买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：云南大学

摘要：本发明涉及od矩阵预测技术领域，公开了一种od交通流量矩阵预测方法及系统，该方法包括：获取历史交通订单数据，处理获得节点交通流量序列；定义交通流量序列的初始邻接矩阵并使用连续LSTM和霍克斯过程进行强度调整，获得目标邻接矩阵，生成节点的最终表示；对每个节点进行多头注意力计算，将节点与节点的最终表示进行拼接作为节点的边，获得od交通流量矩阵。本发明通过提出一种基于连续动态方法的od交通流量矩阵预测模型，将网络视为连续动态网络，采用连续型建模与耦合的方式建模时空依赖，使得模型相比于目前的研究具有更好的预测性能，准确的捕获历史事件对目前交通流量的影响，有效的解决了时空依赖建模准确性不高的问题。

主权项：1.一种od交通流量矩阵预测方法，其特征在于，包括以下步骤：S1：获取历史交通订单数据，对所述历史交通订单数据进行处理，获得节点交通流量序列；S2：基于所述节点交通流量序列，定义交通流量序列的初始邻接矩阵并使用连续LSTM和霍克斯过程进行强度调整，获得目标邻接矩阵，使用图卷积神经网络对目标邻接矩阵和节点交通流量序列进行卷积处理，基于卷积处理结果和时间周期信息，生成节点的最终表示；S3：计算节点与节点的相似度得到节点之间的注意力权重，并基于所述注意力权重对每个节点进行多头注意力计算；S4：根据多头注意力计算结果，将节点与节点的最终表示进行拼接作为节点的边，获得od交通流量矩阵；其中，步骤S2：基于所述节点交通流量序列，定义交通流量序列的初始邻接矩阵并使用连续LSTM和霍克斯过程进行强度调整，获得目标邻接矩阵，使用图卷积神经网络对目标邻接矩阵和节点交通流量序列进行卷积处理，基于卷积处理结果和时间周期信息，生成节点的最终表示，具体包括：S21：定义给定时间t，顶点i和j的交通流量序列分别为和，获得初始邻接矩阵；S22：使用连续LSTM和霍克斯过程对初始邻接矩阵进行强度调整，获得目标邻接矩阵；S23：使用图卷积神经网络对目标邻接矩阵和节点交通流量序列进行卷积处理，获得卷积处理结果；S24：基于卷积处理结果和时间周期信息，生成节点的最终表示；其中，所述步骤S21中，初始邻接矩阵的表达式，具体为： ；其中，表示距离矩阵的倒数，表示相似度函数；其中，所述步骤S22，具体包括：S221：定义调整事件类型；其中，所述调整事件包括相关增强、相关减弱和关联强度不变，所述调整事件类型的定义表达式，具体为： ；其中，是控制事件稀疏性的阈值，表示相关增强，表示相关减弱，表示关联强度不变，表示t时刻的OD矩阵中节点i到节点j的OD需求；S222：使用霍克斯过程确定在事件t处上的类型k调整事件的强度，其定义为： ；其中，是k类型事件的基本强度，是l类型事件对k类型事件的影响，l类型事件是历史交通数据中所有类型事件的统称，为模拟过去事件对当前事件影响的指数衰减函数，表示历史l类型事件对k类型事件影响的衰减率，t表示当前k类型事件发生的时间，表示历史l类型事件发生的时间；S223：使用连续LSTM和霍克斯过程对初始邻接矩阵进行强度调整，获得目标邻接矩阵，其表达式，具体为： ；其中，为目标邻接矩阵，为可学习参数；其中，所述步骤S23中，卷积处理结果的表达式，具体为： ；其中，为卷积处理结果，GCN（·）为图卷积神经网络，和分别表示卷积处理中的目标邻接矩阵和节点交通流量序列；所述步骤S24中，节点的最终表示的表达式，具体为： ； ； ； ； ； ； ；其中，指向量的连接，为时间窗口内的时间表示，即时间窗口内的交易记录订单时间相加之和，D为定义的天周期时间常数，W为定义的周周期时间常数。

全文数据：

权利要求：

百度查询： 云南大学 一种od交通流量矩阵预测方法及系统