[发明专利]一种基于多注意力因果关系的交通预测方法及系统

说明书

本发明提供一种基于多注意力因果关系的交通预测方法及系统，属于智能交通和机器学习领域，所述基于多注意力因果关系的交通预测方法包括：获取历史交通数据；所述历史交通数据包括多组在相邻两时段内的第一历史观测数据和第二历史观测数据；基于多注意力因果网络模型，根据各所述第一历史观测数据和第二历史观测数据，得到交通预测模型，再基于所述交通预测模型，根据当前时段内的观测数据，预测在下一时段内的交通预测值，通过多注意力因果网络模型预测下一时段内的交通预测值，提高了交通预测的精准度。

技术领域

本发明涉及智能交通、机器学习领域，特别是涉及一种基于多注意力因果关系的交通预测方法及系统。

背景技术

交通预测旨在根据历史观测值来预测道路网络中的未来交通状况，交通系统组成元素之间以及系统和环境之间存在依赖、竞争、关联等复杂的相互作用。系统之所以“复杂”，是因为在这些相互作用中会产生如非线性、涌现、自发秩序、适应性以及反馈回路等特殊性质。随着物联网技术的发展，可以获得大量的关于交通系统各要素的观测值，利用获取的历史观测数据，可以对交通系统元素在未来不同空间和时间的行为进行预测，进而根据预测值，对交通系统进行更有效的人工干预。

通常，观测交通系统各要素的传感器分布于不同的空间，因此交通系统各要素的观测值是具有时间和空间两个维度的。因此，观测值往往内嵌于连续空间，并随着时间的动态变化，具有很大程度的特殊性和复杂性。

目前面向时空预测的方法主要有时间序列方法和图像化方法，时间序列方法单纯使用时间序列模型进行预测，不考虑外界因素对预测对象的影响，使得其预测结果与实际状况严重不符；图像化方法首先对空间进行网格划分，将传感器数据栅格化成图像，利用卷积神经网络进行建模，在建模时容易因丢失部分细节信息，从而造成预测误差。

基于上述问题，亟需一种新的交通预测方法以提高交通预测的精确度。

发明内容

本发明的目的是提供一种基于多注意力因果关系的交通预测方法及系统，可提高交通预测的精准度。

为实现上述目的，本发明提供了如下方案：

一种基于多注意力因果关系的交通预测方法，所述基于多注意力因果关系的交通预测方法包括：

获取历史交通数据；所述历史交通数据包括多组在相邻两时段内的第一历史观测数据和第二历史观测数据；

基于多注意力因果网络模型，根据各所述第一历史观测数据和第二历史观测数据，得到交通预测模型；

基于所述交通预测模型，根据当前时段内的观测数据，预测在下一时段内的交通预测值。

可选地，所述第一历史观测数据和第二历史观测数据均包括多个在不同历史观测点及历史时间步长下的历史观测值；其中，待测路段内布置有多个观测点，每一时段分为多个时间步长；

所述多注意力因果网络模型包括子图划分单元、时空嵌入单元、编码器、注意力转换层、解码器以及第一全连接层；所述子图划分单元与所述时空嵌入单元及所述编码器连接，所述时空嵌入单元与所述编码器、注意力转换层及解码器连接，所述编码器、注意力转换层及解码器依次连接，所述解码器与第一全连接层连接；

所述基于多注意力因果网络模型，根据各所述第一历史观测数据和第二历史观测数据，得到交通预测模型，具体包括：

采用收敛交叉映射算法，通过时空嵌入单元计算各组中的第一历史观测数据和第二历史观测数据的相关性值；

根据各相关性值，通过子图划分单元将各第一历史观测数据划分为多个子图；

针对任一子图，通过时空嵌入单元根据所述子图中各第一历史观测数据对应的相关性值，确定所述子图的相关性矩阵；

根据所述子图的相关性矩阵以及各历史时间步长，确定时空嵌入特征；