CN117671952A - 基于时空同步动态图注意力网络的交通流预测方法及系统 - Google Patents

基于时空同步动态图注意力网络的交通流预测方法及系统 Download PDF

Info

Publication number
CN117671952A
CN117671952A CN202311666058.5A CN202311666058A CN117671952A CN 117671952 A CN117671952 A CN 117671952A CN 202311666058 A CN202311666058 A CN 202311666058A CN 117671952 A CN117671952 A CN 117671952A
Authority
CN
China
Prior art keywords
time
dynamic
space
network
traffic
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.)
Pending
Application number
CN202311666058.5A
Other languages
English (en)
Inventor
夏大文
林战
李华青
汤寒林
刘海涛
黄瑞曦
王自强
霍雨佳
何前松
张文勇
冯夫健
杨建波
徐海龙
邓丽
李林强
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.)
Guizhou Minzu University
Original Assignee
Guizhou Minzu 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 Guizhou Minzu University filed Critical Guizhou Minzu University
Priority to CN202311666058.5A priority Critical patent/CN117671952A/zh
Publication of CN117671952A publication Critical patent/CN117671952A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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

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

Abstract

本发明提供一种基于时空同步动态图注意力网络的交通流预测方法及系统，包括：获取交通输入数据，采用动态特征增强模块对输入数据进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据，采用时空耦合模块表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，时空耦合模块包括动态图注意网络和自适应门控时间卷积网络；构建时间位置嵌入模块，将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合时间位置嵌入和映射函数，得到交通流量预测结果。本发明能够有效提高交通流量预测的准确性和鲁棒性。

Description

基于时空同步动态图注意力网络的交通流预测方法及系统
技术领域
本发明涉及智能交通技术领域，尤其涉及一种基于时空同步动态图注意力网络的交通流预测方法及系统。
背景技术
智能交通系统(Intelligent Transportation System，ITS)是具有强时空特征关联性的复杂动力系统。随着交通大数据驱动的ITS快速发展，交通预测受到广泛关注，在各种应用中起着至关重要的作用。交通预测是分析城市道路交通状况的关键，通常由部署在真实交通网络中不同地理空间位置的传感器捕获，例如基于节点的交通流量、占用量和速度等，以反映时间和空间维度上的交通状况。与其他复杂系统类似，在真实的交通网络中，每个交通节点都存在一定的耦合关系，使得形成复杂的交通关系网络。
近年来，时空图神经网络(Spatial-temporal Graph Neural Networks，STGNNs)模型替代了传统的机器学习模型和时间序列模型。T-GCN(A Temporal GraphConvolutional Network for Traffic Prediction，用于交通预测的时间图卷积网络)利用GCN和GRU捕获空间相关性和学习时间依赖性而进行时空建模。DCRNN(DiffusionConvolutional Recurrent Neural Network，扩散卷积递归神经网络)将GRU和扩散卷积整合到编码器解码器架构中以捕获时空相关性。Graph WaveNet(Graph WaveNet for DeepSpatial-Temporal Graph Modeling，用于深度时空图建模的图卷积网络)采用堆叠门控时间卷积网络(Temporal Convolutional Network，TCN)与GCN的时空路网建模。GMAN(AGraph Multi-Attention Network for Traffic Prediction，用于交通预测的图形多注意力网络)使用一种解码器编码器架构以构建多个时空模块。ASTGCN(Attention basedSpatial-Temporal Graph Convolutional Networks，基于注意力的时空图卷积网络)应用一种新的注意力机制捕获时间依赖性，应用动态图卷积捕获空间异质性。由于道路网络的空间结构是动态变化的，而不是静止固定的，所以大多数通过预定义的图结构都很难体现完整的空间关系。AGCRN(Adaptive Graph Convolutional Recurrent Network，自适应图卷积递归网络)、DMSTGCN(Dynamic and Multi-faceted Spatial-Temporal GraphConvolutional Networks，动态多维时空图卷积网络)通过参数学习图结构的方法，以适应动态变化的空间连接关系。这种方法允许从特征本身中挖掘潜在的空间信息，而不诉诸于其他外部因素(如天气、POI、道路结构等)。MS-GAT(Multi-relational Synchronous GraphAttention Network，多关系同步图注意力网络)学习三种特征的嵌入，分别通过特定的图形注意力设计同步表示基于交通数据的通道、时间和空间关系。STFGNN(Spatial-TemporalFusion Graph Neural Networks，时空融合图神经网络)使用动态时间扭曲(Dynamic TimeWarp，DTW)算法捕获各个节点之间潜在的相关性，以及对多个不同的时空图进行融合与时间卷积模块共同学习隐藏的时空依赖关系。但是，现有方法仍然难以有效捕捉复杂的时空相关性。虽然现有基于时空图神经网络的方法被广泛应用于交通流量预测，但是仍存在以下局限性。
在交通流量预测中，不同节点之间在空间维度上呈现动态关联，这种关联由实时交通状况和交通网络的拓扑结构而决定。同时，随着时间的变化，时间维度上呈现非线性和周期性。因此，在动态性和非线性的时空维度上进行建模对于交通流量预测至关重要。在大多数基于图卷积的交通流预测方法中，预测性能不可避免地受到交通网络拓扑结构的影响，忽略了空间维度上动态性和有向性特点。在路网中预定义的邻接矩阵和自适应邻接矩阵都是静态拓扑结构表示，不能反映真实路网随时间变化的动态特征。在大多数基于RNN的交通流预测方法中，由于卷积核存在有限的接受域，导致难以捕捉长时间的依赖关系，以及训练速度受到内部循环操作的限制，因此在捕获随机序列时可能存在迭代传播耗时、泛化能力弱和梯度爆炸/消失等问题。
因此，亟需一种能够有效捕捉交通网络中动态变化的时空相关性和增强路网节点之间的信息传递以提高预测准确性和鲁棒性的交通流量预测方法。
发明内容
基于此，针对上述技术问题，提供一种基于时空同步动态图注意力网络的交通流预测方法及系统。
一种基于时空同步动态图注意力网络的交通流预测方法，包括以下步骤：获取交通输入数据，采用动态特征增强模块对所述输入数据进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据；根据所述时空特征数据，采用时空耦合模块表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，所述时空耦合模块包括动态图注意网络和自适应门控时间卷积网络，所述动态图注意力网络用于挖掘道路网络动态拓扑结构的深度表征以获取动态空间相关性，所述自适应门控时间卷积网络用于提取非线性时间维度中的隐藏特征以学习长期时间依赖性；构建时间位置嵌入模块，将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合所述时间位置嵌入和映射函数，得到交通流量预测结果。
在其中一个实施例中，所述获取交通数据输入特征，采用动态特征增强模块对所述输入特征进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据，包括：获取交通输入数据，通过全局平均池化对所述输入数据进行特征压缩，将每个时间通道转换为数字，使每个通道在空间维度上均具有全局接受域，公式为：
式中，X∈RC×N×P为输入特征，P表示历史时间步长，N表示传感器，C表示感兴趣的交通条件的数量，Xp∈RP表示时间步长；将全局平均池化后的输入特征通过两个全连接层，公式为：
比例值，δ表示ReLU激活函数；通过Sigmoid型激活函数σ重新调整得到0到1之间的权值；利用Xdfe和X的Hadamard乘积得到动态调整的时空特征数据，公式为：
