CN116959257A - 基于自适应图嵌入的起始地-目的地时间预测方法和装置 - Google Patents

Abstract

本发明提出了一种基于自适应图嵌入的起始地‑目的地时间预测方法和装置，属于智能交通时间预测领域。包括得到包含时间戳、区、经纬度和车辆平均速度等卡口传感器信息；基于获取到的数据提取内部属性和外部属性特征。构建了“时隙‑路段‑速度”的非负张量，通过张量分解得到一个稠密的张量。通过混合神经网络，来有效提取给定轨迹的行驶速度特征。针对路网的时空特征，构造自适应路网邻接矩阵，有效捕获动态路网结构的特征。采用注意力机制自动分配外部属性的影响权重，提高模型预测的精确度。该模型表示，准确、可靠的行程时间预测是构建智能交通系统不可或缺的部分，可应用于人们日常出行和交通管理部门制定方案等。

Description

基于自适应图嵌入的起始地-目的地时间预测方法和装置

技术领域

本发明属于智能交通时间预测领域，尤其涉及城市交通系统中基于自适应图嵌入的起始地-目的地时间预测方法和装置。

背景技术

起始地-目的地(Origin-Destination，OD)时间预测已成为智能交通系统的核心研究热点。准确、可靠的OD时间对实施路线规划、导航服务和居民出行具有重要作用。并且有助于更好地规划路线并避免拥挤的道路。例如，为交通管理部门制定更好设计方案提供支持；为人们提供高效的出行方案。然而，由于OD时间预测的精度受到多种内外部因素的影响，如何精准的预测OD时间受到越来越多学者的关注。

近年来，国内外学者对OD时间预测进行了广泛的研究。目前，OD时间预测研究方法主要可分为两类：基于路径时间预测，将路径划分为几个子路段，对所有子路段的行程时间求和来获取整个路径的行驶时间。通过机器学习中线性回归、张量分解等算法进行OD时间的预估；基于深度学习时间预测，通过构建深度神经网络处理具有挑战性的时空数据挖掘任务，通过对历史数据的分析，实现对OD时间较准确的预测。

在早期的OD时间预测中，由于交通数据获取途径困难，多采用统计学的方法进行预测。但在现实生活中，城市道路纵横交错，会经常出现一些道路车辆繁多、交通拥堵，而部分道路却车流量很少，携带有GPS等记录功能的车辆更稀少。因此，早期预测存在较大的误差。而如今随着人工智能的发展，深度学习技术出现在各类研究中，并且深度学习各个领域都取得了重大突破。通过深度学习构建的OD时间模型不仅可以充分分析历史交通上数据的时空相关性，还可以考虑外部因素对OD时间的影响。

虽然基于深度学习的OD时间预测已经取得了显著的成果，但是结合当前对于预测OD时间已有的研究情况，发现OD时间预测仍存在以下挑战：

1、交通轨迹有效数据的稀疏性问题。交通数据虽然庞大，然而交通轨迹的时空覆盖率有限，且影响车辆行驶轨迹方向的点较少。从而导致有效交通数据非常稀疏，给模型的学习能力带来了较大的挑战。

2、城市道路结构具有复杂的时空特性。不同时刻同一路段的时空相关性和相同时刻不同路段的时空相关性无明显规律可寻。如何提取路段复杂的时空特征是OD时间预估的需要解决的问题。

3、外部动静态属性对预估模型的影响。天气、距离等外部因素的变化会导致OD时间的变化，这些外部动静态属性势必影响模型的预估精确。如何权衡外部动静态因素是当前研究的关键问题。

发明内容

为了解决上述问题，本发明提供了一种基于自适应图嵌入的起始地-目的地时间预测方法和装置。本发明对交通数据的时空特征进行分析，提取交通数据的速度特征，并挖掘路网结构隐藏的时空特征，结合影响预测OD时间的外部属性，可更精准地预测出OD出行时间。

