[發明專利]一種基于時空數據嵌入的交通流量預測方法

在審

• 申請號: 202210050814.0
• 申請日: 2022-01-17
• 公開（公告）號: CN114169649A
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 張帥;竺堃;張文宇;胡澤乾;徐紀元
• 申請（專利權）人: 浙江財經大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊天嬌

1.一種基于時空數據嵌入的交通流量預測方法，其特征在于，所述基于時空數據嵌入的交通流量預測方法，包括：

步驟1、獲取歷史交通流量數據：采集N個電警設備M個時間點的交通流量作為歷史交通流量數據；

步驟2、基于歷史交通流量數據執行時空數據嵌入，包括：

步驟2.1、交通流量的區間表示：

步驟2.1.1、取歷史交通流量數據中交通流量的最大值和最小值作為交通流量范圍的上限和下限，并將交通流量范圍等距劃分為P個區間，區間符號D_i代表第i個區間，1≤i≤P；

步驟2.1.2、確定歷史交通流量數據中的每個交通流量的所屬區間，并將每個交通流量表示為其所屬區間的區間符號以轉化為對應的交通流量區間；

步驟2.2、交通流量向量的生成：

步驟2.2.1、取歷史交通流量數據中預設的時間步長內所有的交通流量區間作為輸入數據，記為其中T表示時間步長，采用Word2vec模型將輸入數據轉換為嵌入數據其中Z表示交通流量向量的嵌入維度，即得到對應的交通流量向量；

步驟3、基于時空數據嵌入后得到的交通流量向量提取時間特征得到節點特征矩陣；

步驟4、基于時空數據嵌入后得到的交通流量向量提取電警設備之間的相關性得到動態關聯圖；

步驟5、將所述節點特征矩陣和動態關聯圖輸入圖卷積神經網絡GCN中，得到圖卷積神經網絡GCN輸出的預測結果，所述預測結果為所有電警設備未來T′個時間點的交通流量。

2.如權利要求1所述的基于時空數據嵌入的交通流量預測方法，其特征在于，所述區間D_i的下界vr_i,l和上界vr_i,u計算如下：

式中，vr_min和vr_max分別表示交通流量范圍的下限和上限。

3.如權利要求1所述的基于時空數據嵌入的交通流量預測方法，其特征在于，所述基于時空數據嵌入后得到的交通流量向量提取時間特征得到節點特征矩陣，包括：

步驟3.1、以不同電警設備對嵌入數據進行劃分，劃分得到N個嵌入矩陣

步驟3.2、取濾波器組，該濾波器組中包含高度為H₁，H₂，...，H_G的G種不同高度，且每種高度具有R個濾波器；

步驟3.3、采用不同高度的濾波器對每個嵌入矩陣進行時間特征提取得到多個特征圖，將所有特征圖連接并展開后得到高層次的時間特征其中LT表示時間特征的長度；

步驟3.4、將所有嵌入矩陣對應的高層次的時間特征進行連接得到節點特征矩陣

4.如權利要求3所述的基于時空數據嵌入的交通流量預測方法，其特征在于，所述采用不同高度的濾波器對每個嵌入矩陣進行時間特征提取得到多個特征圖，包括：

步驟3.3.1、選擇高度為H_g的R個濾波器，g＝1,2,...,G，對第n個嵌入矩陣進行時間特征提取，n＝1,2,...,N，取嵌入矩陣W_n中第d行到第e行的元素得到的嵌入矩陣W_n的子矩陣

步驟3.3.2、設置濾波器的寬度為交通流量向量的嵌入維度Z，則高度為H_g的濾波器可表示為

步驟3.3.3、對子矩陣分別應用其一濾波器以獲得相應的特征圖FM，應用公式如下：

fm_s＝f(θ⊙W_n[s:s+H_g-1]+b_s),s＝1,2,...,T-H_g+1

式中，fm_s表示特征圖FM的第s個組成部分，f(·)表示激活函數，⊙表示子矩陣和濾波器之間的點積，b_s表示偏置項。

5.如權利要求1所述的基于時空數據嵌入的交通流量預測方法，其特征在于，所述基于時空數據嵌入后得到的交通流量向量提取電警設備之間的相關性得到動態關聯圖，包括：

步驟4.1、計算電警設備的平均交通流量向量：

式中，表示第x個電警設備在時間步長T內的平均交通流量向量；T表示時間步長；表示在時間步長T內第x個電警設備的第t個交通流量向量；

步驟4.2、計算第x個電警設備和第y個電警設備的相似度：

式中，Sim(x,y)為第x個電警設備和第y個電警設備的相似度，y＝1,2,...,N，和分別表示平均交通流量向量和的第z個分量；

步驟4.3、計算第x個電警設備和第y個電警設備之間的距離Dis_x，y；

步驟4.4、基于第x個電警設備和第y個電警設備的相似度和距離得到動態相關性：

式中，A_x,y表示第x個電警設備和第y個電警設備之間的動態相關性，α和β表示權值系數；σ₁表示相似度的標準差；σ₂表示距離的標準差；ε表示閾值；

步驟4.5、獲得動態關聯圖，所述動態關聯圖為不同時間段計算得到的加權鄰接矩陣A的組合，時間段的時間跨度對應時間步長，所述加權鄰接矩陣A為以A_x,y為元素的N×N維矩陣。