CN116612645A - 一种高速公路服务区车流量预测方法 - Google Patents

Abstract

本发明涉及智能交通技术领域，尤其涉及一种高速公路服务区车流量预测方法，基于注意力机制的时空图卷积神经网络模型属于基于CNNs的STGNN模型，创造性地将ChebNet图卷卷积和沿时间维度的一维卷积相结合，用于解决时空交通图数据的预测问题。设计结构多头自注意模块，提取路网拓扑结构信息；设计动态演化图卷积模块，为每个时间片学习一个新的图，并利用自注意机制自适应地动态调整节点之间的相关强度；设计时间多头自注意模块和时间位置嵌入，提取时间相关性。并通过优化Transformer结构，使得Trans‑STGNN有更准确的长期预测能力。本方法能够更好地提取时空相关性，并能提高预测精度。

Description

一种高速公路服务区车流量预测方法

技术领域

本发明涉及智能交通技术领域，尤其涉及一种高速公路服务区车流量预测方法。

背景技术

目前，多源数据融合、建立综合性大数据分析技术模型、推进数据资源赋能交通发展等成为未来交通行业发展的方向。现阶段我国高速公路里程建设已经达到世界前列，有着需求大、多元化、实际情况多变且复杂的特点。尤其是针对高速公路用户的需求所提供的服务由基础功能逐步向无死角、细节化转变。

高速公路服务区是智慧高速公路建设的重要组成部分，服务区的智慧化进程直接影响着高速公路智慧化建设水平。在高速公路中服务区是经常被提供服务的开发者所忽视的环节，为了服务区能够更有效地为出行人员提供服务，准确地预测服务区的流量、更好地引导驾驶员提前获取服务区流量信息变得十分重要。在对服务区的服务水平进行评价时，主要分析和挖掘服务区的供给能力和高速公路交通量之间的相互关系。因此，对高速公路服务区交通量进行有效的量化和预测，是科学合理评价高速公路服务区服务能力的重要技术手段。

传统的交通量预测主要依靠ARIMA时间序列和卡尔曼滤波模型展开，实时性不高且不适合波动较大的交通量数据。近年来，随着这几年深度学习的快速发展，基于深度学习的方法解决时空数据挖掘的方法也应运而生。尤其是处理时间序列的任务，越来越多的科研工作者选择LSTM及其衍生模型作为深度神经网络的最佳选择。目前，针对高速公路服务区交通量预测还面临以下问题：

1)传统的交通预测建模缺乏交通数据时空维度的动态特征，未考虑连续数据中固有的局部趋势信息，不能直接处理交通网络。

2)传统的交通预测建模无法捕获交通数据的周期性和空间异质性。

发明内容

有鉴于此，本发明的目的在于提出一种高速公路服务区车流量预测方法，以解决统的交通预测建模缺乏交通数据时空维度的动态特征，未考虑连续数据中固有的局部趋势信息，不能直接处理交通网络，无法捕获交通数据的周期性和空间异质性的问题。

基于上述目的，本发明提供了一种高速公路服务区车流量预测方法，包括：

S1、获取历史数据，并对历史数据进行预处理；

S2、基于服务区、临近门架之间的位置关系，构建位置关系无向图；

S3、使用神经网络划分历史数据中的车辆是否进入服务区；

S4、构建高速公路服务区交通流量预测数据属性库，构建服务区交通流量输入矩阵；

S5、对步骤S2构建的位置关系无向图和步骤S4建立的输入矩阵进行融合，得到向量化交通网络状态数据，并按一定比例划分训练集和测试集；

S6、构建基于注意力机制的时空图卷积神经网络模型，将ChebNet图卷积和沿时间维度的一维卷积相结合，作为服务区交通流量特征提取的深度学习融合模型；

S7、将步骤S5中的向量化交通网络状态数据导入时空图卷积神经网络模型中，通过捕获时间与空间的相关性及发掘流量趋势特征的相似性，预测多个未来时刻的服务区预测流量。

优选地，历史数据为高速公路服务区邻近的门架的原始流量数据，所述预处理包括：完善残缺的数据、纠正错误的数据和去除多余的数据。

优选地，位置关系无向图G＝(V,E)定义为交通网络，其中V是|V|＝N个节点的集合，每个节点代表一个交通监控点，E是|E|＝M条边的集合，表示门架-门架、门架-服务区及服务区-门架之间的邻接关系，选取服务区上游和下游若干个门架构建邻接关系，服务区交通流量输入矩阵是由邻近门架在历史不同时间段的流量组成，以设定时间为时间间隔分别统计历史的服务区及邻近门架流量数据