在本发明的第一方面，本发明提供了一种基于自适应图嵌入的起始地-目的地时间预测方法；所述方法包括：

获取原始交通数据，并对所述原始交通数据进行预处理；所述原始交通数据包括交通路网信息和道路交通数据；

根据所述原始交通数据，提取出内部属性信息和外部属性信息，所述内部属性信息包括路网结构、路网邻接矩阵、路网卡口点和；所述外部属性信息包括外部属性权重矩阵；

根据所述内部属性信息，构建“时隙-路段-速度”的非负张量，对所述非负张量进行张量分解，提取出路网速度特征向量；

根据所述内部属性信息，构建自适应路网邻接矩阵，提取出路网时空特征向量；

根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数；

基于各个时刻局部路段的注意力权重系数，对所述路网时空特征向量进行处理，融合得到外部属性加权的路网时空特征向量；

将所述路网速度特征向量和外部属性加权的路网时空特征向量进行融合，预测得到起始地-目的地时间值。

在本发明的第二方面，本发明还提供了一种基于自适应图嵌入的起始地-目的地时间预测装置；所述装置包括：

数据采集模块，用于获取原始交通数据，并对所述原始交通数据进行预处理；所述原始交通数据包括交通路网信息和道路交通数据；

数据提取模块，用于根据所述原始交通数据提取出内部属性信息和外部属性信息，所述内部属性信息包括路网结构、路网邻接矩阵、路网卡口点；所述外部属性信息包括外部属性权重矩阵；

数据处理模块，用于根据所述内部属性信息，构建“时隙-路段-速度”的非负张量，对所述非负张量进行张量分解，提取出路网速度特征向量；根据所述内部属性信息，构建自适应路网邻接矩阵，提取出路网时空特征向量；根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数；基于各个时刻局部路段的注意力权重系数，对所述路网时空特征向量进行处理，融合得到外部属性加权的路网时空特征向量；

数据预测模块，用于将所述路网速度特征向量和外部属性加权的路网时空特征向量进行融合，预测得到起始地-目的地时间值。

本发明的有益效果：

本发明首先对交通数据做简单的清洗和过滤，考虑到交通数据的稀疏性，使用张量对有限的交通数据进行数据补偿。然后根据路网的结构特征，构建一种自适应的时空A-SDNE组件也即基于自适应路网邻接矩阵的自编码器结构，有效捕获动态路网结构的特征。最后，考虑到外部属性会对预测产生影响，利用注意力机制自动调整外部影响因素的权重系数，融入外部属性特征，预测出OD时间。

附图说明

图1是本发明实施例的起始地-目的地时间预测框架示意图；

图2是本发明实施例的起始地-目的地时间预测方法流程图；

图3是本发明实施例的非负张量构建图；

图4是本发明实施例的A-SDNE组件图。

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。

图1是本发明实施例的起始地-目的地时间预测框架示意图，如图1所示。表明本发明的输入是智能交通系统下的车辆轨迹、道路网络和内外部属性信息，经过模型后的输出是OD时间预测的值。

图2是本发明实施例的，起始地-目的地时间预测方法流程图，如图2所示，所述方法包括：

101、获取原始交通数据，并对所述原始交通数据进行预处理；所述原始交通数据包括交通路网信息和道路交通数据；在本发明实施例中，获取数据可以通过企业提供的数据查询API或直接下载现有的数据源得到包含时间戳、区、经纬度和车辆平均速度等卡口传感器信息。然后对数据进行预处理包括删除无效的数据和重复的数据等。

在本发明实施例中，对于获取数据，还可以分为以下2个步骤：

S11：获取原始数据。通过企业提供的数据查询API或直接下载现有的数据源。

S12：简单的数据处理清洗。通常由于获取的原始数据重复性与无关性较高，不能直接用于数据分析。通过简单的数据清洗可以使大部分非结构化数据结构化，使得异常值或空值不再出现，增加后续生成数据的准确性。

102、根据所述原始交通数据，提取内部属性信息和外部属性信息，所述内部属性信息包括路网结构、路网邻接矩阵、路网卡口点；所述外部属性信息包括外部属性权重矩阵；

在本发明实施例中，需要从所述原始交通数据中获得信息相关属性。也即是对预处理后的交通数据提取内部属性，构建交通路网图和其邻接矩阵。提取交通数据的外部属性，构建外部属性矩阵。

