基于时序依赖注意力稀疏卷积的交通流量预测方法及系统

1.本发明涉及交通流量预测技术领域，特别涉及一种基于时序依赖注意力稀疏卷积的交通流量预测方法及系统。


背景技术：

2.随着交通网络的日益复杂，交通流量预测对于交通道路的管理和公共安全的预防具有重要的现实意义。例如准确地预测出租车需求可以帮助提高车辆调度效率，减少交通拥堵。
3.传统的预测方法，一般是使用历史交通流量平均值作为下一个时间间隔的预测值，而不能捕获不同时间间隔之间的相关性，同时由于模型容量有限，很难捕捉交通流数据的复杂时空特征，导致预测得到的未来时间间隔的流量数据准确度较低。


技术实现要素：

4.基于此，本发明的目的是提出一种基于时序依赖注意力稀疏卷积的交通流量预测方法及系统，以深度捕捉不同时间间隔之间的相关性，同时捕捉历史交通流量数据的时空特征，进而提高预测未来时间间隔的交通流量结果的准确度。
5.根据一种基于时序依赖注意力稀疏卷积的交通流量预测方法，所述方法包括：基于经纬度将目标城市划分为m*n的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，x
t
表示第t个时间间隔的历史流量数据，h
t
表示与第t个时间间隔的历史流量数据对应的时空特征；根据第t个时间间隔对应的时间相关性注意力特征和时空特征h
t
计算得到融合特征f
t
，并将所述融合特征f
t
输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。
6.综上，根据上述的基于时序依赖注意力稀疏卷积的交通流量预测方法，以替代传统的交通流量预测方式，通过深度提取历史交通流量数据的时空特征，同时利用深度提取的时空特征深度捕捉多个时间间隔之间的时间相关性，从而能够更加精确地预测目标城市中任一区域在未来时间段下的交通流量结果。具体为：首先将目标城市划分为多个网格区域，同时定义交通流入和交通流出的概念，以计算出任一网格区域的交通流入和交通流出，
而后再基于该区域的交通流入和交通流出生成历史流量数据，再基于改进后的convlstm网络从历史流量数据序列中提取时空特征序列，进而计算出多个时间间隔之间的时间相关性注意力特征，而后再将深度提取出的时空特征和时间相关性注意力特征进行融合，得到一融合特征，最后根据该融合特征预测在未来时间间隔下的三维特征张量。
7.进一步地，所述以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出的步骤包括：根据以下公式计算得到区域g(i,j)对应的交通流入：，其中，表示区域g(i,j)在第t个时间间隔内的交通流入，tr表示一次行程，γ表示所有行程的集合，p
start
表示单次行程内的开始区域，p
end
表示单次行程内的结束区域，t
start
表示单次行程开始的时刻，s
t
表示第t个时间间隔的开始时间，e
t
表示第t个时间间隔的结束时间，表示一次行程的变量；根据以下公式计算得到区域g(i,j)对应的交通流出：，其中，表示区域g(i,j)在第t个时间间隔内的交通流出。
8.进一步地，所述根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列的步骤包括：根据以下公式对历史流量数据序列进行提取：，其中，表示改进后的convlstm网络中的存储单元，g（
·
）表示tanh函数，、以及表示改进后的convlstm网络中的存储单元的可学习参数，h
t-1
表示与第t-1个时间间隔的历史流量数据对应的时空特征，表示第t个时间间隔下的存储单元状态，表示第t-1个时间间隔下的存储单元状态，、、分别表示改进后的convlstm网络中的遗忘门、输入门和输出门，表示卷积运算，表示hadamard乘积；根据以下公式计算得到遗忘门：,根据以下公式计算得到输入门：，根据以下公式计算得到输出门：
，其中，（
·
）表示sigmoid函数，、均表示改进后的convlstm网络中的遗忘门可学习参数，、均表示改进后的convlstm网络中的输出门可学习参数，、均表示改进后的convlstm网络中的输入门可学习参数。
9.进一步地，所述根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征的步骤包括：将时空特征序列通过展平层拉伸成特征向量,并根据以下公式计算得到第t个时间间隔的时间相关性注意力特征：，其中，αk表示第t个时间间隔的特征向量与第k个时间间隔的特征向量进行矩阵乘积得到的权重向量，表示第t个时间间隔的特征向量，表示第k个时间间隔的特征向量的转置，表示与权重向量αk对应的归一化向量，a
t
表示第t个时间间隔的时间相关性注意力特征，表示第k个时间间隔的时空特征。
10.进一步地，所述根据第t个时间间隔对应的时间相关性注意力特征和时空特征h
t
计算得到融合特征f
t
的步骤包括：根据以下公式计算得到融合特征f
t
：，其中，wa表示第t个时间间隔的时间相关性注意力特征a
t
的权重系数，wh表示表示时空特征h
t
的权重系数。
11.进一步地，所述将所述融合特征f
t
输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量的步骤包括：根据以下公式计算得到第t+1个时间间隔对应的三维特征张量：，其中，表示应用k层反卷积层对融合特征f
t
进行预测。
12.本发明另一方面还提出一种基于时序依赖注意力稀疏卷积的交通流量预测系统，所述系统包括：
区域分割模块，用于基于经纬度将目标城市划分为m*n的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；区域交通流量获取模块，用于定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；特征提取模块，用于根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，x
t
表示第t个时间间隔的历史流量数据，h
t
表示与第t个时间间隔的历史流量数据对应的时空特征；区域流量预测模块，用于根据第t个时间间隔对应的时间相关性注意力特征和时空特征h
t
计算得到融合特征f
t
，并将所述融合特征f
t
输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。
13.本发明另一方面还提供一种存储介质，包括所述存储介质存储一个或多个程序，该程序被执行时实现如上述的基于时序依赖注意力稀疏卷积的交通流量预测方法。
14.本发明另一方面还提供一种计算机设备，所述计算机设备包括存储器和处理器，其中：所述存储器用于存放计算机程序；所述处理器用于执行所述存储器上所存放的计算机程序时，实现如上述的基于时序依赖注意力稀疏卷积的交通流量预测方法。
15.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
16.图1为本发明第一实施例提出的基于时序依赖注意力稀疏卷积的交通流量预测方法的流程图；图2为本发明第一实施例中的目标城市的分割示意图；图3为本发明第一实施例中的改进后的convlstm网络的结构示意图；图4为本发明第二实施例提出的基于时序依赖注意力稀疏卷积的交通流量预测系统的结构示意图。
17.如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
18.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干个实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
19.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具
体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
20.请参阅图1，所示为本发明第一实施例中的基于时序依赖注意力稀疏卷积的交通流量预测方法的流程图，该方法包括步骤s01至步骤s04，其中：步骤s01：基于经纬度将目标城市划分为m*n的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；请参阅图2，所示为目标城市（a市）的分割示意图，通过将目标城市划分为多个网格，每一网格即代表一个区域，而后分析每个区域的流量预测情况。
21.步骤s02：定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；需要指出的是，为了精确预测每个区域的交通流量，首先对交通流入和交通流出进行定义，而后根据以下公式计算得到区域g(i,j)对应的交通流入：，其中，表示区域g(i,j)在第t个时间间隔内的交通流入，tr表示一次行程，γ表示所有行程的集合，p
start
表示单次行程内的开始区域，p
end
表示单次行程内的结束区域，t
start
表示单次行程开始的时刻，s
t
表示第t个时间间隔的开始时间，e
t
表示第t个时间间隔的结束时间，表示一次行程的变量；再根据根据以下公式计算得到区域g(i,j)对应的交通流出：，其中，表示区域g(i,j)在第t个时间间隔内的交通流出。
22.综上，根据上述的交通流入计算公式和交通流出计算公式能够快速统计出区域区域g(i,j)在第1个时间间隔到第t个时间间隔的历史交通流量数据，从而生成得到历史流量数据序列，进而为未来时间间隔提供基础数据来源。
23.步骤s03：根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，x
t
表示第t个时间间隔的历史流量数据，h
t
