基于时间注意力循环图卷积神经网络的交通流量预测方法

1.本发明涉及数据处理技术领域，尤其涉及一种基于时间注意力循环图卷积神经网络的交通流量预测方法。


背景技术：

2.智慧交通是新时期下发展现代化交通运输业的趋势要求，其中，交通流量预测是城市交通资源控制、优化的基础，在智能交通系统中起着重要作用。目前，各大城市和高速公路都部署了大量传感器等信息收集设备。这些信息收集设备能收集大量待预测的交通流量数据和地理位置信息，为交通流量预测提供了可靠的数据来源。
3.当前，交通流量的预测方法主要包括基于统计学方法和传统机器学习方法。基于统计学方法通常基于独立性假设或者线性假设，然而，实际上交通演变是一个复杂的非线性且动态的过程，并不满足这些假设，所以基于统计学的交通流量预测方法的实际预测效果欠佳。传统机器学习方法包括k邻近算法(k-nearest neighbor,knn)和支持向量回归(support vector regression,svr)等方法。传统机器学习方法能够对更加复杂的非线性数据进行建模，并且取得比统计学方法更好的性能，但是往往需要专家设计，已不适应于当前数据量剧增且交通演变更加复杂的交通流量。


技术实现要素：

4.本发明要解决的技术问题是：现有技术中交通流量的预测方法的预测效果不佳或者不适应于当前数据量剧增且更加复杂的交通流量。
5.为了解决上述技术问题，本发明提供以下方案：
6.一方面，本发明提供一种基于时间注意力循环图卷积神经网络的交通流量预测方法，该方法包括：获取待预测的交通流量数据。对待预测的交通流量数据进行预处理，并获取交通流量信号矩阵x。根据gcns(a
pre
，x)＝sigmoid((in+a
pre
)xws)
⊙
(in+a
pre
)xws和对交通流量信号矩阵x进行空间特征提取，获取待预测的交通流量数据的第一特征数据矩阵x进行空间特征提取，获取待预测的交通流量数据的第一特征数据为交通网络邻接矩阵，in为n维对角矩阵，we为可学习的权重矩阵，be为可学习的偏重向量，a
pre
为基于地理距离的预定义邻接矩阵，
⊙
为哈达玛积；gcn()表示嵌入门控循环单元中的图卷积神经网络。根据积神经网络。根据和h
t
＝z
t
⊙ht-1
+(1-z
t
)
⊙ht
对待预测的交通流量数据的第一空间特征数据进行时间特征提取，获取待预测的交通流量数据的第二特征数据h
t
。t为第一时刻，z
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的更新门，σ()为sigmoid激活函数，||为矩阵拼接运算，r
t
为待预测的交通流量数据的
第一空间特征数据在第一时刻t的重置门，h
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的隐藏状态，tanh()为非线性激活函数。根据h
′
t
[i，：]＝h
t
[i，：]+e
tp
和在待预测的交通流量数据的第二特征数据h
t
中添加时间位置嵌入。根据y
ta
＝relu(attention(conv(h
′
t
)，conv(h
′
t
)，linear(h
′
t
)))+h
t
对待预测的交通流量数据的第二特征数据h
t
进行时间特征提取，获取待预测的交通流量数据的第三特征数据y
ta
。其中attention()为注意力矩阵系数，conv()和linear()分别表示卷积操作和线性变换；softmax()和relu()均为非线性激活函数。以及，将待预测的交通流量数据的第三特征数据y
ta
作为输入，获取交通流量预测模型的输出结果，根据交通流量预测模型的输出结果获取交通流量预测结果，交通流量预测结果为未来th个时间步的预测结果；th是人为设定的预测时间步数量。
[0007]
在一些实施例中，对待预测的交通流量数据进行预处理，并获取交通流量信号矩阵，包括：获取待预测的交通流量数据中的缺失数据。采样线性插值的方法填充缺失数据，获取补全后的待预测的交通流量数据。对补全后的待预测的交通流量数据进行归一化处理。以及，根据归一化处理之后的补全后的待预测的交通流量数据获取交通流量信号矩阵。
[0008]
在一些实施例中，对交通流量信号矩阵进行空间特征提取，获取待预测的交通流量数据的第一特征数据，包括：采用节点嵌入式的图卷积神经网络构建交通网络邻接矩阵。以及，根据交通网络邻接矩阵对交通流量信号矩阵进行空间特征提取，获取待预测的交通流量数据的第一特征数据。