对于上述步骤102的提取相关属性。主要分以下2个步骤，也即提取内部属性信息和提取外部属性信息。

在智能交通中，OD时间的预测受多方面因素影响，比如：车辆的行驶速度、交通路网结构、外部动静态属性、路段流量的时空关系等。基于此，本发明从内部和外部因素两个方面，提取相关属性，具体如下：

S21：提取内部因素

S211：交通路网G＝(V，E)及邻接矩阵

为了更形象的观测道路之间的结构关系，本发明中将城市的路网结构用G＝(V,E)来表示。其中，V＝{v₁,v₂,…,v_n}表示路段的集合，n为路段个数。E＝{e₁,e₂,…,e_m}表示边的集合，m表示边的个数。路网的连通性用邻接矩阵A表示，a_ij表示路段与路段之间的连通关系为：

S212：路网卡口点p_n

路网卡口点表示车辆在路网行驶中经过的卡口，车辆经过的第n个卡口表示为p_n＝(x_n,y_n,v_n,t_n)。其中，x_n表示车辆经过卡口的经度，y_n表示车辆经过卡口的纬度，v_n表示车辆经过卡口的速度，t_n表示车辆经过卡口的时间戳。

S213：车辆轨迹T_r

车辆轨迹T_r＝{p₁,p₂,p₃,…,p_n}表示车辆在路网中行驶的路径。其中，p_i表示车辆进入路网经过的第i个卡口。p₁到p_n的顺序包含车辆在路网中行驶的完整轨迹。

S22：提取外部因素

S221：外部属性矩阵X

对于POI、节假日、天气等外部动静态属性的变化会导致OD时间的变化，这些外部动静态属性势必影响模型的预估精确。不同的外部属性在不同的时间段内对结果的预测存在不同的影响，因此构建外部属性权重矩阵X，表示在每个时间段内，外部属性的作用结果。表示为：

其中，x_ij表示第i个外部属性在第j个时间段内影响OD时间预测的权重系数。

为了建立模型，首先使用张量分解处理稀疏的交通数据，利用CNN-LSTM提取路段速度的时空特征。然后构建一种自适应的时空A-SDNE组件，有效捕获动态路网结构的特征。最后，利用注意力机制自动调整外部影响因素的权重系数，融入外部属性特征预测出OD时间。具体的，该模型主要分为三个阶段：路网速度特征提取、路网时空特征提取、融入外部属性特征和模型算法设计。第一阶段，处理有效交通数据中的稀疏问题，构建了“时隙-路段-速度”的非负张量，通过张量分解得到一个稠密的张量。并设计了混合神经网络模型，以基于张量来有效提取给定轨迹的行驶速度特征。第二阶段，针对路网的时空特征，构造自适应时空的A-SDNE组件，有效捕获动态路网结构的特征。第三阶段，构造基于注意力机制外部属性融合模块，自动分配外部属性的影响权重，提高模型预测的精确度。以下将对上述阶段进行详细说明：

103、根据所述内部属性信息，构建“时隙-路段-速度”的非负张量，对所述非负张量进行张量分解，提取出路网速度特征向量；

S31：路网速度特征提取

S311：构建了“时隙-路段-速度”的非负张量C

将路网划分为N×N的网格，记录网格中车辆行驶的速度特征。在t时刻对某个路段的OD时间进行预估，构建一个速度存储矩阵I^n×m用于存储(t-1,t]时刻每个网格的速度值。在速度存储矩阵I^n×m中，n的值为N×N，表示将市划分的路段个数，m表示1小时划分为m时段。考虑到在交通轨迹中数据的稀疏性，导致大量路段可能并没有速度的数据，本发明使用0来填充速度数据。由于交通数据具有周期性，使用同样的方法构建一个历史速度存储矩阵K^n×m用于存储前一周的(t-1,t]时刻每个网格的速度值。考虑到速度存储矩阵I和历史速度存储矩阵矩阵K具有相同的结构，构建一个混合速度存储矩阵J来组合他们的信息，如图3所示。矩阵J的值计算方式如下：

