申请/专利权人：中南大学

申请日：2020-12-02

公开（公告）日：2024-06-28

公开（公告）号：CN112508173B

主分类号：G06N3/0464

分类号：G06N3/0464;G06N3/044;G06N3/0442;G06N3/08;G06F16/2458;G06Q10/04;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2021.04.02#实质审查的生效;2021.03.16#公开

摘要：本发明公开了一种交通时空序列多步预测方法、系统及存储介质，基于历史数据X1:T计算改进的历史均值第二步，历史数据X1:T和改进的改进历史均值通过3D‑CNN模块进行下采样；第三步，使用序列到序列模型进行多步预测得到模型的编码器和解码器均由ConvLSTM组成，并在解码器中融入了注意力机制，进而使用转置3D卷积进行上采样；第四步，与做多模型融合，得到最终的预测结果本发明预测方法的精度更高。

主权项：1.一种交通时空序列多步预测方法，其特征在于，包括以下步骤：1获取交通时空序列历史数据，经过预处理得到X1:t＝[X1,X2,X3,…,Xt-1,Xt]，利用X1:t计算得到交通时刻序列历史均值H1:t，进而计算待预测时间戳t+1时刻到t+T′时刻改进的历史均值为交通时空序列的一帧；1≤t≤T；T为时间长度；T′＞1；n为数据的模态；I、J为对城市进行空间划分后形成的网格的长度和宽度；T′为时间步长；2将预处理后的交通时空序列历史数据X1:t输入下采样单元，利用所述下采样单元进行下采样，得到X′1:t；X′1:t＝[X′1,X′2,X′3,…,X′t-1,X′t]；3将X′1:t作为编码器的输入，得到所述编码器输出的隐藏层张量和记忆单元张量；4将改进的历史均值编码器输出的隐藏层张量和记忆单元张量作为解码器的输入，得到t+1时刻到t+T′时刻的预测结果5对预测结果与改进的历史均值进行加权融合，得到最终的t+1时刻到t+T′时刻的交通时空序列预测结果步骤1中，改进的历史均值的计算过程包括：A、由预处理后的交通时空序列历史数据X1:t计算t时刻的历史均值Ht；其中，Avg·为求平均；t为待预测的时间戳；λtime为交通时空序列的单位时间长度；B、获取t-l时间戳到t时间戳历史均值序列的均值Ht-l:t，得到wh；wh＝avg∑Ht-l:t；l表示参与权重计算的时间戳个数；计算由t-l时间戳到t时间戳的历史序列的均值Xt-l:t，得到ws；ws＝avg∑Xt-l:t；C、结合t+1时间戳到t+T′时间戳的历史均值Ht+1:t+T′，计算所述改进的历史均值所述解码器包括：注意力机制模块，以所述编码器的t-1时刻的输出和t时刻改进的历史均值为输入，用于合成所述编码器t+1时间戳的输出；卷积长短时记忆神经网络模块，以所述注意力机制模块的输出为输入，抽取时空特征；转置3D空间卷积神经网络，以对所述卷积长短时记忆神经网络模块的输出进行上采样，得到t+1时刻到t+T′时刻的预测结果所述注意力机制模块合成输入数据的具体实现过程包括：A将张量复制为b、c、h、w分别为批量大小、通道数、高度、宽度；B将H′t-1与Ct-l+1:t-1、改进的历史均值在通道维度上拼接为的张量；C由3D卷积得到Ct-l+1:t各部分的权重wt-2,……,wt-1与并通过softmax函数将权重和压缩为1；D将压缩后的权重与Ct-l+1:t、改进的历史均值加权求Hadamard积，合成t+1时间戳卷积长短时记忆神经网络模块的输入。

全文数据：

权利要求：

百度查询： 中南大学 交通时空序列多步预测方法、系统及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD