[发明专利]基于注意力机制的图神经网络交通流量预测方法及系统

说明书

本发明公开了基于注意力机制的图神经网络交通流量预测方法及系统，获取待预测的城市交通流量数据；根据道路连接关系构建路网图；对待预测的城市交通流量数据进行预处理；将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。根据路网信息对道路和卡口进行编码，并根据道路上下游关系建立路网图结构，统计卡口不同时间维度下的过车数据，汇总形成路网车流量数据表；构建有多层注意力模块堆叠组成的图神经网络，使用时序注意力机制和图注意力网络对整个路网中车流量进行建模，预测指定卡口未来的车流量情况。

技术领域

本公开涉及智能交通技术领域，特别是涉及基于注意力机制的图神经网络交通流量预测方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

随着网络信息技术等快速发展，人、车、路以及环境等各类与交通系统有关的动静态数据被大量的收集，这些海量的异构数据为交通领域的研究提供了新的手段和数据支撑。交通领域，尤其是智能交通领域已成为当前人工智能技术应用最具典型、最活跃的领域之一，结合人工智能技术和大数据，新一代智能交通系统将以更加高效的方式实现人和物的快速流动，结合物联网和互联网技术的普及，不久的将来，信息实体与客观世界实体都可以全球快速分发，智慧交通将搭建起人类命运共同体的高速交汇通道。

在智能交通领域，交通流量预测始终是一个研究热点，根据交通流量的变化趋势判断未来，始终是学术界和工业界研究的热点。目前相关的研究工作可以大致分为两大类，一类是以统计学为根基，通过交通流量自身历史相关和统计特性进行分析研究，主要的代表性模型是ARIMA自回归移动平均模型；另一类是以时序数据递归计算为核心，以神经网络如RNN，LSTM为基础的模型。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

1.基于统计学原理的模型无法捕捉交通流量变化中地理位置信息之间的空间关联性和位置局部特征；

2.基于递归计算的循环神经网络RNN或者LSTM计算效率较低，其模型的结构特征必须要求当前模型的输入是前一个时间点的输出，在大规模区域的流量预测任务上无法并行训练；

3.统计学模型和传统神经网络模型都没有关注到路网图结构对交通流量的影响。

发明内容

为了解决现有技术的不足，本公开提供了基于注意力机制的图神经网络交通流量预测方法及系统；

第一方面，本公开提供了基于注意力机制的图神经网络交通流量预测方法；

基于注意力机制的图神经网络交通流量预测方法，包括：

获取待预测的城市交通流量数据；根据道路连接关系构建路网图；

对待预测的城市交通流量数据进行预处理；

将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。

第二方面，本公开还提供了基于注意力机制的图神经网络交通流量预测系统；

基于注意力机制的图神经网络交通流量预测系统，包括：

获取模块，其被配置为：获取待预测的城市交通流量数据；根据道路连接关系构建路网图；

预处理模块，其被配置为：对待预测的城市交通流量数据进行预处理；

预测模块，其被配置为：将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。

第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。