因此，构建了“时隙-路段-速度”张量C∈R^n×m×3。

S312：非负张量分解

对所述非负张量进行张量分解包括将所述非负张量分解为误差张量，以及与由时隙非负因子矩阵、路段非负因子矩阵、速度非负因子矩阵构成的分解张量之和；通过基于欧式距离的损失代价函数迭代计算出误差张量；通过最小化两次相邻迭代后的误差张量差值，得到最优的分解张量，具体的：

为使原始张量C与分解张量之间的误差范数尽可能小，即满足：

在给定的原始张量C∈R^n×m×3中，设置三个非负因子矩阵使得：

其中，E∈R^n×m×3为误差张量，r表示张量C的秩，表示张量外积。为了使得每个网格中的速度值更加接近于真实速度值，本发明使用基于欧式距离的损失代价函数为：

在对网格中速度为0的数据进行处理时，利用式(4)的张量分解方法迭代计算每个缺失值。该过程满足:

其中，C_θ表示为缺失值，C_β表示非零值。表示第α+1次迭代值，当连续两次迭代过程差值满足收敛条件时，则终止迭代，从而得到一个新的张量/>

S313：速度特征的向量表示

所述提取出路网速度特征向量包括将最优的分解张量输入到卷积神经网络中，经过一维卷积滤波器处理后得到更新后的速度特征序列；将更新后的速度特征序列输入到长短时记忆神经网络中，经过输入门、遗忘门和输出门后，得到各个时刻网格的速度特征向量。

对于给定的在t时刻的轨迹T_r:p₁→p₂→…→p_n，为了捕获该轨迹所经过路网的速度变化趋势，在原始的速度序列/>使用基于CNN-LSTM的混合神经网络模型来预测。在序列/>上使用一维卷积滤波器，参数矩阵W_conv∈R^k×m(k表示卷积核的大小)。序列/>可以看作3通道的输入，经过一维卷积滤波器处理后，速度序列/>输出的/>的速度特性应满足：

它记录了网格的速度特征。其中，‘tanh’代表激活函数，b是偏置项，‘*’代表卷积运算。为了捕获网格中行驶速度的长期时间特征，将处理后的上述得到的速度序列输入到LSTM中。速度序列通过遗忘门，在t时刻该门输入上一刻的速度特征h_t-1和当前的速度特征/>经过激活函数σ输出f∈[0,1]。其中0表示t时刻的速度信息完全舍弃，1表示完全保留。

对于t时刻的输入的速度特征信息，模型要选择记忆的部分进行信息保留，保留的信息用i_t表示。并将要保留的信息用tanh函数转换为可添加的信息形式

利用公式(8)计算出的要遗忘的值f_t，公式(11)-(13)计算出的要记忆的新信息便能更新t时刻的隐藏状态为C_t。

最后，计算出要保留的内容O_t，再用tanh函数激活为保存的信息形式，确定该细胞要保留的信息，并输出最终保留的内容h_t。

其中，W_f、W_i、W_o、W_C代表模型将对神经元中的遗忘门权重，输入门权重，输出门权重，当前状态权重。b_f、b_i、b_c、b_o则表示其各个“门”对应的偏移量。经过上述处理，得到了t时刻网格的速度特征，其中p_i∈[p₁,p_Tr]。

104、根据所述内部属性信息，构建自适应路网邻接矩阵，提取出路网时空特征向量；

S41：路网时空特征提取

S411：自适应邻接矩阵构建

路网中的空间关系是不确定的，路网中的节点除与上下游节点密切相关外，还与路网中重要路段节点相关。但是这些节点可能相距较远，无法体现其相关性。因此，本发明使用了自适应矩阵处理固定拓扑结构的提取特征不足问题。自适应邻接矩阵在全局范围内进行空间特征学习，其表达式为：

在本发明中，自适应矩阵是通过随机初始化两个具有可学习得参数矩阵E₁∈R^N×c和实现的，由于空间依赖通常是非线性的，所以使用ReLU函数消除路网中相关性弱的连接。其中，c表示节点的c维特征，E₁表示起点所在节点的嵌入，E₂表示终点所在节点的嵌入。