[0009]
在一些实施例中，采用节点嵌入式的图卷积神经网络构建交通网络邻接矩阵，包括：对节点嵌入矩阵初始化，获取初始化后的节点嵌入矩阵e
adj
。将初始化之后的节点嵌入矩阵e
adj
与初始化之后的节点嵌入矩阵的转置矩阵相乘，获取第一方阵以及，根据对第一方阵进行处理，并获取所述交通网络邻接矩阵
[0010]
在一些实施例中，对待预测的交通流量数据的第二特征数据进行时间特征提取，获取待预测的交通流量数据的第三特征数据，包括：按照将添加了时间位置嵌入的待预测的交通流量数据的第二特征数据映射为查询向量qc、键向量kc和值向量v
l
；其中，
[0011]
qc,kc,v
l
∈rn×
t
×c。将查询向量qc与键向量的转置相乘，得到时间注意力系数矩阵score∈rn×
t
×c；score
ij
代表时刻i和j之间的关联程度。将时间注意力
系数矩阵score进行归一化处理；并将归一化处理之后的时间注意力系数矩阵score与值向量v
l
相乘，得到注意力系数矩阵attention(q,k,v)。以及，采用激活函数和残差运算，根据注意力系数矩阵、获取待预测的交通流量数据的第三特征数据。
[0012]
在一些实施例中，交通流量预测模型的输出结果包括多个时间步的交通流量预测值。
[0013]
在一些实施例中，方法还包括：获取交通流量的历史数据。对交通流量的历史数据进行预处理，并将预处理后的交通流量的历史数据作为交通流量预测模型的数据集。以及，根据交通流量预测模型的数据集，通过门控循环单元、时间注意力层和卷积层进行模型训练，并获取交通流量预测模型；门控循环单元中，使用节点嵌入式的图卷积操作替代矩阵乘法；时间注意力层包括时间位置嵌入模块、时间注意力层和残差连接。
[0014]
在一些实施例中，交通流量预测模型包括一个或多个门控循环单元、一个或多个时间注意力层和一个卷积层，一个卷积层为交通流量预测模型的输出层。
[0015]
第二方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序指令，计算机程序指令在计算机上运行时，使得计算机执行上述实施例中任一个实施例所述的基于时间注意力循环图卷积神经网络的交通流量预测方法。
[0016]
本发明提供的基于时间注意力循环图卷积神经网络的交通流量预测方法，采用门控循环单元和时间注意力层对待预测的交通流量数据进行空间特征提取和时间特征提取，并获取未来多个时间步的交通流量预测值，能够提高交通流量预测精度。
附图说明
[0017]
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
[0018]
图1a为根据本发明一些实施例的一种交通流量预测模型的结构图；
[0019]
图1b为根据本发明一些实施例的一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图；
[0020]
图2为根据本发明一些实施例的另一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图；
[0021]
图3为根据本发明一些实施例的再一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图；
[0022]
图4为根据本发明一些实施例的又一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图；
[0023]
图5为根据本发明一些实施例的又一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图；
[0024]
图6为根据本发明一些实施例的又一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图；
[0025]
图7为根据本发明一些实施例的又一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图；
[0026]
图8为根据本发明一些实施例的又一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图；