其中，表示t时刻所有节点的交通流数据，/>为服务区或门架节点i在t时刻的交通流数据，/>为服务区或门架节点N在T时刻的交通流数据，T为以设定时间为单位的时间序列的长度。

优选地，神经网络为已经过训练的两层全连接神经网络，输出神经元个数为2，用于表示输入车辆是否进入服务区，输入神经元包括路段车辆小时平均速度，门架、服务区间距离，车辆通过门架的时间戳，训练使用的标签为车辆是否停靠服务区。

优选地，高速公路服务区交通流量预测数据属性库包括交通流量预测所需要使用到的数据属性名称和车辆时间通过门架监控的时间戳、时间类型、地理位置、车辆是否进入服务区和天气信息；

构建服务区交通流量输入矩阵包括将步骤S1预处理所得数据及步骤S3所得的车辆是否进入服务区属性连接，构建服务区交通流量输入矩阵。

位置关系无向图和输入矩阵之间的融合是基于位置关系的分组匹配。

优选地，划分训练集和测试集的方式为：前百分之70的数据作为训练集，后百分之30作为测试集；

标准化处理方法为运用最大最小标准化处理方法，将交通网络状态数据的训练集数据线性变换映射到[0,1]中，测试集数据线性变换时使用训练集的min和max值，公式为：

在评价模型的预测效果时，再将预测值重新还原到原来的大小与真实值进行比较。

优选地，ChebNet图卷积利用切比雪夫多项式将图卷积的操作限制在K阶邻域内，在时空图数据上，通过堆叠多层ChebNet图卷积由近及远依次捕获图结构上节点之间的空间相关性，形式化描述为

其中是在第t个时间步，N个节点的第c维特征的图信号矩阵，θ∈R^K是待学习的参数，对应切比雪夫多项式系数，/>是归一化的拉普拉斯矩阵，λ_max是无向图拉普拉斯矩阵L的最大特征值，拉普拉斯矩阵L定义为L＝I_N-D^-1/2AD^-1/2，其中A为图的邻接矩阵，I_N∈R^N×N为单位矩阵，D∈R^N×N是一个对角矩阵，其中对角线上元素的取值为/>切比雪夫多项式以递归的形式定义为：T_k(x)＝2xT_k-1(x)-T_k-2(x)，其中T₀(x)＝1,T₁(x)＝x₀。

优选地，基于注意力机制的时空图卷积神经网络模型包括：

在输入进入到编码器或解码器之前，增加一个结构多头自注意模块来提取路网拓扑结构信息，使用时间趋势感知多头自注意力来感知时间变化的趋势，使用空间动态图卷积进行空间相关性提取；

结构多头自注意模块的设计与实现步骤包括：

将输入矩阵通过线性投影转换成高维表示将X′通过权重矩阵转换为索引Q^S、键K^S和值V^S，计算公式为：

加入邻接矩阵计算注意力权重，计算公式为：

score＝softmax(a(Q^S，K^S))＝softmax(σ(Aα^T[Q^S，K^S]))

其中是权值向量，A是带权静态邻接矩阵，[·，·]为连接操作，σ(·)为非线性激活函数，a(Q^S，K^S)是索引Q^S与键K^S的相似性，score表示特征之间的注意力权重；

将score与值V^S相乘得到一个头的自注意向量head：

head＝score·V^S

最终结构多头自注意结果为：

其中，h是注意力头的个数，X^S为最终的输出权重矩阵。

优选地，构建基于注意力机制的时空图卷积神经网络模型使用时空注意力机制；

时空注意力机制包括空间维度注意力模块和时间维度注意力模块，空间维度注意力模块形式化描述为

S＝V_s·σ((X^(l-1)W₁)W₂(W₃X^(l-1))^T+b_s) (7)

