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310219860.3A CN116071932B (zh) 2023-03-09 2023-03-09 交通流量预测方法、系统、存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN116071932A CN116071932A (zh) 2023-05-05
CN116071932B true CN116071932B (zh) 2023-06-20

Family

ID=86180403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310219860.3A Active CN116071932B (zh) 2023-03-09 2023-03-09 交通流量预测方法、系统、存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN116071932B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299723A (zh) * 2022-02-15 2022-04-08 北京科技大学 一种交通流量预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108877223A (zh) * 2018-07-13 2018-11-23 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN111210633B (zh) * 2020-02-09 2021-01-05 北京工业大学 一种基于深度学习的短时交通流预测方法
CN112071065A (zh) * 2020-09-16 2020-12-11 山东理工大学 一种基于全局扩散卷积残差网络的交通流预测方法
CN114299728B (zh) * 2021-12-29 2023-04-21 杭州电子科技大学 结合注意力机制与动态时空卷积模型的车辆流量预测方法
CN115641720A (zh) * 2022-10-28 2023-01-24 重庆大学 基于时空融合图神经网络的交通预测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299723A (zh) * 2022-02-15 2022-04-08 北京科技大学 一种交通流量预测方法

Also Published As

Publication number Publication date
CN116071932A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN112766551B (zh) 一种交通预测方法、智能终端及计算机可读存储介质
US20230049089A1 (en) Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium
WO2019082009A1 (en) REGRESSION FOR SET OF MEASUREMENT DATA
CN112863180A (zh) 交通速度预测方法、装置、电子设备及计算机可读介质
CN114077913A (zh) 基于自动储层神经网络的多步预测未来风速的方法和系统
WO2022198947A1 (zh) 密接人群识别方法、装置、电子设备及存储介质
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
CN113762595A (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN109816157A (zh) 项目计划优化方法、装置、计算机设备和存储介质
CN114694379B (zh) 一种基于自适应动态图卷积的交通流预测方法及系统
CN113253336B (zh) 一种基于深度学习的地震预测方法和系统
CN116071932B (zh) 交通流量预测方法、系统、存储介质及终端设备
WO2019230381A1 (ja) 時空間イベントデータ推定装置、方法、及びプログラム
CN114338416B (zh) 一种时空多指标预测方法、装置和存储介质
CN117472511A (zh) 容器资源监控方法、装置、计算机设备和存储介质
CN117195976A (zh) 一种基于分层注意力的交通流量预测方法及系统
CN112700099A (zh) 基于强化学习和运筹学的资源调度规划方法
CN116185568A (zh) 一种容器扩容方法、装置、电子设备及存储介质
CN115526225A (zh) 一种基于序列相似度和动态掩码训练机制的轨迹修复方法
KR102383144B1 (ko) 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법
CN114566048A (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN114911157A (zh) 基于部分可观测强化学习的机器人导航控制方法及系统
Antunes et al. Directional Grid-Based Search for Simulation Metamodeling Using Active Learning
CN113592296B (zh) 公共策略决策方法、装置、电子设备和存储介质
CN117216722B (zh) 基于传感器时序数据多源异构数据融合系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant