【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及交通流量預(yù)測，尤其涉及一種基于時空特征深度融合的全周期交通流量預(yù)測方法。該方法從時空維度出發(fā)面向短、中、長多個周期，結(jié)合不同尺度的時序特征以及不同粒度的空間關(guān)系，用于實現(xiàn)融合多維度、多尺度以及多粒度綜合要素的全周期數(shù)字化城市交通流量預(yù)測。
技術(shù)介紹
1、在自動駕駛、物聯(lián)網(wǎng)、云計算和5g/6g通信技術(shù)的推動下，城市交通系統(tǒng)正經(jīng)歷深刻變革。與此同時，全球氣候變化促使碳中和與可持續(xù)發(fā)展成為全球共識，進一步提高了對資源優(yōu)化和應(yīng)急管理的需求。在這一背景下，智能交通系統(tǒng)(its)的應(yīng)用被證明能有效解決城市交通問題，其中交通流量預(yù)測發(fā)揮著至關(guān)重要的作用。良好的交通流量預(yù)測能夠為交通管理者提供科學(xué)有效的決策支持，優(yōu)化交通資源配置，減少擁堵，提升城市運行效率。隨著城市擴張和人口聚集，交通需求的復(fù)雜性增加，通勤、物流和其他出行活動的流量激增，導(dǎo)致道路網(wǎng)絡(luò)負荷加重，城市交通擁堵問題日益嚴峻。因此，高效、精準的交通流量預(yù)測成為解決這些問題的關(guān)鍵，它不僅能夠提高交通系統(tǒng)的效率和響應(yīng)能力，還能為實現(xiàn)城市可持續(xù)發(fā)展目標提供科學(xué)支撐，這對于構(gòu)建未來智能、綠色的城市交通系統(tǒng)具有重要意義。
2、交通流量預(yù)測領(lǐng)域持續(xù)發(fā)展，取得了諸多研究成果。早期研究主要依賴人類經(jīng)驗和基本統(tǒng)計模型，如季節(jié)性自回歸綜合移動平均法(sarima)和隱馬爾可夫模型(hmm)。這些方案通常假設(shè)交通流量時間序列是線性的，難以處理大規(guī)模數(shù)據(jù)，因此早期交通預(yù)測方案難以應(yīng)對日益增長的海量數(shù)據(jù)。隨著機器學(xué)習(xí)的快速發(fā)展，支持向量回歸(svr)、k近鄰(knn)等非線性處理方案逐
3、深度學(xué)習(xí)技術(shù)的出現(xiàn)顯著提升了復(fù)雜數(shù)據(jù)的預(yù)測能力，尤其在處理時序依賴方面，如循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)、長短期記憶網(wǎng)絡(luò)(lstm)和門控循環(huán)單元(gru)在時間特征提取方面具有優(yōu)勢，能夠捕捉交通流量隨時間變化的依賴關(guān)系。由于交通流具有趨勢性和周期性，時序特征固然重要，但是在交通流量預(yù)測中，僅依賴時間信息難以充分預(yù)測交通流量的綜合變化。由于對非歐幾里得空間良好地適用性，圖神經(jīng)網(wǎng)絡(luò)(gnn)被引入，以靈活建模節(jié)點和邊之間的復(fù)雜關(guān)系。盡管如此，伴隨交通流動模式變得更加多元且不可預(yù)測，同時由于缺乏有效的時空交通融合模式，現(xiàn)有模型在捕捉交通流長距離依賴關(guān)系，以及對時間序列動態(tài)性和交通數(shù)據(jù)多周期性趨勢的處理能力仍面臨諸多挑戰(zhàn)。
4、隨著模型復(fù)雜度增加，單一模型難以完全滿足實際需求，因此學(xué)者們探索了綜合類模型，通過融合多種深度學(xué)習(xí)模型的優(yōu)點實現(xiàn)更精確的交通流量預(yù)測。這類模型綜合圖結(jié)構(gòu)建模、序列建模和注意力機制，形成多層次時空依賴處理框架。但它們在時序特征的捕捉上仍存在一定的局限性，尤其是在時間尺度的精細化挖掘方面，從而可能影響模型對交通流量變化的敏感性，限制其在實時預(yù)測中的準確性和有效性。此外，它們未能充分考慮動態(tài)變化的環(huán)境因素，對空間信息的多粒度感知和識別挖掘能力仍顯不足，限制了其在交通流量預(yù)測中的應(yīng)用潛力。雖然這些綜合類的方案逐步加強時空特征建模，但僅模擬表示空間節(jié)點連接的鄰接矩陣，并嘗試將其融入交通流預(yù)測模型中，盡管效果有所改進，但未能充分應(yīng)對交通流復(fù)雜多變的空域交際，在捕捉動態(tài)復(fù)雜交通流動上仍有較大提升空間。