其中，σ表示sigmoid函数，X^(l-1)是第l个时空注意力模块的输入，V_s,b_s∈R^N×N，矩阵S′中的任意一个元素S′_i,j表示了图中节点i和节点j之间的相关性强弱。为了动态控制图卷积中信息聚合时邻居节点的重要程度，此处利用公式/>实现对相关性的动态建模，其中⊙表示哈达玛乘积；

时间维度注意力模块形式化描述为

E＝V_e·σ((X^(l-1))^TU₁)U₂(U₃X^(l-1))+b_e) (9)

其中，V_e，U₁∈R^N，/>矩阵E′中的任意一个元素E′_i,j表示时间序列上第i个时间步的状态和第j个时间步的状态之间的相关性强弱；

根据E′_i,j对输入数据做动态调整，形式化表示为X^(l-1)E_i,j。

优选地，步骤S6中构建的基于注意力机制的时空图卷积神经网络的总体架构包括：

编码器和解码器均堆叠了多层结构相似的编码层和解码层，在模型的层与层之间加入了残差连接和层归一化，所有层中数据的特征维度均为d_model，使用表示编码器第l层的输入，其中l∈{1,2,...,L}，基于注意力机制的时空图卷积神经网络中数据的处理流程包括：

原始输入经过时间嵌入层和空间嵌入层转换到d_model维特征空间，记为其中d_model>C；

编码器通过L个编码层将编码为/>基于编码器的输出F^(L)，解码器部分使用另外L'个解码层预测未来的时空交通图信号序列y^(L′)再经过一个线性变换映射到指定维度的输出y，模型的预测过程遵循自回归模式，即为了在每一步生成y_i ^(L′)，i∈{1,...,Tp}，解码器将/>和之前生成的图信号矩阵/>作为输入；

将动态演化卷积模块的输出进行残差连接和层正则化处理，在步骤S4中，训练预测模型包括：

选择目标函数，将训练集作为时空图卷积网络预测模型的输入，求解模型最优参数从而完成模型训练；

在训练过程中，将历史数据经过位置编码嵌入提取空间结构信息，并加入时间位置信息后得到的新输入X(0)输入编码器，编码器通过L个编码器层将输入序列X(0)映射到中间表示序列X(L)，解码器采用L个解码器层生成预测结果其中解码器输入为X(L)和历史真实数据；使用平均绝对误差(MAE)作为损失函数，计算公式为：

其中，MAE为模型预测输出，y为实际交通流数据，n为样本数量，并通过反向模式自动微分和Adam对模型进行优化。

本发明的有益效果：

(1)空间维度上，通过标准化时空图输入提取路网拓扑结构信息，嵌入时间维度和位置编码；进一步地，通过动态演化图卷积模块，将ChebNet图卷卷积和沿时间维度的一维卷积相结合提取动态空间相关性，同时采用多头自注意力构造动态邻接矩阵，使得模型能自适应地动态调整节点之间的相关强度。

(2)在时间维度上，通过时间位置嵌入和多头注意力提取长期时间相关性。相比传统方法而言，所述预测方法可以有效提取交通流数据中的时空相关性及时间变化趋势，更加充分地挖掘高速公路服务区及上下游门架流量数据中的信息，故能提升其预测精度。

(3)此外，所述方法使用了残差连接和层正则化，一定程度上避免了有效高速公路服务区流量数据特征的丢失并提高了预测的精度。

因此本方法能够直接处理交通网络，能够捕获交通数据的周期性和空间异质性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述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，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为本发明实施例的高速公路服务区流量预测方法流程示意图；

图2为本发明实施例的基于注意力机制的时空图卷积神经网络的模型结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如图1、图2所示，本说明书实施例提供一种高速公路服务区车流量预测方法，该方法包括以下步骤：

步骤1、获取历史数据，并对历史数据进行预处理；

步骤2、基于服务区、邻近门架之间的位置关系，构建位置关系无向图；

步骤3、使用神经网络划分历史数据中的车辆是否进入服务区；

步骤4、构建高速公路服务区交通流量预测数据属性库，构建服务区交通流量输入矩阵；

步骤5、对步骤2构建的位置关系无向图、步骤4建立的输入矩阵进行融合，得到向量化交通网络状态数据，作为输入数据；将服务区车流量数据按照一定比例划分为训练集和测试集；

