【技術實現步驟摘要】
本專利技術屬于交通流量預測領域，具體涉及一種基于時空分解和注意力機制的交通流量預測方法。
技術介紹
1、隨著城市化進程的加速，城市交通系統正面臨著日益嚴重的擁堵問題，導致了通行效率的降低、空氣污染加劇以及交通事故的增加。為應對這些挑戰，智能交通系統的應用日益廣泛，其中交通流量預測作為核心技術之一，能夠幫助交通管理部門提前干預，優化交通流量的分布和控制。然而，交通流量預測任務由于交通數據的復雜時空依賴性、非線性和動態性，極具挑戰性。
2、傳統的交通流量預測方法，諸如基于統計學的時間序列分析或回歸分析，在處理簡單或線性數據時能夠取得一定效果，但在面對實際的復雜的非線性的交通數據時，其預測能力顯得不足。進一步的，深度學習技術被應用于交通流量預測。卷積神經網絡通過將交通數據轉化為網格化的圖像形式，可以捕捉城市交通網絡中的空間特征，但對全局時空關系的捕捉較弱；而循環神經網絡及其變體則能夠捕捉交通流量數據的時間依賴性，但其在長時間依賴關系的學習上存在挑戰。這些模型在預測復雜的交通流量數據時，依然存在一定的局限性。
3、現有的基于圖卷積網絡的方法，如時空圖卷積網絡，雖然能夠結合交通網絡的拓撲結構和時空依賴關系進行預測，但這些方法通常依賴固定的圖結構，難以適應圖結構缺失下的交通流量預測。
4、此外，現有的流量預測方法通常未能充分考慮交通流量數據中的多樣性和復雜性。交通數據不僅存在顯著的時空依賴性，還包含多種不同頻率的變化模式。高頻分量往往代表偶發事件，而低頻分量則更能反映長期趨勢。大多數現有方法未能有效分離并
5、在實際應用中，交通流量預測還面臨數據缺失、異常值處理、實時性要求等多方面的挑戰。這些問題促使研究人員不斷探索更為先進的建模方法，以提高交通流量預測的準確性和魯棒性。
技術實現思路
1、本專利技術的目的是解決現有交通流量預測方法中未能有效分離并針對不同頻率的特征進行處理與未能充分捕捉交通流量的時間滯后效應，以及過度依賴圖信息的問題，提供了一種基于時空分解和注意力機制的交通流量預測方法。
2、為實現上述目的，本專利技術采用的技術方案如下：
3、s1.通過區域內的交通傳感器采集過去一段時間內的歷史交通數據，獲取模型的原始輸入數據。
4、s2.使用快速傅里葉變換與其逆變換將時間序列信息分解為趨勢項和事件項，并通過數據嵌入層將時空信息引入事件項與趨勢項之中。
5、s3.構建趨勢項處理分支，并將趨勢項輸入趨勢項處理分支，著重捕獲交通數據中的時間信息。
6、s4.構建事件項處理分支，并將事件項輸入事件項處理分支，著重捕獲交通數據中的空間信息。
7、s5.將處理得到的事件項與趨勢項進行自適應融合，得到最終結果。
8、具體地，所述步驟s2包括：
9、本專利技術采用快速傅里葉變換及其逆變換對交通流量的時間序列數據進行頻域分析和解耦，將復雜的時間序列分解為低頻的趨勢項和高頻的事件項。趨勢項主要反映長期變化趨勢，而事件項捕捉突發或短期變化信息。
10、為了更好地處理這些分解后的分量，通過數據嵌入層，將時空信息引入到趨勢項和事件項中，進而提高交通流量預測的精度和魯棒性。數據嵌入層嵌入的信息包括星期幾、一天中的具體時間段以及時間戳所處的周期性特征。
11、進一步地，所述步驟s3包括：
12、s3.1通過時間卷積初步提取時序信息；
13、由于所處理的數據為時間序列信息，時間序列具有天然的時序性，即某一時刻的信息不應包含來自未來的時間信息。為了更好地捕捉時間序列的這種特性，時間卷積通過堆疊多層帶有膨脹因果卷積的卷積層來處理數據。在這種卷積結構中，每一時刻的輸出僅依賴于過去的輸入，不會引入未來時刻的信息，確保因果性得以保持。對于第i層卷積，膨脹率為di＝2i，卷積公式如下：
14、
15、其中k是卷積核大小，t是時間步，是第i層卷積核在第j個偏移的權重矩陣，為偏置項，因果性由t-di·j保證。
16、s3.2時間注意力模塊提取時間信息：
17、對于本模塊輸入將第n個傳感器的時間切片表示為
18、為了有效建模節點內部的時間片之間的關系，本方法在時間維度上應用自注意力機制。具體而言，首先通過自注意力機制計算出第n個傳感器中所有時間片之間的時間依賴關系；隨后，通過注意力權重聚合不同時間片的信息，建模所有時間片之間的長期時間依賴性。最后得到時間注意力模塊關于第n個傳感器的輸出