技術(shù)實現(xiàn)思路
1、專利技術(shù)目的：當前交通流量預(yù)測問題面臨綜合性強、復(fù)雜度高等特點，且伴隨交通流動模式變得多元和動態(tài)化，更加復(fù)雜的時空依賴性和時序交互作用，以及不同空間區(qū)域?qū)煌髁康南嗷ビ绊懙戎T多問題，仍使得交通預(yù)測研究面臨諸多挑戰(zhàn)。因此針對以上問題，在充分考慮時空關(guān)系模式的基礎(chǔ)上，提出了基于時空特征深度融合的全周期交通流量預(yù)測方法，充分建模交通流量在多鄰域間的相互影響以及在復(fù)雜時序交互下的波動，能夠深度整合交通流的復(fù)雜時空依賴，在多維度、多尺度以及多粒度上捕捉交通流量的變化規(guī)律，形成復(fù)合交通態(tài)勢感知，從而實現(xiàn)對交通多周期綜合流量預(yù)測。通過實驗證實，本專利技術(shù)所提方法均優(yōu)于同類模型。
2、為實現(xiàn)上述目的，本專利技術(shù)采用的技術(shù)方案是：
3、一種基于時空特征深度融合的全周期交通流量預(yù)測方法，包括以下步驟：
4、s1：將交通路網(wǎng)數(shù)據(jù)進行時空信息綜合表征，首先設(shè)計基于距離與局部鄰域密度的方式來構(gòu)建路網(wǎng)的鄰接矩陣，通過綜合考慮道路節(jié)點間的空間距離和局部密度關(guān)系，以更精確地捕捉相鄰節(jié)點間的影響關(guān)系；與此同時設(shè)計多維時序周期融合方式融合多個時間尺度，通過五種特征矩陣來表示，分別是基于多級時間窗口的近期特征矩陣fm(t)，基于周內(nèi)時間段的特征矩陣fw(t)，基于時間-日期的交互特征矩陣ftd(t)，基于滑動窗口周期性特征的特征矩陣fp(t)，基于時間分辨率的特征矩陣fres(t)，這些時序特征不僅有助于改善模型的預(yù)測性能，也為揭示交通流量的潛在規(guī)律提供了基礎(chǔ)，然后將時空信息融合作為模型初步輸入；
5、s2：設(shè)計雙向門控時序卷積網(wǎng)絡(luò)bi-gated?tcn捕捉短期時序依賴，有效提取歷史與未來流量數(shù)據(jù)中的短期潛在模式，提升對瞬時交通變化的響應(yīng)能力；
6、s3：設(shè)計基于時變多鄰域圖卷積和上下文多圖感知注意力的模型tvmgcn-camga捕捉短期多屬性鄰域交互，通過多功能鄰域間的多層融合來聚合短期空域依賴性，并將短期時空特征降維；
7、s4：設(shè)計tvformer深入挖掘歷史流量數(shù)據(jù)中的長期趨勢，確保模型適應(yīng)不同時間尺度下的交通流量變化，提升對交通流量長周期性波動的特征識別能力；
8、s5：設(shè)計spagraphformer深度解構(gòu)高維交通數(shù)據(jù)中的關(guān)鍵區(qū)域，充分挖掘復(fù)雜道路網(wǎng)絡(luò)中的拓撲結(jié)構(gòu)，提升模型對區(qū)域內(nèi)流量綜合變化的感知，并將中長期時空特征降維；
9、s6：將短期和中長期時空特征降維并進行多周期性有機融合，執(zhí)行多周期交通流量預(yù)測；
10、s7：將預(yù)測分析結(jié)果與原始交通流數(shù)據(jù)就平均絕對誤差、平均絕對百分比誤差和均方根誤差進行對比和評價。
11、與現(xiàn)有的技術(shù)相比較，本專利技術(shù)的有益效果是：
12、(1)本專利技術(shù)設(shè)計的時空信息綜合表征策略，一方面綜合考慮真實區(qū)域空間距離與鄰域流量密度來構(gòu)建鄰接矩陣，能夠適應(yīng)對不同空間粒度的感知，更全面地反映交通網(wǎng)絡(luò)的結(jié)構(gòu)特點，有助于提升模型對交通流量變化的敏感性與預(yù)測能力；另一方面從多種周期性特征出發(fā)，設(shè)計多維時序周期融合策略，使模型充分表征交通流量在不同時間尺度上的變化趨勢，為模型提供更具魯棒性的時間維度信息，從而能夠提高全周期交通預(yù)測性能。
