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：北京航空航天大学

摘要：本发明涉及一种交通需求预测的时空图学习方法，属于交通工程领域，解决了现有技术中对突发事件的敏感性弱、预测精度较低的问题。具体步骤包括：利用历史交通数据，得到不同时刻的交通流量时序网络快照和变化网络结构；基于时序网络快照建立预测未来网络结构及节点状态的主任务；基于变化网络结构建立预测不同条件下未来网络结构变化的辅助任务；将主任务和辅助任务的预测结果结合当前时刻网络结构，输入神经网络进行多任务信息聚合，得到最终的交通需求初步预测结果；通过复合损失函数辅助学习训练网络，得到训练后的交通需求预测模型及交通需求预测结果。实现了时变特征敏感性的提升，提高了在突发事件下的交通需求预测的精度。

主权项：1.一种交通需求预测的时空图学习方法，其特征在于，包括如下步骤：利用历史交通数据，基于不同时刻的网络节点、节点间连接关系和各节点的交通需求，得到不同时刻的交通流量时序网络快照，并计算变化网络结构；基于交通流量时序网络快照，建立预测未来网络结构及节点状态的主任务，得到未来网络结构和未来网络节点状态的预测结果；基于变化网络结构，建立预测不同条件下未来网络结构变化的辅助任务，得到未来网络结构变化的预测结果；将所述主任务和辅助任务的预测结果结合当前时刻网络结构，输入神经网络进行多任务信息聚合，得到最终的网络结构及对应的交通需求初步预测结果；计算多任务复合损失函数，通过复合损失函数辅助学习训练网络，得到训练后的交通需求预测模型及交通需求预测结果；所述主任务的预测步骤具体包括：基于所述交通流量时序网络快照利用拉普拉斯特征向量进行图结构位置编码和图嵌入，得到初始图嵌入特征；基于所述初始图嵌入特征，利用图域Transformer模块的自注意力模块提取网络结构的整体信息，得到低维图嵌入特征；基于所述低维图嵌入特征，利用图域Transformer模块的交叉注意力模块提取不同条件下产生的结构变化的信息，得到优化图嵌入特征；将所述优化图嵌入特征输入前馈网络，获得各节点嵌入结果，并利用前馈网络的一个线性神经网络层将各节点嵌入结果聚合，得到整体图嵌入结果；基于所述整体图嵌入结果，利用时域Transformer模块预测未来网络结构及未来网络各节点状态；所述辅助任务的预测步骤具体包括：基于所述变化网络结构利用拉普拉斯特征向量进行图结构位置编码和图嵌入，得到辅助初始图嵌入特征；基于所述辅助初始图嵌入特征，利用图域Transformer模块的交叉注意力模块提取局部变化结构对网络全局产生的波及影响，得到辅助优化图嵌入特征；将所述辅助优化图嵌入特征输入前馈网络，获得各节点辅助嵌入结果，并利用前馈网络的一个线性神经网络层将辅助嵌入结果聚合，得到辅助整体图嵌入结果；基于所述辅助整体图嵌入结果，利用时域Transformer模块预测不同条件下未来网络结构变化；所述多任务信息聚合是将所述未来网络结构的预测结果、所述未来网络结构变化的预测结果结合当前时刻网络结构，输入多层感知机进行信息聚合，得到最终网络结构的初步预测结果；将所述初步预测结果结合所述未来网络节点状态的预测结果，输入另一个多层感知机进行信息聚合，得到所述最终网络结构对应的交通需求初步预测结果，所述交通需求初步预测结果的表达式为： ， ，其中，表示最终网络结构的初步预测结果；表示最终网络结构对应的交通需求的初步预测结果；均为参数矩阵；表示未来网络结构的预测结果；表示时刻的交通网络结构对应的邻接矩阵；表示不同条件下未来网络结构变化的预测结果；表示未来网络节点状态的预测结果；为ReLU激活层函数。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种交通需求预测的时空图学习方法