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：本发明公开了一种基于GCN‑STARNN的交通流量预测方法包括以下步骤：（1）获取开源网站交通流量数据集并预处理；（2）构建时空注意递归神经网络并进行训练；其中，时空注意递归神经网络包括：图卷积神经模块即GCN模块、时空注意递归神经模块即STARNN模块和输出模块；其中，GCN模块与STARNN模块并联；GCN模块用于提取交通路网的空间特征；时空注意递归神经模块用于提取交通路网的时间特征；时空注意递归神经模块由卷积注意力模块、卷积长短时记忆网络模块和3维卷积模块组成；（3）输出预测结果。本发明有效提高了交通流量预测的准确率和精度，较现有方法具有更好的性能表现。

主权项：1.一种基于GCN-STARNN的交通流量预测方法，其特征在于，包括以下步骤：（1）获取开源网站交通流量数据集并预处理；（2）构建时空注意递归神经网络并进行训练；其中，时空注意递归神经网络包括：图卷积神经模块即GCN模块、时空注意递归神经模块即STARNN模块和输出模块；其中，GCN模块与STARNN模块并联；GCN模块用于提取交通路网的空间特征；时空注意递归神经模块用于提取交通路网的时间特征；时空注意递归神经模块由卷积注意力模块、卷积长短时记忆网络模块和3维卷积模块组成；其中，GCN模块依次包括：图卷积层、全连接层、图卷积层和批处理规范化层；其中，在2个图卷积层中引入正则化处理；GCN模块具体如下：首先输入数据即流量特征进入网络后与邻接矩阵相乘，再和权重矩阵kernel相乘，最后通过激活函数得到图卷积层的输出，图卷积层的输出随后经过dropout正则化处理，然后dense压缩维度进入第二个图卷积层，第二图卷积层的处理过程与第一个相同，第二图卷积层的输出进入批处理规范化层得到GCN模块的最终输出；时空注意递归神经模块由卷积注意力模块、3个卷积长短时记忆网络模块和3维卷积模块依次串联组成；时空注意递归神经模块具体如下：输入流量数据进入卷积注意力模块CBAM的空间注意力模块，通过平均池化和最大池化以及卷积获取空间注意力掩码张量Mask，随后输入数据与掩码Mask进行对应元素乘法得到空间注意力模块的输出；随后对输出进行维度扩充操作以符合卷积长短时记忆网络模块对数据五维的要求，在每一层卷积长短时记忆网络模块中，对数据进行卷积、随机失活正则化方法Dropout、批处理化操作，最后通过一个3维卷积层修改维度以便输出，从而得到时空注意递归神经模块的最终输出；输出模块具体如下：采用两种融合操作；一种是采用MLP加线性层的融合操作，将GCN模块与STARNN模块的输出输入到MLP中计算权重，然后通过权重将两个输出融合，再输入到一个线性层中进行特征提取，并输出最终结果；另一种是采用Concat拼接方式加上一个线性层，将GCN模块和STARNN模块的输出在特征维度上进行拼接，并输入到线性层进行特征提取，从而实现融合特征提取并最终输出结果；（3）输出预测结果。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于GCN-STARNN的交通流量预测方法