申请/专利权人：福建理工大学

申请日：2023-11-07

公开（公告）日：2024-03-22

公开（公告）号：CN117218868B

主分类号：G08G1/065

分类号：G08G1/065;G06Q10/04;G06Q50/40;G06N3/042;G06N3/0464;G06N3/048;G06N3/08;G08G1/01

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明提供了交通流预测技术领域的一种基于几何散射图网络的交通流预测方法，包括：步骤S1、获取交通流数据集，将交通流数据集划分为训练集、验证集以及测试集，分别对训练集、验证集以及测试集执行shuffle操作后，再执行标准化处理；步骤S2、基于两个时空模块以及一个输出模块创建一交通流预测模型；步骤S3、通过训练集对交通流预测模型进行训练，通过验证集对训练后的交通流预测模型进行验证；步骤S4、通过测试集对验证后的交通流预测模型进行测试，并不断优化交通流预测模型的损失函数、优化器函数以及超参数；步骤S5、利用测试后的交通流预测模型进行交通流预测。本发明的优点在于：极大的提升了交通流预测精度。

主权项：1.一种基于几何散射图网络的交通流预测方法，其特征在于：包括如下步骤：步骤S1、获取交通流数据集，基于预设比例按时间顺序将所述交通流数据集划分为训练集、验证集以及测试集，分别对所述训练集、验证集以及测试集执行shuffle操作后，再执行标准化处理；步骤S2、基于两个时空模块以及一个输出模块创建一交通流预测模型；所述交通流预测模型用于捕捉时空数据的时空依赖性；若给定一个具有H1个历史状态特征的时空序列图，所述交通流预测模型构造一种函数映射关系：，用于预测未来P1个时间步长的结果；所述时空模块设有两个时间提取层以及一个几何散射图网络层；所述几何散射图网络层的输入端与其中一个时间提取层连接，输出端通过非线性激活函数与另一个所述时间提取层连接；所述时间提取层设有一个1D卷积层以及一个多头注意力层；所述几何散射图网络层设有三个图卷积网络以及两个几何散射图网络；所述时间提取层以及几何散射图网络层的网络输出进行特征拼接后，还接着一个残差连接；所述输出模块设有两个全连接层以及一个时间提取层；其中一个所述全连接层的输入端与时间提取层连接，输出端通过非线性激活函数与另一个所述全连接层连接；其中一个所述时空模块的输入端通过层归一化与另一个时空模块连接，输出端通过层归一化与所述输出模块连接；步骤S3、通过所述训练集对交通流预测模型进行训练，通过所述验证集对训练后的交通流预测模型进行验证；步骤S4、通过所述测试集对验证后的交通流预测模型进行测试，并不断优化所述交通流预测模型的损失函数、优化器函数以及超参数；步骤S5、利用测试后的所述交通流预测模型进行交通流预测；所述步骤S2中，所述时间提取层的计算过程为：设交通流预测中输入的交通流序列为，其中，为t时刻交通网络中N个节点的交通流；H表示输出嵌入的维度；交通流会受其他节点影响，整个交通网络看成是一个无向图，节点与节点的相互影响用边连接起来，连接关系用邻接矩阵表示；交通流序列X经过1D卷积层表示为，其中*为卷积算符，为宽度M的卷积核，使用padding使输入输出的维度相等，则；交通流序列X经过1D卷积层后，再经过非线性激活函数得到输出:1交通流序列X通过多头注意力层，把序列通过三个可学习的矩阵、、分别进行线性变换，转换为Q、K、V，其中d为线性变换的隐藏层维度，用公式表示为：（2）对Q、K、V应用归一化的缩放点乘注意力机制计算自注意力SAttn：（3）其中，表示归一化指数函数，T表示矩阵转置操作；并行地执行多次归一化的缩放点乘注意力机制，然后把计算得到的自注意力矩阵SAttn相加取平均，作为节点嵌入XMHead，计算过程为：（4）其中，为经过多头注意力机制学习得到的节点嵌入；Head为多头注意力机制的头数；，表示可学习的参数矩阵；之后，将经过多头注意力机制学习完的输出节点嵌入XMHead先进行非线性激活后做残差连接得到输出Q：（5）最后P和Q做哈达玛积，得到时间提取层的输出T：（6）所述几何散射图网络层的计算过程为：构建一个懒惰随机游走矩阵L∈RN×N：（7）其中，为单位矩阵；为交通网络的邻接矩阵；为交通网络的度矩阵；度矩阵是对角矩阵即非对角元素为0，对角元素的值等于相应节点连接边的个数；在几何散射中，为了得到网络图信号的低通分量，引入几何散射小波矩阵，k是大于等于1的整数：（8）对于时间提取层输出的序列T∈RN×H，通过几何散射小波矩阵进行传播，与图卷积网络类似，几何散射图网络的传播规则为：（9）其中，S∈RN×H为几何散射图网络的输出序列；为几何散射小波矩阵，可以选择中的任意一个，在这里分别取为和进行计算；为几何散射图网络的可学习参数矩阵；同时使用图卷积网络和几何散射图网络来构建几何散射图网络层，先引入以下符号：（10）其中，表示拼接操作；，，均表示几何散射图网络的可学习参数矩阵；表示图卷积网络，计算公式为：（11）其中，T∈RN×H是时间提取层的输出序列；是图卷积网络可学习参数矩阵；A∈RN×N是交通网络的邻接矩阵；最后，图卷积网络的输出和几何散射图网络的输出进行拼接得到输出：（12）最后输出SC经过一个残差连接得到最终输出，图残差卷积矩阵由超参数进行定义如下：（13）其中，是单位矩阵；A是交通网络邻接矩阵；D是度矩阵；最后SC通过残差连接得到几何散射图网络层的最终输出：（14）其中，是可学习的参数矩阵；是可学习的偏置参数矩阵；所述交通流预测模型的预测过程如下：序列经过时间提取层和几何散射图网络层后输入输出维度不变，输入序列首先经过第一个时空模块，经过时间提取层、几何散射图网络层和时间提取层，再经过层归一化后得到输出，同样经过第二个时空模块以及层归一化后得到输出，最后进入输出模块，首先经过输出模块的时间提取层得到输出，最后经过两个线性层得到最终的预测输出：（15）最终输出SP包含了对N个节点的交通网络未来P个时间长度的交通流预测结果。

全文数据：

权利要求：

百度查询： 福建理工大学 一种基于几何散射图网络的交通流预测方法

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