[發(fā)明專利]交通流量預(yù)測方法、系統(tǒng)、存儲介質(zhì)及終端設(shè)備

有效

• 申請?zhí)枺?/td>: 202310219860.3
• 申請日: 2023-03-09
• 公開（公告）號: CN116071932B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設(shè)計）人: 黃曉輝;藍緣春;蔣超杰;許嘉楊;祝顯紅
• 申請（專利權(quán)）人: 華東交通大學(xué)
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06F18/213;G06F18/25;G06N3/045;G06N3/08
• 代理公司: 南昌大牛知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 36135
• 代理人: 鄭劍文

本發(fā)明涉及交通流量預(yù)測技術(shù)領(lǐng)域，具體是一種交通流量預(yù)測方法、系統(tǒng)、存儲介質(zhì)及終端設(shè)備，包括對交通站點歷史流量數(shù)據(jù)，劃分周期性數(shù)據(jù)，更新周期性的節(jié)點依賴矩陣；利用局部時空注意力提取不同周期的流量周期性特征；使用權(quán)重分配注意力對周期性數(shù)據(jù)分配不同的權(quán)重，實現(xiàn)數(shù)據(jù)不同周期的側(cè)重；利用全局注意力網(wǎng)絡(luò)，將提取的周期性特征再進行提取全局特征，獲得最終預(yù)測值。本發(fā)明有效地捕捉了數(shù)據(jù)在不同周期的流量特征，并對不同周期的交通流量特征進行融合和分配權(quán)重，通過全局時空注意力提取全局的時空特征，通過模型結(jié)合了周期權(quán)重特征和全局時空特征，從而實現(xiàn)捕捉交通流量的周期性、空間依賴性和時間依賴性。

技術(shù)領(lǐng)域

本發(fā)明涉及交通流量預(yù)測技術(shù)領(lǐng)域，尤其是涉及一種交通流量預(yù)測方法、系統(tǒng)、存儲介質(zhì)及終端設(shè)備。

背景技術(shù)

準確的交通預(yù)測對于提高智能交通系統(tǒng)的安全性、穩(wěn)定性和效率至關(guān)重要。雖然目前提出了許多時空分析方法，準確的交通預(yù)測仍然面臨著挑戰(zhàn)。在時間和空間維度上建模交通數(shù)據(jù)的動態(tài)，捕捉交通數(shù)據(jù)的周期性和空間異質(zhì)性，這一問題導(dǎo)致難以進行長期預(yù)測。

目前，許多城市都在努力提高智能交通系統(tǒng)（ITS）的性能。交通流量預(yù)測已成為智慧城市發(fā)展中交通規(guī)劃、控制和狀態(tài)評估不可或缺的一部分。交通預(yù)測是利用觀測到的歷史交通數(shù)據(jù)對城市交通數(shù)據(jù)進行預(yù)測，準確的交通預(yù)測有助于減少道路擁堵，促進城市交通路網(wǎng)管理，甚至提高交通效率。交通數(shù)據(jù)是一種時間序列數(shù)據(jù)，由部署的道路傳感器按固定的時間間隔連續(xù)記錄。盡管近年來，人們在交通流量預(yù)測這一領(lǐng)域做了大量的研究來提高預(yù)測性能，但它仍然面臨著一些挑戰(zhàn)。交通數(shù)據(jù)是具有復(fù)雜時間相關(guān)性和動態(tài)空間相關(guān)性的時空數(shù)據(jù)。同時交通數(shù)據(jù)作為一種時間序列數(shù)據(jù)，具有特定的周期性和趨勢，如早晚高峰，工作日和休息日。有效地捕捉周期性和趨勢需要能夠準確捕捉時間和空間的長期依賴關(guān)系的模型，復(fù)雜的空間和時間依賴性是城市交通預(yù)測任務(wù)中的主要挑戰(zhàn)。

現(xiàn)有的交通流量預(yù)測方法存在如下局限性：

（1）傳統(tǒng)交通流量預(yù)測中，通常只對歷史交通流量數(shù)據(jù)作為整體輸入到模型中學(xué)習(xí)特征，然而單一的數(shù)據(jù)特征無法捕捉到不同周期對應(yīng)的流量特征。

（2）沒有對周期性數(shù)據(jù)使用注意力分配權(quán)重，會對預(yù)測產(chǎn)生一定的誤差。

（3）傳統(tǒng)的交通流量預(yù)測算法中，往往采用時間卷積提取交通流量數(shù)據(jù)的時間依賴特征，預(yù)測精度不夠。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明提出了一種基于局部全局時空注意力網(wǎng)絡(luò)的交通流量預(yù)測方法、系統(tǒng)、存儲介質(zhì)及終端設(shè)備。

根據(jù)本發(fā)明第一方面實施例的交通流量預(yù)測方法，其中包括：

處理周期性數(shù)據(jù)，基于不同周期選擇不同的流量數(shù)據(jù)作為輸入，包括對交通站點歷史流量數(shù)據(jù)，劃分周期性數(shù)據(jù)，更新周期性的節(jié)點依賴矩陣，其中所述周期性數(shù)據(jù)為：

，

其中，表示原始輸入，代表站點數(shù)，代表特征數(shù)，表示用歷史時間步的長度，將原始輸入處理為周期性數(shù)據(jù)：小時數(shù)據(jù)、天數(shù)據(jù)、周數(shù)據(jù)，

其中，為時間步的長度，為處理之后的周期性小時數(shù)據(jù)的時間間隔周期，為處理之后的周期性天數(shù)據(jù)的時間間隔周期，為處理之后的周期性周數(shù)據(jù)的時間間隔周期；

對不同周期數(shù)據(jù)進行時空特征的提取，將處理好的周期性數(shù)據(jù)分別送入周期性空間注意力模塊來提取不同周期模式的周期性流量特征；

交通流量的空間依賴特征的權(quán)重分配及融合，利用周期空間注意力單元提取到不同周期模式的周期性流量特征后，將不同周期模式的周期性流量特征送入權(quán)重注意力模塊，實現(xiàn)交通流量的空間依賴的權(quán)重分配及融合；

獲得未來流量的預(yù)測結(jié)果，利用全局時空注意力模塊，將分配權(quán)重的局部時空特征再提取全局的時空特征，獲得未來流量的預(yù)測結(jié)果。