[发明专利]一种基于多重图注意力机制的交通流预测方法、设备及介质

权利要求书

1.一种基于多重图注意力机制的交通流预测方法，其特征在于，包括：

获取若干训练样本：取T′+T个连续时刻的交通流数据作为一个训练样本，取前面的T′个连续时刻的交通流数据为历史交通流数据，记后面的T个连续时刻的交通流数据为真实交通流数据；

构建模型：将n个不同类型的交通流预测模型分别作为预测子模型，组合构建交通流预测生成组合模型；构建交通流预测优化模型，包括编码器、注意力机制模块、全连接层；

使用训练样本训练模型：使用每个预测子模型分别根据训练样本中的历史交通流数据进行交通流预测，得到对应的初始预测交通流数据；对历史交通流、初始预测交通流和交通流外部因素分别使用编码器进行编码，并利用注意力机制模块获取这三者的两两交互关系，再将得到的两两交互关系张量连接并由全连接层处理得到次级预测交通流；对全连接层输出的次级预测交通流进行第一次评分，以及根据训练样本中的真实交通流数据对初始预测交通流进行第二次评分，以通过两次评分的交叉熵对交通流预测生成组合模型和交通流预测优化模型进行整体训练；

交通流预测与优化：获取当前最近T′个连续时刻的交通流数据，输入至训练完毕的交通流预测生成组合模型中的每个预测子模型；训练完毕的交通流预测生成组合模型和交通流预测优化模型，分别输出当前之后T个连续时刻的初始预测交通流和次级预测交通流；对次级预测交通流进行第一次评分，并根据第一次评分结果计算每个预测子模型的预测概率，再利用预测概率对初始预测交通流进行加权计算，得到当前之后T个连续时刻的最终预测交通流。

2.根据权利要求1所述的方法，其特征在于，训练交通流预测生成组合模型和交通流预测优化模型的训练样本中，每个时刻t的交通流数据包括路网中所有路段的所有特征，均表示为路网在时刻t的拓扑图信号其中，N是路网包括的路段数量，P为每个路段的特征数量。

3.根据权利要求1所述的方法，其特征在于，所述交通流外部因素包括：天气、节假日、事件和事故，路段的特征包括：速度、时间占有率、空间占有率。

4.根据权利要求1所述的方法，其特征在于，n个不同类型的交通流预测模型，分别为：扩散卷积循环神经网络DCRNN、时空图卷积网络ST-GCN、图多注意网络GMAN和动态时空图卷积神经网络DGCNN。

5.根据权利要求1所述的方法，其特征在于，交通流预测优化模型包括3个编码器，其中：

用于对历史交通流编码的编码器，采用1个时间卷积层和1个单向的长短期记忆层构成，将最后一个隐藏状态作为历史交通流的运动编码；

用于对初始预测交通流编码的编码器，采用1个时间卷积层和1个单向的长短期记忆层构成，将最后一个隐藏状态作为历史交通流的运动编码；

用于对交通流外部因素编码的编码器，采用1个时间卷积层和1个双向的长短期记忆层构成，将隐藏状态序列作为交通流外部因素的编码。

6.根据权利要求1所述的方法，其特征在于，交通流预测优化模型包括3个注意力机制模块，每个注意力机制模块均利用缩放点积注意力，并采用的是键映射、查询映射和值映射的线性层；

第一个注意力机制模块，将每个编码后的交通流外部因素嵌入到编码后的历史交通流中，得到交通流外部因素与历史交通流之间的相互关系，记为历史交通流张量；

第二个注意力机制模块，将每个编码后的交通流外部因素嵌入到编码后的初始预测交通流中，得到交通流外部因素与初始预测交通流之间的相互关系，记为初始预测交通流张量；

第三个注意力机制模块，将所有编码后的初始预测交通流相互融合，得到不同初始预测交通流之间的相互关系，记为初始预测交通流相互张量。