S412：路段邻接度S

路段邻接度S表示某两个路段结构特征的相似程度。路段邻接度的定义为：

如果路段i和路段j相邻，则路段的相似度S＝1，表示一阶邻接；如果路段i和路段j有共同的下游路段，但是路段i和路段j并没有连接，则路段的相似度S＝2，表示二阶邻接。

S323：路网空间特征提取

为了捕获路网的局部特征和全局特征，本发明定义一阶邻接和二阶邻接的关系来丰富路网结构，使用A-SDNE组件可以更精准的捕获路网的结构特征。SDNE作为一种自编码器结构，由编码器和解码器组成。编码器负责将输入数据映射到低维向量，而解码器负责将低维向量映射到原始表示空间。通过公式(14)得到自适应的路网邻接矩阵，对路网中轨迹Tr多经过的邻域节点通过编码与解码。其中，一阶邻近关系通过监督学习来捕获路网的局部结构，二阶邻近关系通过无监督学习用来捕获路网的全局结构，在半监督的深度神经网络中联合优化它们，可以使模型有效捕获路网的局部特征和全局特征，提取过程如图4所示。

预测轨迹Tr所经过的网格的邻域节点/>编码器的过程可以表示为：

其中，M是一个可学习的参数矩阵，l表示节点，b表示偏置项，σ表示“Sigmoid”激活函数。

一阶邻近关系来衡量路段的局部特征，与深层编码器的编码有关。如果说明网格i和网格j在道路网络中存在上下游的关系，则网格i和网格j经过深层编码器得到应该有相似性。若输入向量为/>编码层编码为/>则一阶损失函数定义为:

二阶邻近关系来衡量路段的全局特征，与解码器的编码有关。自动编码器结构的目标是最小化输入数据和输出的重建损失。因此，每个节点通过解码器得到的矩阵应与输入的向量/>相似，从而保证编码器的编码效果，即：

其中，"⊙"表示Hadamard积；若/>则b_i,j＝1。若/>则b_i,j＝θ>1。输入向量/>与输出向量/>的差值与b_i的Hadamard积，使损失函数更加关注路网中路段的还原度，从而提高了路段在稀疏路网中的重要性。

综上，A-SDNE组件的损失函数定义为：

loss＝αloss_1st+βloss_2nd+loss_reg (20)

其中，α,β为超参数。loss_reg是防止过度拟合的正则化项。满足以下等式：

M^k表示第k层编码器参数，表示第k层解码器参数。

S414：路网结构空间表示向量

在最小化损失函数后，得到每个网格对应的低维向量该向量包含了路网的局部特征和全局特征。为了得到更细粒度的路网信息，将每个网格的低维向量表示与轨迹Tr中每个卡口p_i的经纬度相结合，通过全连接层。每个网格的结构特征具体可以表示为：

其中，表示每个卡口p_i的经纬度。W_loc是一个可学习的参数矩阵，b是偏置项。

S415：路网结构时空表示向量

所述提取出路网时空特征向量包括采用自适应路网邻接矩阵对路网中轨迹经过的一阶邻域节点和二阶邻域节点进行编码和解码；通过最小化一阶损失函数、二阶损失函数与正则化损失函数之和，得到每个网格的局部特征和全局特征；将每个网格的局部特征和全局特征与轨迹中每个卡口的经纬度相结合，通过全连接层得到每个网格的结构特征；将每个网格的结构特征输入到门控循环单元中，通过更新门和重置门处理，经过激活函数处理后输出路网时空特征向量。

为了捕获了行驶轨迹Tr的时空信息，将公式(22)中所得到轨迹Tr邻域的路网结构信息输入到GRU中，路网结构信息通过“更新门r_t”和“重置门z_t”。在t时刻，“更新门r_t”和“重置门z_t”输入上一刻的路网结构信息/>和当前的路网结构信息/>经过激活函数σ输出r_t,z_t∈[0,1]。其中0表示t时刻的路网结构信息完全舍弃，1表示完全保留。

