[發(fā)明專利]融合時空注意力神經(jīng)網(wǎng)絡和交通模型的交通流預測方法

有效

• 申請?zhí)枺?/td>: 202210179481.1
• 申請日: 2022-02-25
• 公開（公告）號: CN114495507B
• 公開（公告）日: 2023-06-16
• 發(fā)明（設計）人: 史本云;李菁;彭岳
• 申請（專利權）人: 南京工業(yè)大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04;G06Q50/26;G06N3/045;G06N3/042;G06N3/0442;G06N3/047;G06N3/048;G06N3/084
• 代理公司: 南京科闊知識產(chǎn)權代理事務所(普通合伙) 32400
• 代理人: 蘇興建

1.一種融合時空注意力神經(jīng)網(wǎng)絡和交通模型的交通流預測方法，其特征是步驟包括：

步驟101，輸入交通路網(wǎng)的特征數(shù)據(jù)和鄰接矩陣；特征數(shù)據(jù)分別是流量數(shù)據(jù)和速度數(shù)據(jù)；

步驟102，將輸入的特征數(shù)據(jù)分別按照時間片劃分，在每個時間片上進行圖注意網(wǎng)絡GAT表征得到節(jié)點特征的新表示，節(jié)點特征的新表示分別是速度特征的新表示和流量特征的新表示；

步驟103，將步驟102中得到的速度特征的新表示輸入進速度-流量模型中，得到流量特征的又一新表示；

對于輸入的速度特征的新表示，速度-流量根據(jù)下面的算式計算得出對應的流量特征：

其中，Q為平均車流量，單位是輛/小時；K_j為車輛密集到無法移動時的最大車流密度，單位是輛/公里；V_f為自由流速度，單位是公里/小時；V表示平均車流速度，單位是公里/小時；

步驟104，將步驟102中得到的流量特征的新表示和步驟103中得到的流量數(shù)據(jù)的又一新表示分別經(jīng)過門控循環(huán)單元網(wǎng)絡GRU處理：

GRU中，對于每一個時間片，輸入由兩部分組成：當前時間片的輸入和前一時間片的隱狀態(tài)；則先由此計算出網(wǎng)絡的重置門R_t、更新門Z_t和候選狀態(tài)再將更新門在前一時間片的隱狀態(tài)H_t-1和當前時間片的候選狀態(tài)之間進行組合計算即可得到當前時間片的隱狀態(tài)，亦為輸出狀態(tài)：

步驟105，將經(jīng)過GRU處理得到的流量特征的兩種新表征拼接起來，作為全連接層的輸入；

步驟106，把步驟105輸出數(shù)據(jù)分為測試集和訓練集；

步驟107，用訓練集的數(shù)據(jù)訓練循環(huán)神經(jīng)網(wǎng)絡RNN：

用全連接層full?connected?layer計算循環(huán)神經(jīng)網(wǎng)絡RNN的輸出，從而得到最終的預測結(jié)果；

步驟108，根據(jù)步驟107計算的預測結(jié)果和相應的真實數(shù)據(jù)，計算網(wǎng)絡模型預測的損失值loss；當網(wǎng)絡模型的損失值收斂到最小或者訓練到指定的迭代次數(shù)，則結(jié)束訓練，輸出訓練好的網(wǎng)絡模型即為預測模型；

步驟109，用預測模型檢測其在測試集上的表現(xiàn)；

步驟110，用全連接層計算最終預測結(jié)果并輸出。

2.根據(jù)權利要求1所述的融合時空注意力神經(jīng)網(wǎng)絡和交通模型的交通流預測方法，其特征是步驟101中，根據(jù)真實道路交通網(wǎng)絡中實體間的關系構建網(wǎng)絡拓撲結(jié)構，使用無向圖G＝(V，E，A)表示節(jié)點之間的空間關系和時間變化；

其中：v_i∈V表示圖中的節(jié)點，對應實際交通路網(wǎng)中的探測器；v_i和v_j分別表示節(jié)點i和節(jié)點j，即探測器i和探測器j；

e_ij∈E表示v_i和v_j之間的關聯(lián)性，如果兩者之間存在鄰接關系，值為1，否則，值為0；

網(wǎng)絡鄰接矩陣A＝{e_ij}，i，j∈[1，N]，N為對象實體的數(shù)量；實體是指車輛。

3.根據(jù)權利要求1所述的融合時空注意力神經(jīng)網(wǎng)絡和交通模型的交通流預測方法，其特征是步驟102中，明確數(shù)據(jù)形式及預測問題定義，表示過去τ個時間片內(nèi)所有節(jié)點的所有特征值，N為對象實體的數(shù)量，F(xiàn)表示每個對象實體的特征數(shù)量；給定過去τ個時間片內(nèi)所有節(jié)點的歷史觀測值X，預測未來T_p個時間內(nèi)所有節(jié)點的時間序列

將應用對象實體的流量特征進行GAT表征，計算注意力系數(shù)表示節(jié)點j的特征對節(jié)點i的重要性，列出式：

其中：表示一組節(jié)點特征，在對象實體上實現(xiàn)自注意，注意力機制a：F′表示輸出的特征維數(shù)，由人工設定；表示權重矩陣，對節(jié)點特征進行線性變換；

由計算式(1)獲得描述節(jié)點間相關性的注意力系數(shù)，使用鄰接矩陣對其進行篩選，只有對象實體之間存在連接才會存在注意力系數(shù)；為了使不同對象實體之間的系數(shù)易于比較，使用softmax函數(shù)進行歸一化，即可得到計算式(2)，列出式：

其中，表示節(jié)點i的所有鄰居節(jié)點，T表示轉(zhuǎn)置操作，||表示拼接操作；

由計算式(2)得到的歸一化的注意力系數(shù)用來計算其對應的特征的線性組合，作為每個節(jié)點流量特征的新表示；

同樣方法，將應用對象實體的速度特征使用GAT進行表征，得到速度特征的新表示。