步骤6、构建基于注意力机制的时空图卷积神经网络模型，即基于CNNs的STGNN模型，将ChebNet图卷卷积和沿时间维度的一维卷积相结合，作为服务区交通流量特征提取的深度学习融合模型；

步骤7、将步骤5中的初步融合结果导入步骤6构建基于注意力机制的时空图卷积神经网络模型中，通过捕获时间与空间的相关性及发掘流量趋势特征的相似性，预测多个未来时刻的服务区预测流量。

对于上述技术方案，步骤1中，历史数据为高速公路服务区邻近的门架的原始流量数据。预处理方式包括：完善残缺的数据，纠正错误的数据，去除多余的数据。从而提升数据质量。对邻近门架数据数据预处理后统计不同时间段的交通流量。原始流量数据的核心特征是缺少明确信息标记车辆是否驶入服务区。

进一步，步骤2中，位置关系无向图G＝(V,E)定义为交通网络，其中V是|V|＝N个节点的集合，每个节点代表一个交通监控点。E是|E|＝M条边的集合，表示了门架-门架、门架-服务区及服务区-门架之间的邻接关系。选取服务区上游3个门架、下游3个门架构建邻接关系。服务区交通流量输入矩阵是由邻近门架在历史不同时间段的流量组成，以30分钟为时间间隔分别统计历史的服务区及邻近门架流量数据。

其中表示t时刻所有节点的交通流数据，/>为服务区或门架节点i在t时刻的交通流数据，T为以30分钟为单位的时间序列的长度。

步骤3中，所述神经网络为已经过训练的两层全连接神经网络。输出神经元个数为2，用于表示输入车辆是否进入服务区。输入神经元包括路段车辆小时平均速度，门架、服务区间距离，车辆通过门架的时间戳，训练使用的标签为车辆是否停靠服务区。前期训练所使用的数据为明确标记了车辆是否驶入服务区的流量数据。将历史车辆数据导入神经网络，可判断历史车辆是否已进入服务区。

步骤4中，高速公路服务区交通流量预测数据属性库包括交通流量预测所需要使用到的数据属性名称，包括车辆时间通过门架监控的时间戳：精确到年、月、日、时、分、秒；时间类型：包括工作日、周末、节假日；地理位置：门架与服务区的编号、经度、纬度、桩号；车辆是否进入服务区；天气：包括：高影响天气，非高影响天气。其中高影响天气指可能造成较重影响的恶劣天气，为黄色预警级别以上天气。将步骤1预处理所得数据及步骤3所得的车辆是否进入服务区属性连接，构建服务区交通流量输入矩阵。

步骤5中，位置关系无向图和输入矩阵之间的融合是基于位置关系的分组匹配。输入数据划分方式：前百分之70的数据作为训练集，后百分之30作为测试集。标准化处理方法为运用最大最小标准化处理方法，将交通网络状态数据的训练集数据线性变换映射到[0,1]中，测试集数据线性变换时使用训练集的min和max值，公式为：

在评价模型的预测效果时，再将预测值重新还原到原来的大小与真实值进行比较。

步骤6中，ChebNet图卷积是一种基于谱图理论的图卷积方法。ChebNet利用切比雪夫多项式将图卷积的操作限制在了K阶邻域内，在时空图数据上，通过堆叠多层ChebNet图卷积由近及远依次捕获图结构上节点之间的空间相关性。形式化描述如下：

其中，是在第t个时间步，N个节点的第c维特征的图信号矩阵。θ∈R^K是待学习的参数，对应切比雪夫多项式系数。/>是归一化的拉普拉斯矩阵，λ_max是无向图拉普拉斯矩阵L的最大特征值。拉普拉斯矩阵L定义为L＝I_N-D^-1/2AD^-1/2，其中A为图的邻接矩阵，I_N∈R^N×N为单位矩阵，D∈R^N×N是一个对角矩阵，其中对角线上元素的取值为/>切比雪夫多项式以递归的形式定义为：T_k(x)＝2xT_k-1(x)-T_k-2(x)，其中T₀(x)＝1,T₁(x)＝x₀。