式中，为时空特征数据。
在其中一个实施例中，所述根据所述时空特征数据，采用时空耦合模块表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，包括：将所述时空特征数据输入至时空耦合模块，采用多维注意力机制，获取对应的维度特征；构建自适应门控时间卷积网络，通过时间卷积网络从时间序列数据中提取特征，通过门控单元控制在不同时间步长上的权重，并结合时间注意力机制，自适应学习时间序列数据中的时间依赖性；采用图形生成器建模区域间相互作用的动态特征，得到动态邻接矩阵；利用动态图注意力网络，提取交通网络的动态拓扑结构特征，结合空间注意力机制，自适应学习在不同预测时间下的重要性权重，捕获动态的空间相关性；基于所述动态图注意力网络和自适应门控时间卷积网络同步捕获空间相关性和时间依赖性，挖掘动态的时空相关性，得到交通流量预测的映射函数。
在其中一个实施例中，所述将所述时空特征数据输入至时空耦合模块，采用多维注意力机制，获取对应的维度特征，包括：输入所述时空特征数据，利用空间注意力机制和时间注意力机制获取每个节点的位置信息，公式为：
A＝Attention(Q,K)＝softmax(QWKT) (4)
式中，W是一个nk×nk矩阵，表示所有可学习的参数，nk表示当前键的数量；参数矩阵W是可学习的小维度参数矩阵及其转置矩阵，即其中E是参数尺度较小的新矩阵nk×ek，且nk＜ek。
在其中一个实施例中，所述构建自适应门控时间卷积网络，通过时间卷积网络从时间序列数据中提取特征，通过门控单元控制在不同时间步长上的权重，并结合时间注意力机制，自适应学习时间序列数据中的时间依赖性，包括：计算时间注意力表示不同时间步长下交通条件之间的成对相关强度，时间注意力的操作为：
TAtention(H(l-1))＝AT (l)＝Attention(QT,KT)
＝softmax(QTETET TKT T) (5)
式中，和/>分别为时间注意力机制的键和查询矩阵，是作为可学习的权重矩阵，dE＜＜Nl，Nl为路网节点；将输入数据作为时间注意的值，利用获得的时间注意矩阵AT (l)更新得到/>并沿时间维度对H(l -1)执行门控时间卷积网络操作；对时间序列数据HT (l-1)的元素ξ进行单一扩张的因果卷积运算，公式为：
式中，*τ是膨胀卷积运算，ω为膨胀因子，括号中的标量值m表示向量的指标，π是它的大小；通过扩展的因果卷积将输入序列传输至门控激活单元，提取输入序列的时间特征，公式为：
F(ξ)＝tanh(Γ1*τHT (l-1))⊙σ(Γ2*τHT (l-1)) (7)
式中，Γ1、Γ2是扩展的随意卷积的内核，⊙表示元素级乘法，tanh(·)表示输出的激活函数，σ(·)是决定传递到下一层的信息比例的Sigmoid函数。
在其中一个实施例中，所述采用图形生成器建模区域间相互作用的动态特征，从而获得动态邻接矩阵，包括：利用动态图生成器表征路网中的动态拓扑结构，所述动态图生成器利用迭代生成的数据和历史信息得到动态邻接矩阵，在每个时间步长内，生成的计算数据和之前的隐藏状态H(l-1)被连接作为输入，其中/>公式为：
式中，||表示连接操，DNode被视为一个动态节点特征；采用图卷积模块处理基于预定义图的DNode和学习空间特征，公式为：
DF＝θ*G(DNode) (9)
式中，*G为图的卷积，θ表示可学习的参数；采用随机初始化的可训练参数节点嵌入式中，Dem表示节点嵌入维数，与DF进行元素级乘法，生成路网节点之间的动态表征，公式为：
DE＝tanh(α(DF⊙NE)) (10)
式中，⊙表示阿达玛积，α是控制激活函数饱和率的超参数；通过自乘的方法推断每对节点之间的动态相关性，并生成动态邻接矩阵，公式为：
DA＝ReLU(tanh(α(DE·DET))) (11)
式中，DA表示时间步长tp时的动态邻接矩阵，ReLU激活函数用于规范化动态邻接矩阵，使所有的矩阵值为非负值。
在其中一个实施例中，所述利用动态图注意力网络，提取交通网络的动态拓扑结构特征，结合空间注意力机制，自适应学习在不同输入预测时间下的重要性权重，获取动态的空间相关性，包括：生成一个新矩阵用于反映潜在的空间关系，空间注意力的操作定义为：
式中，表示为空间维数上的可学习的参数矩阵；在新矩阵As (l)的基础上，加入生成的动态邻接矩阵DA，用于隐式地学习道路网络的动态表示；采用GCN操作，在前一层H(l-1)的STCM中聚合每个节点及其一阶邻居的隐藏状态，DGAT的具体公式如下：
式中，表示后续图卷积运算的改进动态邻接矩阵，和/>是l-th层STCM中一阶图卷积网络的可学习参数，σ表示激活函数；生成与空间关系相关的特征，并与时间维度的结果进行融合，分支作为下一层H(l)的输入。
在其中一个实施例中，所述构建时间位置嵌入模块，将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合所述时间位置嵌入和映射函数，得到交通流量预测结果，包括：采用one-hot编码，将每个输入数据X的起始时间步长tp的day-of-week和time-of-day分别构建两个可训练的时间嵌入向量Di∈R7和Hi∈R24；利用向量嵌入的方法，将两个所述时间嵌入向量分别变成具有相同维度的向量；将两个时间嵌入向量进行融合，形成时间位置嵌入，公式为：
gi＝TPE(Di,Hi) (14)
将时间位置嵌入gi与映射函数fi(xi)相融合，得到融合后的预测结果，公式为：
式中，fi(·)和函数TPE(·)均包含可学习的参数，C为感兴趣的交通条件的数量，N表示流量节点数，Q表示预测结果相关联的时间步长。
一种基于时空同步动态图注意力网络的交通流预测系统，用于实现如上所述的一种基于时空同步动态图注意力网络的交通流预测方法，包括：动态特征增强模块，用于获取交通输入数据，对所述输入数据进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据；时空耦合模块，用于表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，所述时空耦合模块包括动态图注意力网络和自适应门控时间卷积网络，所述动态图注意力网络用于挖掘道路网络动态拓扑结构的深度表征以获取动态空间相关性，所述自适应门控时间卷积网络用于提取非线性时间维度中的隐藏特征以学习长期时间依赖性；时间位置嵌入模块，用于将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合时间位置嵌入和映射函数，得到交通流量预测结果。
