[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

说明书

本发明公开了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，方法为：获取训练样本；构建由若干交通流预测子模型构成的交通流预测生成组合模型GC‑GE和由编码器、注意力机制及全连接层构成的交通流预测优化模型GA‑OP；GC‑GE使用每个预测子模型进行初始预测；GA‑OP通过对历史交通流、初始预测交通流、交通流外部因素进行编码，利用注意力机制获取三者间的两两交互关系，并将这些张量拼接到全连接层上进行评分以对整个模型进行训练；最后根据评分确定GC‑GE中各子模型的权重，以此获得最终的预测交通流。本发明不仅考虑了交通流的时空相关性，还考虑交通流外部因素的影响，保证了预测结果的有效性。

技术领域

本发明属于智能交通技术领域，尤其涉及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。

背景技术

随着经济的发展，我国城市规模不断扩大，城市人口也急剧上涨，人们对便捷交通出行需求的不断增加，汽车保有量持续快速的增长，这给有限的道路资源带来了巨大的压力。

国内外的实践经验已表明，仅依靠增加道路建设来缓解城市交通拥堵是很难实现的，城市交通系统的管控方式应该从被动式管控转变为主动式管控。近年来，智能交通系统(ITS)的概念被提出，期望在不用大量兴建新的城市道路和其他交通设施的前提下，通过大数据和各种智能算法技术把人、车、道路等信息综合起来考虑，规划出合理的交通路径提高车辆运行效率，从而减小道路通行压力。智能的交通系统成为一种缓解交通矛盾行之有效的策略。在智能交通系统的众多分支中，交通流预测是其中的一项基础性工作，也是一项具有挑战性的研究课题。准确的交通流量预测可以预估未来时间的交通状况，提前做好规划措施，引导驾驶员选择到达目的地的最佳路径，为城市规划道路建设提供参考意见等。因此，近几十年来的交通流量预测受到了许多研究者的关注。

国内外提出了很多用于交通流预测的方法，早期的一些方法是基于统计学的预测模型，如历史平均、时间序列、卡尔曼滤波、支持向量机、非参数回归、小波理论等，对于具有很强的随机性和不确定性的非线性交通数据而言，这类模型受时序波动影响较大，预测精准度较低。随着深度学习的发展，越来越多的深度学习方法被用来对交通流预测，不仅可以对更复杂的数据进行建模，而且取得了更高的精准度，如支持向量机和神经网络等。近几年，基于图卷积网络方法开始被研究者们广泛运用于交通流预测，充分考虑了交通流的时空相关性，预测精准度得到进一步提高，如时空图卷积神经网络(ST-GCN)，扩散卷积循环神经网络(DCRNN)等。

由于交通流的不确定性和非线性，传统的单一模型并不能对所有道路都具有很好的适用性，难以满足主动式管理的精度要求，同时，现有的研究主要利用的是直接数据融合的优点，在复杂路段上表现并不好，再者，大部分模型没有考虑交通流外部因素的影响，如天气、节假日、事件、事故等，其预测结果有效性不能得到保证。

发明内容

本发明提供一种基于多重图注意力机制的交通流预测方法，考虑交通流外部因素的影响，提高交通流预测的精准度。

为实现上述技术目的，本发明采用如下技术方案：

一种基于多重图注意力机制的交通流预测方法，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；