[发明专利]包含时空特性的车辆运行参数预测方法，系统，电子设备及可读存储介质

权利要求书

1.一种包含时空特性的车辆运行参数预测方法，其特征在于：包括如下步骤：

S1:构建研究区域的多视角时空图，其中，以研究区域内的AOI区域为顶点，边为两个AOI区域的区域特征量；

S2:将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征；

其中，历史数据为研究时段内各个AOI区域的历史车辆运行参数；

S3:利用时空特征转换得到研究时段内各个AOI区域的车辆运行参数预测结果。

2.根据权利要求1所述的方法，其特征在于：所述MGC-AN网络包含了多图卷积网络以及多图卷积门循环网络，其中，步骤S2的执行过程如下：

将所述多视角时空图的信息以及研究时段的历史数据输入多图卷积网络提取全局空间特征，所述多图卷积网络的公式如下：

将上述公式以如下形式表示：

A_m＝f_a(A；θ_i)

X^l+1＝σ(∪f_g(A_m,X^l))

式中，X^l+1，X^l为第l+1层，第l层的输入特征矩阵，第一层的输入特征矩阵由研究时段内各个AOI区域的历史车辆运行参数直接构成，W^l为第l层网络的权重矩阵，σ为多图卷积网络的激活函数，D为度矩阵，A为所述多视角时空图的邻接矩阵，所述邻接矩阵表示多视角时空图中每两个AOI区域之间的区域特征量，A_m为所述多视角时空图中所有邻接矩阵的结合结果，θ_i为每个顶点i学习到的权重，∪为聚合函数，f_g、f_a均为公式转换过程得到的函数；

将最后一层网络得到的输入特征矩阵作为全局空间特征，再将所述全局空间特征输入所述多图卷积门循环网络提取时间特征，所述多图卷积门循环网络的公式如下：

其中，b_u、b_r、b_c均为多图卷积门循环网络偏置项，σ_u和σ_r分别为激活函数，u_t、r_t、c_t、W_u、U_u、W_r、U_r、W_c、U_c均为多图卷积门循环网络学习到的参数，表示研究时段t各个AOI区域对应的多图卷积结果，H_t[i,:]分别表示t-1、t内研究时段各个AOI区域对应的隐藏神经元、多图卷积门循环网络输出，且满足如下：

式中，X_t[i,:]为所述全局空间特征中研究时段t内各个AOI区域对应的空间特征，t＝1时，H_t-1[i,:]表示初始值，其为预设参数值；

其中，各个研究时段对应的多图卷积门循环网络输出构成所述时空特征。

3.根据权利要求1所述的方法，其特征在于：所述车辆运行参数与车辆在区域内的停留时间相关时，步骤S3的过程为：利用停留时间对时空特征进行加权处理，再利用加权处理后的时空特征转换出研究时段内各个AOI区域的车辆运行参数，加权处理过程如下：

e_i＝(W_i,stH_t[i])^Tu

其中，W_i,st表示前τ个研究时段内第i个AOI区域内车辆的平均停留时长，τ为当前研究时段t之前的研究时段个数，H_t[i]为研究时段t内各个AOI区域对应多图卷积门循环网络输出结果H_t[i,:]中第i个AOI区域对应的数据，u为权重向量、e_i为顶点i的注意力向量、a_i为顶点i对应的注意力网络的权重向量，k为AOI区域总数，为加权后的研究时段t内各个AOI区域对应的时空特征，T为转置矩阵符号。