相比于现有技术，本发明的优点及有益效果在于：通过动态特征增强模块分配时间步长不同特征的动态权值，调整交通数据的内在相关性权重，利用动态图注意力网络对道路网络动态拓扑结构进行深层表征，捕获动态空间相关性，通过自适应门控时间卷积网络提取非线性时间维度的隐藏特征，学习长时期的时间依赖性，通过时间位置嵌入模块将时间位置信息纳入时空关系，自适应学习各个节点隐藏特征，能够有效捕捉交通网络中动态变化的时空相关性，增强路网节点之间的信息传递，从而更为准确地预测不同时间位置的交通流量，有效提高了交通流量预测的准确性和鲁棒性，解决了交通流量预测时空相关性建模复杂且困难的问题。
附图说明
图1为一个实施例中一种基于时空同步动态图注意力网络的交通流预测方法的流程示意图；
图2为一个实施例中时空同步动态图注意力网络STS-DGAT的交通流量预测框架；
图3为一个实施例中动态特征增强模块的原理示意图；
图4为一个实施例中时空耦合模块的工作流程示意图；
图5为一个实施例中多维自注意力机制的原理示意图；
图6为一个实施例中扩张因果卷积的原理示意图；
图7为一个实施例中图形生成器的原理示意图；
图8为一个实施例中一种基于时空同步动态图注意力网络的交通流预测系统。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
为了更好地理解本发明，下面对本发明中的部分技术用语进行解释：
DFE：Dynamic feature enhancement，动态特征增强。
STC：Spatial temporal coupling，时空耦合。
DGAT：Dynamic graph attention network，动态图注意力网络。
AGTCN：Adaptive gated temporal convolutional network，自适应门控时空卷积网络。
TPE：Temporal position embedding，时间位置嵌入。
GAP：Global average pooling，全局平均池化。
STCM：Spatial temporal coupling module，时空耦合模块。
TCN：Temporal convolutional network，时间卷积网络。
GCN：Graph convolutional network，图卷积网络。
在一个实施例中，如图1和图2所示，提供了一种基于时空同步动态图注意力网络的交通流预测方法，包括以下步骤：
步骤S110，获取交通输入数据，采用动态特征增强模块对输入数据进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据。
具体地，获取收集到的交通数据，作为输入数据，采用动态特征增强模块DFE，对输入数据进行动态特征增强处理，挖掘交通数据特征对交通流量预测的影响，DFE为时间间隔特征分配动态权值，并调整交通数据的内在相关性权重。
如图3所示，步骤S110包括：获取交通输入数据，通过全局平均池化(GAP)对输入数据进行特征压缩，将每个时间通道转换为数字，使得每个通道在空间维度上均具有全局接受域，公式为：
式中，X∈RC×N×P为输入特征，P表示历史时间步长，N表示传感器，C表示感兴趣的交通条件的数量(例如，交通量、交通速度等)，Xp∈RP表示时间步长；将全局平均池化后的输入特征通过两个全连接层，公式为：
比例值，δ表示ReLU激活函数；通过Sigmoid型激活函数σ重新调整得到0到1之间的权值；利用Xdef和X的Hadamard乘积得到动态调整的时空特征数据，公式为：
式中，为时空特征数据。
具体地，将交通数据输入至动态特征增强模块，采用全局平均池化进行特征压缩，将每个时间通道转换为数字，使得每个通道在空间维度上都具有全局接受域；同时为了学习时序数据之间的非线性关系，将其通过两个全连接层，并动态调整得到时空特征数据，将得到的时空特征数据输入至时空耦合模块，以进一步捕获动态时空特征。
步骤S120，根据时空特征数据，采用时空耦合模块表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，时空耦合模块包括动态图注意网络和自适应门控时间卷积网络。
具体地，通过时空耦合模块STC表征道路网络节点在时空维度上的复杂耦合关系，以及时空相关性的动态内在交互作用，得到对应的映射函数，以对交通流量进行预测，时空耦合模块由动态图注意力网络DGAT和自适应门控时间卷积网络AGTCN构成，其中，DGAT用于挖掘道路网络动态拓扑结构的深度表征以获取动态空间相关性，AGTCN用于提取非线性时间维度中的隐藏特征以学习长期时间依赖性。
在一个实施例中，如图4所示，步骤S120包括以下步骤：：
步骤S210，将时空特征数据输入至时空耦合模块，采用多维注意力机制，获取对应的维度特征；
步骤S220，构建自适应门控时间卷积网络，通过时间卷积网络从时间序列数据中提取特征，通过门控单元控制在不同时间步长上的相关权重，并结合时间注意力机制，自适应学习时间序列数据中的时间依赖性；
步骤S230，采用图形生成器建模区域间相互作用的动态特征，得到动态邻接矩阵；
步骤S240，利用动态图注意力网络，提取交通网络的动态拓扑结构，结合空间注意力机制，自适应学习在不同预测时间下的重要性权重，捕获动态的空间相关性；
步骤S250，基于动态图注意力网络和自适应门控时间卷积网络同步捕获空间相关性和时间依赖性，挖掘动态的时空相关性，得到交通流量预测的映射函数。
在本实施例中，将时空特征数据输入至时空耦合模块，利用多维自注意力机制，包括空间注意力机制和时间注意力机制，获取每个节点的位置信息，使其在各自的维度上能够更加专注于捕获各自特征，从而提高模型预测的准确性。构建自适应门控时间卷积网络，利用时间卷积网络从时间序列数据中提取特征，并通过门控单元控制在不同时间步长上的相关权重，并加入时间注意力机制，以自适应地学习时序数据中的时间依赖性，从而降低模型的计算复杂度和提高模型的可解释性。采用图形生成器建模区域间相关作用的动态特征，得到动态邻接矩阵，实现对路网节点之间的相关性捕获。利用动态图注意力网络，提取交通网络的动态拓扑结构特征，并加入空间注意力机制，自适应地学习在不同输入预测时间下的不同重要性权重，使得模型能够更准确地捕捉到动态的空间相关性。结合动态图注意力网络和自适应门控时间卷积网络，同步捕获空间相关性和时间依赖性，挖掘动态的时空相关性，从而得到交通流量预测的映射函数。