[0027]
图9为根据本发明一些实施例的又一种基于时间注意力循环图卷积神经网络的交通流量预测方法的流程图。
具体实施方式
[0028]
本发明的实施例提供一种基于时间注意力循环图卷积神经网络的交通流量预测方法，使用如图1a所示的交通流量预测模型，在给定一个长度为th的历史交通信号矩阵的情况下，交通流量预测的目标是建立一个模型将x作为输入然后输出未来t
′
个时间步的交通流量矩阵y
pre
∈rn×
t
′×c。其中n表示交通路网节点数量，c表示交通特征数量，如果仅仅将交通流量数据输入模型，则c＝1。如图1b所示，该方法可以包括步骤101至步骤106。
[0029]
步骤101、获取待预测的交通流量数据。
[0030]
可以理解地，待预测的交通流量数据的来源可以为各大城市和高速公路部署的大量传感器等信息收集设备。
[0031]
步骤102、对待预测的交通流量数据进行预处理，并获取交通流量信号矩阵。
[0032]
可以理解地，信息收集设备多位于室外环境中，由于天气等原因可能存在信息收集设备损坏的情况，从而使得待预测的交通流量数据可能会存在数据不完整的情况。
[0033]
此种情况下，如图2所示，步骤102的实现方法可以包括步骤201至步骤204。
[0034]
步骤201、获取待预测的交通流量数据中的缺失数据。
[0035]
示例性地，可以检查数据完整性情况并将数据处理成大小为n*t的交通流量矩阵。其中，n表示交通路网中数据采集点数量，t表示时间片数量。
[0036]
步骤202、采样线性插值的方法填充缺失数据，获取补全后的待预测的交通流量数据。
[0037]
线性插值是一种填充缺失数据的常用且简单有效的方法。
[0038]
步骤203、对补全后的待预测的交通流量数据进行归一化处理。
[0039]
可以理解地，归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。本发明的实施例采用的归一化的方法可以为线性归一化的方法，或者为零-均值归一化(z-score标准化)的方法，或者也可以为非线性归一化的方法，本发明对于归一化的方法并不限定。
[0040]
步骤204、根据归一化处理之后的补全后的待预测的交通流量数据获取交通流量信号矩阵。
[0041]
根据步骤201得到的交通流量矩阵，通过步骤202与步骤203，即可以得到交通流量信号矩阵。
[0042]
步骤103、对交通流量信号矩阵进行空间特征提取，获取待预测的交通流量数据的第一特征数据。
[0043]
在一些实施例中，如图3所示，步骤103的实现方法可以包括步骤301至步骤302。
[0044]
步骤301、采用节点嵌入式的图卷积神经网络构建交通网络邻接矩阵。
[0045]
步骤301获取的交通网络邻接矩阵可以用于提取交通流量数据的空间特征。交通网络邻接矩阵的动态建模采用一个可学习的节点嵌入矩阵自适应生成，节点嵌入式图卷积神经网络可以采用式(1)的空域图卷积神经网络。
[0046][0047]
式(1)中，a表示标准交通网络邻接矩阵，x表示标准化的交通流量矩阵，σ表示relu激活函数，in表示n维的单位矩阵，w和b表示可学习的权重矩阵和偏置向量。
[0048]
标准交通网络邻接矩阵a的动态建模以获取本发明的实施例中的交通网络邻接矩阵，是提取交通流量的空间相关性信息的关键，本发明中采用一个可学习的节点嵌入矩阵通过对预测模型的训练自适应拟合交通节点之间的互相关联权重。此种情况下，如图4所示，步骤301的实现方法可以包括步骤401至步骤403。
[0049]
步骤401、对节点嵌入矩阵初始化。
[0050]
示例性地，初始化的方法可以为随机生成的方法。
[0051]
步骤402、将初始化之后的节点嵌入矩阵与初始化之后的节点嵌入矩阵的转置矩阵相乘，获取第一方阵。
[0052]
示例性地，初始化后的节点嵌入矩阵可以为e
adj
，且n为交通网络节点的数量，de为节点嵌入维度。初始化后的节点嵌入矩阵为de×
n维的矩阵，而初始化之后的节点嵌入矩阵的转置矩阵为n
×de
维的矩阵，二者相乘可以得到一个n
×
n维的矩阵，即第一方阵。
[0053]
步骤403、采用激活函数对第一方阵进行处理，并获取交通网络邻接矩阵。
[0054]
