[发明专利]基于时空注意力机制的地面道路车道级交通流预测方法

权利要求书

1.基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于包括如下步骤：

S1：原始交通流数据预处理；

S2：根据S1所得数据制定车道选取策略；

S3：对S1所得数据进行速度处理神经网络自学习；

S4：对S1所得数据进行空间编码器网络自学习；

S5：将S3与S4所得张量融合并进行时间解码器网络自学习获取最终预测结果。

2.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S1具体包括步骤如下：

S1.1：车道级交通流参数的清洗，如清除缺失值、离群数据等，以及基础数据的规范化处理；

S1.2：根据清洗后的特征参数绘制曲线，使用既定长度滑动窗格法修复明显的毛刺噪声点，使其光滑。

3.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S2具体包括步骤如下：

S2.1：本方法中以各连接紧密的城区地面道路路口作为车道划分、选取依据，并使用关联度分析方法验证，相应的灰色关联度计算公式如下所示：

其中：为t-k时刻目标车道的特征参数，为t-k时刻参与车道的特征参数，u为序列中各项的值，Δmax为全局交通特征参数最大值，Δmin为全局交通特征参数最小值，ρ为经验系数，随后将得到的关联度值归一化处理，得到最终结果pt-k,u。

4.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S3具体包括步骤如下：

S3.1：将车道速度数据整理为速度处理神经网络所需的矩阵格式：

其中：为i号车道在j时段内的平均速度，n为车道总数，m为时段总数

S3.2：速度处理神经网络子单元为Bi-LSTM，本方案中为更好地捕捉车辆速度序列的深层次特征，以头尾相串联的方式构建深层Bi-LSTM网络：

其中：为l号单元内车道的平均速度值，与为l单元正向传播后的隐藏层与细胞状态层，e参数表示编码器，用于与解码器进行区分；同理与为反向传播后的隐藏层与细胞状态层，它们均使用上一单元即l-1单元的正反结果经传播后得到，为l单元融合后得到的隐藏层。

5.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S4具体包括步骤如下：

S4.1：内嵌空间注意力机制的编码神经网络由另一Bi-LSTM单元构成；编码神经网络中第i单元中的空间注意力可被概括为：首先将第i单元中初始的Query值初始Key值以及Value值经过线性变换后，分别得到之后将与做点积，计算出各项权重，最后将与各项权重相乘：

其中：解码器神经网络中第i-1子单元的隐藏层为细胞状态层为为此单元的车道流量数据，为此单元的权重项，为偏移项，q为流量处理参数的标识，a为注意力机制参数标识；经过激活函数tanh作用后可得到权重中间项将m时段内中间项目加权取均值可得到权重结果

6.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S5具体包括步骤如下：

S5.1：根据S3.2与S4.1中计算得到的张量，将其融合得到时间解码器网络中的输入数据θ；

S5.2：根据S5.1中融合得到后的深层时空特征张量作为时间解码器网络中的输入值，并通过最后的全连接层得到预测结果：

其中：为解码器i′单元内的权重项，为单元内的偏移项，与分别为上一单元的隐藏层与细胞状态层，参数d表示编码器，用于与编码器进行区分；为编码器网络与速度处理神经网络融合后的张量，为各项时序权重，将其分配到中可得到分配后的结果为t时刻的历史真实值，将其与进行拼接与线性变换得到经过全连接层的处理后得到最终的预测结果τ为预测时长，短时预测中一般设置为一小时内；与为两次变换中的权重项，与为变换中的偏移项，f用于标识此全连接层中的各类参数。