其中，如图5所示，步骤S210包括：输入时空特征数据，利用空间注意力机制和时间注意力机制获取每个节点的位置信息，公式为：
A＝Attention(Q,K)＝Softmax(QWKT) (4)
式中，W是一个nk×nk矩阵，表示所有可学习的参数，nk表示当前键的数量；参数矩阵W是可学习的小维度参数矩阵及其转置矩阵，即其中E是参数尺度较小的新矩阵nk×ek，且nk＜ek。
具体地，在输入时空特征数据后，采用空间注意力机制和时间注意力机制获取每个节点的位置信息，并得到对应的维度特征。当nk过大时，注意力机制计算成本增大，导致模型的性能和效率降低，因此，可以通过设置可学习的小维度参数矩阵及其转置矩阵W，降低多维注意力机制的计算成本，以提高模型的性能和效率。
其中，如图6所示，步骤S220包括：计算时间注意力表示不同时间步长下交通条件之间的成对相关强度，时间注意力的操作为：
Atention(H(l-1))＝AT (l)＝Attention(QT,KT)＝softmax(QTETET TKT T) (5)
式中，和/>分别为时间注意力机制的键和查询矩阵，是作为可学习的权重矩阵，dE＜＜Nl，Nl为路网节点；将输入数据(相当于当前STCMH(l-1)的输入)作为时间注意力的值，利用获得的时间注意矩阵AT (l)更新得到进一步沿时间维度对H(l-1)执行门控时间卷积网络TCN操作；对时间序列数据HT (l-1)的元素ξ进行单一扩张的因果卷积运算，公式为：
式中，*τ是膨胀卷积运算，ω为膨胀因子，括号中的标量值m表示向量的指标，π是它的大小；通过扩展的因果卷积将输入序列传输至门控激活单元，提取输入序列的时间特征，公式为：
F(ξ)＝tanh(Γ1*τHT (l-1))⊙σ(Γ2*τHT (l-1)) (7)
式中，Γ1、Γ2是扩展的随意卷积的内核，⊙表示元素级乘法，tanh(·)表示输出的激活函数，σ(·)是决定传递到下一层的信息比例的Sigmoid函数。
具体地，为了表示不同时间步长下交通条件之间的成对相关强度，计算时间注意力，将当前STCMH(l-1)的输入作为时间注意的值，利用获得的时间注意力矩阵AT (l)更新得到进一步沿时间维度对H(l-1)执行门控TCN操作处理，对时间序列数据的元素进行单一扩张的因果卷积运算，并通过扩展的因果卷积将输入序列传递给门控激活单元，提取得到输入序列的时间特征，降低模型的计算复杂度，提高模型的计算效率。
其中，如图7所示，步骤S230包括：利用动态图生成器表征路网中的动态拓扑结构，并利用迭代生成的数据和历史信息得到动态邻接矩阵，在每个时间步长内，生成的计算数据和之前的隐藏状态H(l-1)被连接作为输入，其中/>公式为：
式中，||表示连接操，DNode被视为一个动态节点特征；采用图卷积模块处理基于预定义图的DNode和学习空间特征，公式为：
DF＝θ*G(DNode) (9)
式中，*G为图的卷积，θ表示可学习的参数；采用随机初始化的可训练参数节点嵌入Dem表示节点嵌入维数，与DF进行元素级乘法，生成路网节点之间的动态表征，公式为：
DE＝tanh(α(DF⊙NE)) (10)
式中，⊙表示阿达玛积，α是控制激活函数饱和率的超参数；通过自乘的方法推断每对节点之间的动态相关性，并生成动态邻接矩阵，公式为：
DA＝ReLU(tanh(α(DE·DET))) (11)
式中，DA表示时间步长tp时的动态邻接矩阵，ReLU激活函数用于规范化动态邻接矩阵，使所有的矩阵值为非负值。
具体地，对路网中的动态拓扑结构，采用动态图生成器进行表征，该生成器利用迭代生成的数据和历史信息得到一个动态邻接矩阵。在每个时间步长内，生成的计算数据和之前的隐藏状态被连接作为输入，为了合理测量节点之间的相关性，采用图卷积模块处理基于预定义图的DNode和学习空间特征；采用随机初始化的可训练参数节点嵌入与DF进行元素级乘法，生成路网节点之间的动态表征，通过自乘的方式推断每对节点之间的动态相关性，并生成动态邻接矩阵，以便表示路网节点之间的相关性。
其中，步骤S240包括：生成一个新矩阵用于反映潜在的空间关系，空间注意力的操作定义为：
式中，表示为空间维数上的可学习的参数矩阵；在新矩阵As (l)的基础上，加入生成的动态邻接矩阵DA，用于隐式地学习道路网络的动态表示；采用GCN操作，在前一层H(l-1)的STCM中聚合每个节点及其一阶邻居的隐藏状态，DGAT的具体公式如下：
式中，表示后续图卷积运算的改进动态邻接矩阵，和/>是l-th层STCM中一阶图卷积网络的可学习参数，σ表示激活函数；生成与空间关系相关的特征，并与时间维度的结果进行融合，分支作为下一层H(l)的输入。
具体地，为了反映潜在的空间关系，生成一个新矩阵，并在新矩阵的基础上加入生成的动态邻接矩阵，隐式地学习道路网络中的动态表示，随后以进一步应用GCN操作，在前一层H(l-1)的STCM中聚合每个节点及其一阶邻居的隐藏状态，生成与空间关系相关的特征，并与时间维度的结果进行融合，分支作为下层的输入，使得模型能够更加准确地捕捉动态的空间相关性。
步骤S130，构建时间位置嵌入模块，将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合时间位置嵌入和映射函数，得到交通流量预测结果。
具体地，构建对应的时间位置嵌入模块，将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，从而有效地理解时空变化特征，得到对应的时间位置嵌入，将时间位置嵌入与映射函数进行融合，得到交通流量的预测结果，且预测精度高。
其中，步骤S130包括：采用one-hot编码，将每个输入数据X的起始时间步长处的tp的day-of-week和time-of-day分别构建两个可训练的时间嵌入向量Di∈R7和Hi∈R24；利用向量嵌入的方法，将两个时间嵌入向量分别变成具有相同维度的向量并融合，形成时间位置嵌入，公式为：
gi＝TPE(Di,Hi) (14)
将时间位置嵌入gi与映射函数fi(xi)相融合，得到融合后的预测结果，公式为：
式中，fi(·)和函数TPE(·)均包含可学习的参数，C是感兴趣的交通条件的数量(例如，交通量、密度和交通速度等)，N表示流量节点数，Q表示预测结果相关联的时间步长。
