[发明专利]一种基于图卷积-Informer模型的长时序交通流量预测方法

权利要求书

1.一种基于图卷积-Informer模型的长时序交通流量预测方法，其特征在于：包括如下步骤：

步骤一：构建数据集：采集单位时间内高速公路站点和省干线公路交调站点的所有通过车辆的速度信息，并在数据预处理后建立交通流量时序信息数据集X；

步骤二：建立站点网络结构拓扑图：根据高速公路站点和省干线公路交调站点的相对地理位置信息建立站点网络结构拓扑图，具体为建立所有站点的邻接矩阵A，并计算站点空间信息的对称归一化拉普拉斯矩阵

步骤三：构建图卷积神经网络模型：构建两层图卷积神经网络模型结构，对路网拓扑结构与交通流量时序信息进行编码并学习数据的空间依赖特征信息；

步骤四：在图神经网络结构后构建Informer层：将步骤三得到的编码信息输入Informer层进行训练并学习数据长时序依赖特征信息，实现对未来交通流量的预测。

2.根据权利要求1所述的一种基于图卷积-Informer模型的长时序交通流量预测方法，其特征在于：所述步骤一具体为：

步骤1.1：在高速公路站点和省干线公路交调站点上架设微波测速雷达与激光传感器，通过站点设置的微波测速雷达与激光传感器采集所有通过车辆的速度信息；

步骤1.2：对采集到的完整通过车辆的速度信息数据进行数据预处理，数据预处理采用数据清洗方法对单位时间间隔内的所有数据进行一致性检查删除数据集中的离群值，并选取排序后的数据序列中位数作为当前时间间隔所代表的时间序列节点交通流量指标，对总体目标时间长度分段标注；

步骤1.3：建立交通流量时序信息数据集X∈R^N*P，其中N为交调站点编号维度，P为时间序列节点编号维度。

3.根据权利要求1所述的一种基于图卷积-Informer模型的长时序交通流量预测方法，其特征在于：所述步骤二具体为：

步骤2.1：建立所有站点的邻接矩阵A∈R^N*N，其中N为交调站点编号维度，邻接矩阵A的计算公式为：

步骤2.2：根据站点邻接矩阵A，计算站点空间信息的对称归一化拉普拉斯矩阵，具体为：计算拉普拉斯矩阵：其中为I_N单位矩阵；

计算度矩阵：

得到对称归一化拉普拉斯矩阵：

4.根据权利要求1所述的一种基于图卷积-Informer模型的长时序交通流量预测方法，其特征在于：所述步骤三中构建的两层图卷积神经网络模型为：

上式中：W₀、W₁分别为第一层与第二层图卷积神经网络的权重参数集合，σ为每一层图卷积神经网络的激活函数。

5.根据权利要求1所述的一种基于图卷积-Informer模型的长时序交通流量预测方法，其特征在于：所述步骤四具体为：

步骤4.1：采用概率稀疏自注意力机制，使时间复杂度与内存使用量降至O(LlogL)，L为输入序列向量维度，概率稀疏自注意力的计算公式如下：

上式中：Q、K、V分别为三种输入：query，key，value；为稀疏矩阵；d为比例因子，具体取值为Q的维度；

步骤4.2：采用自注意力蒸馏操作来提炼具有主导性特征的特征图谱，计算公式如下：

上式中：为本层的多头概率稀疏自注意力层输出；为上一层多头概率稀疏自注意力层的计算结果；Conv1d为在时间维度上的一维卷积，ELU为在时间维度上的一维卷积的激活函数；

步骤4.3：采用最大值池化下采样使输入长度减半；

步骤4.4：利用生成型解码器使用生成式推理过程实现一次前向过程即可解码得到整个输出序列的功能，其解码器输入为：

上式中：为起始符号，为预测序列的占位符；L_token为起始符序列长度；L_y为预测序列长度；d_model为模型维度；

所述起始符号为一个编码器输入中截取序列，将该起始符号与占位符输入生成式解码器。

6.根据权利要求1-5任一项所述的一种基于图卷积-Informer模型的长时序交通流量预测方法，其特征在于：还包括步骤五：采用三种评价方法对模型误差测试，分别为均方根误差、平均绝对误差与准确率；

均方根误差计算公式为：

平均绝对误差计算公式为：

准确率计算公式为：

上式中：Y_t为真实值，为预测值。