[發明專利]基于內嵌注意力機制的循環神經網絡的交通流量預測方法

有效

• 申請號: 202011119621.3
• 申請日: 2020-10-19
• 公開（公告）號: CN112257918B
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 呂宜生;魏澤兵;李志帥;劉皓;王飛躍
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

本發明屬于智能交通領域，具體涉及了一種基于內嵌注意力機制的循環神經網絡的交通流量預測方法，旨在解決現有技術無法在保持相同或提升預測精度和預測效果的同時，減少模型訓練參數、縮短模型訓練耗時的問題。本發明包括：獲取各檢測站點的歷史交通流量數據；將數據處理成以τ為時間間隔的連續等時長的數據集；將數據集按照各檢測站點的的空間分布排列成交通流量數據矩陣；將交通流量數據矩陣分割為樣本數據集；利用內嵌注意力機制的循環神經網絡模型提取數據集之間的時空特征；采用單層全連接網絡預測得到下一時刻的交通流量預測結果。本發明在保證預測準確度的同時，極大縮小了模型的訓練參數量、節約了計算資源、縮短了訓練耗時。

技術領域

本發明屬于智能交通領域，具體涉及了一種基于內嵌注意力機制的循環神經網絡的交通流量預測方法。

背景技術

準確、實時的交通流預測對于緩解交通擁堵、規劃出行路徑至關重要，如何實現更準確的、高效的交通流預測一直是國內外的研究重點。隨著深度學習的快速發展，LSTM、GRU等模型逐漸被廣泛應用于交通預測，LSTM、GRU等模型憑借其循環的機制能很好的挖掘交通流量數據之間的時空特征，在交通流量預測中表現出比較優異的性能。但是，LSTM、GRU模型由于其單元內部多個“門結構”的特征，導致其訓練參數量大，訓練過程耗費時間長，占用更多的計算資源。特別是在針對大規模路網的交通流量預測任務時，用常規的LSTM、GRU方法需要巨大的計算資源保障，而且會耗費更長的訓練時間。

RNN模型可以挖掘歷史數據和下一階段的數據之間的關聯性，在每個字的前后有語義聯系的自然語言處理中，或者在視頻圖像處理中，或者在氣象觀測數據、股票交易數據以及交通數據預測方面可以起到很好的效果，并且RNN模型的參數相對較小，因而將RNN模型應用到交通流量預測中已成為一種趨勢。然而單純采用RNN模型進行交通流量預測，無法提取數據中與當前任務目標更關鍵的隱藏特征，因而，預測精度和預測效果還未能達到預期。

注意力機制從本質上講和人類的選擇性視覺注意力機制類似，核心目標也是從眾多信息中選擇出對當前任務目標更關鍵的信息。為此，本發明將注意力機制嵌入RNN模型中，在保留循環機制優勢的同時，利用注意力機制在ARNN單元內部對提取到的隱藏特征進行加權，在給模型每一時間步的學習過程中指定一個學習重點的同時，也可以在時間維度上擴展注意力元素，使模型關注重點信息進行學習，在維持相同或稍優預測準確度的同時，相比LSTM與GRU訓練參數分別減少了50％和30％，使得模型資源消耗更少，訓練耗時更短。

發明內容

為了解決現有技術中的上述問題，即在使用循環神經網絡時，現有技術無法在保持相同或提升預測準確度的同時，減少模型訓練參數、縮短模型訓練耗時的問題，本發明提供了一種基于內嵌注意力機制的循環神經網絡的交通流量預測方法，該方法包括：

步驟S10，獲取待預測站點所處路段各檢測點的歷史交通流量數據；

步驟S20，將所述歷史交通流量數據以設定時間間隔τ劃分并進行數據累加，獲得連續等時長的歷史交通流量數據集合；

步驟S30，將所述歷史數據集合按照路段各檢測點的空間分布排列，獲得歷史交通流量數據矩陣；

步驟S40，將注意力機制嵌入RNN神經網絡構建隱藏時空關系特征提取模型，并通過時間窗口將所述歷史交通流量數據矩陣分割為長度為κ的n個樣本數據，獲得樣本數據集；

步驟S50，基于所述樣本數據集，通過所述隱藏時空關系特征提取模型提取數據集之間的隱藏時空關系特征；

步驟S60，基于所述數據集之間的隱藏時空關系特征，通過單層全連接網絡預測獲得所述待預測站點下一時刻的交通流量預測結果。

在一些優選的實施例中，步驟S20包括：

步驟S21，將所述歷史交通流量數據以設定時間間隔τ劃分，獲得劃分后的數據段集合；