具体地，采用one-hot编码，将每个输入数据的起始时间步长处的day-of-week和time-of-day，分别构建两个可训练的时间嵌入向量，利用向量嵌入的方法，例如word2vec，将两个时间嵌入向量变成具有相同维度的向量并融合，形成最终的时间位置嵌入，将该时间位置嵌入与映射函数进行融合，得到融合后的交通流量预测结果，实现交通流量的精准快速预测，并能够确保交通流量预测的鲁棒性。
在本实施例中，通过动态特征增强模块分配时间步长不同特征的动态权值，调整交通数据的内在相关性权重，利用动态图注意力网络对路网的动态拓扑结构进行深层表征，捕获动态空间相关性，通过自适应门控时间卷积网络提取非线性时间维度的隐藏特征，学习长时期的时间依赖性，通过时间位置嵌入模块将时间位置信息纳入时空关系，自适应学习各个节点隐藏特征，从而更准确地预测不同时间位置的交通流量，有效提高了交通流量预测的准确性和鲁棒性，解决了交通流量预测时空相关性建模复杂且困难的问题。
如图8所示，提供了一种基于时空同步动态图注意力网络的交通流预测系统100，用于实现如上所述的一种基于时空同步动态图注意力网络的交通流预测方法，包括：
动态特征增强模块10，用于获取交通输入数据，对输入数据进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据；
时空耦合模块20，用于表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，时空耦合模块20包括动态图注意力网络21和自适应门控时间卷积网络22，动态图注意力网络21用于挖掘道路网络的动态拓扑结构的深度表征以获取动态空间相关性，自适应门控时间卷积网络22用于提取非线性时间维度中的隐藏特征以学习长期时间依赖性；
时间位置嵌入模块30，用于将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合时间位置嵌入和映射函数，得到交通流量预测结果。
在一个实施例中，时空耦合模块20具体用于：将时空特征数据输入至时空耦合模块，采用多维注意力机制，获取对应的维度特征；构建自适应门控时间卷积网络，通过时间卷积网络从时间序列数据中提取特征，通过门控单元控制在不同时间步长上的权重，并结合时间注意力机制，自适应学习时间序列数据中的时间依赖性；采用图形生成器建模区域间相互作用的动态特征，得到动态邻接矩阵；利用动态图注意力网络，提取交通网络的动态拓扑结构特征，结合空间注意力机制，自适应学习在不同预测时间下的重要性权重，捕获动态的空间相关性；基于动态图注意力网络和自适应门控时间卷积网络同步捕获空间相关性和时间依赖性，挖掘动态的时空相关性，得到交通流量预测的映射函数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置予以实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码实现，从而可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置执行，以及在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于时空同步动态图注意力网络的交通流预测方法，其特征在于，包括：
获取交通输入数据，采用动态特征增强模块对所述输入数据进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据；
根据所述时空特征数据，采用时空耦合模块表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，所述时空耦合模块包括动态图注意网络和自适应门控时间卷积网络，所述动态图注意力网络用于挖掘道路网络动态拓扑结构的深度表征以获取动态空间相关性，所述自适应门控时间卷积网络用于提取非线性时间维度中的隐藏特征以学习长期时间依赖性；
构建时间位置嵌入模块，将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合所述时间位置嵌入和映射函数，得到交通流量预测结果。
2.根据权利要求1所述的基于时空同步动态图注意力网络的交通流预测方法，其特征在于，所述获取交通输入数据，采用动态特征增强模块对所述输入数据进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据，包括：
获取交通输入数据，通过全局平均池化对所述输入数据进行特征压缩，将每个时间通道转换为数字，使每个通道在空间维度上均具有全局接受域，公式为：
式中，X∈RC×N×P为输入特征，P表示历史时间步长，N表示传感器，C表示感兴趣的交通条件的数量，Xp∈RP表示时间步长；
将全局平均池化后的输入特征通过两个全连接层，公式为：
Xdfe＝δ(W2σ(W1Xp)) (2)
式中，Xdfe∈RP，表示可学习参数，r表示通道的比例值，δ表示ReLU激活函数；通过Sigmoid型激活函数σ重新调整得到0到1之间的权值；
利用Xdfe和X的Hadamard乘积得到动态调整的时空特征数据，公式为：
式中，为时空特征数据。
3.根据权利要求2所述的基于时空同步动态图注意力网络的交通流预测方法，其特征在于，所述根据所述时空特征数据，采用时空耦合模块表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，包括：
将所述时空特征数据输入至时空耦合模块，采用多维注意力机制，获取对应的维度特征；
构建自适应门控时间卷积网络，通过时间卷积网络从时间序列数据中提取特征，通过门控单元控制在不同时间步长上的权重，并结合时间注意力机制，自适应学习时间序列数据中的时间依赖性；
采用图形生成器建模区域间相互作用的动态特征，得到动态邻接矩阵；
利用动态图注意力网络，提取交通网络的动态拓扑结构特征，结合空间注意力机制，自适应学习在不同预测时间下的重要性权重，捕获动态的空间相关性；
基于所述动态图注意力网络和自适应门控时间卷积网络同步捕获空间相关性和时间依赖性，挖掘动态的时空相关性，得到交通流量预测的映射函数。
4.根据权利要求3所述的基于时空同步动态图注意力网络的交通流预测方法，其特征在于，所述将所述时空特征数据输入至时空耦合模块，采用多维注意力机制，获取对应的维度特征，包括：
输入所述时空特征数据，利用空间注意力机制和时间注意力机制获取每个节点的位置信息，公式为：
A＝Attention(Q,K)＝soft max(QWKT) (4)
