[發明專利]一種時空聯合的交通流量預測方法及裝置

在審

• 申請號: 202210150863.1
• 申請日: 2022-02-18
• 公開（公告）號: CN114529081A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 李麗潔;邵紅陽;韓啟龍;宋洪濤;王也;馬志強;張海濤
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/26
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

1.一種時空聯合的交通流量預測方法，其特征在于，包括以下步驟：

步驟S1，獲取各個監測點的監測數據，將數據按照時間周期性規律進行分類并建立數據集，根據所述數據集構建監測站點無向圖，同時將所述數據集劃分訓練集、測試集和驗證集；

步驟S2，基于所述監測站點無向圖，構建時空聯合的交通流量預測模型；

步驟S3，利用所述訓練集對所述時空聯合的交通流量預測模型進行訓練，得到最優時空聯合的交通流量預測模型；

步驟S4，將所述驗證集輸入到所述最優時空聯合的交通流量預測模型中，計算未來交通流量預測值。

2.根據權利要求1所述的時空聯合的交通流量預測方法，其特征在于，所述步驟S1具體包括：

步驟S101，采集預設監測站點的監測數據，提取所有監測站點的特征數據；

步驟S102，將所述所有監測站點的特征數據按照時間周期性規律進行分類并建立數據集；

步驟S103，根據所述數據集的各個監測站點之間存在的連通性，把所有的監測站點構成無向圖；

步驟S104，對所述數據集進行預處理，并將預處理后的數據集劃分為訓練集、測試集和驗證集。

3.根據權利要求1所述的時空聯合的交通流量預測方法，其特征在于，所述步驟S2具體包括：

步驟S201，將所述步驟S1中的時間周期性規律分別為三個時間序列段，并分別輸入到三個獨立模塊中，對每個節點進行圖卷積，根據所述無向圖對相鄰的監測站點進行卷積操作，得到一階鄰居信息，其中，所述單個獨立模型分別為空間自注意力機制模塊、時間特征提取模塊和時間自注意力機制模塊；

步驟S202，將所述一階鄰居信息輸入到所述空間自注意力機制模塊中，通過對各個節點進行一維卷積的方式得到注意力矩陣，將所述注意力矩陣與所述一階鄰居信息相乘，得到高階鄰居信息；

步驟S203，將所述高階鄰居信息的輸入到所訴時間特征提取模塊中，對單個節點的連續三個時間數據進行卷積操作，進一步堆疊時間維度中的標準卷積層，通過合并相鄰時間切片上的信息來更新節點的信息，得到一階時間序列；

步驟S204，將所述一階時間序列輸入到所述時間自注意力機制模塊中，將相鄰時間序列進行一維卷積操作，得到時間注意力矩陣，并將時間注意力矩陣與所述一階時間序列相乘，得到長時間序列特征；

步驟S205，將所述高階鄰居信息、所述一階時間序列和所述長時間序列特征進行融合，算出三個模型之間的權重影響因子；

步驟S206，重復所述步驟S202-S205，并添加殘差網絡，分別得到三個模塊的輸出結果；

步驟S207，將所述三個模塊的輸出結果進行拼接，通過GRU進行時序計算，再對三個模塊的時序性刻畫，提前對未來流量進行學習，完成所述時空聯合的交通流量預測模型的構建。

4.根據權利要求1所述的時空聯合的交通流量預測方法，其特征在于，所述步驟S3具體包括：

步驟S301，將所述訓練集中的數據輸入到所述時空聯合的交通流量預測模型，得到最終預測結果；

步驟S302，通過計算所述最終預測結果與真實流量值之間的誤差來更新模型的參數，以優化所述時空聯合的交通流量預測模型，得到最優時空聯合的交通流量預測模型。

5.一種時空聯合的交通流量預測裝置，其特征在于，包括：

獲取模塊，用于獲取各個監測點的監測數據，將數據按照時間周期性規律進行分類并建立數據集，根據所述數據集構建監測站點無向圖，同時將所述數據集劃分訓練集、測試集和驗證集；

構建模塊，用于基于所述監測站點無向圖，構建時空聯合的交通流量預測模型；

訓練模塊，用于利用所述訓練集對所述時空聯合的交通流量預測模型進行訓練，得到最優時空聯合的交通流量預測模型；

預測模塊，用于將所述驗證集輸入到所述最優時空聯合的交通流量預測模型中，計算未來交通流量預測值。