步骤403中的激活函数可以为relu函数和softmax函数，此时，步骤403的实现方法可以如式(2)所示，具体为：通过relu函数去掉第一方阵中小于0的值，并使用softmax函数对去掉小于0的值之后的第一方阵进行归一化处理。从而获取交通网络邻接矩阵
[0055][0056]
式(2)将作为一个整体来拟合，避免矩阵分解产生的额外计算资源开销。
[0057]
式(1)中的权重矩阵w与偏置向量b是所有交通节点共享的，使得模型只能捕获所有节点的共享交通模式，而实际中每个交通节点都其特定的交通模式。本发明中为每个节点设置一个参数，使得模型能更细粒度地捕获交通节点的交通模式。具体地，设置两个矩阵与与节点嵌入矩阵e
adj
一起为每个节点生成权重矩阵we与偏置向量be，如式(3)所示。
[0058]
we＝e
adj
·
we，be＝e
adj
·be
ꢀꢀ
(3)
[0059]
步骤302、根据交通网络邻接矩阵对交通流量信号矩阵进行空间特征提取，获取待预测的交通流量数据的第一特征数据。
[0060]
示例性地，根据交通网络邻接矩阵对交通流量信号矩阵进行空间特征提取的方法可以如式(4)与式(5)所示。
[0061]
gcns(a
pre
，x)＝sigmoid((in+a
pre
)xws)
⊙
(in+a
pre
)xwsꢀꢀ
(4)
[0062][0063]
式(4)与式(5)中，x为交通流量信号矩阵；gcn()表示嵌入门控循环单元中的图卷
积神经网络(graph convolution neural network，gcn)，是待预测的交通流量数据的第一特征数据，in为n维对角矩阵，we为可学习的权重矩阵，be为可学习的偏重向量，a
pre
为基于地理距离的预定义邻接矩阵，
⊙
为哈达玛积。
[0064]
示例性地，可以根据式(6)获取基于地理距离的预定义邻接矩阵a
pre
。
[0065][0066]
式(4)中，distance(i，j)为交通节点i和j之间的距离；τ∈(0，0.1)，可以根据具体情况进行设置。预定义邻接矩阵是根据各个交通节点的物理距离计算得到的，并不能表达真实的节点关联，因此使用式(2)所示的门控机制可以过滤其中部分不准确信息。
[0067]
本发明的实施例采用采用一系列串联的gru单元来捕获交通流量的局部时间相关性信息，接下来进行详细说明。
[0068]
步骤104、对待预测的交通流量数据的第一时间特征进行时间特征提取，获取待预测的交通流量数据的第二特征数据。
[0069]
示例性地，可以使用门控循环单元提取待预测的交通流量数据的第一空间特征数据中的时间特征，此种情况下，如图5所示，步骤104的实现方法可以包括步骤501至步骤503。
[0070]
步骤501、获取待预测的交通流量数据的第一空间特征数据在第一时刻的更新门与重置门。
[0071]
示例性地，可以通过式(7)获取待预测的交通流量数据的第一空间特征数据在第一时刻的更新门。
[0072][0073]
式(7)中，t为第一时刻，可以根据实际情况进行设定，z
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的更新门，σ()为sigmoid激活函数，||为矩阵拼接运算。
[0074]
示例性地，可以通过式(6)获取待预测的交通流量数据的第一空间特征数据在第一时刻的重置门。
[0075][0076]
式(8)中，r
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的重置门。
[0077]
步骤502、根据待预测的交通流量数据的第一空间特征数据和待预测的交通流量数据的第一空间特征数据在第一时刻的重置门，获取待预测的交通流量数据的第一空间特征数据在第一时刻的隐藏状态。
[0078]
示例性地，可以通过式(9)获取待预测的交通流量数据的第一空间特征数据在第一时刻的隐藏状态。
[0079][0080]
式(9)中，h
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的隐藏状态，tanh()为非线性激活函数。
[0081]
步骤503、根据待预测的交通流量数据的第一空间特征数据在第一时刻的隐藏状态、待预测的交通流量数据的第一空间特征数据在第一时刻的更新门获取待预测的交通流量数据的第二特征数据。
[0082]
