CN116935649A - 多视角融合的时空动态图卷积网络城市交通流量预测方法 - Google Patents

Abstract

本发明公开了一种多视角融合的时空动态图卷积网络交通流量预测方法，该方法从空间关联性与时序相似性出发，全面地挖掘路网节点之间多元的空间关联，捕捉路网节点中局部空间结构和全局空间相关性之间的依赖关系，首先使用历史的交通流量数据作为输入，将空间嵌入矩阵和时间嵌入矩阵添加至交通流量序列之中。其次将处理后的历史交通流量序列输入包含时间局部卷积多头自注意力模块和空间多视角动态图卷积模块编码器，通过编码器提取时空特征。最后将包含空间嵌入矩阵和时间嵌入矩阵的历史交通流量序列和编码器的输出，输入解码器生成未来的交通流量数据，实现了在多种时间窗口下的准确流量预测，提高了城市交通流量预测的准确性。

Description

多视角融合的时空动态图卷积网络城市交通流量预测方法

技术领域

本发明属于交通流量预测技术邻域，尤其涉及一种多视角融合的时空动态图卷积网络城市交通流量预测方法。

背景技术

针对城市路网连通复杂、流量分布失衡、路况动态变化等问题，研究面向城市路网系统的交通流量预测已经成为现阶段研究热点。城市交通流量预测能够根据历史的道路状况，提供连续、精确的道路未来状态信息，为城市规划和交通管理提供有效的决策支持，为城市居民出行路径规划提供信息支撑，实现缓解交通拥堵，绿色低碳出行的目的。

早期的城市交通流量预测技术大都基于统计学习方法和机器学习方法。这些方法难以捕捉城市路网中深层非线性的时空相关性，严重依赖特征工程，无法有效捕获路网数据的时空特性。为了建模交通流量的时间和空间特征，研究人员设计了各种神经网络方法解决交通领域的流量预测问题，如授权号为CN201910688693.0的卷积神经网络(CNN)短时交通流预测方法，授权号为CN202011119621.3的循环神经网络(RNN)交通流量预测方法等，但这类方法只能学习欧式空间下的交通流量特征，难以表达具有复杂拓扑结构的城市路网。RNN还存在梯度爆炸或消失的问题，导致模型无法有效捕捉交通序列之间的长期依赖关系，不能准确的挖掘交通流量的时间演化特性。因此研究人员将能够处理非欧式数据的图卷积网络(GCN)引入到交通流量预测之中，GCN能够通过对交通路网图进行卷积操作，学习节点之间的关系。

现有交通流量预测技术仍存在一定不足，问题1：GCN使用预先定义的静态城市路网图来描述节点之间的空间相关性，由于路网节点的交通流量会随时间和空间动态变化，这些静态图无法捕捉其动态特性，忽略了道路网络中的节点之间相似的功能特性以及动态交通模式的影响。具体来说，分布在城市不同区域的节点，它们之间可能没有直接连接的边或者具有较大的距离跨度，如果这些区域的功能相似，那么它们的交通流量信号往往表现出相似的时空特征，在不同时间维度上呈现相似的交通模式。因此，全面捕捉路网节点之间的时序相似性和动态时空相关性，能有效提升城市流量预测准确性。问题2：交通路网作为一个连通复杂且时空关联度高的网络结构，节点间的依赖关系不仅仅存在于局部区域，距离较远的节点之间仍具有相关性，节点之间的依赖(交互、关联)关系会影响至全局路网的交通状况，在建模交通数据空间相关性的同时，捕捉到路网局部空间结构和全局空间相关性之间的依赖关系，能够进一步提升交通预测的精度。因此，有必要挖掘路网中局部空间结构和全局空间相关性之间的依赖关系。

发明内容

发明目的：本发明的目的在于提供一种多视角融合的时空动态图卷积网络交通流量预测方法。该方法从空间关联性与时序相似性出发，全面地挖掘路网节点之间多元的空间关联，并学习路网的全局空间特征，捕捉路网节点中局部空间结构和全局空间相关性之间的依赖关系，实现准确的城市交通流量预测。

技术方案：本发明的一种多视角融合的时空动态图卷积网络城市交通流量预测方法，针对目标区域，执行以下步骤，获得以当前时刻为起点的预设未来时间段内目标区域的预测城市交通流量：