对于t时刻输入的路网结构信息，模型要选择记忆的部分进行信息保留，需要保留的信息用表示。并将要保留的信息用tanh函数转换为可添加的信息形式h_t。

最后，确定输出路网结构最终要保留的内容

其中，W_r,W_z,W_o代表模型输入的权重矩阵。经过上述处理，得到了行驶轨迹Tr的路网结构时空信息/>其中/>

105、根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数；S51：注意力权重系数

为了学习权重系数α，本发明考虑了局部路径的空间信息，以及POI、工作日、天气条件等外部因素。表示t时刻轨迹Tr的路网结构信息。在t时刻，输入的外部动静态属性X捕获了外部动静态因素的影响，路网结构的时空信息/>捕获了路网的特征。因此，本发明的注意力机制是建立在外部动静态属性和路网的时空特征信息之上，其计算公式为：

其中，z_i表示路段节点p_i的注意力向量，<,>是内积运算符，σ_attr是一个非线性映射，它将向量X映射为与长度相同的向量。α_i为对路段节点p_i影响的权重系数，所有的α_i的和等于1。

106、基于各个时刻局部路段的注意力权重系数，对所述路网时空特征向量进行处理，融合得到外部属性加权的路网时空特征向量；

S61：外部属性表示h_attr

为了解决外部动静态属性对预估结果的影响，本发明使用注意力机制，调整外部影响因素的权重系数，得到更加精确的外部环境信息特征表示h_attr，h_attr的计算过程可以表示为：

将公式(27)带入公式(28)中，得到基于注意力机制的外部属性表示h_attr。

107、将所述路网速度特征向量和外部属性加权的路网时空特征向量进行融合，预测得到起始地-目的地时间值。

S71：OD时间预测值T_pre

在得到外部环境信息特征后，将路网的速度特征和外部环境信息h_attr做融合。t时刻，行驶轨迹Tr的时空序列/>可以表示为：

其中，‘*’表示连接。将连接后的时空序列输入到BiLSTM中，得到时间序列计算公式为：

得到序列后，车辆的行程时间预估值可以表示为：

车辆的行程时间预估问题就转化为了T_pre与序列之间的回归问题。因此，根据序列/>可以构造一个向量/>表示车辆从起点到采样点p_i的行进时间，其中/>最后，使用平均绝对百分比误差来训练模型，OD时间预测的损失函数Γ：

其中，是地面实况的车辆从起点到采样点p_i的行进时间向量。

在本发明的第二方面，本发明还提供了一种基于自适应图嵌入的起始地-目的地时间预测装置；所述装置包括：

数据采集模块，用于获取原始交通数据，并对所述原始交通数据进行预处理；所述原始交通数据包括交通路网信息和道路交通数据；

数据提取模块，用于根据所述原始交通数据提取出内部属性信息和外部属性信息，所述内部属性信息包括路网结构、路网邻接矩阵、路网卡口点和路网邻接度；所述外部属性信息包括外部属性权重矩阵和外部属性；

数据处理模块，用于根据所述内部属性信息，构建“时隙-路段-速度”的非负张量，对所述非负张量进行张量分解，提取出路网速度特征向量；根据所述内部属性信息，构建自适应路网邻接矩阵，提取出路网时空特征向量；根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数；基于各个时刻局部路段的注意力权重系数，对所述路网时空特征向量进行处理，融合得到外部属性加权的路网时空特征向量；

数据预测模块，用于将所述路网速度特征向量和外部属性加权的路网时空特征向量进行融合，预测得到起始地-目的地时间值。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于自适应图嵌入的起始地-目的地时间预测方法，其特征在于，所述方法包括：

