[發(fā)明專利]基于多元時序數(shù)據(jù)分析的交通序列預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202211452377.1
• 申請日: 2022-11-21
• 公開（公告）號: CN115713155A
• 公開（公告）日: 2023-02-24
• 發(fā)明（設(shè)計）人: 翁文超;樊謹;田浩
• 申請（專利權(quán)）人: 杭州電子科技大學(xué);浙江省交通運輸科學(xué)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(lián)知識產(chǎn)權(quán)代理有限公司 16137
• 代理人: 孟晨光

本發(fā)明公開了一種基于多元時序數(shù)據(jù)分析的交通序列預(yù)測方法，采用隨機圖擴散注意力機制提取交通序列的全局和局部空間特征，使用時間注意力提取時間特征，提升了預(yù)測精度，降低了模型的內(nèi)存使用量，提升了模型在長期預(yù)測上的效果。本發(fā)明所述的基于多元時序數(shù)據(jù)分析的交通序列預(yù)測方法，使已有模型在保持長期預(yù)測的精度的前提下，解決短期預(yù)測精度不足、計算復(fù)雜度過高導(dǎo)致占用內(nèi)存規(guī)模較大以及不夠輕量化的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及交通預(yù)測技術(shù)領(lǐng)域，尤其是涉及一種基于多元時序數(shù)據(jù)分析的交通序列預(yù)測方法。

背景技術(shù)

交通預(yù)測是智能交通系統(tǒng)(ITS)中的一項重要服務(wù)，它可以根據(jù)傳感器觀測到的歷史交通狀況(如交通流量，交通速度)預(yù)測未來的交通狀況。這一功能促進了與交通管理、城市計算、公共安全等相關(guān)的廣泛服務(wù)。交通預(yù)測模型通過學(xué)習過去的交通序列的特征規(guī)律，從而預(yù)測未來一段時間內(nèi)的交通序列。不同于其他單變量時間序列預(yù)測問題，交通預(yù)測十分具有挑戰(zhàn)性。作為交通領(lǐng)域的固有現(xiàn)象，當前路口的交通狀況會受到附近和遠處路口的交通狀況的影響，這意味著它們之間存在一定的空間依賴性。同時，交通序列的走勢會受到歷史走勢的影響，充分考慮交通序列的時間依賴性也是重中之重。交通路網(wǎng)的復(fù)雜的時空相關(guān)性嚴重限制了交通流預(yù)測的有效性。

近年來，越來越多的新方法被提出，它們通過對時空特征進行建模，很好的提升了短期交通預(yù)測的精度，在一定程度上也提升了長期交通預(yù)測的精度。雖然隨著時間的流逝，眾多方法在短期交通預(yù)測上展現(xiàn)出了優(yōu)異的效果，但它們并沒有很好的提升長期交通預(yù)測的效果。現(xiàn)有方法通常采用圖卷積神經(jīng)網(wǎng)絡(luò)對局部空間信息進行建模，使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)或者循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)對時間信息進行建模，這些方法都著重于對局部信息的提取而缺乏全局信息的利用。直到注意力機制(Attention，AT)被提出，深度學(xué)習上有了一個通用的可以捕獲全局特征的方法。在最新的模型中，GMAN使用注意力機制構(gòu)建模型，在長期交通預(yù)測中取得了最好的效果。

GMAN采用Encoder-Decoder架構(gòu)，使用注意力機制分別對空間和時間兩個維度提取特征，并使用轉(zhuǎn)換注意力機制來緩解歷史交通序列月預(yù)測交通序列之間的誤差。GMAN有效提高了交通預(yù)測中長期預(yù)測的精度，但它存在一些問題：

1、空間注意力具有的高計算復(fù)雜度導(dǎo)致內(nèi)存使用量大；

2、不具備對空間維度局部特征捕獲的能力，導(dǎo)致短期預(yù)測的精度降低；

3、預(yù)測時間開銷大，不夠輕量化。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于多元時序數(shù)據(jù)分析的交通序列預(yù)測方法，使已有模型在保持長期預(yù)測的精度的前提下，解決短期預(yù)測精度不足、計算復(fù)雜度過高導(dǎo)致占用內(nèi)存規(guī)模較大以及不夠輕量化的問題。

為實現(xiàn)上述目的，本發(fā)明提供了一種基于多元時序數(shù)據(jù)分析的交通序列預(yù)測方法，包括如下步驟：

步驟1：先對公共交通序列數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，獲得訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集；

步驟2：借助于步驟1得到的訓(xùn)練數(shù)據(jù)集，每次隨機選取16組訓(xùn)練數(shù)據(jù)，輸入到隨機圖擴散注意力模型中，每組數(shù)據(jù)中的歷史時間時間信息和未來時間時間信息和預(yù)定義圖結(jié)構(gòu)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(shù)據(jù)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(zhuǎn)化注意力模塊，生成未來時空特征；