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：西华大学

摘要：本发明公开了基于时空元图学习的交通流量预测方法，涉及交通流量预测技术领域，包括S1、构建初始流量预测模型，初始流量预测模型包括元图学习器、编码器和解码器；S2、获取训练集；S3、对初始流量预测模型进行训练优化，得到优化后的流量预测模型；S4、获取给定的多步观测数据；S5、利用优化后的流量预测模型预测多步观测数据接下来的多步预测结果。时空图网络：时空图网络使得模型能够捕捉交通网络中的空间和时间相关性，从而实现准确的交通模式学习，相较于现有技术更为准确；元图学习机制：本方法元图学习机制，能够自动学习节点级别的原型，以适应不同路段和时段的交通模式，相较于现有技术更为有效。

主权项：1.基于时空元图学习的交通流量预测方法，其特征在于，包括：S1、构建初始流量预测模型，初始流量预测模型包括元图学习器、编码器和解码器，元图学习器包括超级网络、元节点库、全连接层和增强表示层，编码器从输入到输出依次包括α个第一时空图网络STG，α个时间序列按照时间顺序分别输入α个第一时空图网络STG，解码器从输入到输出依次包括α个第二时空图网络STG；编码器用于提取时空特征，超级网络用于生成节点嵌入，并基于元节点进行调整，元节点库以多个节点的形式存储时间序列，全连接层用于将时空特征投影到一个本地查询向量，增强表示层用于将根据本地查询向量来增强时空特征的表示，解码器用于将输入时间序列的时空特征和时空特征的增强特征拼接起来，并解码，以预测未来时间步的交通流量；超级网络的输出作为编码器的输入，编码器的输出作为全连接层的输入，全连接层的输出作为增强表示层的输入，增强表示层的输出和编码器的输出均作为解码器的输入,其中，和d分别代表元节点库内存项的数量和维度，ℝ表示全体实数的集合；元节点库的定义表示为：，；其中上标i代表行索引，代表时空特征Ht中第i个节点的隐藏状态，表示使用一个全连接层将隐藏状态投影到的一个本地查询向量，全连接层参数为；将与每个内存向量进行匹配来计算标量的内存读取操作，标量表示向量和内存向量之间的相似性；元节点向量可恢复为内存项的组合,表示的转置，exp表示以自然数e为底的指数函数的简称，为全连接层的偏置项；超级网络依据元节点库生成图结构学习的节点嵌入，节点嵌入生成过程表示为：，其中NNH代表超级网络，用一个全连接层实现，E’表示生成的节点,表示所学习的时空元图；第一时空图网络STG提取特征表示为：；；其中和分别表示图卷积操作的输入和输出,其中和是用切比雪夫多项式近似到K阶的内核参数，k∈K，是一个激活函数,、r、C分别代表了第一时空图网络STG中的更新门、重置门和候选隐状态；、rt、Ct分别代表第t步的更新门、重置门和候选隐状态；代表网络参数的计算偏置，代表使用切比雪夫多项式近似到k阶的，Ht、Ht-1分别为第t和第t-1步的隐藏状态,表示为对应的网络参数，表示自适应图G拓扑结构的辅助性输入，矩阵是根据度量标准和经验定律来构建的，N代表空间单元实体的数量；S2、获取训练集，并划分为训练数据、验证数据和测试数据；S3、训练数据、验证数据和测试数据分别导入模型训练器、模型验证器、模型测试器，对初始流量预测模型进行训练优化，得到优化后的流量预测模型；S4、获取给定的多步观测数据；S5、利用优化后的流量预测模型预测多步观测数据接下来的多步预测结果。

全文数据：

权利要求：

百度查询： 西华大学 基于时空元图学习的交通流量预测方法