[发明专利]一种基于交叉路口转移计算的交通预测方法

权利要求书

1.一种基于交叉路口转移计算的交通预测方法，其特征在于，包括以下步骤：

步骤1：将多个时空特征挖掘模块堆叠；所述时空特征挖掘模块的直接输出连接到后一个所述时空特征挖掘模块；所述时空特征挖掘模块还包括跳跃连接；全部所述时空特征挖掘模块的所述跳跃连接收集到一个全连接网络；

步骤2：将路网属性图，以及过去N_in个时间片的交通历史数据输入到第一个所述时空特征挖掘模块；所述路网属性图为其中，边集合代表路网中所有路段，点集合代表路网中所有的交叉路口；所述交通历史数据为一个张量其中N_t是交通数据的时间片总数，N_r是路网中路段的总数，D是数据的维度；

步骤3：所述全连接网络输出未来N_out个时间片的交通预测结果

其中，所述时空特征挖掘模块包括级联的门控时序卷积网络和交叉路口转移图卷积网络，所述门控时序卷积网络对输入数据的时间相关性建模；所述交叉路口转移图卷积网络包含一个图卷积神经网络，所述图卷积网络使用转移矩阵学习器学习到的转移矩阵进行运算，对输入数据中的空间相关性建模，所述门控时序卷积网络和所述交叉路口转移图卷积网络共同完成对城市交通数据中时空相关性的挖掘。

2.如权利要求1所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述时空特征挖掘模块的输入连接至所述门控时序卷积网络，所述门控时序卷积网络的输出连接至所述交叉路口转移图卷积网络和所述跳跃连接，所述交叉路口转移图卷积网络的输出连接至所述时空特征挖掘模块的输出。

3.如权利要求2所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述交通历史数据先经过线性层的编码，然后输出至所述时空特征挖掘模块，所述线性层的计算公式为：

其中是编码后的隐状态张量，W_l和b_l是线性层的参数。

4.如权利要求3所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述门控时序卷积网络包括两个时序卷积网络，所述门控时序卷积网络的计算公式为：

其中，Θ₁，b_t1和Θ₂，b_t2分别是所述两个时序卷积网络的可训练参数，⊙是元素间乘法，σ函数将卷积神经网络输出张量中的元素映射到(0,1)之间，tanh函数将卷积神经网络输出张量中的元素映射到(-1,1)之间。

5.如权利要求4所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述交叉路口转移图卷积网络采用幂级数形式的转移矩阵。

6.如权利要求5所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述交叉路口转移图卷积网络在计算之前，所述转移矩阵学习器生成D_A个转移矩阵传递到所述交叉路口转移图卷积网络中，其中，代表其中第i个转移矩阵，D_A代表转移矩阵的个数。

7.如权利要求6所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述交叉路口转移图卷积网络的计算公式为：

其中，K0是扩散步数，W_nk是可学习参数，隐状态张量为所述门控时序卷积网络的输出。

8.如权利要求7所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述转移矩阵学习器的学习流程包括生成边嵌入、生成节点嵌入、更新边嵌入、计算转移矩阵。

9.如权利要求8所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述全连接网络的计算公式为：

其中，W_FC1、b_FC1、W_FC2、b_FC2是最终的全连接网络的参数。

10.如权利要求9所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述多个时空特征挖掘模块堆叠的个数为9。