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：湖州师范学院

摘要：本发明公开了时空自适应动态图卷积网络交通流预测方法，能够通过引入门控时间卷积网络，通过使用不同粒度的扩张因果卷积网络来捕捉交通流的时间依赖性，扩张因果卷积网络的感受野大小随着隐藏层数量的增加呈指数增长，在堆叠扩张因果卷积的支持下，STADGCN能够高效且有效地处理具有长程时间序列的时空图数据，设计由静态自适应图学习、动态图学习和空间门控融合模块组成的自适应混合图卷积模块，分别利用静态自适应图学习和动态图学习捕获全局空间变化和局部空间变化，通过空间门控融合模块融合充分捕捉交通流历史数据中的动态时空特征，方便进行交通流准确预测。

主权项：1.时空自适应动态图卷积网络交通流预测方法，其特征在于：包括多个STADGCN层、每个STADGCN层设置有残差连接和跳连接，所述STADGCN层包括门控时间卷积GatedTCN和自适应混合图卷积模块AHGCM，所述门控时间卷积GatedTCN和自适应混合图卷积模块AHGCM相连，所述自适应混合图卷积模块AHGCM包括静态自适应图学习SAGL和动态图学习DGL，所述静态自适应图学习SAGL和动态图学习DGL通过空间门控融合机制构成自适应混合图卷积模块AHGCM；门控时间卷积GatedTCN采用时序卷积网络TCN作为时序关联模拟的核心单元，并结合使用扩张因果卷积网络进行时序特征变换，扩张因果卷积网络通过增加层深度来允许指数级大的感受野，扩张因果卷积通过向输入填充零来保留时间因果顺序，以便对当前时间步进行的预测仅涉及历史信息，扩张因果卷积运算通过以一定步长跳过值来在输入上滑动，包括两个并行的时序卷积模块，扩张因果卷积结合因果卷积和扩张卷积的优势，既能够考虑时序因果关系，又能够有效捕捉长期依赖性，提出的时序卷积计算方式为： 其中，为给定一维序列输入，f为时序卷积核，K为时序卷积核大小；d为扩张因子，代表卷积核中相邻单元间隔的距离，堆叠多层时序卷积层时，卷积感受野随之增大，能够捕捉全局时序模态中多层次的复杂时序关联；自适应混合图卷积模块AHGCM由静态自适应图学习SAGL、动态图学习DGL以及空间门控融合机制构成以同步充分捕捉交通流历史数据中的动态时空特征，其中，静态自适应图学习SAGL能够自适应地捕获交通的动态空间特征，动态图学习DGL包含图注意力机制，能够在捕获隐藏空间特征的同时并行计算以降低时间复杂度；时序门控机制是一种控制特定位置信息流大小的方法，用于调节时序数据在神经网络中的流动，通过时序关联模拟方法，将门控机制与时序卷积网络TCN相结合，门控时间卷积的计算方式为： 其中为输入时序信号，h∈RN×D×S-K+1为门控时序卷积输出结果，N为时间序列数量，即路网中节点个数，D为信号特征维度，S为历史事件窗口大小；ξ1∈RD×D×1×K，b∈RV分别为捕捉时序关联所用的卷积核与偏置参数，ξ2∈RD×D×1×K，c∈RV分别为计算门控单元取值所用的卷积核与偏置参数是模型参数；tanh和σ分别是tanh激活函数和sigmoid激活函数；*代表卷积核与对应时序特征进行的卷积操作，⊙代表哈达玛积操作，即多维度张量间对应元素相乘。经过sigmoid激活函数映射后的门控单元取值范围在0-1之间，通过对应元素相乘的方式，对输出到下一层时序卷积的时序特征比例进行调整，能够进一步提升网络模型的时序依赖模拟性能；静态自适应图学习SAGL学习静态自适应邻接矩阵，使用GCN来实现静态自适应图学习SAGL中图的特征聚合，GCN通过聚合和转换邻域信息来平滑节点的信号，并且支持多维输入，设表示输入信号，表示输出，表示模型参数矩阵，表示具有自循环能力的归一化邻接矩阵，则图卷积网络定义为： 同时，利用自适应邻接矩阵的方式，捕捉路网结构中隐含的深层次空间依赖，为同一节点与对应的不同邻接节点分别进行的特征传递过程添加区分度，并且自适应邻接矩阵为路网中邻接关系较远或不存在的节点间，建立隐含连接关系并描述其空间依赖状态，采用节点嵌入来构造静态自适应邻接矩阵Aadp，表示如下：M1＝tanhE1·θ1M2＝tanhE2·θ2 其中E1、E2表示随机初始化的节点嵌入，其参数可以在训练过程中学习，θ1、θ2是模型参数，通过将E1和E2相乘，得出源节点和目标节点之间的空间依赖权重，使用ReLU激活函数来消除节点之间的弱连接，softmax函数来标准化自适应邻接矩阵，然后，通过GCN的增强，静态自适应图学习SAGL中的图卷积运算表示为： 其中，是SAGL的输出，k是特征传递的步数，利用上述自适应图卷积操作，从数据特征中挖掘路网节点间的全局空间关联，突破节点间邻接关系与直线距离等限制，捕捉路网中的深层空间依赖。动态图学习DGL通过构建图注意力网络GraphAttentionNetwork，GAT来实现交通道路网络节点的特征聚合以捕获节点间的动态时空相关性，GAT通过计算节点与邻域节点间的注意力系数来实现交通流的时空信息聚合，同时通过使用多头图注意力来进一步捕获道路节点间不可见的动态时空特征，以图节点vi为例，动态图学习DGL的图注意力机制表述如下： 其中，aij∈R为节点vi和vj间的注意力系数，Ni是节点vi的邻居节点的集合，vj∈Ni为节点vj的邻居，即a∈R2D×1是可学习的参数向量，是模型共享线性变化的权重矩阵，ht,i∈RD表示在时间步长t处节点vi的特征，我们使用求和来聚合多头注意力生成的特征，K表示头的数量，是头k对应的转换参数矩阵，是DGL模块中节点vi在时间步长t处的输出，在第l块上的DGL的输出为

全文数据：

权利要求：

百度查询： 湖州师范学院 时空自适应动态图卷积网络交通流预测方法