表示与第t个时间间隔的历史流量数据对应的时空特征；具体地，在得到历史流量数据序列后，请参阅图3，本方案中设计了一种改进后的convlstm网络，该改进后的convlstm网络中门控机制的输入只有x
t
，从而可以有效地降低模型的复杂性，同时确保特征矩阵信息x
t
能够传播到输入更新公式中的后续存储单元中。改进后的convlstm网络中门控机制的更新公式如下：
，其中，表示改进后的convlstm网络中的存储单元，g（
·
）表示tanh函数，、以及表示改进后的convlstm网络中的存储单元的可学习参数，h
t-1
表示与第t-1个时间间隔的历史流量数据对应的时空特征，表示第t个时间间隔下的存储单元状态，表示第t-1个时间间隔下的存储单元状态，、、分别表示改进后的convlstm网络中的遗忘门、输入门和输出门，表示卷积运算，表示hadamard乘积；进一步地，根据以下公式计算得到遗忘门：,根据以下公式计算得到输入门：，根据以下公式计算得到输出门：，其中，（
·
）表示sigmoid函数，、均表示改进后的convlstm网络中的遗忘门可学习参数，、均表示改进后的convlstm网络中的输出门可学习参数，、均表示改进后的convlstm网络中的输入门可学习参数。
24.更进一步地，将时空特征序列通过展平层拉伸成特征向量,并根据以下公式计算得到第t个时间间隔的时间相关性注意力特征：，其中，αk表示第t个时间间隔的特征向量与第k个时间间隔的特征向量进行矩阵乘积得到的权重向量，表示第t个时间间隔的特征向量，表示第k个时间间隔的特征向量的转置，表示与权重向量αk对应的归一化向量，a
t
表示第t个时间间隔的时间相关性注意力特征，表示第k个时间间隔的时空特征。
25.通过上述的时间相关性注意力特征的计算公式，从而计算出第t个时间间隔分别
与之前的各个时间间隔的相关性，进而提高根据第t个时间间隔的交通流量数据预测未来时间间隔交通流量结果的可靠性。
26.步骤s04：根据第t个时间间隔对应的时间相关性注意力特征和时空特征h
t
计算得到融合特征f
t
，并将所述融合特征f
t
输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。
27.需要说明的是，根据以下公式计算得到融合特征f
t
：，其中，wa表示第t个时间间隔的时间相关性注意力特征a
t
的权重系数，wh表示表示时空特征h
t
的权重系数，该融合特征f
t
充分考虑了复杂时空特征以及时间间隔之间的相关性，从而根据该融合特征对未来交通流量进行预测，能够提高其预测准确度，具体地，根据以下公式计算得到第t+1个时间间隔对应的三维特征张量：，其中，表示应用k层反卷积层对融合特征f
t
进行预测。
28.综上，根据上述的基于时序依赖注意力稀疏卷积的交通流量预测方法，以替代传统的交通流量预测方式，通过深度提取历史交通流量数据的时空特征，同时利用深度提取的时空特征深度捕捉多个时间间隔之间的时间相关性，从而能够更加精确地预测目标城市中任一区域在未来时间段下的交通流量结果。具体为：首先将目标城市划分为多个网格区域，同时定义交通流入和交通流出的概念，以计算出任一网格区域的交通流入和交通流出，而后再基于该区域的交通流入和交通流出生成历史流量数据，再基于改进后的convlstm网络从历史流量数据序列中提取时空特征序列，进而计算出多个时间间隔之间的时间相关性注意力特征，而后再将深度提取出的时空特征和时间相关性注意力特征进行融合，得到一融合特征，最后根据该融合特征预测在未来时间间隔下的三维特征张量。
29.请参阅图4，所示为本发明第二实施例中的基于时序依赖注意力稀疏卷积的交通流量预测系统的结构示意图，该系统包括：区域分割模块10，用于基于经纬度将目标城市划分为m*n的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；区域交通流量获取模块20，用于定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；进一步地，所述区域交通流量获取模块20还包括：交通流入计算单元，用于根据以下公式计算得到区域g(i,j)对应的交通流入：，其中，表示区域g(i,j)在第t个时间间隔内的交通流入，tr表示一次行程，γ表示所有行程的集合，p
start
表示单次行程内的开始区域，p
end
表示单次行程内的结束区域，t
start
表示单次行程开始的时刻，s
t
表示第t个时间间隔的开始时间，e
t
表示第t个时间间隔
的结束时间，表示一次行程的变量；交通流出计算单元，用于根据以下公式计算得到区域g(i,j)对应的交通流出：，其中，表示区域g(i,j)在第t个时间间隔内的交通流出。
30.特征提取模块30，用于根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，x
t
表示第t个时间间隔的历史流量数据，h
t
表示与第t个时间间隔的历史流量数据对应的时空特征；进一步地，所述特征提取模块30还包括：特征更新执行单元，用于根据以下公式对历史流量数据序列进行提取：，其中，表示改进后的convlstm网络中的存储单元，g（
·
）表示tanh函数，、以及表示改进后的convlstm网络中的存储单元的可学习参数，h
t-1
表示与第t-1个时间间隔的历史流量数据对应的时空特征，表示第t个时间间隔下的存储单元状态，表示第t-1个时间间隔下的存储单元状态，、、分别表示改进后的convlstm网络中的遗忘门、输入门和输出门，表示卷积运算，表示hadamard乘积；根据以下公式计算得到遗忘门：,根据以下公式计算得到输入门：，根据以下公式计算得到输出门：，其中，（
·
）表示sigmoid函数，、均表示改进后的convlstm网络中的遗忘门可学习参数，、均表示改进后的convlstm网络中的输出门可学习参数，、均表示改进后的convlstm网络中的输入门可学习参数；相关性计算单元，用于将时空特征序列通过展平层拉伸成特征向量,并根据以下公式计算得到第t个时间间隔的时间相关性注意力特征：
，其中，αk表示第t个时间间隔的特征向量与第k个时间间隔的特征向量进行矩阵乘积得到的权重向量，表示第t个时间间隔的特征向量，表示第k个时间间隔的特征向量的转置，表示与权重向量αk对应的归一化向量，a
t
表示第t个时间间隔的时间相关性注意力特征，表示第k个时间间隔的时空特征。
31.区域流量预测模块40，用于根据第t个时间间隔对应的时间相关性注意力特征和时空特征h
t
计算得到融合特征f
t
，并将所述融合特征f
t
输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。
32.进一步地，所述区域流量预测模块40还包括：融合特征计算单元，用于根据以下公式计算得到融合特征f
t
：，其中，wa表示第t个时间间隔的时间相关性注意力特征a
t
的权重系数，wh表示表示时空特征h
t
的权重系数；预测执行单元，用于根据以下公式计算得到第t+1个时间间隔对应的三维特征张量：，其中，表示应用k层反卷积层对融合特征f
t
进行预测。
33.本发明另一方面还提出存储介质，其上存储有一个或多个程序，该程序给处理器执行时实现上述的基于时序依赖注意力稀疏卷积的交通流量预测方法。
34.本发明另一方面还提出一种计算机设备，包括存储器和处理器，其中存储器用于存放计算机程序，处理器用于执行存储器上所存放的计算机程序，以实现上述的基于时序依赖注意力稀疏卷积的交通流量预测方法。
35.本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
36.计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
37.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
38.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
39.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

技术特征：
1.一种基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述方法包括：基于经纬度将目标城市划分为m*n的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，x
t
表示第t个时间间隔的历史流量数据，h
t
表示与第t个时间间隔的历史流量数据对应的时空特征；根据第t个时间间隔对应的时间相关性注意力特征和时空特征h
t
计算得到融合特征f
t
，并将所述融合特征f
t
输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。2.根据权利要求1所述的基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出的步骤包括：根据以下公式计算得到区域g(i,j)对应的交通流入：，其中，表示区域g(i,j)在第t个时间间隔内的交通流入，tr表示一次行程，γ表示所有行程的集合，p
start
表示单次行程内的开始区域，p
end
表示单次行程内的结束区域，t
start
表示单次行程开始的时刻，s
t
表示第t个时间间隔的开始时间，e
t
表示第t个时间间隔的结束时间，表示一次行程的变量；根据以下公式计算得到区域g(i,j)对应的交通流出：，其中，表示区域g(i,j)在第t个时间间隔内的交通流出。3.根据权利要求2所述的基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列的步骤包括：根据以下公式对历史流量数据序列进行提取：
