[发明专利]一种基于注意力机制的交通流量模型训练方法

权利要求书

1.一种基于注意力机制的交通流量模型训练方法，包括如下步骤：

(1)在高速公路上布置多个测点，采集一定时长内通过测点断面所有车辆的速度信息，通过数据预处理建立各测点的速度序列；

(2)根据物理位置关系以及流量趋势关系建立测点的网络拓扑异构图；所述网络拓扑异构图中的节点即对应各个测点，具有相邻位置关系以及相似流量趋势的节点存在有连接关系；遍历图中所有两两节点组合：对于任一对组合，利用DTW算法计算该组合两个节点之间速度序列的相似度，若相似度高于阈值，则判定这两个节点具有相似流量趋势；

(3)利用graph2vec模型对异构图中的每个节点进行编码，得到每个节点的特征向量；

(4)通过BERT预训练模型改善每个节点的特征向量；

(5)将节点的速度序列归一化后与改善后的特征向量拼接组合作为输入向量，进而通过训练LSTM模型以预测节点下一时间片段的车速指标并转换成车流量指标。

2.根据权利要求1所述的交通流量模型训练方法，其特征在于：所述步骤(1)中的每个测点设置有地磁测速系统，即利用地磁探头和图像处理技术实现对车辆的速度检测。

3.根据权利要求1所述的交通流量模型训练方法，其特征在于：所述步骤(1)中数据预处理的具体实现过程为：对于任一测点，采集完成一定时长内通过该测点断面所有车辆的速度信息，将整个时长分成多个时间片段；对于任一时间片段，将该片段内通过该测点断面所有车辆的速度过滤掉异常值后从小到大排序并取中位数作为该片段的车速指标，进而将所有片段的车速值依次排列并打上时间标签，从而得到测点的速度序列。

4.根据权利要求1所述的交通流量模型训练方法，其特征在于：所述步骤(3)的具体实现方法为：采用Graph Embedding方法中的DeepWalk根据异构图中节点之间的共现关系来学习节点的特征向量表示；图中节点之间的共现关系通过Random Walk的方式在图中进行节点采样，即给定当前访问起始节点，从其邻居中随机采样节点作为下一个访问节点，重复此过程，直到访问序列长度满足预设条件；当获取足够数量的节点访问序列后，使用skip-gram model进行向量学习，使得向量中包含节点的地理和交通趋势特征。

5.根据权利要求1所述的交通流量模型训练方法，其特征在于：所述步骤(4)的具体实现方法为：将节点的速度序列归一化后与特征向量连接起来得到输入向量，遍历异构图中所有相连的节点组合；对于任一组合，若该组合由m个节点依次连接，则屏蔽其中若干节点输入向量中的特征部分，利用其余节点的输入向量数据通过BERT预训练方法来预测屏蔽部分的向量数据，并用预测得到的向量数据替换节点原有的特征向量数据。