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：重庆邮电大学

摘要：本发明属于智能交通领域，具体涉及一种基于隐藏时空特征挖掘的时空交通流预测方法，包括：将道路口作为路网节点,获取路网节点的历史交通数据，并转化为交通态势嵌入矩阵；将粒度信息与交通态势嵌入矩阵融和，得到交通态势像素矩阵；根据交通态势像素矩阵从时间、空间多个维度捕获特征并进行融合；通过非线性激活的前馈神经网络实现未来交通流量的预测。本发明针对交通隐私数据泄漏和动态的时空相关性，通过捕获交通数据中隐藏的时空间依赖关系，同时，引入Transformer多头注意力机制有效地捕获长时依赖与多维特征的动态变化关系，有效的提升了交通流的预测准确性。

主权项：1.一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，包括：S1：将道路口作为路网节点,通过节点的历史时间序列长度构造包含N个节点和M个特征的数据,得到路网节点的历史交通数据D0,将历史交通数据D0通过嵌入操作转化为交通态势嵌入矩阵E；S2：将粒度信息Trans与交通态势嵌入矩阵E融和，得到交通态势像素矩阵TSPE；将粒度信息Trans与交通态势嵌入矩阵E融和，得到交通态势像素矩阵TSPE，包括： 其中，TSPE表示交通态势像素矩阵，EN表示交通态势嵌入矩阵E中第N个元素，TransN表示第N个节点的交通数据粒度信息；S3：通过自注意力函数对交通态势嵌入矩阵E进行加权求和，得到表示交通态势相关性的交通态势向量a，并根据交通态势向量a生成交通态势画幅的张量表示vu；通过自注意力函数对交通态势嵌入矩阵E进行加权求和，得到表示交通态势相关性的交通态势向量a，并根据交通态势向量a生成交通态势画幅的张量表示vu，包括：交通态势向量a： 交通态势画幅的张量表示vu：vu＝TSPE*a其中，a表示交通态势向量，W1、W2分别表示第一、第二训练参数矩阵，E表示交通态势嵌入矩阵，T表示矩阵转置，vu表示交通态势画幅的张量表示；S4：将交通态势向量a和交通态势画幅的张量表示vu转化为多交通态势画幅向量A，根据交通态势像素矩阵TSPE将多交通态势画幅向量A转化为多交通态势画幅矩阵MT；将交通态势向量a和交通态势画幅的张量表示vu转化为多交通态势画幅向量A，包括：S41：确定每个交通态势画幅vu的维度d和画幅的数量K；S42：创建一个空的多交通态势画幅向量，大小为d*K，初始时，所有元素设置为0；S43：将交通态势画幅向量a中的元素逐个填充到空的多交通态势画幅向量，得到完整的多交通态势画幅向量A；根据交通态势像素矩阵TSPE将多交通态势画幅向量A转化为多交通态势画幅矩阵MT，包括：MT＝TSPE*A其中，MT表示多交通态势画幅矩阵，*表示乘法运算；S5：通过MTS-GAT捕获路网中隐藏的空间特征，拼接捕获的空间特征并进行维度变换操作得到路网空间特征Y2；通过MTS-GAT捕获路网中隐藏的空间特征，拼接捕获的空间特征并进行维度变换操作得到路网空间特征Y2，包括：S51：根据道路节点的交通态势向量集合中相邻道路节点的交通态势向量计算节点间的注意力系数： 其中，表示第N个道路节点的交通态势向量，表示第i个道路节点的交通态势向量，表示第j个道路节点的交通态势向量，Ki表示第i个道路节点的邻接节点集合，k表示在邻接节点集合Ki中每个节点的索引，表示注意力机制通过权值确定的权值向量，W表示线性变换参数矩阵，表示道路节点第k个时间片的交通状态数据，RF表示一个F维的实数向量空间；S52：根据相邻节点间的注意力系数αij进行节点的两阶领域聚合，得到MTS-GAT网络：其中，h表示输入的节点特征向量，G表示节点之间的连接关系和空间拓扑结构，σ表示激活函数；S53：通过MTS-GAT网络提取交通态势中隐藏的空间信息并进行维度变换，得到路网空间特征S6：通过线性变换对历史交通数据时间位置进行标注，得到时间位置编码矩阵D1，将路网空间特征Y2嵌入交通态势画幅矩阵MT，得到空间位置信息矩阵D2，将时间位置编码矩阵D1和空间位置信息矩阵D2拼接后，通过线性层嵌入到交通态势画幅矩阵MT，得到节点的流量矩阵Ye；S7：针对交通数据和路网中隐藏的长时依赖与动态时空变化关系，利用Transformer多头自注意力机制抽取节点流量矩阵Ye的动态时空关系，并对提取到的特征拼接，得到时空依赖信息；S8：时空依赖信息通过非线性激活的前馈神经网络，通过前馈神经网络的两层线性映射和ReLU激活函数得到预测的未来交通流量矩阵Y。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于隐藏时空特征挖掘的时空交通流预测方法