[发明专利]基于多属性增强图卷积-Informer模型的长时序货运量预测方法

权利要求书

1.基于多属性增强图卷积-Informer模型的长时序货运量预测方法，其特征在于：包括如下步骤：

步骤一：在间隔时间内，根据车型分类采集高速公路各站点的所有通过货运车辆的流量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：根据各站点收集的货运车辆特征信息，结合交通流量时序信息数据集X，计算单位时间内平均空车载重与平均总载重，得到货运车辆载货重量时序信息数据集Y；

步骤三：建立客观动态、静态外部影响因素数据集，分别是客观动态天气数据集D与客观静态地理信息统计特征数据集S；

步骤四：对货运车辆载货重量时序信息数据集Y、客观动态天气数据集D中的时序特征按时序切分，并将非时序特征分段通过属性增强模块进行拼接整合，得到时序属性增强特征矩阵E；

步骤五：构建站点网络结构拓扑图，同时得出基于无向无权图的站点邻接矩阵A并进行预处理，计算该邻接矩阵的对称归一化拉普拉斯矩阵

步骤六：将站点邻接矩阵的对称归一化拉普拉斯矩阵与时序属性增强特征矩阵E同时作为图卷积神经网络模型的输入，对路网拓扑结构的空间结构信息与货运量相关时序属性增强特征矩阵时序信息进行编码并学习数据的空间依赖特征信息；

步骤七：将图卷积神经网络模型输出的已编码长时序属性增强特征作为Informer框架的输入，将已编码长时序属性增强特征信息输入Informer层进行训练并学习数据长时序依赖特征信息，最终实现对未来长时序货运量的预测；

所述步骤二具体为：

对单位时间内，在各站点分别对七类货车计算车流量X∈R^N*P*C，计算每类货车单位时间间隔内的总载重Z_full∈R^N*P*C，并根据实际载重信息标定每类货车空车平均载重Z_empty∈R^N*P*C，其中N为交调站点编号维度，P为时间序列节点编号维度，C为货车分类；

对上述信息进行数据预处理，主要采用数据清洗的方法，设定离群值，无效值的检查阈值进行检测筛选，并对包含缺失值数据利用同类数据平均值进行替代操作；

最终计算货运车辆载货重量时序信息数据集Y∈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，计算公式如下：

所述步骤三中的客观静态地理信息统计特征数据集S的构建具体为：

采集各个站点的客观静态地理信息，具体来说，对每个站点计算其联通道路的加权平均限速指标，其中不同限速路段长度占其总联通道路长度比例为权重，路段最高限速与最低限速取均值作为计算数值，即可计算站点联通道路的加权平均限速值并总结为加权平均限速指标S∈R^N，其中N为交调站点编号维度；

所述步骤四中的时序属性增强特征矩阵E的计算公式为：E^t＝[Y^t，D^t，S]；

上式中：t为当前时刻，为当前时刻的历史货运重量数据序列，l_seq为当前时间序列长度；为当前时刻的历史天气数据序列与预测天气数据序列，l_seq+l_pre为时间序列长度，其中l_pre为预测时间序列长度；S∈R^N*1为静态限速指标；所述步骤六中的图卷积神经网络模型采用两层结构设计，所述神经网络模型结构如下：

其中W₀、W₁分别为图卷积神经网络模型第一层与第二层的权重参数矩阵；σ为每一层的激活函数；

所述步骤七中的Informer框架具体包括：

首先采用概率稀疏自注意力机制，概率稀疏自注意力的计算公式如下：

上式中：Q，K，V分别为：query，key，value，注意力机制计算过程的三类输入；为Q的稀疏矩阵；d为比例因子；

其次采用自注意力蒸馏操作减少特征图谱中的沉余特征，自注意力蒸馏方法公式如下：

上式中：为上一层多头概率稀疏自注意力层计算结果；Conv1d为时间维度上的一维卷积，ELU为相对应激活函数，MaxPool为最大值池化操作；

最后采用生成型解码器实现一次前向过程即可对整个长时序输出序列进行解码预测，生成型解码器的计算公式为：

上式中：为t时刻解码器输入，为输入起始符号，L_token为输入时间序列长度，L_y为输出预测序列长度，d_model为模型维度，为输出预测序列占位符。