[发明专利]基于3D动态时空残差卷积关联网络的交通流预测方法

权利要求书

1.一种基于3D动态时空残差卷积关联网络的交通流预测方法，其特征在于：包括如下步骤：

步骤1)采集城市道路的交通流数据，并将交通流数据实时传输至智慧城市交通大数据存储中心，对原始的交通流数据进行预处理来降低数据冗余度；

步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据，对欧几里得结构交通栅格数据进行标准化处理，并将其划分成训练集和测试集；

步骤3)构建基于3D动态时空残差卷积关联网络，该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成；

步骤4)用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络，用训练好的模型预测城市道路下一时刻的交通流；

所述步骤3)中，构建基于3D动态时空残差卷积关联网络，该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成，具体步骤如下：

步骤3-1：构造时空特征关联提取组件，具体步骤如下：

步骤3-1-1：确定时空特征关联提取组件的基本架构，确定以皮尔逊相关系数方法作为相关联度量的评价指标，将皮尔逊相关系数方法公式定义为：其中，x_i目标交通栅格数据；y_i为待比较的交通栅格数据；σ_x为目标交通栅格数据的样本总体标准差；σ_y为待比较交通栅格数据的样本总体标准差；根据皮尔逊相关系数可以将原始交通栅格数据序列划分成空间序列输入X_inS和时间序列输入X_inT；

步骤3-2：构造动态空间特征提取组件，具体步骤如下：

步骤3-2-1：确定动态空间特征提取组件总体网络架构，利用3D卷积操作对交通栅格数据的动态空间特征进行提取，时空栅格数据尺寸为I*I；选取步骤3-1-1空间序列中M个交通栅格数据构造成3D交通栅格数据，维度为M*I*I，对其进行3D卷积操作提取动态控件特征，选取卷积核维度为w*h*g，w、h、g分别为卷积核的宽、高和长；卷积核移动步长设置为s，补零圈数设置为z；将动态空间特征提取组件3D卷积操作定义为：其中，X_s^l-1是第l层卷积层的待提取动态空间特征的交通栅格数据，W_s1^l是第l层动态空间提取卷积层的卷积核参数，该参数的维度与X_s^l-1的维度相等，X_s1^l是第l层动态空间特征提取卷积层输出的空间特征，b_s1^l是第l层动态空间提取卷积层的偏置项，L_s1是动态空间特征提取卷积层需要卷积的层数；

步骤3-2-2：卷积操作完成后，将步骤3-2-1的卷积特征输出作为残差单元的输入，用来捕获空间特征微小变化，残差操作定义为：其中，X_s1^l-1是第l层残差单元的动态空间特征输入，X_s2^l是第l层残差单元的动态空间特征输出，θ_s2^l是动态空间特征提取组件第l层残差单元中所有可学习的参数集合，F为动态空间特征提取组件的残差映射，L_s2是动态空间特征提取组件需要进行残差的层数；

步骤3-2-3：设置动态空间特征提取组件中卷积层的激活函数为ReLu函数，神经元的输入和输出维度与交通栅格数据尺寸相同；

步骤3-3：构造动态时间特征提取组件，具体步骤如下：

步骤3-3-1：确定动态时间特征提取组件总体网络架构，将步骤3-1-1输入的时间序列中M个交通栅格数据的维度由(M,I,I)转化为(I*I,M)，设计维度为(1,M)的卷积核对转其进行动态时间特性提取，生成维度为(1,I*I)的交通栅格数据X_t2，将动态时间特征卷积公式定义为：其中，X_t^l-1是第l层卷积层的待提取动态时间特征的交通栅格数据，W_t1^l是第l层动态时间提取卷积层的卷积核参数，该参数维度与X_t^l-1维度相等，X_t1^l是第l层动态时间征提取卷积层输出的时间特征，b_t1^l是第l层动态时间提取卷积层的偏置项，L_s1是动态时间特征提取卷积层需要卷积的层数；

将提取动态时间后的交通栅格数据输入到LSTM网络中保持长期时间特征，将公式定义为：其中，f_LSTM代表LSTM前向操作，X_t1^(1,I*J)为步骤3-3-1输出的交通栅格数据，上标代表维度，Re是将矩阵维度由(1,I*I)变为(I,I)的维度变化操作，X_t2^(I,J)为动态时间特征提取组件的最终输出；

步骤3-3-2：设置动态时间特征提取组件中卷积层的激活函数为ReLu函数，LSTM网络的激活函数由Sigmoid函数和Tanh函数组成；

步骤3-4：构造3D动态时空残差卷积关联网络，具体步骤如下：

步骤3-4-1：确定3D动态时空残差卷积关联网络总体架构；

步骤3-4-2：将动态空间特征提取组件的输出定义为X_s3，将动态时间特征提取组件的输出定义为X_t3，采用加权融合方法混合动态空间和时间特征提取组件的输出，公式为：X_Fusion＝f(W_s*X_s1+W_t*X_t1)，W_s和W_t分别代表动态空间特征、动态时间特征所占比重。