[發(fā)明專利]基于動態(tài)時空圖卷積注意力模型的交通預測方法及裝置

在審

• 申請?zhí)枺?/td>: 202110763398.4
• 申請日: 2021-07-06
• 公開（公告）號: CN113487088A
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計）人: 張霆廷;李睿
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學（深圳）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08;G08G1/01
• 代理公司: 深圳市添源知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44451
• 代理人: 于標

1.一種基于動態(tài)時空圖卷積注意力模型的交通預測方法，其特征在于，包括如下步驟：

(1)將道路交通網(wǎng)絡(luò)建模為圖結(jié)構(gòu)，圖的節(jié)點表示傳感器，圖的邊表示傳感器間的連通性，傳感器所記錄的歷史速度數(shù)據(jù)作為圖信號，圖信號中包括傳感器節(jié)點輸入數(shù)據(jù)的特征維度；

(2)利用(1)得到的圖結(jié)構(gòu)和圖信號，對動態(tài)時空圖卷積注意力模型進行建模，所述動態(tài)時空圖卷積注意力模型建模包括序列時間相關(guān)性建模和動態(tài)空間相關(guān)性建模，所述動態(tài)時空圖卷積注意力模型采用編解碼器結(jié)構(gòu)，通過所述動態(tài)時空圖卷積注意力模型的編碼器單元，捕獲不同時刻傳感器節(jié)點間的動態(tài)空間相關(guān)性，捕獲歷史時刻步長的時間相關(guān)性以及多步預測間的時間相關(guān)性，以及得到包含每個預測步長的隱藏狀態(tài)；

(3)將(2)得到的每個預測步長的隱藏狀態(tài)輸入解碼器單元，采用調(diào)度采樣策略，得到未來一小時所有傳感器節(jié)點記錄速度值的預測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于動態(tài)時空圖卷積注意力模型的交通預測方法，其特征在于，所述動態(tài)時空圖卷積注意力模型的相關(guān)性建模包括空間相關(guān)性建模和時間相關(guān)性建模兩部分，所述空間相關(guān)性建模針對圖結(jié)構(gòu)中兩個節(jié)點在某個歷史時間步隨機初始化兩個嵌入向量，利用兩個嵌入向量的點積求得這兩個節(jié)點的空間相關(guān)性，然后通過SoftMax歸一化指數(shù)函數(shù)產(chǎn)生時變自適應矩陣，所述時變自適應矩陣可自適應的學習節(jié)點在不同時間步長隱藏的空間相關(guān)性。

3.根據(jù)權(quán)利要求2所述的一種基于動態(tài)時空圖卷積注意力模型的交通預測方法，其特征在于，所述空間相關(guān)性建模還包括預定義空間依賴性建模，所述預定義空間依賴性建模利用動態(tài)聚合鄰居節(jié)點來更新隱層向量，所述隱層向量動態(tài)公式為：

其中，為時段t節(jié)點在l+1層的隱層向量，σ是非線性激活函數(shù)，A∈R^N×N表示圖卷積網(wǎng)絡(luò)中的鄰接矩陣，I表示節(jié)點間的自連接關(guān)系，D表示度矩陣，表示前向擴散轉(zhuǎn)移矩陣，表示反向擴散轉(zhuǎn)移矩陣，K是擴散步數(shù)，C^(t)為t時段的自適應矩陣，W_k1、W_k2、W_k3、W_(t)為可學習的參數(shù)矩陣。

4.根據(jù)權(quán)利要求3所述的一種基于動態(tài)時空圖卷積注意力模型的交通預測方法，其特征在于，所述動態(tài)時空圖卷積注意力模型包括動態(tài)圖卷積注意力網(wǎng)絡(luò)(DGCAN)、門控循環(huán)單元(GRU)和融合注意力模塊(Fusion Attention)，將所述動態(tài)圖卷積注意力網(wǎng)絡(luò)嵌入門控循環(huán)單元得到DGAC-GRU模塊，所述DGAC-GRU模塊包括兩層，均輸出隱層向量，將第一層和第二層輸出的隱層向量進行拼接，將拼接結(jié)果作為融合注意力模塊的輸入，所述融合注意力模塊包括全局注意力(Global Attention)單元和局部注意力(Local Attention)單元，所述全局注意力單元接收過去12個時間步的隱層向量并輸出，所述局部注意力(LocalAttention)單元接收過去6個時間步的隱層向量并輸出，所述全局注意力單元和局部注意力(Local Attention)單元的輸出經(jīng)過門控融合后送至第一個解碼器單元。

5.根據(jù)權(quán)利要求4所述的一種基于動態(tài)時空圖卷積注意力模型的交通預測方法，其特征在于，將輸入融合注意力模塊的隱層向量H₁、H₂…H₁₂作項(item)，每個項(item)包含Q(Query)、K(Key)和V(Value)三個向量，Q、K、V可以由H經(jīng)過線性變換得到：

Q＝HW^Q，K＝HW^K，V＝HW^V

其中，W為可學習的參數(shù)矩陣，所述輸入融合注意力模塊中注意力計算公式如下：

其中，d_k和dv均表示輸入項(item)的隱層向量維度，SoftMax表示歸一化指數(shù)函數(shù)。