[发明专利]基于内嵌注意力机制的循环神经网络的交通流量预测方法

权利要求书

1.一种基于内嵌注意力机制的循环神经网络的交通流量预测方法，其特征在于，该方法包括：

步骤S10，获取待预测站点所处路段各检测点的历史交通流量数据；

步骤S20，将所述历史交通流量数据以设定时间间隔τ划分并进行数据累加，获得连续等时长的历史交通流量数据集合；

步骤S30，将所述历史数据集合按照路段各检测点的空间分布排列，获得历史交通流量数据矩阵；

步骤S40，将注意力机制嵌入RNN神经网络构建隐藏时空关系特征提取模型，并通过时间窗口将所述历史交通流量数据矩阵分割为长度为κ的n个样本数据，获得样本数据集；

步骤S50，基于所述样本数据集，通过所述隐藏时空关系特征提取模型提取数据集之间的隐藏时空关系特征；

步骤S60，基于所述数据集之间的隐藏时空关系特征，通过单层全连接网络预测获得所述待预测站点下一时刻的交通流量预测结果；

其中，所述隐藏时空关系特征提取模型，其内部转换函数的公式表示为：

α_i＝softmax(s_i)

其中，w_h、w_s为权重矩阵参数；b_h、b_s为对应的偏置参数；tanh为双曲正切激活函数；x_t代表t时刻的输入数据；代表基于t时刻输入数据所提取的t时刻临时隐藏状态；s_i代表注意力层的隐藏状态，其中i∈[1,2,3,…,m]，表示沿特征维度展开的m个向量；α_i代表注意力权重；h_t和h_t-1分别代表t时刻和t-1时刻隐藏层状态，包含对应输入数据之间的隐藏时空关系特征；μ代表可选择的激活函数；λ代表可训练的残差链接权重参数。

2.根据权利要求1所述的基于内嵌注意力机制的循环神经网络的交通流量预测方法，其特征在于，步骤S20包括：

步骤S21，将所述历史交通流量数据以设定时间间隔τ划分，获得划分后的数据段集合；

步骤S22，分别对所述数据段集合中的数据段进行数据累加，获得连续等时长的历史交通流量数据集合。

3.根据权利要求2所述的基于内嵌注意力机制的循环神经网络的交通流量预测方法，其特征在于，所述历史交通流量数据矩阵，其表示为：

其中，表示第i个检测站点的历史交通流量数据，表示第i个检测站点划分的第j个时间间隔τ内的历史交通流量数据的累加。

4.根据权利要求1所述的基于内嵌注意力机制的循环神经网络的交通流量预测方法，其特征在于，步骤S60中通过单层全连接网络预测获得所述待预测站点下一时刻的交通流量预测结果，其方法为：

其中，σ为sigmoid激活函数；w、b分别为全连接预测层的权重矩阵与偏置；为对应预测值；h_t为t时刻模型隐藏层状态，包含对应输入数据之间的隐藏时空关系特征。

5.根据权利要求1所述的基于内嵌注意力机制的循环神经网络的交通流量预测方法，其特征在于，所述时空关系特征提取模型，其训练集与测试集相较于样本数据集的比例关系为：

数据数量大于设定阈值时，训练集与测试集的比例关系为7:3；

数据数量小于设定阈值时，训练集与测试集的比例关系为9:1。

6.根据权利要求1所述的基于内嵌注意力机制的循环神经网络的交通流量预测方法，其特征在于，所述样本数据的长度κ为所述隐藏时空关系特征提取模型的输入数据序列长度。