式中，W是一个nk×nk矩阵，表示所有可学习的参数，nk表示当前键的数量；参数矩阵W是可学习的小维度参数矩阵及其转置矩阵，即其中E是参数尺度较小的新矩阵nk×ek，且nk＜ek。
5.根据权利要求4所述的基于时空同步动态图注意力网络的交通流预测方法，其特征在于，所述构建自适应门控时间卷积网络，通过时间卷积网络从时间序列数据中提取特征，通过门控单元控制在不同时间步长上的权重，并结合时间注意力机制，自适应学习时间序列数据中的时间依赖性，包括：
计算时间注意力表示不同时间步长下交通条件之间的成对相关强度，时间注意力的操作为：
TAtention(H(l-1))＝AT (l)＝Attention(QT,KT)
＝softmax(QTETET TKT T) (5)
式中，和/>分别为时间注意力机制的键和查询矩阵，是作为可学习的权重矩阵，dE＜＜Nl，Nl为路网节点；
将输入数据作为时间注意的值，利用获得的时间注意矩阵AT (l)更新得到并沿时间维度对H(l-1)执行门控时间卷积网络操作；
对时间序列数据HT (l-1)的元素ξ进行单一扩张的因果卷积运算，公式为：
式中，*τ是膨胀卷积运算，ω为膨胀因子，括号中的标量值m表示向量的指标，π是它的大小；
通过扩展的因果卷积将输入序列传输至门控激活单元，提取输入序列的时间特征，公式为：
F(ξ)＝tanh(Γ1*τHT (l-1))⊙σ(Γ2*τHT (l-1)) (7)
式中，Γ1、Γ2是扩展的随意卷积的内核，⊙表示元素级乘法，tanh(·)表示输出的激活函数，σ(·)是决定传递到下一层的信息比例的Sigmoid函数。
6.根据权利要求5所述的基于时空同步动态图注意力网络的交通流预测方法，其特征在于，所述采用图形生成器建模区域间相互作用的动态特征，从而获得动态邻接矩阵，包括：
利用动态图生成器表征路网中的动态拓扑结构，所述动态图生成器利用迭代生成的数据和历史信息得到动态邻接矩阵，在每个时间步长内，生成的计算数据和之前的隐藏状态H(l-1)被连接作为输入，其中/>公式为：
式中，||表示连接操，DNode被视为一个动态节点特征；
采用图卷积模块处理基于预定义图的DNode和学习空间特征，公式为：
DF＝θ*G(DNode) (9)
式中，*G为图的卷积，θ表示可学习的参数；
采用随机初始化的可训练参数节点嵌入式中，Dem表示节点嵌入维数，与DF进行元素级乘法，生成路网节点之间的动态表征，公式为：
DE＝tanh(α(DF⊙NE)) (10)
式中，⊙表示阿达玛积，α是控制激活函数饱和率的超参数；
通过自乘的方法推断每对节点之间的动态相关性，并生成动态邻接矩阵，公式为：
DA＝ReLU(tanh(α(DE·DET))) (11)
式中，DA表示时间步长tp时的动态邻接矩阵，ReLU激活函数用于规范化动态邻接矩阵，使所有的矩阵值为非负值。
7.根据权利要求6所述的基于时空同步动态图注意力网络的交通流预测方法，其特征在于，所述利用动态图注意力网络，提取交通网络的动态拓扑结构特征，结合空间注意力机制，自适应学习在不同输入预测时间下的重要性权重，获取动态的空间相关性，包括：
生成一个新矩阵用于反映潜在的空间关系，空间注意力的操作定义为：
式中，表示为空间维数上的可学习的参数矩阵；
在新矩阵As (l)的基础上，加入生成的动态邻接矩阵DA，用于隐式地学习道路网络的动态表示；
采用GCN操作，在前一层H(l-1)的STCM中聚合每个节点及其一阶邻居的隐藏状态，DGAT的具体公式如下：
式中，表示后续图卷积运算的改进动态邻接矩阵，和/>是l-th层STCM中一阶图卷积网络的可学习参数，σ表示激活函数；
生成与空间关系相关的特征，并与时间维度的结果进行融合，分支作为下一层H(l)的输入。
8.根据权利要求7所述的基于时空同步动态图注意力网络的交通流预测方法，其特征在于，所述构建时间位置嵌入模块，将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合所述时间位置嵌入和映射函数，得到交通流量预测结果，包括：
采用one-hot编码，将每个输入数据X的起始时间步长tp的day-of-week和time-of-day分别构建两个可训练的时间嵌入向量Di∈R7和Hi∈R24；
利用向量嵌入的方法，将两个所述时间嵌入向量分别变成具有相同维度的向量；
将两个时间嵌入向量进行融合，形成时间位置嵌入，公式为：
gi＝TPE(Di,Hi) (14)
将时间位置嵌入gi与映射函数fi(xi)相融合，得到融合后的预测结果，公式为：
式中，fi(·)和函数TPE(·)均包含可学习的参数，C为感兴趣的交通条件的数量，N表示流量节点数，Q表示预测结果相关联的时间步长。
9.一种基于时空同步动态图注意力网络的交通流预测系统，其特征在于，用于实现如权利要求1-8任一项所述的一种基于时空同步动态图注意力网络的交通流预测方法，包括：
动态特征增强模块，用于获取交通输入数据，对所述输入数据进行动态特征增强处理，为时间间隔特征分配动态权值，调整交通数据的内在相关性权重，得到时空特征数据；
时空耦合模块，用于表征道路网络节点在时空维度上的复杂耦合关系以及时空相关性的动态内在交互作用，得到映射函数，所述时空耦合模块包括动态图注意力网络和自适应门控时间卷积网络，所述动态图注意力网络用于挖掘道路网络动态拓扑结构的深度表征以获取动态空间相关性，所述自适应门控时间卷积网络用于提取非线性时间维度中的隐藏特征以学习长期时间依赖性；
时间位置嵌入模块，用于将时间位置信息纳入时空关系，并自适应地学习单个节点的隐藏特征，得到时间位置嵌入，融合时间位置嵌入和映射函数，得到交通流量预测结果。
CN202311666058.5A 2023-12-06 2023-12-06 基于时空同步动态图注意力网络的交通流预测方法及系统 Pending CN117671952A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311666058.5A CN117671952A (zh) 2023-12-06 2023-12-06 基于时空同步动态图注意力网络的交通流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311666058.5A CN117671952A (zh) 2023-12-06 2023-12-06 基于时空同步动态图注意力网络的交通流预测方法及系统

