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！

摘要：本发明公开了基于机器学习的交通流量预测方法及系统，属于智能交通技术领域，方法包括数据准备、邻接矩阵构建、本地模型构建、全局模型更新和预测报告生成。本发明在构建交通邻接矩阵、气象邻接矩阵和假期邻接矩阵的基础上，进一步进行本地模型构建，有效综合交通特征、气象特征和假期特征，有助于提高预测准确性和可靠性；采用基于注意力机制的图卷积网络模型，进行本地模型构建，更好捕捉交通数据的动态变化特征，综合考虑多方面特征的影响，提高了模型鲁棒性和预测性能；采用联邦学习进行全局模型更新，确保数据隐私和安全，提高数据具有多样性，能更有效地捕捉交通数据的时空依赖性，提高了模型的泛化能力和准确性，增强了数据安全性。

主权项：1.基于机器学习的交通流量预测方法，其特征在于：该方法包括以下步骤：步骤S1：数据准备，用于客户端收集本地数据并进行预处理，具体为通过客户端收集交通数据、气象数据和假期数据，并通过数据清洗、时间对齐和归一化进行预处理，得到本地优化数据，所述本地优化数据包括交通优化数据、气象优化数据和假期优化数据；步骤S2：邻接矩阵构建，具体为依据本地优化数据，分别构建交通流图、气象图和假期图，并进一步构建交通邻接矩阵、气象邻接矩阵和假期邻接矩阵；步骤S3：本地模型构建，用于构建客户端的本地模型并进行部署，具体为设计基于注意力机制的图卷积网络模型，进行本地模型构建，完成本地模型部署；所述基于注意力机制的图卷积网络模型，具体包括变化特征提取层、自注意特征融合层、并行时空图卷积层和密集预测层；所述变化特征提取层，用于捕捉交通数据中动态的变化特征；所述自注意特征融合层，用于融合变化特征和交通流特征；所述并行时空图卷积层，用于聚合邻接矩阵节点信息；所述密集预测层，用于融合多方面特征进行预测并生成预测结果；所述本地模型构建，包括以下步骤：步骤S31：构建图卷积网络模型的基础架构；步骤S32：优化图卷积网络模型，设计基于注意力机制的图卷积网络模型，具体为在图卷积网络模型的基础上，加入改进的自注意力机制，并设计变化特征提取层、自注意特征融合层和并行时空图卷积层，得到基于注意力机制的图卷积网络模型，包括以下步骤：步骤S321：设计变化特征提取层，具体为在变化特征提取层中设置差分操作、密集层、长短期记忆层和最大注意力块，通过变化特征提取层，提取交通优化数据中的变化特征，生成最终隐藏状态，包括以下步骤：步骤S3211：对交通优化数据进行差分操作，得到变化特征序列；步骤S3212：通过密集层将变化特征序列映射到高维空间，得到高维动态特征，计算公式为： ；式中，dhint是高维动态特征，Whint是映射权重，d是变化特征序列，bhint是映射偏置项；步骤S3213：通过长短期记忆层，从高维动态特征中提取时序信息，得到长短期隐藏状态；步骤S3214：构建最大注意力块，具体为通过对长短期隐藏状态进行全局最大池化操作，并将全局最大池化结果与长短期隐藏状态进行拼接，得到池化变化特征，通过注意力机制计算注意力权重，并依据注意力权重计算最终隐藏状态；所述通过注意力机制计算注意力权重，并依据注意力权重计算最终隐藏状态的计算公式为： ；式中，是注意力权重，softmax·是softmax函数，A1是第一注意力权重矩阵，T是转置操作，tanh·是双曲正切函数，A2是第二注意力权重矩阵，pf是池化变化特征，是第t时间步的最终隐藏状态，t是时间步索引，用于表示当前时刻，是第1时间步的注意力权重，h1是第1时间步的长短期隐藏状态，是第t-1时间步的注意力权重，ht-1是第t-1时间步的长短期隐藏状态；步骤S322：设计自注意特征融合层，具体为在自注意特征融合层中设置密集层、自注意力块和卷积注意力块，通过自注意力特征融合层，计算得到自注意力融合特征，包括以下步骤：步骤S3221：通过密集层将交通优化数据映射到与最终隐藏状态相同的维度，并将映射结果与最终隐藏状态进行拼接，得到交通拼接向量；步骤S3222：构建自注意力块，用于计算自注意力，具体为使用三个独立的密集层分别对交通拼接向量进行映射，生成查询矩阵、键矩阵和值矩阵，应用自注意力机制进行计算；步骤S3223：构建卷积注意力块，用于特征提取并增强，具体为在卷积注意力块中，通过卷积层、批归一化层、高斯误差线性单元和通道注意力子块，依次对交通优化数据进行计算；步骤S3224：将自注意力块的输出与卷积注意力块的输出进行残差连接，得到自注意力融合特征，所述自注意力融合特征具体指自注意特征融合层的输出结果；步骤S323：设计并行时空图卷积层，用于生成交通、气象和假期的聚合特征，通过并行时空图卷积层，计算得到聚合特征，包括以下步骤：步骤S3231：在并行时空图卷积层中设置三个并行的时空图卷积层和一个特征聚合块；步骤S3232：构建时空图卷积层，具体为在每个时空图卷积层中构建时空卷积层和图卷积层；步骤S3233：通过三个并行的时空图卷积层分别对交通邻接矩阵、气象邻接矩阵和假期邻接矩阵进行特征提取，生成交通、气象和假期特征；步骤S3234：构建特征聚合块，具体为通过特征聚合块将交通、气象和假期特征进行聚合，得到聚合特征；步骤S324：设计密集预测层，在密集预测层中设置第一密集层、GLU激活操作、变压器编码器、第二密集层，通过密集预测层对自注意力融合特征和聚合特征进行计算，并输出预测结果；所述GLU激活操作的计算公式为： ；式中，GLU·是GLU激活操作，X是GLU激活操作的输入参数，是逐元素相乘符号，W1是GLU激活操作第一权重，b1是GLU激活操作第一偏置项，Sig·是S型激活函数，W2是GLU激活操作第二权重，b2是GLU激活操作第二偏置项；步骤S33：本地模型部署，具体为将基于注意力机制的图卷积网络模型部署到每个客户端上，得到客户端本地模型；步骤S4：全局模型更新，用于更新服务器端的全局模型，具体为采用联邦学习进行全局模型更新，包括以下步骤：步骤S41：本地模型训练，具体为在每个客户端上使用各自的本地优化数据，对客户端本地模型进行训练，并将每个客户端的模型参数上传至中央服务器；步骤S42：模型聚合并更新，具体为通过联合近端方法，在中央服务器上聚合每个客户端的模型参数，更新全局模型参数，并将更新后的全局模型参数发送回每个客户端；步骤S43：全局模型训练，具体为通过重复步骤S41和步骤S42所述步骤，进行迭代训练，得到最优全局预测模型；步骤S5：预测报告生成，用于预测交通流量并生成报告，具体为通过最优全局预测模型进行交通流量预测，并生成交通流量预测报告，进行交通流量高峰提醒，所述交通流量预测报告包括时间范围、路段和交通流流量趋势。

全文数据：

权利要求：

百度查询： 中汽智联技术有限公司 基于机器学习的交通流量预测方法及系统