步骤1：针对目标区域，采集以当前时刻为终点的预设历史时间段内各采样时刻分别对应的历史交通流量数据；

步骤2：在步骤1采集到的历史交通流量数据中添加空间嵌入矩阵和时间嵌入矩阵，得到各个保留节点空间异质性与时间序列顺序特征的历史交通流量序列；

步骤3：构建编码器：编码器由L个完全相同的编码器层堆叠构成，每个编码器层均包含两个基本模块：在时间维度上建模交通数据时间依赖关系的时间局部卷积多头自注意力模块、在空间维度上捕获交通数据空间动态特性和时序相似交互特征的空间多视角动态图卷积模块；将步骤2得到的各个保留节点空间异质性与时间序列顺序特征的历史交通流量序列输入编码器中提取时空特征，输出各个历史交通流量时空特征序列；

步骤4：构建解码器：编码器由L个完全相同的解码器层堆叠构成，每个解码器层由两个时间局部卷积多头自注意力模块和一个空间多视角动态图卷积模块组成，第一个时间局部卷积多头自注意力模块用来捕获解码器序列中的时序相关性，第二个时间局部卷积多头自注意力模块用来捕获编码器输出历史交通流量时空特征序列和解码器序列之间的相关性；将步骤2的各个保留节点空间异质性与时间序列顺序特征的历史交通流量序列和步骤3的各个历史交通流量时空特征序列输入解码器，输出以当前时刻为起点的预设未来时间段内目标区域的预测城市交通流量。

进一步的，步骤2具体包括：

步骤2.1：在空间上，首先为每个节点分配一个额外的嵌入向量，从而得到初始空间位置嵌入矩阵，然后应用图卷积层进行拉普拉斯平滑，使得每个节点与邻居节点具有相似的表示，在反映图结构信息的同时构建异质空间结构，最终得到空间嵌入矩阵E_SP；

步骤2.2：在时间上，为了有效建模时间序列的顺序信息，给初始序列每个元素都添加一个时间位置嵌入向量，使得相邻元素具有相近的表征；为位置处的输入元素选择固定位置嵌入E_TP，得到时间嵌入矩阵并且每个向量维度1≤d≤d_model如下所示：

其中t是输入中每个元素的相对索引，d表示向量维度，d_model表示模型向量维度；

步骤1.3：将空间嵌入矩阵E_SP和时间嵌入矩阵E_TP添加至交通流量序列之中，得到了保留了节点空间异质性与时间序列顺序特征的交通流量序列：

其中，X表示交通流量序列，X_Sp+TP表示保留了节点空间异质性与时间序列顺序特征的交通流量序列。

进一步的，步骤3具体包括：经过时空嵌入处理的历史交通流量序列，依次输入编码器层中的时间局部卷积多头自注意力模块和空间多视角动态图卷积模块，提取交通数据的时空特征与动态特性：

步骤3.1：构建时间局部卷积多头自注意力模块，为了解决传统多头自注意力机制在交通数据预测中无法感知局部趋势的问题，本方法引入了可以匹配局部最相关特征的时间局部卷积多头自注意力机制，来探究交通序列的时间动态性。利用卷积操作的局部感知特性，使用1D时序卷积计算替换查询和键上的线性投影，该卷积核在卷积操作时仅关注输入中的局部区域，使得模型能够捕捉交通数据中的局部趋势特征以及序列数据中的短期相关性，为了避免在学习过程中，将未来时序信息暴露给模型，影响预测结果，使用因果卷积操作掩盖当前位置之后的信息，更好的捕捉因果关系而不受到未来信息的干扰，局部卷积多头自注意力机制的形式化定义如下：

LCSelfMultiHead(Q,K,V)＝Concat(LChead₁,…,LChead_h)W^O

其中为1D卷积核参数，/>为因果卷积核参数，＊表示卷积运算，第l+1层编码器输入为/>所有节点上进行时间局部卷积多头自注意力操作之后，得到序列的中间表示/>

步骤3.2：构建空间多视角动态图卷积模块，首先建模空间结构图和动态关联图，然后进行空间双视角下的空间结构图卷积和动态关联图卷积运算，计算路网的全局表示学习，最后将学习得到的路网全局表示与空间动态图卷积模块和时序动态图卷积模块的输出进行加权融合。