19、
20、其中，是可學習參數。
21、s3.3趨勢類別學習模塊融合趨勢類別信息；
22、為了更好地提取低頻分量中的節點趨勢信息，本專利技術設計了趨勢類別學習模塊。該模塊通過自適應學習每個節點的趨勢特征，能夠有效捕捉不同節點在趨勢上的變化模式。
23、對于輸入獲得類別注意力得分
24、
25、其中，是可學習參數，k是趨勢類別數量。
26、使用注意力權重ac對類別數據進行加權求和，得到融合了類別信息的輸出
27、
28、其中，是可學習參數，以作為步驟s3的最終輸出。
29、進一步的，步驟s4包括：
30、s4.1通過時間卷積初步提取時序信息；
31、此處所涉及到的操作除輸入外均與步驟s3.1相同。
32、s4.2多時間片空間注意力門控模塊提取空間信息；
33、對于本模塊輸入將t時間片下所有傳感器的數據表示為
34、給定數據在空間維度上應用自注意力機制，首先計算在時間片t下所有傳感器的依賴關系，通過自注意力機制捕捉傳感器之間的空間關聯。隨后，進一步對這些傳感器之間的空間依賴性進行建模，捕捉它們的相互影響。最后得到空間注意力模塊關于t時間片下傳感器內部關系的輸出
35、
36、其中，是可學習參數。
37、隨后我們將輸入的第一個時間步復制得到隨后去除輸入的最后一個時間片得到最后將在前在后拼接可得時間片延遲輸入
38、將作為注意力機制的鍵矩陣和值矩陣，得到時間片t下傳感器與時間片t-1中的傳感器的空間依賴關系
39、隨后將與拼接，通過全連接層得到門控權重并分離權重得到g1與g2。最后進行加權求和：
40、
41、以作為步驟s4的最終輸出。
42、進一步的，步驟s5包括：
43、本步驟的主要目的是將步驟s3所得的與步驟s4所得的進行自適應融合。
44、對于數據與應用注意力機制，先得到自適應初步融合結果，本文檔來自技高網...
【技術保護點】
1.根據權利要求1所述的一種基于時空分解和注意力機制的交通流量預測方法，其特征在于，所屬步驟S3包括：首先，通過時間卷積模塊初步提取趨勢項的時間信息，所述時間卷積模塊包括多層帶有膨脹因果卷積的卷積層，膨脹率逐層增加，以捕捉長時間依賴關系；隨后，利用時間注意力模塊進一步提取趨勢項的時間依賴關系，時間注意力模塊應用自注意力機制，建模各時間片之間的長期依賴性，輸出包含時間信息的趨勢項表示；最后，通過趨勢類別學習模塊，融合趨勢類別信息，生成類別注意力得分，并利用類別注意力對趨勢類別進行加權求和，得到融合類別信息的趨勢項輸出。
2.根據權利要求1所述的一種基于時空分解和注意力機制的交通流量預測方法，其特征在于，所屬步驟S4包括：首先，通過時間卷積模塊初步提取事件項的時序信息，該模塊與趨勢項處理中的時間卷積模塊具有相同的結構；隨后，利用多時間片空間注意力門控模塊提取事件項的空間信息，所述模塊在空間維度上應用自注意力機制，建模每個時間片下傳感器之間的空間依賴關系，并通過延遲傳遞機制捕捉前后時間片之間的空間延遲關系，再通過門控機制融合多個時間片的空間信息。
3.根據權利要
...【技術特征摘要】
1.根據權利要求1所述的一種基于時空分解和注意力機制的交通流量預測方法，其特征在于，所屬步驟s3包括：首先，通過時間卷積模塊初步提取趨勢項的時間信息，所述時間卷積模塊包括多層帶有膨脹因果卷積的卷積層，膨脹率逐層增加，以捕捉長時間依賴關系；隨后，利用時間注意力模塊進一步提取趨勢項的時間依賴關系，時間注意力模塊應用自注意力機制，建模各時間片之間的長期依賴性，輸出包含時間信息的趨勢項表示；最后，通過趨勢類別學習模塊，融合趨勢類別信息，生成類別注意力得分，并利用類別注意力對趨勢類別進行加權求和，得到融合類別信息的趨勢項輸出。
2.根據權利要求1所述的一種基于時空分解和注意力機制的交通流量預測方法，其特征在于，...
【專利技術屬性】
技術研發人員：陳喬松，肖雙旺，唐昌田，王燚，
申請(專利權)人：重慶郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。