时间维度的一维卷积通过空间维度的ChebNet图卷积操作，时空图数据上每个节点的状态被其自身的状态和其周围邻居的状态所更新，待学习参数θ表达了节点之间的空相关性强弱，是一个固定的值。通过时间维度的一维卷积的操作，时空图数据上每个节点的状态进一步被前后时间片上的状态更新，一维卷积操作也是参数共享的。

步骤6中基于注意力机制的时空图卷积神经网络模型具体包括：在输入进入到编码器或解码器之前，增加一个结构多头自注意模块来提取路网拓扑结构信息；使用时间趋势感知多头自注意力来感知时间变化的趋势；使用空间动态图卷积进行空间相关性提取。

步骤6中结构多头自注意模块的设计与实现：

将输入矩阵通过线性投影转换成高维表示将X′通过权重矩阵转换为索引Q^S、键K^S和值V^S，计算公式如下：

加入邻接矩阵计算注意力权重，计算公式如下：

score＝softmax(a(Q^S，K^S))＝softmax(σ(Aα^T[Q^S，K^S]))

其中是权值向量，A是带权静态邻接矩阵，[·，·]为连接操作，σ(·)为非线性激活函数，a(Q^S，K^S)是索引Q^S与键K^S的相似性，score表示特征之间的注意力权重；

将score与值V^S相乘得到一个头的自注意向量head：

head＝score·V^S

最终结构多头自注意结果为：

其中，h是注意力头的个数，X^S为最终的输出权重矩阵；

步骤6中构建基于注意力机制的时空图卷积神经网络模型中使用时空注意力机制，根据输入数据动态调整时空相关性的强弱来适应时空图数据空间上相邻的节点或者时间上相邻的节点之间存在的相关性是动态变化。

(1)空间维度注意力

该模块的核心思想是根据输入数据自适应地计算空间邻居节点之间的相关性强弱，形式化描述如下：

S＝V_s·σ((X^(l-1)W₁)W₂(W₃X^(l-1))^T+b_s) (12)

其中，σ表示sigmoid函数。X^(l-1)是第l个时空注意力模块的输入。V_s,b_s∈R^N×N，矩阵S′中的任意一个元素S′_i,j表示了图中节点i和节点j之间的相关性强弱。为了动态控制图卷积中信息聚合时邻居节点的重要程度，此处利用公式/>实现对相关性的动态建模，其中⊙表示哈达玛乘积。

(2)时间维度注意力

同理，在时间维度也需要根据输入数据自适应地计算相邻时间片的数据点之间的相关性强弱，形式化描述如下：

E＝V_e·σ(((X^(l-1))^TU₁)U₂(U₃X^(l-1))+b_e) (14)

其中，V_e，U₁∈R^N，/>矩阵E′中的任意一个元素E′_i,j表示了时间序列上第i个时间步的状态和第j个时间步的状态之间的相关性强弱。然后，根据E′_i,j对输入数据做动态调整，形式化表示为X^(l-1)E_i,j。

步骤6中构建的基于注意力机制的时空图卷积神经网络的总体架构：编码器和解码器均堆叠了多层结构相似的编码层和解码层。为了确保在模型层数增加时的训练效果，模型的层与层之间加入了残差连接和层归一化。所有层中数据的特征维度均为d_model。这里使用表示编码器第l层的输入，其中l∈{1,2,...,L}，基于注意力机制的时空图卷积神经网络中数据的处理流程如下。

首先，原始输入经过时间嵌入层和空间嵌入层转换到d_model维特征空间，记为/>其中d_model>C。随后，编码器通过L个编码层将/>编码为/>基于编码器的输出F^(L)，解码器部分使用另外L'个解码层预测未来的时空交通图信号序列/>y^(L′)再经过一个线性变换映射到指定维度的输出y。模型的预测过程遵循自回归模式，即为了在每一步生成y_i ^(L′)，i∈{1,...,Tp}，解码器将/>和之前生成的图信号矩阵/>作为输入。

将动态演化卷积模块的输出进行残差连接和层正则化处理。进一步，在步骤4中，训练预测模型包括：选择目标函数，将训练集作为时空图卷积网络预测模型的输入，求解模型最优参数从而完成模型训练；在训练过程中，将历史数据经过位置编码嵌入提取空间结构信息，并加入时间位置信息后得到的新输入X(0)输入编码器，编码器通过L个编码器层将输入序列X(0)映射到中间表示序列X(L)，解码器采用L个解码器层生成预测结果其中解码器输入为X(L)和历史真实数据；使用平均绝对误差(MAE)作为损失函数，计算公式如下：