进一步的，步骤3.2中，所述建模空间结构图和动态关联图具体为：基于静态的空间结构和动态的时序相似分别构建了空间结构图和动态关联图，空间结构图是基于现实静态路网距离和阈值高斯核而构建，准确记录了节点之间的空间位置关系，节点i和j之间的距离矩阵具体定义如下:

其中d_ij代表节点i和节点j之间的距离，σ²为控制矩阵AS分布的阈值，∈为控制邻接矩阵稀疏性的阈值；通过Fast-DTW算法构造节点i和j之间的动态关联矩阵定义/>为:

其中X_i和X_j分别表示节点i和节点j的时间序列，∈为控制邻接矩阵稀疏性的阈值。

进一步的，步骤3.2中，所述进行空间双视角下的空间结构图卷积和动态关联图卷积运算具体为：利用自注意力机制动态计算节点间的空间相关性强度，自适应地调整节点间的连接关系，给定节点的表示以及时间局部卷积多头注意力的输出Z_l，空间注意力相关性权重矩阵的计算如下所示:

其中S_att(i,j)表示节点i和j之间的相关性强度，S_att取值越大表示节点间相关性强度越大，通过空间注意力相关性权重矩阵调节邻接矩阵A，得到动态图卷积模块的输出；

DGCN(Z_l)＝σ((A⊙S_att)Z_lW)

其中⊙表示Hadamard乘积，空间动态图卷积直接使用邻接矩阵A，仅考虑单一的交通路网静态结构，忽略节点之间相似的功能特性以及动态交通模式的影响，因此引入了空间结构矩阵A^S和动态关联矩阵A^D，分别捕获交通数据中静态空间相关性和动态时序相似性，并基于双视角的交通图矩阵，进一步构建了空间结构图卷积模块和动态关联图卷积模块：

经过空间双视角下的动态图卷积，进行空间结构图卷积和动态关联图卷积操作，并输出空间结构图卷积结果和动态关联图卷积结果

进一步的，步骤3.2中，所述计算路网的全局表示学习，最后将学习得到的路网全局表示与空间动态图卷积模块和时序动态图卷积模块的输出进行加权融合，具体为：从节点的全局视角出发，计算路网的全局表示学习用于捕获路网中不同节点之间的全局空间相关性，使用皮尔逊相关系数来分析交通网络中节点之间的全局空间相关性，对于路网中任意节点i和j，构建二者之间的全局相关性矩阵表示如下:

其中X_i＝(x_1,i,x_2,i,…,x_t,i)为节点i在t时间段内的交通流量特征，为X_i的平均值，通过设置相关性阈值k选择高相关性的节点对；若节点之间的相关性度量大于k，则保持其相关性度量值，反之表示为0；

路网的全局表示学习使用图卷积对高相关度的节点特征进行聚合，建模路网全局范围内的节点空间相关性，路网的全局表示学习计算如下：

为了分析交通流量信号在路网全局空间与局部空间传播的动力学特性间的作用和关系，本方法将学习得到的路网全局表示与空间动态图卷积模块和时序动态图卷积模块的输出进行加权融合，实现多元空间特征与全局特征的节点表示，融合操作的定义如下：

其中α,τ∈[0,1]，α为全局表示的融合比例，τ为两种图表示的融合比例，经过融合操作得到空间多视角动态图卷积模块的输出

进一步的，步骤4具体包括：

构建解码器由L个完全相同的解码器层堆叠而成，每个解码器层由两个时间局部卷积多头自注意力模块和一个空间多视角动态图卷积模块组成。基于编码器的输出解码器部分使用另外L个解码层预测未来的时空交通流量序列

第一个时间局部卷积多头自注意力模块用来捕获解码器序列中的时序相关性，第二个时间局部卷积多头自注意力模块用来捕获编码器输出序列和解码器序列之间的相关性，生成的未来序列输入全连接网络映射至指定维度，最后输出指定未来预测步长的预测序列

有益效果：与现有技术相比，本发明具有如下显著优点：

(1)本发明充分考虑了交通路网的静态信息和动态模式，并捕捉到了节点之间的时序相似性关联，不依赖于预定义的静态邻接矩阵，从静态路网和动态模式两个视角分别构建空间距离图和动态相似图；

