[發明專利]基于多元時序數據分析的交通序列預測方法

在審

• 申請號: 202211452377.1
• 申請日: 2022-11-21
• 公開（公告）號: CN115713155A
• 公開（公告）日: 2023-02-24
• 發明（設計）人: 翁文超;樊謹;田浩
• 申請（專利權）人: 杭州電子科技大學;浙江省交通運輸科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/213;G06N3/0464;G06N3/047;G06N3/0455;G06N3/084
• 代理公司: 北京知藝互聯知識產權代理有限公司 16137
• 代理人: 孟晨光

1.一種基于多元時序數據分析的交通序列預測方法，其特征在于，包括如下步驟：

步驟1：先對公共交通序列數據集進行數據預處理，獲得訓練數據集和驗證數據集；

步驟2：借助于步驟1得到的訓練數據集，每次隨機選取16組訓練數據，輸入到隨機圖擴散注意力模型中，每組數據中的歷史時間時間信息和未來時間時間信息和預定義圖結構信息輸入到圖擴散注意力模型中的時空embedding生成器中生成歷史時空embedding和未來時空embedding；

步驟3：將歷史交通數據和歷史時空embedding送入編碼器，分別使用圖擴散注意力模塊和時間注意力模塊提取空間特征和時間特征，并使用gate fusion模塊融合兩種特征生成歷史時空特征；

步驟4：將歷史時空特征、歷史時空embedding和未來時空embedding送入轉化注意力模塊，生成未來時空特征；

步驟5：將歷史交通數據和未來時空embedding送入編碼器，分別使用圖擴散注意力模塊和時間注意力模塊提取空間特征和時間特征，并使用gate fusion模塊融合兩種特征生成未來時空特征，最后使用未來時空特征生成最終的預測序列；

步驟6：計算步驟5得到最終的生成預測序列與預測序列之間的平均絕對誤差、均方根誤差和平均絕對百分誤差，然后通過Adam優化器進行反向傳播，更新網絡參數，最終得到訓練好的隨機圖擴散注意力模型；

步驟7：借助于步驟6更新網絡參數后的模型與步驟1得到的測試數據集，選取16組測試數據作為輸入，執行步驟2至步驟6，其中將步驟2中的訓練數據替換成選取的16組測試數據，最終得到基于測試數據生成的預測序列；

步驟8：借助于步驟7得到的基于測試數據生成的預測序列，計算該預測序列與真實序列之間的平均絕對誤差，求得所有組數據的平均絕對誤差后求均值，得到最終代表模型表現的平均絕對誤差；

步驟9：重復步驟2至步驟8，直至步驟8得到的平均絕對誤差不再減小，說明模型表現達到最優，則網絡參數更新完畢，模型結束訓練。

2.根據權利要求1所述的基于多元時序數據分析的交通序列預測方法，其特征在于，步驟1的具體方法為：選取合適的公共交通序列數據集，根據要求設定歷史序列長度、預測序列長度，將輸入的數據進行分割，每組數據各包含一個歷史序列、預測序列和兩個序列對應的時間信息；將所有的歷史序列、預測序列和時間信息，按組分為訓練數據集和測試數據集，完成數據預處理；在完成數據分組之后，截取70％組數據作為訓練數據集，30％組數據作為驗證數據集。

3.根據權利要求1所述的基于多元時序數據分析的交通序列預測方法，其特征在于，步驟2中的圖擴散注意力模型包括時空embedding生成器、需要輸入每組數據中的歷史數據和歷史時空embedding來進行編碼的編碼器、、使用歷史時空embedding和未來時空embedding對輸入數據進行轉化的轉化注意力模塊、需要未來時空embedding和轉化注意力模塊的輸出進行解碼輸出預測序列的解碼器。

4.根據權利要求3所述的基于多元時序數據分析的交通序列預測方法，其特征在于，時空embedding生成器包括用來接收時間信息的時間embedding生成器和用來接收圖結構信息的空間embedding生成器，時空embedding生成器的總體公式如下所示：

e^T＝MLP(e^d||e^w)

e^S＝Node2vec(A)

E＝e^T+e^S

其中e^T為時間embedding，e^d，e^w分別表示時間信息中的日內的時刻信息和周內的日期信息；e^S為空間embedding，A為預定義的路網的鄰接矩陣，Node2vec()為用于對路網信息進行編碼的node2vec算法；E為時空embedding，時空embedding分為歷史時間時空embeddingE^H和歷史embeddingE^F。