其中，MAE为模型预测输出，y为实际交通流数据，n为样本数量，并通过反向模式自动微分和Adam对模型进行优化。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高速公路服务区车流量预测方法，其特征在于，包括：

S1、获取历史数据，并对历史数据进行预处理；

S2、基于服务区、临近门架之间的位置关系，构建位置关系无向图；

S3、使用神经网络划分历史数据中的车辆是否进入服务区；

S4、构建高速公路服务区交通流量预测数据属性库，构建服务区交通流量输入矩阵；

S5、对步骤S2构建的位置关系无向图和步骤S4建立的输入矩阵进行融合，得到向量化交通网络状态数据，按一定比例划分训练集和测试集，并将数据标准化处理；

S6、构建基于注意力机制的时空图卷积神经网络模型，将ChebNet图卷积和沿时间维度的一维卷积相结合，作为服务区交通流量特征提取的深度学习融合模型；

S7、将步骤S5中的向量化交通网络状态数据导入时空图卷积神经网络模型中，通过捕获时间与空间的相关性及发掘流量趋势特征的相似性，预测多个未来时刻的服务区预测流量。

2.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，所述历史数据为高速公路服务区邻近的门架的原始流量数据，所述预处理包括：完善残缺的数据、纠正错误的数据和去除多余的数据。

3.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，位置关系无向图G＝(V,E)定义为交通网络，其中V是|V|＝N个节点的集合，每个节点代表一个交通监控点，E是|E|＝M条边的集合，表示门架-门架、门架-服务区及服务区-门架之间的邻接关系，选取服务区上游和下游若干个门架构建邻接关系，服务区交通流量输入矩阵是由邻近门架在历史不同时间段的流量组成，以设定时间为时间间隔分别统计历史的服务区及邻近门架流量数据

其中，表示t时刻所有节点的交通流数据，/>为服务区或门架节点i在t时刻的交通流数据，/>为服务区或门架节点N在T时刻的交通流数据，T为以设定时间为单位的时间序列的长度。

4.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，所述神经网络为已经过训练的两层全连接神经网络，输出神经元个数为2，用于表示输入车辆是否进入服务区，输入神经元包括路段车辆小时平均速度，门架、服务区间距离，车辆通过门架的时间戳，训练使用的标签为车辆是否停靠服务区。

5.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，所述高速公路服务区交通流量预测数据属性库包括交通流量预测所需要使用到的数据属性名称和车辆时间通过门架监控的时间戳、时间类型、地理位置、车辆是否进入服务区和天气信息；

构建服务区交通流量输入矩阵包括将步骤S1预处理所得数据及步骤S3所得的车辆是否进入服务区属性连接，构建服务区交通流量输入矩阵；

位置关系无向图和输入矩阵之间的融合是基于位置关系的分组匹配。

6.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，划分训练集和测试集的方式为：前百分之70的数据作为训练集，后百分之30作为测试集；

标准化处理方法为运用最大最小标准化处理方法，将交通网络状态数据的训练集数据线性变换映射到[0,1]中，测试集数据线性变换时使用训练集的min和max值，公式为：

在评价模型的预测效果时，再将预测值重新还原到原来的大小与真实值进行比较。

7.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，ChebNet图卷积利用切比雪夫多项式将图卷积的操作限制在K阶邻域内，在时空图数据上，通过堆叠多层ChebNet图卷积由近及远依次捕获图结构上节点之间的空间相关性，形式化描述为

其中是在第t个时间步，N个节点的第c维特征的图信号矩阵，θ∈R^K是待学习的参数，对应切比雪夫多项式系数，/>是归一化的拉普拉斯矩阵，λ_max是无向图拉普拉斯矩阵L的最大特征值，拉普拉斯矩阵L定义为L＝I_N-D^-1/2AD^-1/2，其中A为图的邻接矩阵，I_N∈R^N×N为单位矩阵，D∈R^N×N是一个对角矩阵，其中对角线上元素的取值为/>切比雪夫多项式以递归的形式定义为：T_k(x)＝2xT_k-1(x)-T_k-2(x)，其中T₀(x)＝1,T₁(x)＝x₀。