示例性地，步骤503的具体实现方法就可以如式(10)所示。
[0083]ht
＝z
t
⊙ht-1
+(1-z
t
)
⊙ht
ꢀꢀ
(10)
[0084]
式(10)中，h
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的输出，可以理解地。h
t
即为待预测的交通流量数据的第二特征数据。
[0085]
步骤105、对待预测的交通流量数据的第二特征数据进行时间特征提取，获取待预测的交通流量数据的第三特征数据。
[0086]
在一些实施例中，如图6所示，步骤105的实现方法可以包括步骤601至步骤605。
[0087]
步骤601、在待预测的交通流量数据的第二特征数据中添加时间位置嵌入。
[0088]
可以理解地，自注意力计算函数在注意力机制中对每个位置都是平等对待的，也就是说忽略了数据的先后顺序。所以本发明的实施例采用时间位置嵌入的方法为门控循环单元输出的交通流量矩阵添加时间位置嵌入。示例性地，可以根据式(9)和式(10)添加时间位置嵌入。
[0089]h′
t
[i，：]＝h
t
[i，：]+e
tp
ꢀꢀ
(9)
[0090][0091]
式(10)中，h
t
′
为添加了时间位置嵌入的待预测的交通流量数据的第二特征数据，d
mode1
为时间位置嵌入维度。
[0092]
接下来，将添加了时间位置嵌入的待预测的交通流量数据的第二特征数据输入至时间注意力层，以捕获全局时间相关性信息。
[0093]
步骤602、采用卷积操作和线性变换的方法，将添加了时间位置嵌入的待预测的交通流量数据的第二特征数据映射为查询向量、键向量和值向量。
[0094]
示例性地，可以根据式(11)将添加了时间位置嵌入的待预测的交通流量数据的第二特征数据映射为查询向量qc、键向量kc和值向量v1[0095][0096]
式(11)中，qc，kc，v
l
∈rn×
t
×c，conv()和linear()分别表示卷积操作和线性变换。
[0097]
步骤603、将查询向量与键向量的转置相乘，得到时间注意力系数矩阵。
[0098]
示例性地，查询向量qc与键向量的转置相乘可以得到时间注意力系数矩阵其中，score∈rn×
t
×c，score
ij
代表时刻i和j之间的关联程度。
[0099]
步骤604、将时间注意力系数矩阵进行归一化处理；并将归一化处理之后的时间注意力系数矩阵与值向量相乘，得到注意力系数矩阵。
[0100]
示例性地，可以将时间注意力系数矩阵通过softmax函数归一化后与值向量v1相乘，从而得到注意力系数矩阵。
[0101]
步骤605、采用激活函数和残差运算，根据注意力系数矩阵获取待预测的交通流量数据的第三特征数据。
[0102]
示例性地，可以通过式(12)与式(13)根据注意力系数矩阵获取待预测的交通流量数据的第三特征数据。
[0103][0104]yta
＝relu(attention(conv(h
′
t
)，conv(h
′
t
)，linear(h
′
t
)))+h
t
ꢀꢀ
(13)
[0105]
式(12)与式(13)中，attention()为注意力矩阵系数，softmax()和relu()均为非线性激活函数。
[0106]
步骤106、将待预测的交通流量数据的第三特征数据作为输入，获取交通流量预测模型的输出结果，根据交通流量预测模型的输出结果获取交通流量预测结果。
[0107]
示例性地，交通流量预测模型可以包括：节点嵌入式图卷积神经网络、一系列串联的门控循环单元、时间注意力层以及基于卷积神经网络的预测层。节点嵌入式的图卷积神经网络用于提取交通流量的空间特征，随后采用门控循环单元(gated recurrent unit,gru)捕获交通流量的局部时间相关性信息。然后为gru输出的交通流量矩阵添加时间位置嵌入并在时间维度使用注意力机制(attention mechanism)计算各个时间片之间的互相关联程度。最后使用一维卷积神经网络作为输出层对所有交通节点未来t’个时间片的交通流量进行预测。其中，t’为目标预测长度。
[0108]
在一些实施例中，可以使用使用pytorch深度学习框架构建基于时间注意力循环图卷积神经网络的交通流量预测原始模型，通过对该原始模型进行训练，可得到交通流量预测模型。如图7所示，交通流量预测模型的获取方法可以报考步骤701至步骤703。
