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：重庆邮电大学

摘要：本发明属于交通流预测技术领域，具体涉及一种面向多元交通流时空数据信息的交通流预测方法，包括获取输入数据，基于注意力机制对输入数据进行加权求和得到动态加权的输入数据矩阵，并利用出度矩阵和入度矩阵分别对其进行掩码得到对应的动态权重矩阵；构建自适应矩阵并对其进行稀疏化；基于动态权重矩阵和自适应矩阵构建扩散图卷积网络模块，在基于扩散图卷积网络模构建GRU门控单元，将输入数据输入门控单元获取状态向量；利用多头注意力机制对获取的隐状态信息进行处理，将多头注意力的输出输入到神经网络层进行预测；本发明提高交通流预测的准确度，同时降低了交通流波动对预测结果的影响。

主权项：1.一种面向多元交通流时空数据信息的交通流预测方法，其特征在于，具体包括以下步骤：S1、获取交通流的原始数据并对缺失数据进行插补和标准化以此获得预处理后的数据；S2、将交通流预处理后的数据根据时间戳进行分段，将输入数据分为多段；S3、根据交通速度传感器的地理信息构建邻接矩阵，并根据邻接矩阵获取出度矩阵和入度矩阵；具体包括：根据传感器的地理位置生成邻接矩阵，即若包括N个传感器，则生成N×N的邻接矩阵，矩阵中第i行、第j列的元素表示第i个传感器是否处于j号传感器的上游位置，若处于则对应矩阵中元素的值为1，否则为0；将当前邻接矩阵作为出度矩阵；对出度矩阵进行转置操作，得到入度矩阵；S4、基于注意力机制分别对每段输入数据进行动态加权求和，得到动态加权的输入数据矩阵；S5、利用出度矩阵和入度矩阵分别对动态加权的输入数据矩阵进行掩码操作，分别得到出度矩阵的动态权重矩阵、入度矩阵的动态权重矩阵，得到出度矩阵的动态权重矩阵、入度矩阵的动态权重矩阵的过程包括：Aout＝SoftMaxGout⊙AttentionAin＝SoftMaxGin⊙Attention其中，Aout为出度矩阵的动态权重矩阵；Gout为出度矩阵；⊙表示计算哈达玛积；Ain为入度矩阵的动态权重矩阵；Gin为入度矩阵；Attention为动态加权的历史数据矩阵，该动态加权的历史数据矩阵的获取过程包括： Qi＝Xi*Wi_QKi＝Xi*Wi_K 其中，Xi表示根据时间戳进行分段后得到的第i段数据；Wi表示第i段历史数据Xi的权重矩阵，Attentioni表示第i段历史数据Xi的注意力值；Qi表示注意力机制中第i段历史数据Xi的查询值矩阵，Wi_Q为Qi对应的查询值权重矩阵；Ki表示注意力机制中第i段历史数据Xi的键值矩阵，Wi_K为Ki对应的键值权重矩阵；dk为Qi向量的长度；S6、构建自适应矩阵，利用两个传感器数据之间的皮尔逊相关系数构建掩码矩阵，并利用该掩码矩阵对自适应矩阵进行稀疏化；构建自适应矩阵包括： 其中，Aadp为自适应矩阵；E1、E2为两个可训练的嵌入向量；S7、利用两个传感器数据之间的皮尔逊相关系数构建掩码矩阵，并利用该掩码矩阵对自适应矩阵进行稀疏化，即计算各个传感器之间数据的皮尔逊相关系数，若皮尔逊相关系数大于设定阈值则掩码矩阵中这两个传感器对应的位置处值为1，否则为0，利用该掩码矩阵对自适应矩阵进行稀疏化；基于稀疏化后的自适应矩阵、出度矩阵的动态权重矩阵、入度矩阵的动态权重矩阵构建扩散图卷积网络模块；S8、基于扩散图卷积网络模块构建GRU门控单元，将实时采集的输入数据进行提取隐藏信息，获得隐状态向量；GRU门控单元进行提取隐藏信息的过程包括：rt＝σθr[ht-1,xt]zt＝σθz[ht-1,xt] 其中，rt表示第t时刻重置门得到的数据；zt表示第t时刻更新门中得到的数据；表示候选隐藏状态；ht-1表示第t-1时刻的隐藏状态；xt表示第t时刻的输入，即第t时刻节点采集的交通流数据；θr[ht-1,xt]表示将xt、ht-1拼接后通过重置门中扩散图卷积网络模块θr得到的数据；θz[ht-1,xt]表示将xt、ht-1拼接后通过更新门中扩散图卷积网络模块θz得到的数据；θh[rt*ht-1,xt]表示将xt、rt*ht-1拼接后通过候选层中扩散图卷积网络模块θh得到的数据；若输入数据为X，扩散图卷积网络模块对数据的处理包括： 其中，Z表示一个扩散图卷积网络模块的输出；M表示扩散次数；表示入度矩阵的动态权重矩阵Ain的m次方；表示出度矩阵的动态权重矩阵Aout的m次方；为稀疏化后的自适应矩阵的m次方；Wk1、Wk2、Wk3为扩散图卷积网络模块中可训练的权重矩阵；S9、利用多头注意力机制对获取的隐状态信息进行处理，将多头注意力的输出输入到神经网络层；S10、神经网络层根据输入的数据输出对每个传感器节点的下一时刻的速度预测值。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种面向多元交通流时空数据信息的交通流预测方法