Publications (1)

Publication Number Publication Date
CN117671952A true CN117671952A (zh) 2024-03-08

Family

ID=90070966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311666058.5A Pending CN117671952A (zh) 2023-12-06 2023-12-06 基于时空同步动态图注意力网络的交通流预测方法及系统

Country Status (1)

Country Link
CN (1) CN117671952A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118551189A (zh) * 2024-07-26 2024-08-27 云南民族大学 一种基于变量间动态依赖关系学习的多维时间序列预测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118551189A (zh) * 2024-07-26 2024-08-27 云南民族大学 一种基于变量间动态依赖关系学习的多维时间序列预测方法及系统

Similar Documents

Publication Publication Date Title
Cirstea et al. EnhanceNet: Plugin neural networks for enhancing correlated time series forecasting
CN109190795B (zh) 一种区域间出行需求预测方法及装置
CN114818515A (zh) 一种基于自注意力机制和图卷积网络的多维时序预测方法
CN110223517A (zh) 基于时空相关性的短时交通流量预测方法
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN115240425A (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN109460855A (zh) 一种基于聚焦机制的群体流量预测模型及方法
CN109635763B (zh) 一种人群密度估计方法
CN110570035B (zh) 同时建模时空依赖性和每日流量相关性的人流量预测系统
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN114780739B (zh) 基于时间图卷积网络的时序知识图谱补全方法及系统
CN117671952A (zh) 基于时空同步动态图注意力网络的交通流预测方法及系统
CN114419878B (zh) 城市路网全域交通状态预测的方法、电子装置和存储介质
CN113852432A (zh) 基于rcs-gru模型的频谱预测感知方法
CN116030537B (zh) 基于多分支注意力图卷积的三维人体姿态估计方法
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN115660135A (zh) 基于贝叶斯方法和图卷积的交通流预测方法及系统
CN115376317A (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN114572229A (zh) 一种基于图神经网络的车速预测方法、装置、介质及设备
CN115862319A (zh) 一种面向时空图自编码器的交通流量预测方法
CN116052254A (zh) 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法
CN113537613B (zh) 一种模体感知的时态网络预测方法
CN117726070A (zh) 一种基于自适应多图融合的多任务学习城市人群流量预测方法
CN117593877A (zh) 一种基于集成图卷积神经网络的短时交通流预测方法
CN116911460A (zh) 一种多头注意力结合自适应图卷积的交通流预测方法

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