8.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，基于注意力机制的时空图卷积神经网络模型包括：

在输入进入到编码器或解码器之前，增加一个结构多头自注意模块来提取路网拓扑结构信息，使用时间趋势感知多头自注意力来感知时间变化的趋势，使用空间动态图卷积进行空间相关性提取；

结构多头自注意模块的设计与实现步骤包括：

将输入矩阵通过线性投影转换成高维表示将X′通过权重矩阵转换为索引Q^S、键K^S和值V^S，计算公式为：

加入邻接矩阵计算注意力权重，计算公式为：

score＝softmax(a(Q^S，K^S))＝softmax(σ(Aα^T[Q^S，K^S]))

其中是权值向量，A是带权静态邻接矩阵，[·，·]为连接操作，σ(·)为非线性激活函数，a(Q^S，K^S)是索引Q^S与键K^S的相似性，score表示特征之间的注意力权重；

将score与值V^S相乘得到一个头的自注意向量head：

head＝score·V^S

最终结构多头自注意结果为：

其中，h是注意力头的个数，X^S为最终的输出权重矩阵。

9.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，构建基于注意力机制的时空图卷积神经网络模型使用时空注意力机制；

时空注意力机制包括空间维度注意力模块和时间维度注意力模块，空间维度注意力模块形式化描述为S＝V_s·σ((X^(l-1)W₁)W₂(W₃X^(l-1))^T+b_s) (2)

其中，σ表示sigmoid函数，X^(l-1)是第l个时空注意力模块的输入，可学习参数包括：V_s,b_s∈R^N×N，矩阵S′中的任意一个元素S′_i,j表示了图中节点i和节点j之间的相关性强弱，为了动态控制图卷积中信息聚合时邻居节点的重要程度，此处利用公式/>实现对相关性的动态建模，其中⊙表示哈达玛乘积；

时间维度注意力模块形式化描述为

E＝V_e·σ(((X^(l-1))^TU₁)U₂(U₃X^(l-1))+b_e) (4)

其中，可学习参数包括：V_e，U₁∈R^N，/>矩阵E′中的任意一个元素E′_i,j表示时间序列上第i个时间步的状态和第j个时间步的状态之间的相关性强弱；

根据E′_i,j对输入数据做动态调整，形式化表示为X^(l-1)E_i,j。

10.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，步骤S6中构建的基于注意力机制的时空图卷积神经网络的总体架构包括：

编码器和解码器均堆叠了多层结构相似的编码层和解码层，在模型的层与层之间加入了残差连接和层归一化，所有层中数据的特征维度均为d_model，使用表示编码器第l层的输入，其中l∈{1,2,...,L}，基于注意力机制的时空图卷积神经网络中数据的处理流程包括：

原始输入经过时间嵌入层和空间嵌入层转换到d_model维特征空间，记为其中d_model>C；

编码器通过L个编码层将编码为/>基于编码器的输出F^(L)，解码器部分使用另外L′个解码层预测未来的时空交通图信号序列y^(L′)再经过一个线性变换映射到指定维度的输出y，模型的预测过程遵循自回归模式，即为了在每一步生成y_i ^(L′)，i∈{1,...,Tp}，解码器将/>和之前生成的图信号矩阵/>作为输入；

将动态演化卷积模块的输出进行残差连接和层正则化处理，在步骤S4中，训练预测模型包括：

选择目标函数，将训练集作为时空图卷积网络预测模型的输入，求解模型最优参数从而完成模型训练；

在训练过程中，将历史数据经过位置编码嵌入提取空间结构信息，并加入时间位置信息后得到的新输入X(0)输入编码器，编码器通过L个编码器层将输入序列X(0)映射到中间表示序列X(L)，解码器采用L个解码器层生成预测结果其中解码器输入为X(L)和历史真实数据；使用平均绝对误差(MAE)作为损失函数，计算公式为：

其中，MAE为模型预测输出，y为实际交通流数据，n为样本数量，并通过反向模式自动微分和Adam对模型进行优化。