(2)本发明充分考虑了时间序列中的局部变化趋势信息和因果关系，提出了局部卷积自注意力机制，在捕捉时序变化的过程中还考虑了空间异质性和交通序列顺序信息，设计了动态图卷积网络用于发掘节点空间隐藏的动态空间关联；

(3)本发明充分考虑了路网中局部结构和全局相关性之间的依赖关系，设计了路网全局流量特征计算模块，提升了路网节点特征的表现力，显著提高了模型捕捉路网局部变化和全局依赖性的能力；

(4)本发明在四个真实的交通数据集上验证了本方法的有效性，实验结果表明，本发明提出的多视角融合的时空动态图卷积网络城市交通流量预测模型在城市交通流量预测方面具有较高的准确性和鲁棒性。

附图说明

图1为本发表公开的一种多视角融合的时空动态图卷积网络城市交通流量预测方法的流程图。

图2为本发明公开的一种多视角融合的时空动态图卷积网络方法中的Fast-DTW算法流程图。

图3为本发明公开的一种多视角融合的时空动态图卷积网络方法中的动态图卷积示例图。

图4为本发明公开的一种多视角融合的时空动态图卷积网络方法中的路网全局表示学习示例图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

请参阅图1，所示为本发明中的多视角融合的时空动态图卷积网络城市交通流量预测方法的流程图，该方法包括步骤1至步骤3，其中：

步骤1、使用历史的交通流量数据作为输入，将空间嵌入矩阵和时间嵌入矩阵添加至交通流量序列之中，得到保留节点空间异质性与时间序列顺序特征的交通流量序列；具体的方案，步骤1的具体步骤如下：

步骤1.1：在空间上，首先为每个节点分配一个额外的嵌入向量，从而得到初始空间位置嵌入矩阵，然后应用图卷积层进行拉普拉斯平滑，使得每个节点与邻居节点具有相似的表示，在反映图结构信息的同时构建异质空间结构，最终得到空间嵌入矩阵E_SP。

.

步骤1.2：在时间上，为了有效建模时间序列的顺序信息，给初始序列每个元素都添加一个时间位置嵌入向量，使得相邻元素具有相近的表征。为位置处的输入元素选择固定位置嵌入E_TP，得到时间嵌入矩阵并且每个向量维度1≤d≤d_model如下所示：

E_TP(t,2d)＝sin(t/10000^2d/dmodel)

E_TP(t,2d+1)＝cos(t/10000^2d/dmodel)

其中t是输入中每个元素的相对索引。

步骤1.3：将空间嵌入矩阵E_SP和时间嵌入矩阵E_TP添加至交通流量序列之中，就得到了保留了节点空间异质性与时间序列顺序特征的交通流量序列：

步骤2、将包含空间嵌入矩阵和时间嵌入矩阵的历史交通流量序列输入编码器，编码器由L个完全相同的编码器层堆叠而成，每层均包含两个基本模块：在时间维度上建模交通数据时间依赖关系的时间局部卷积多头自注意力模块、在空间维度上捕获交通数据空间动态特性和时序相似交互特征的空间多视角动态图卷积模块，通过编码器提取时空特征；具体的方案，步骤2的具体步骤如下：

经过时空嵌入处理的历史交通流量序列，依次输入编码器层中的时间局部卷积多头自注意力模块和空间多视角动态图卷积模块，提取交通数据的时空特征与动态特性。

步骤2.1：构建时间局部卷积多头自注意力模块，为了解决传统多头自注意力机制在交通数据预测中无法感知局部趋势的问题，本方法引入了可以匹配局部最相关特征的时间局部卷积多头自注意力机制，来探究交通序列的时间动态性。利用卷积操作的局部感知特性，使用1D时序卷积计算替换查询和键上的线性投影。该卷积核在卷积操作时只关注输入中的局部区域，使得模型能够捕捉交通数据中的局部趋势特征以及序列数据中的短期相关性。为了避免在学习过程中，将未来时序信息暴露给模型，影响预测结果，使用因果卷积操作掩盖当前位置之后的信息，更好的捕捉因果关系而不受到未来信息的干扰。局部卷积多头自注意力机制的形式化定义如下。