[0109]
步骤701、获取交通流量的历史数据。
[0110]
可以理解地，交通流量的历史数据可以由信息采集设备获取，比如，将信息采集设备在过去一年时间内的采集数据作为交通流量的历史数据。
[0111]
步骤702、对交通流量的历史数据进行预处理，并对预处理后的交通流量的历史数据作为交通流量预测模型的数据集。
[0112]
可以理解地，交通流量预测模型的数据集可以包括训练集、验证集和测试集。示例性地，训练集的数据量、验证集的数据量和测试集的数据量的比例可以为6:2:2。
[0113]
步骤703、根据交通流量预测模型的数据集，通过门控循环单元、时间注意力层和卷积层进行模型训练，并获取交通流量预测模型。
[0114]
可以理解地，可以使用训练集对原始交通流量预测进行训练，然后使用验证集对
训练后的模型进行评估，直到训练后的模型收敛。训练过程中可以采用l1损失函数进行损失计算，采用adam作为优化器。
[0115]
示例性地，训练过程可以包括：加载数据参数文件初始化模型。加载训练集、验证集数据开始训练。进行第一轮训练，即epoch＝1，根据参数文件初始化参数e
adj
、we、be及其他模型参数。训练集分批次输入交通流量预测模型开始第一轮训练。预测模型反向传播更新模型参数。将验证集数据输入第一轮训练后的模型进行验证，计算验证损失并保存交通流量预测模型的训练参数文件(除第一轮训练外，后面的训练只有当验证损失小于当前最小的验证损失时保存预测模型训练参数文件)。此外，在验证阶段不进行反向传播，仅仅计算损失。循环对训练集进行训练并使用验证集进行炎症，直至当前训练轮数大于设置的最大训练轮数或连续50轮训练没有降低验证集损失时结束训练。最后，对测试集数据进行交通流量预测。
[0116]
示例性的，如图8所示，对训练集进行第一轮训练的具体步骤如下：
[0117]
1)将数据x、e
adj
、we、be输入图卷积层。
[0118]
2)e
adj
与其转置相乘，经过relu和softmax函数得到第一轮动态邻接矩阵；e
adj
与we、be相乘得到权重矩阵we和偏置矩阵be。
[0119]
3)计算得到节点嵌入式图卷积层的输出。
[0120]
4)将节点嵌入式图卷积层的输出矩阵输入一系列串联的gru单元中更新隐藏状态；
[0121]
5)对于最后一个门控循环单元输出的隐藏状态，添加时间位置嵌入。
[0122]
6)将添加了时间位置嵌入的交通流量矩阵输入时间注意力层，并分布映射成查询向量qc、键向量kc和值向量v
l
。
[0123]
7)将查询向量qc与键向量的转置相乘，然后除以特征维度，再经过softmax函数将注意力系数矩阵归一化，最后与值向量v
l
相乘得到时间注意力层的输出score。
[0124]
8)将score用relu函数激活并加上残差连接，即与未添加时间位置嵌入的流量矩阵相加得到y
ta
。
[0125]
9)将y
ta
输入最后的一维卷积预测层得到第一轮的预测结果并计算损失，采用l1损失作为损失函数。
[0126]
示例性地，如图9所示，对测试集数据进行交通流量预测，具体步骤如下：
[0127]
1)构建交通流量预测模型，加载训练过程中保存的验证损失最小的模型参数文件初始化模型；将预测模型从训练模式更改为预测模式。
[0128]
2)加载测试集数据并输入模型，对测试集进行预测。
[0129]
3)根据真实流量值计算预测值的平均绝对误差mae、均方根误差rmse、平均绝对百分比误差mape并输出。
[0130]
4)保存交通流量预测数据文件。
[0131]
步骤703的门控循环单元中，使用节点嵌入式的图卷积操作替代矩阵乘法。时间注意力层包括时间位置嵌入模块、时间注意力层和残差连接。
[0132]
可以理解地，门控循环单元块可将待遇测的交通流量数据的时间和空间特征联合起来，时间注意力层的运算可以参考步骤104与步骤105的相关描述。
[0133]
在一些实施例中，交通流量预测模型包括一个或多个门控循环单元、一个或多个
时间注意力层和一个卷积层，一个卷积层为交通流量预测模型的输出层。
[0134]
可以理解地，在需要处理更复杂或者特定情况下的带预测交通流量数据时，可以在模型中串联更多的门控循环单元并堆叠更多的时间注意力层。
[0135]
