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：南京理工大学;南京市公安局建邺分局

摘要：本发明提出了一种基于多跨度特征提取的交通流预测方法，涉及智慧交通、深度学习领域；具体包括以下步骤：S1：设计提取不同时间跨度交通特征信息的提取方法，捕捉不同传感器之间的深度时空相关性；S2：构建基于静态图和动态图的交通特征信息融合算法，挖掘不同交通感知节点隐藏的依赖关系；S3：使用基于记忆神经网络的的交通模式提取及存储方法，增强交通感知节点特征表征能力，提高交通流预测精度。

主权项：1.一种基于多跨度特征提取的交通流预测方法，其特征在于，具体包括以下步骤：S1：设计提取不同时间跨度交通特征信息的提取方法，捕捉不同传感器之间的深度时空相关性；在步骤S1中，具体包括以下步骤：S11：采用图卷积提取同一时刻的传感器之间的空间相关性，公式如下所示： ;式中，表示关于图表示的矩阵，表示图信息的s输出特征，表示图信号的输入特征具体表示为： ;其中，，为单位矩阵，表示的度矩阵，表示卷积后的特征，为激活函数，为网络参数,为网络参数；S12：采用递归神经网络的变体门控循环单元提取时空数据中的时间相关性，门控循环单元包括更新门和重置门；更新门的公式如下： ;重置门的公式如下： ;通过重置门更新当前状态，得到候选状态，公式如下： ;隐藏状态由更新门和候选状态共同确定，公式如下： ;式中，表示全连接层神经网络的参数，表示矩阵对应元素相乘，代表第个门框循环单元的输入，代表第个循环单元的输出，代表第个门控循环单元的隐藏状态；S13：将图卷积与门控循环单元结合，利用图卷积替换门控循环单元中的全连接层同时提取时空特征，并且在不相连的门控循环单元中进行特征融合，公式如下： ;其中，代表了第个门控循环单元的输出，代表拼接操作，代表神经网络；S2：构建基于静态图和动态图的交通特征信息融合算法，挖掘不同交通感知节点隐藏的依赖关系；在步骤S2中，具体包括以下步骤：S21：基于真实道路网络结构的图拓扑生成静态图，并且提取时空特征；S22：基于节点嵌入生成自适应图，并且提取时空特征；S23：融合步骤S21和步骤S22提取到的时空特征；S3：使用基于记忆神经网络的的交通模式提取及存储方法，增强交通感知节点特征表征能力，提高交通流预测精度；步骤S3中，具体包括以下步骤：S31：构建交通模式存储单元；S32：将不同交通模式特征的记忆和分类，增强传感器特征表达；S33：改进损失函数，辅助构建交通模式存储单元。

全文数据：

权利要求：

百度查询： 南京理工大学 南京市公安局建邺分局 一种基于多跨度特征提取的交通流预测方法