[發明專利]一種基于多注意力因果關系的交通預測方法及系統

有效

• 申請號: 202110948364.2
• 申請日: 2021-08-18
• 公開（公告）號: CN113627676B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 葉松濤;鄭麗婷;范紅杰;張志強
• 申請（專利權）人: 湘潭大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/0455;G06N3/0442;G06N3/048;G06N3/084;G06N3/0985
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 董領遜

本發明提供一種基于多注意力因果關系的交通預測方法及系統，屬于智能交通和機器學習領域，所述基于多注意力因果關系的交通預測方法包括：獲取歷史交通數據；所述歷史交通數據包括多組在相鄰兩時段內的第一歷史觀測數據和第二歷史觀測數據；基于多注意力因果網絡模型，根據各所述第一歷史觀測數據和第二歷史觀測數據，得到交通預測模型，再基于所述交通預測模型，根據當前時段內的觀測數據，預測在下一時段內的交通預測值，通過多注意力因果網絡模型預測下一時段內的交通預測值，提高了交通預測的精準度。

技術領域

本發明涉及智能交通、機器學習領域，特別是涉及一種基于多注意力因果關系的交通預測方法及系統。

背景技術

交通預測旨在根據歷史觀測值來預測道路網絡中的未來交通狀況，交通系統組成元素之間以及系統和環境之間存在依賴、競爭、關聯等復雜的相互作用。系統之所以“復雜”，是因為在這些相互作用中會產生如非線性、涌現、自發秩序、適應性以及反饋回路等特殊性質。隨著物聯網技術的發展，可以獲得大量的關于交通系統各要素的觀測值，利用獲取的歷史觀測數據，可以對交通系統元素在未來不同空間和時間的行為進行預測，進而根據預測值，對交通系統進行更有效的人工干預。

通常，觀測交通系統各要素的傳感器分布于不同的空間，因此交通系統各要素的觀測值是具有時間和空間兩個維度的。因此，觀測值往往內嵌于連續空間，并隨著時間的動態變化，具有很大程度的特殊性和復雜性。

目前面向時空預測的方法主要有時間序列方法和圖像化方法，時間序列方法單純使用時間序列模型進行預測，不考慮外界因素對預測對象的影響，使得其預測結果與實際狀況嚴重不符；圖像化方法首先對空間進行網格劃分，將傳感器數據柵格化成圖像，利用卷積神經網絡進行建模，在建模時容易因丟失部分細節信息，從而造成預測誤差。

基于上述問題，亟需一種新的交通預測方法以提高交通預測的精確度。

發明內容

本發明的目的是提供一種基于多注意力因果關系的交通預測方法及系統，可提高交通預測的精準度。

為實現上述目的，本發明提供了如下方案：

一種基于多注意力因果關系的交通預測方法，所述基于多注意力因果關系的交通預測方法包括：

獲取歷史交通數據；所述歷史交通數據包括多組在相鄰兩時段內的第一歷史觀測數據和第二歷史觀測數據；

基于多注意力因果網絡模型，根據各所述第一歷史觀測數據和第二歷史觀測數據，得到交通預測模型；

基于所述交通預測模型，根據當前時段內的觀測數據，預測在下一時段內的交通預測值。

可選地，所述第一歷史觀測數據和第二歷史觀測數據均包括多個在不同歷史觀測點及歷史時間步長下的歷史觀測值；其中，待測路段內布置有多個觀測點，每一時段分為多個時間步長；

所述多注意力因果網絡模型包括子圖劃分單元、時空嵌入單元、編碼器、注意力轉換層、解碼器以及第一全連接層；所述子圖劃分單元與所述時空嵌入單元及所述編碼器連接，所述時空嵌入單元與所述編碼器、注意力轉換層及解碼器連接，所述編碼器、注意力轉換層及解碼器依次連接，所述解碼器與第一全連接層連接；

所述基于多注意力因果網絡模型，根據各所述第一歷史觀測數據和第二歷史觀測數據，得到交通預測模型，具體包括：

采用收斂交叉映射算法，通過時空嵌入單元計算各組中的第一歷史觀測數據和第二歷史觀測數據的相關性值；

根據各相關性值，通過子圖劃分單元將各第一歷史觀測數據劃分為多個子圖；

針對任一子圖，通過時空嵌入單元根據所述子圖中各第一歷史觀測數據對應的相關性值，確定所述子圖的相關性矩陣；

根據所述子圖的相關性矩陣以及各歷史時間步長，確定時空嵌入特征；