LCSelfMultiHead(Q,K,V)＝Concat(LChead₁,…,LChead_h)W^O

其中为1D卷积核参数，/>为因果卷积核参数，＊表示卷积运算。第l+1层编码器输入为/>所有节点上进行时间局部卷积多头自注意力操作之后，得到序列的中间表示/>

步骤2.2：构建空间多视角动态图卷积模块，首先建模了空间结构图和动态关联图，然后进行空间双视角下的空间结构图卷积和动态关联图卷积运算，计算路网的全局表示学习，最后将学习得到的路网全局表示与空间动态图卷积模块和时序动态图卷积模块的输出进行加权融合。

交通图构建：基于静态的空间结构和动态的时序相似分别构建了空间结构图和动态关联图，空间结构图是基于现实静态路网距离和阈值高斯核(thresholded Gaussiankernel)而构建，准确记录了节点之间的空间位置关系。节点i和j之间的距离矩阵具体定义如下:

其中d_ij代表节点i和节点j之间的距离，σ²为控制矩阵A^S分布的阈值，∈为控制邻接矩阵稀疏性的阈值。

请参阅图2，通过Fast-DTW算法构造节点i和j之间的动态关联矩阵定义/>为:

其中X_i和X_j分别表示节点i和节点j的时间序列，∈为控制邻接矩阵稀疏性的阈值。

请参阅图3，构建空间多视角动态图卷积，为了捕捉路网中的节点之间的动态空间关联，本方法设计了空间双视角下的动态图卷积，利用自注意力机制动态计算节点间的空间相关性强度，自适应地调整节点间的连接关系。给定节点的表示以及时间局部卷积多头注意力的输出Z_l，空间注意力相关性权重矩阵的计算如下所示:

其中S_att(i,j)表示节点i和j之间的相关性强度，S_att取值越大表示节点间相关性强度越大。通过空间注意力相关性权重矩阵调节邻接矩阵A，得到动态图卷积模块的输出。

DGCN(Z_l)＝σ((A⊙S_att)Z_lW)

其中⊙表示Hadamard乘积，空间动态图卷积直接使用邻接矩阵A，只考虑单一的交通路网静态结构，忽略了节点之间相似的功能特性以及动态交通模式的影响，因此引入了空间结构矩阵A^S和动态关联矩阵A^D，分别捕获交通数据中静态空间相关性和动态时序相似性，并基于双视角的交通图矩阵，进一步构建了空间结构图卷积模块和动态关联图卷积模块。

经过空间双视角下的动态图卷积，进行空间结构图卷积和动态关联图卷积操作，并输出空间结构图卷积结果和动态关联图卷积结果

请参阅图4，构建全局表示学习模块，从节点的全局视角出发，计算路网的全局表示学习用于捕获路网中不同节点之间的全局空间相关性。本方法使用皮尔逊相关系数来分析交通网络中节点之间的全局空间相关性。对于路网中任意节点i和j，构建二者之间的全局相关性矩阵表示如下:

其中X_i＝(x_1,i,x_2,i,…,x_t,i)为节点i在t时间段内的交通流量特征，为X_i的平均值。通过设置相关性阈值k选择高相关性的节点对。若节点之间的相关性度量大于k，则保持其相关性度量值，反之表示为0。

路网的全局表示学习使用图卷积对高相关度的节点特征进行聚合，建模路网全局范围内的节点空间相关性。路网的全局表示学习计算如下:

为了分析交通流量信号在路网全局空间与局部空间传播的动力学特性间的作用和关系，本方法将学习得到的路网全局表示与空间动态图卷积模块和时序动态图卷积模块的输出进行加权融合，实现多元空间特征与全局特征的节点表示。融合操作的定义如下:

其中α,τ∈[0,1]，α为全局表示的融合比例，τ为两种图表示的融合比例，经过融合操作得到空间多视角动态图卷积模块的输出

Claims (7)

1.一种多视角融合的时空动态图卷积网络城市交通流量预测方法，其特征在于，针对目标区域，执行以下步骤，获得以当前时刻为起点的预设未来时间段内目标区域的预测城市交通流量：