获取原始交通数据，并对所述原始交通数据进行预处理；所述原始交通数据包括交通路网信息和道路交通数据；

根据所述原始交通数据，提取内部属性信息和外部属性信息，所述内部属性信息包括路网结构、路网邻接矩阵、路网卡口点；所述外部属性信息包括外部属性权重矩阵；

根据所述内部属性信息，构建“时隙-路段-速度”的非负张量，对所述非负张量进行张量分解，提取出路网速度特征向量；

根据所述内部属性信息，构建自适应路网邻接矩阵，提取出路网时空特征向量；

根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数；

基于各个时刻局部路段的注意力权重系数，对所述路网时空特征向量进行处理，融合得到外部属性加权的路网时空特征向量；

将所述路网速度特征向量和外部属性加权的路网时空特征向量进行融合，预测得到起始地-目的地时间值。

2.根据权利要求1所述的一种基于自适应图嵌入的起始地-目的地时间预测方法，其特征在于，所述构建“时隙-路段-速度”的非负张量包括将路网结构划分为多个网格，根据每个时刻下每个网格的速度构建出历史速度存储矩阵和实时速度存储矩阵；将历史速度存储矩阵和实时速度存储矩阵构成混合速度存储矩阵；将所述混合速度存储矩阵映射为非负张量。

3.根据权利要求1所述的一种基于自适应图嵌入的起始地-目的地时间预测方法，其特征在于，对所述非负张量进行张量分解包括将所述非负张量分解为误差张量，以及与由时隙非负因子矩阵、路段非负因子矩阵、速度非负因子矩阵构成的分解张量之和；通过基于欧式距离的损失代价函数迭代计算出误差张量；通过最小化两次相邻迭代后的误差张量差值，得到最优的分解张量。

4.根据权利要求1所述的一种基于自适应图嵌入的起始地-目的地时间预测方法，其特征在于，所述提取出路网速度特征向量包括将最优的分解张量输入到卷积神经网络中，经过一维卷积滤波器处理后得到更新后的速度特征序列；将更新后的速度特征序列输入到长短时记忆神经网络中，经过输入门、遗忘门和输出门后，得到各个时刻网格的速度特征向量。

5.根据权利要求1所述的一种基于自适应图嵌入的起始地-目的地时间预测方法，其特征在于，所述根据所述内部属性信息，构建自适应路网邻接矩阵包括构建出两个可学习的参数矩阵；采用ReLU函数对两个可学习的参数矩阵进行连接处理；采用softmax函数对连接处理的参数矩阵进行处理，生成自适应路网邻接矩阵。

6.根据权利要求1所述的一种基于自适应图嵌入的起始地-目的地时间预测方法，其特征在于，所述提取出路网时空特征向量包括采用自适应路网邻接矩阵对路网中轨迹经过的一阶邻域节点和二阶邻域节点进行编码和解码；通过最小化一阶损失函数、二阶损失函数与正则化损失函数之和，得到每个网格的局部特征和全局特征；将每个网格的局部特征和全局特征与轨迹中每个卡口的经纬度相结合，通过全连接层得到每个网格的结构特征；将每个网格的结构特征输入到门控循环单元中，通过更新门和重置门处理，经过激活函数处理后输出路网时空特征向量。

7.根据权利要求1所述的一种基于自适应图嵌入的起始地-目的地时间预测方法，其特征在于，根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数包括使用注意力机制，计算出注意力概率分布值；根据注意力概率分布值计算得到注意力权重系数。

8.一种基于自适应图嵌入的起始地-目的地时间预测装置，其特征在于，所述装置包括：

数据采集模块，用于获取原始交通数据，并对所述原始交通数据进行预处理；所述原始交通数据包括交通路网信息和道路交通数据；

数据提取模块，用于根据所述原始交通数据，提取出内部属性信息和外部属性信息，所述内部属性信息包括路网结构、路网邻接矩阵、路网卡口点；所述外部属性信息包括外部属性权重矩阵；

数据处理模块，用于根据所述内部属性信息，构建“时隙-路段-速度”的非负张量，对所述非负张量进行张量分解，提取出路网速度特征向量；根据所述内部属性信息，构建自适应路网邻接矩阵，提取出路网时空特征向量；根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数；基于各个时刻局部路段的注意力权重系数，对所述路网时空特征向量进行处理，融合得到外部属性加权的路网时空特征向量；

数据预测模块，用于将所述路网速度特征向量和外部属性加权的路网时空特征向量进行融合，预测得到起始地-目的地时间值。