申请/专利权人：西南交通大学

申请日：2023-12-28

公开（公告）日：2024-03-29

公开（公告）号：CN117789478A

主分类号：G08G1/01

分类号：G08G1/01;G06N3/042;G06Q10/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了基于动态常微分图神经网络的交通流量预测方法及装置，本发明方法使用单编码器架构，系统模块包括：建立道路交通网络语义矩阵模块，空间依赖捕捉模块，时间依赖提取模块，动态图常微分网络模块，图卷积神经网络模块，特征融合门控单元，交通流量预测模块和终端设计模块。本发明为解决传统交通流量预测方法中图神经网络节点数据相似Over‑Smoothing问题，引入动态图常微分网络，使用常微分方程抽象出道路交通网络拓扑结构的解析解，通过构建时空注意力模块提取时空特征，并使用特征融合门控单元进一步捕捉道路交通流时空数据特征，从而提升交通流量预测精度。

主权项：1.基于动态常微分图神经网络的交通流量预测方法，其特征在于，所述方法包括：步骤1：构建交通流量图构建交通流图结构与语义矩阵；在这一步骤中，首先根据实际道路之间的地理位置和交通流量特性构造一个道路交通图结构，这个图结构反映了道路节点之间的连接关系和交通流动性；接着，对交通流数据x进行预处理，以适应模型输入需求；同时，建立语义矩阵A，该矩阵代表道路节点之间的空间关系和交通联系强度，为后续模块提供基础的空间特征表达；步骤2：构建时空自注意力模块；在此步骤中，设计时空自注意力模块来处理交通流数据x；该模块通过自注意力机制学习和提取交通数据中的关键时序和空间特征；时空自注意力模块能够识别不同时间段和地点的交通流变化模式，从而有效地捕捉交通流数据中的时序不确定性和空间不确定性；步骤3：构建图卷积网络模块与常微分方程模块；在这一步骤中，构建图卷积网络模块和常微分方程模块；图卷积网络模块负责捕捉交通网络中的空间依赖，通过采样和聚合邻域节点的特征来实现；而常微分方程模块则用于缓解由图卷积网络模块带来的节点数据过度平滑问题；常微分方程模块通过动态分析道路交通网络的时间演化，提供更深层次的空间特征理解；步骤4：构建特征融合门控单元；此步骤中，设计一个特征融合门控单元，该单元通过建立门控机制来有效融合来自图卷积网络模块与常微分方程模块的特征；门控单元通过学习哪些特征更重要，从而在保留关键信息的同时过滤掉不必要的信息，为后续的预测层提供更加准确和全面的时空数据特征；步骤5：使用一个复合的神经网络作为核心预测方程，该方程结合了时序和空间信息；预测方程基于融合门控单元输出的特征，通过一个深度神经网络层进行交通流量的预测；具体地，预测方程表示为Y＝FullyConnectedYl＝ConvConvYl；为了优化该预测模型，采用HuberLoss作为损失函数，并使用MAE，MAPE和RMSE作为衡量指标来衡量预测值与实际值之间的差异；通过反向传播算法，不断调整模型参数，以减小损失函数的值；此外，还采用正则化技术和学习率调整策略来防止过拟合，并保证模型训练的稳定性和效率；在整个预测流程中，从时空特征提取到最终预测输出，每个步骤都紧密相连；时空自注意力模块提供了细致的时空特征分析，图卷积网络模块与常微分方程模块共同作用于空间依赖和动态特征的捕捉；特征融合门控单元则将这些特征有效地结合，为最终预测层提供了丰富的输入；这样的设计不仅增强了模型的预测能力，也确保了整个预测流程的逻辑性和连贯性。

全文数据：

权利要求：

百度查询： 西南交通大学 基于动态常微分图神经网络的交通流量预测方法及装置

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