[发明专利]一种交通预测方法、智能终端及计算机可读存储介质

权利要求书

1.一种交通预测方法，其特征在于，所述交通预测方法包括：

获取路网数据，其中，所述路网数据包括路网节点，以及各个路网节点之间的物理距离；

根据预设的静态邻接矩阵规则，构建与所述路网数据对应的静态邻接矩阵；

所述静态邻接矩阵包括前向邻接矩阵和后向邻接矩阵；所述根据预设的静态邻接矩阵规则，构建与所述路网数据对应的静态邻接矩阵，具体包括：

根据预设的邻接矩阵构建公式，构建与所述路网数据对应的初始邻接矩阵；

基于扩散卷积，构建与所述初始邻接矩阵对应的前向邻接矩阵和后向邻接矩阵；

当获取历史交通数据时，根据所述历史交通数据与预设的动态邻接矩阵规则，构建与所述路网数据对应的动态邻接矩阵；

所述当获取历史交通数据时，根据所述历史交通数据与预设的动态邻接矩阵规则，构建与所述路网数据对应的动态邻接矩阵之前，还包括：

基于node2vec模型，对所述路网数据进行图嵌入，构建与所述路网节点对应的嵌入向量；

所述历史交通数据包括时间步的数量、以及各个所述时间步对应的交通特征；所述动态邻接矩阵由各个时间步对应的时间步邻接矩阵组成；根据所述历史交通数据与预设的动态邻接矩阵规则，构建与所述路网数据对应的动态邻接矩阵，具体包括：

将所述历史交通数据输入预设的时间线性层，并控制所述时间线性层对所述历史交通数据进行卷积，生成中间交通数据；

针对第m个时间步，将所述中间交通数据中与该时间步对应的交通数据作为待处理数据，并将所述待处理数据与所述嵌入向量进行拼接，得到与该时间步对应的初始时空特征，m为小于等于所述时间步的数量的正整数；

将所述初始时空特征分别输入预设的第一处理线性层和第二处理线性层，并控制所述第一处理线性层和所述第二处理线性层对所述初始时空特征进行运算，得到该时间步对应的第一目标时空特征和第二目标时空特征；

根据所述第一目标时空 特征、所述第二目标时空 特征和预设的时间步邻接矩阵公式，计算该时间步对应的时间步邻接矩阵；

所述时间步邻接矩阵公式为：其中，Q_m为第m个时间步对应的第一目标时空特征，K_m为第m个时间步对应的第二目标时空特征，C_qk为所述第一处理线性层和所述第二处理线性层的通道数量，表示的是矩阵乘法；

根据所述历史交通数据，对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理，生成与所述历史交通数据对应的预测结果。

2.根据权利要求1所述的交通预测方法，其特征在于，所述邻接矩阵构建公式为其中，A_i,j为所述初始邻接矩阵中路网节点i和路网节点j对应的边，σ为预设的标准差，∈为预设的稀疏度值，d_i,j为路网节点i和路网节点j之间的物理距离，D为预设的物理距离阈值。

3.根据权利要求1所述的交通预测方法，其特征在于，所述根据所述历史交通数据，对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理，生成与所述历史交通数据对应的预测结果，具体包括：

将H^l输入已训练的时间注意力网络，并控制所述时间注意力网络提取H^l的时域特征，得到第l+1时域特征，其中，l为小于L的自然数，L为预设的迭代次数，当l＝0时，H⁰为所述历史交通数据；

将所述第l+1时域特征、所述动态邻接矩阵和所述静态邻接矩阵输入已训练的图卷积模块中，并控制所述图卷积模块根据第l+1时域特征对所述动态邻接矩阵和所述静态邻接矩阵进行卷积处理，生成对应的图卷积值；

将所述图卷积值和H^l进行融合处理，生成H^l+1；

迭代执行上述时域特征提取、卷积处理和融合处理，直至l+1＝L，得到第一时域特征至第L时域特征；

将所述第一时域特征至所述第L时域特征进行特征融合，得到预测结果并输出。