13、(2)本專利技術(shù)設(shè)計的用于捕捉短期時序依賴的雙向門控時序卷積網(wǎng)絡(luò)bi-gatedtcn，通過雙向門控機制為模型提供了動態(tài)控制信息流的能力，確保模型能充分利用雙向時序依賴；雙向擴張因果卷積通過擴大感受野捕捉遠程時序依賴性，同時保持因果性，從而使得模型能夠更好地捕獲交通流量的時變特性。
14、(3)本專利技術(shù)設(shè)計的本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟S1中，將交通路網(wǎng)數(shù)據(jù)進行時空信息綜合表征，包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟S2中，設(shè)計雙向門控時序卷積網(wǎng)絡(luò)Bi-Gated?TCN捕捉短期時序依賴，包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟S3中，設(shè)計基于時變多鄰域圖卷積和上下文多圖感知注意力的模型TVMGCN-CAMGA捕捉短期多屬性鄰域交互，包括以下步驟：
5.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟S4中，設(shè)計TVFormer深入挖掘歷史流量數(shù)據(jù)中的長期趨勢，包括以下步驟：
6.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟S5中，設(shè)計SpaGraphF
7.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟S6中，將短期和中長期時空特征降維并進行多周期性有機融合，執(zhí)行多周期交通流量預(yù)測，包括以下步驟：
8.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟S7中，將預(yù)測分析結(jié)果與原始交通流數(shù)據(jù)就平均絕對誤差、平均絕對百分比誤差和均方根誤差進行對比和評價。平均絕對誤差(MAE)表示預(yù)測值與真實值之間的絕對誤差的平均值，用于衡量預(yù)測值和真實值之間的平均偏差程度；平均絕對百分比誤差(MAPE)表示預(yù)測值與真實值之間的絕對百分比誤差的平均值，用于衡量預(yù)測值相對于真實值的平均誤差程度，考慮了誤差相對于真實值的比例；均方根誤差(RMSE)表示預(yù)測值與真實值之間的平方誤差的平均值的平方根，用于衡量預(yù)測值和真實值之間的平均偏差程度，并對大誤差進行懲罰；這三種評價指標可以用來評估交通流量預(yù)測模型的準確性和性能表現(xiàn)，MAE和RMSE越小越好，MAPE越接近0表示預(yù)測誤差越小。
...【技術(shù)特征摘要】
1.一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟s1中，將交通路網(wǎng)數(shù)據(jù)進行時空信息綜合表征，包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟s2中，設(shè)計雙向門控時序卷積網(wǎng)絡(luò)bi-gated?tcn捕捉短期時序依賴，包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟s3中，設(shè)計基于時變多鄰域圖卷積和上下文多圖感知注意力的模型tvmgcn-camga捕捉短期多屬性鄰域交互，包括以下步驟：
5.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟s4中，設(shè)計tvformer深入挖掘歷史流量數(shù)據(jù)中的長期趨勢，包括以下步驟：
6.根據(jù)權(quán)利要求1所述的一種基于時空特征深度融合的全周期交通流量預(yù)測方法，其特征在于：所述步驟s5中，設(shè)計spagra...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：趙中楠，謝旭，王鉞，
申請(專利權(quán))人：哈爾濱理工大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。