可以理解地，使用一维卷积神经网络作为该流量预测方法的预测层，该卷积操作一次性预测出多个时间步的交通流量值而不是逐步预测，此方法可以避免逐步预测带来的误差累计。此种情况下，交通流量预测模型的输出结果包括多个时间步的交通流量预测值。
[0136]
示例性地，可以采用一维卷积神经网络输入过去12个时间片的交通流量信号矩阵，输出未来12个时间片的交通流量信号矩阵。
[0137]
示例性地，在采用交通流量预测模型进行交通流量的预测时，可以采用平均绝对误差(mean absolute error,mae)，均方根误差(root mean square error,rmse)和平均绝对百分比误差(mean absolute percentage error,mape)做为评估标准。
[0138]
本发明的实施例提供的基于时间注意力循环图卷积神经网络的交通流量预测方法，采用门控循环单元和时间注意力层对待预测的交通流量数据进行空间特征提取和时间特征提取，并获取未来多个时间步的交通流量预测值，能够提高交通流量预测精度。
[0139]
本发明的实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序指令，计算机程序指令在计算机上运行时，使得计算机执行上述实施例中任一种实施例所述的基于时间注意力循环图卷积神经网络的交通流量预测方法。
[0140]
本发明的实施例提供的一种计算机可读存储介质的具体方案和有益效果可以参考上述实施例中基于时间注意力循环图卷积神经网络的交通流量预测方法的相关描述，此处不再赘述。
[0141]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种基于时间注意力循环图卷积神经网络的交通流量预测方法，其特征在于，包括：获取待预测的交通流量数据；对所述待预测的交通流量数据进行预处理，并获取交通流量信号矩阵x；根据gcn
s
(a
pre
，x)＝sigmoid((i
n
+a
pre
)xw
s
)
⊙
(i
n
+a
pre
)xw
s
和对所述交通流量信号矩阵x进行空间特征提取，获取所述待预测的交通流量数据的第一特征数据信号矩阵x进行空间特征提取，获取所述待预测的交通流量数据的第一特征数据为交通网络邻接矩阵，i
n
为n维对角矩阵，w
e
为可学习的权重矩阵，b
e
为可学习的偏重向量，a
pre
为基于地理距离的预定义邻接矩阵，
⊙
为哈达玛积；gcn()表示嵌入门控循环单元中的图卷积神经网络；根据根据和h
t
＝z
t
⊙
h
t-1
+(1-z
t
)
⊙
h
t
对所述待预测的交通流量数据的第一空间特征数据进行时间特征提取，获取所述待预测的交通流量数据的第二特征数据h
t
；t为第一时刻，z
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的更新门，σ()为sigmoid激活函数，||为矩阵拼接运算，r
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的重置门，h
t
为待预测的交通流量数据的第一空间特征数据在第一时刻t的隐藏状态，tanh()为非线性激活函数；根据h
′
t
[i，：]＝h
t
[i，：]+e
tp
和在所述待预测的交通流量数据的第二特征数据h
t
中添加时间位置嵌入；根据y
ta
＝relu(attention(conv(h
′
t
)，conv(h
′
t
)，linear(h
′
t
)))+h
t
对所述待预测的交通流量数据的第二特征数据h
t
进行时间特征提取，获取所述待预测的交通流量数据的第三特征数据y
ta
；其中attention()为注意力矩阵系数，conv()和linear()卷积操作和线性变换；softmax()和relu()均为非线性激活函数；以及将所述待预测的交通流量数据的第三特征数据y
ta
作为输入，获取交通流量预测模型的输出结果，根据所述交通流量预测模型的输出结果获取交通流量预测结果，所述交通流量预测结果为未来t
h
个时间步的预测结果；t
h
是人为设定的预测时间步数量。2.根据权利要求1所述的基于时间注意力循环图卷积神经网络的交通流量预测方法，其特征在于，所述对所述待预测的交通流量数据进行预处理，并获取交通流量信号矩阵，包括：获取所述待预测的交通流量数据中的缺失数据；采样线性插值的方法填充所述缺失数据，获取补全后的所述待预测的交通流量数据；对补全后的所述待预测的交通流量数据进行归一化处理；以及