步骤1：针对目标区域，采集以当前时刻为终点的预设历史时间段内各采样时刻分别对应的历史交通流量数据；

步骤2：在步骤1采集到的历史交通流量数据中添加空间嵌入矩阵和时间嵌入矩阵，得到各个保留节点空间异质性与时间序列顺序特征的历史交通流量序列；

步骤3：构建编码器：编码器由L个完全相同的编码器层堆叠构成，每个编码器层均包含两个基本模块：在时间维度上建模交通数据时间依赖关系的时间局部卷积多头自注意力模块、在空间维度上捕获交通数据空间动态特性和时序相似交互特征的空间多视角动态图卷积模块；将步骤2得到的各个保留节点空间异质性与时间序列顺序特征的历史交通流量序列输入编码器中提取时空特征，输出各个历史交通流量时空特征序列；

步骤4：构建解码器：编码器由L个完全相同的解码器层堆叠构成，每个解码器层由两个时间局部卷积多头自注意力模块和一个空间多视角动态图卷积模块组成，第一个时间局部卷积多头自注意力模块用来捕获解码器序列中的时序相关性，第二个时间局部卷积多头自注意力模块用来捕获编码器输出历史交通流量时空特征序列和解码器序列之间的相关性；将步骤2的各个保留节点空间异质性与时间序列顺序特征的历史交通流量序列和步骤3的各个历史交通流量时空特征序列输入解码器，输出以当前时刻为起点的预设未来时间段内目标区域的预测城市交通流量。

2.根据权利要求1所述的一种多视角融合的时空动态图卷积网络城市交通流量预测方法，其特征在于，步骤2具体包括：

步骤2.1：在空间上，首先为每个节点分配一个额外的嵌入向量，从而得到初始空间位置嵌入矩阵，然后应用图卷积层进行拉普拉斯平滑，使得每个节点与邻居节点具有相似的表示，在反映图结构信息的同时构建异质空间结构，最终得到空间嵌入矩阵E_SP；

步骤2.2：在时间上，为了有效建模时间序列的顺序信息，给初始序列每个元素都添加一个时间位置嵌入向量，使得相邻元素具有相近的表征；为位置处的输入元素选择固定位置嵌入E_TP，得到时间嵌入矩阵并且每个向量维度1≤d≤d_model如下所示：

其中t是输入中每个元素的相对索引，d表示向量维度，d_model表示模型向量维度；

步骤1.3：将空间嵌入矩阵E_SP和时间嵌入矩阵E_TP添加至交通流量序列之中，得到了保留了节点空间异质性与时间序列顺序特征的交通流量序列：

其中，X表示交通流量序列，X_Sp+TP表示保留了节点空间异质性与时间序列顺序特征的交通流量序列。

3.根据权利要求1所述的一种多视角融合的时空动态图卷积网络城市交通流量预测方法，其特征在于，步骤3具体包括：经过时空嵌入处理的历史交通流量序列，依次输入编码器层中的时间局部卷积多头自注意力模块和空间多视角动态图卷积模块，提取交通数据的时空特征与动态特性：

步骤3.1：构建时间局部卷积多头自注意力模块，利用卷积操作的局部感知特性，使用1D时序卷积计算替换查询和键上的线性投影，该卷积核在卷积操作时仅关注输入中的局部区域，使得模型能够捕捉交通数据中的局部趋势特征以及序列数据中的短期相关性，为了避免在学习过程中，将未来时序信息暴露给模型，影响预测结果，使用因果卷积操作掩盖当前位置之后的信息，更好的捕捉因果关系而不受到未来信息的干扰，局部卷积多头自注意力机制的形式化定义如下：

LCSelfMultiHead(Q,K,V)＝Concat(LChead₁,…,LChead_h)W^O

其中为1D卷积核参数，/>为因果卷积核参数，＊表示卷积运算，第l+1层编码器输入为/>所有节点上进行时间局部卷积多头自注意力操作之后，得到序列的中间表示

步骤3.2：构建空间多视角动态图卷积模块，首先建模空间结构图和动态关联图，然后进行空间双视角下的空间结构图卷积和动态关联图卷积运算，计算路网的全局表示学习，最后将学习得到的路网全局表示与空间动态图卷积模块和时序动态图卷积模块的输出进行加权融合。