，其中，表示改进后的convlstm网络中的存储单元，g（
·
）表示tanh函数，、以及表示改进后的convlstm网络中的存储单元的可学习参数，h
t-1
表示与第t-1个时间间隔的历史流量数据对应的时空特征，表示第t个时间间隔下的存储单元状态，表示第t-1个时间间隔下的存储单元状态，、、分别表示改进后的convlstm网络中的遗忘门、输入门和输出门，表示卷积运算，表示hadamard乘积；根据以下公式计算得到遗忘门：,根据以下公式计算得到输入门：，根据以下公式计算得到输出门：，其中，（
·
）表示sigmoid函数，、均表示改进后的convlstm网络中的遗忘门可学习参数，、均表示改进后的convlstm网络中的输出门可学习参数，、均表示改进后的convlstm网络中的输入门可学习参数。4.根据权利要求1所述的基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征的步骤包括：将时空特征序列通过展平层拉伸成特征向量,并根据以下公式计算得到第t个时间间隔的时间相关性注意力特征：，其中，α
k
表示第t个时间间隔的特征向量与第k个时间间隔的特征向量进行矩阵乘积得到的权重向量，表示第t个时间间隔的特征向量，表示第k个时间间隔的特征向量
的转置，表示与权重向量α
k
对应的归一化向量，a
t
表示第t个时间间隔的时间相关性注意力特征，表示第k个时间间隔的时空特征。5.根据权利要求4所述的基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述根据第t个时间间隔对应的时间相关性注意力特征和时空特征h
t
计算得到融合特征f
t
的步骤包括：根据以下公式计算得到融合特征f
t
：，其中，w
a
表示第t个时间间隔的时间相关性注意力特征a
t
的权重系数，w
h
表示表示时空特征h
t
的权重系数。6.根据权利要求5所述的基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述将所述融合特征f
t
输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量的步骤包括：根据以下公式计算得到第t+1个时间间隔对应的三维特征张量：，其中，表示应用k层反卷积层对融合特征f
t
进行预测。7.一种基于时序依赖注意力稀疏卷积的交通流量预测系统，其特征在于，所述系统包括：区域分割模块，用于基于经纬度将目标城市划分为m*n的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；区域交通流量获取模块，用于定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；特征提取模块，用于根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，x
t
表示第t个时间间隔的历史流量数据，h
t
表示与第t个时间间隔的历史流量数据对应的时空特征；区域流量预测模块，用于根据第t个时间间隔对应的时间相关性注意力特征和时空特征h
t
计算得到融合特征f
t
，并将所述融合特征f
t
输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。8.一种存储介质，其特征在于，包括：所述存储介质存储一个或多个程序，该程序被处理器执行时实现如权利要求1-6任一所述的基于时序依赖注意力稀疏卷积的交通流量预测方法。9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中：所述存储器用于存放计算机程序；
所述处理器用于执行所述存储器上所存放的计算机程序时，实现权利要求1-6任一所述的基于时序依赖注意力稀疏卷积的交通流量预测方法。

技术总结
本发明提出一种基于时序依赖注意力稀疏卷积的交通流量预测方法及系统，该方法包括：首先将目标城市划分为多个网格区域，同时定义交通流入和交通流出的概念，以计算出任一网格区域的交通流入和交通流出，而后再基于该区域的交通流入和交通流出生成历史流量数据，并采用卷积层提取隐藏特征，从而得到三维特征张量，再基于改进后的ConvLSTM网络从三维特征张量中提取时空特征序列，进而计算出多个时间间隔之间的时间相关性注意力特征，而后再将深度提取出的时空特征和时间相关性注意力特征进行融合，得到一融合特征，最后根据该融合特征预测在未来时间间隔下的三维特征张量。本发明提出的方法提高预测未来时间间隔的交通流量结果的准确度。结果的准确度。结果的准确度。


技术研发人员：廖辉传 唐洁 黄晓辉
受保护的技术使用者：华东交通大学
技术研发日：2023.04.23
技术公布日：2023/5/23