根据归一化处理之后的补全后的所述待预测的交通流量数据获取所述交通流量信号矩阵。3.根据权利要求1所述的基于时间注意力循环图卷积神经网络的交通流量预测方法，其特征在于，所述对所述交通流量信号矩阵进行空间特征提取，获取所述待预测的交通流量数据的第一特征数据，包括：采用节点嵌入式的图卷积神经网络构建交通网络邻接矩阵；以及根据所述交通网络邻接矩阵对所述交通流量信号矩阵进行空间特征提取，获取所述待预测的交通流量数据的第一特征数据。4.根据权利要求3所述的基于时间注意力循环图卷积神经网络的交通流量预测方法，其特征在于，所述采用节点嵌入式的图卷积神经网络构建交通网络邻接矩阵，包括：对节点嵌入矩阵初始化，获取初始化后的节点嵌入矩阵e
adj
；将初始化之后的所述节点嵌入矩阵e
adj
与初始化之后的所述节点嵌入矩阵的转置矩阵相乘，获取第一方阵以及根据对第一方阵进行处理，并获取所述交通网络邻接矩阵5.根据权利要求1所述的基于时间注意力循环图卷积神经网络的交通流量预测方法，其特征在于，所述对所述待预测的交通流量数据的第二特征数据进行时间特征提取，获取所述待预测的交通流量数据的第三特征数据，包括：按照将添加了时间位置嵌入的所述待预测的交通流量数据的第二特征数据映射为查询向量q
c
、键向量k
c
和值向量v
l
；其中，q
c
,k
c
,v
l
∈r
n
×
t
×
c
；将查询向量q
c
与键向量的转置k
ct
相乘，得到时间注意力系数矩阵score∈r
n
×
t
×
c
；score
ij
代表时刻i和j之间的关联程度；将所述时间注意力系数矩阵score进行归一化处理；并将归一化处理之后的所述时间注意力系数矩阵score与值向量v
l
相乘，得到所述注意力系数矩阵attention(q,k,v)；以及采用激活函数和残差运算，根据所述注意力系数矩阵获取所述待预测的交通流量数据的第三特征数据。6.根据权利要求1～5中任一项所述的基于时间注意力循环图卷积神经网络的交通流量预测方法，其特征在于，所述交通流量预测模型的输出结果包括多个时间步的交通流量预测值。7.根据权利要求1～5中任一项所述的基于时间注意力循环图卷积神经网络的交通流量预测方法，其特征在于，还包括：获取交通流量的历史数据；对所述交通流量的历史数据进行预处理，并将预处理后的所述交通流量的历史数据作
为交通流量预测模型的数据集；以及根据所述交通流量预测模型的数据集，通过门控循环单元、时间注意力层和卷积层进行模型训练，并获取所述交通流量预测模型；所述门控循环单元中，使用节点嵌入式的图卷积操作替代矩阵乘法；所述时间注意力层包括时间位置嵌入模块、时间注意力层和残差连接。8.根据权利要求7所述的基于时间注意力循环图卷积神经网络的交通流量预测方法，其特征在于，所述交通流量预测模型包括一个或多个门控循环单元、一个或多个时间注意力层和一个卷积层，所述一个卷积层为所述交通流量预测模型的输出层。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令在计算机上运行时，使得所述计算机执行如权利要求1～8中任一项所述的基于时间注意力循环图卷积神经网络的交通流量预测方法。

技术总结
本发明提供一种基于时间注意力循环图卷积神经网络的交通流量预测方法，涉及数据处理技术领域。该方法包括：获取待预测的交通流量数据。对待预测的交通流量数据进行预处理，并获取交通流量信号矩阵。对交通流量信号矩阵进行空间特征提取，获取待预测的交通流量数据的第一特征数据。对第一空间特征数据进行时间特征提取，获取待预测的交通流量数据的第二特征数据。对第二特征数据进行时间特征提取，获取待预测的交通流量数据的第三特征数据。以及，将待预测的交通流量数据的第三特征数据作为输入，获取交通流量预测模型的输出结果，根据交通流量预测模型的输出结果获取交通流量预测结果。该方法能够提高交通流量预测精度。该方法能够提高交通流量预测精度。该方法能够提高交通流量预测精度。


技术研发人员：范文东 舒敏 宋云 姜聪 杨选正 罗雨 孙军 祝昕云
受保护的技术使用者：长沙理工大学
技术研发日：2022.12.29
技术公布日：2023/7/19