4.根据权利要求3所述的一种多视角融合的时空动态图卷积网络城市交通流量预测方法，其特征在于，步骤3.2中，所述建模空间结构图和动态关联图具体为：基于静态的空间结构和动态的时序相似分别构建了空间结构图和动态关联图，空间结构图是基于现实静态路网距离和阈值高斯核而构建，准确记录了节点之间的空间位置关系，节点i和j之间的距离矩阵具体定义如下:

其中d_ij代表节点i和节点j之间的距离，σ²为控制矩阵A^S分布的阈值，∈为控制邻接矩阵稀疏性的阈值；通过Fast-DTW算法构造节点i和j之间的动态关联矩阵定义/>为:

其中X_i和X_j分别表示节点i和节点j的时间序列，∈为控制邻接矩阵稀疏性的阈值。

5.根据权利要求3所述的一种多视角融合的时空动态图卷积网络城市交通流量预测方法，其特征在于，步骤3.2中，所述进行空间双视角下的空间结构图卷积和动态关联图卷积运算具体为：利用自注意力机制动态计算节点间的空间相关性强度，自适应地调整节点间的连接关系，给定节点的表示以及时间局部卷积多头注意力的输出Z_l，空间注意力相关性权重矩阵的计算如下所示:

其中S_att(i,j)表示节点i和j之间的相关性强度，S_att取值越大表示节点间相关性强度越大，通过空间注意力相关性权重矩阵调节邻接矩阵A，得到动态图卷积模块的输出；

DGCN(Z_l)＝σ((A⊙S_att)Z_lW)

其中⊙表示Hadamard乘积，空间动态图卷积直接使用邻接矩阵A，仅考虑单一的交通路网静态结构，忽略节点之间相似的功能特性以及动态交通模式的影响，因此引入了空间结构矩阵A^S和动态关联矩阵A^D，分别捕获交通数据中静态空间相关性和动态时序相似性，并基于双视角的交通图矩阵，进一步构建了空间结构图卷积模块和动态关联图卷积模块：

经过空间双视角下的动态图卷积，进行空间结构图卷积和动态关联图卷积操作，并输出空间结构图卷积结果和动态关联图卷积结果

6.根据权利要求3所述的一种多视角融合的时空动态图卷积网络城市交通流量预测方法，其特征在于，步骤3.2中，所述计算路网的全局表示学习，最后将学习得到的路网全局表示与空间动态图卷积模块和时序动态图卷积模块的输出进行加权融合，具体为：从节点的全局视角出发，计算路网的全局表示学习用于捕获路网中不同节点之间的全局空间相关性，使用皮尔逊相关系数来分析交通网络中节点之间的全局空间相关性，对于路网中任意节点i和j，构建二者之间的全局相关性矩阵表示如下:

其中X_i＝(x_1,i,x_2,i,…,x_t,i)为节点i在t时间段内的交通流量特征，为X_i的平均值，通过设置相关性阈值k选择高相关性的节点对；若节点之间的相关性度量大于k，则保持其相关性度量值，反之表示为0；

路网的全局表示学习使用图卷积对高相关度的节点特征进行聚合，建模路网全局范围内的节点空间相关性，路网的全局表示学习计算如下：

将学习得到的路网全局表示与空间动态图卷积模块和时序动态图卷积模块的输出进行加权融合，实现多元空间特征与全局特征的节点表示，融合操作的定义如下：

其中α,τ∈[0,1]，α为全局表示的融合比例，τ为两种图表示的融合比例，经过融合操作得到空间多视角动态图卷积模块的输出

7.根据权利要求1所述的一种多视角融合的时空动态图卷积网络城市交通流量预测方法，其特征在于，步骤4具体包括：

构建解码器由L个完全相同的解码器层堆叠而成，每个解码器层由两个时间局部卷积多头自注意力模块和一个空间多视角动态图卷积模块组成，基于编码器的输出解码器部分使用另外L个解码层预测未来的时空交通流量序列/>

第一个时间局部卷积多头自注意力模块用来捕获解码器序列中的时序相关性，第二个时间局部卷积多头自注意力模块用来捕获编码器输出序列和解码器序列之间的相关性，生成的未来序列输入全连接网络映射至指定维度，最后输出指定未来预测步长的预测序列