[发明专利]基于时空注意力机制的高速路网站点流量预测方法及系统

说明书

本发明公开了基于时空注意力机制的高速路网站点流量预测方法及系统，通过构建目标站点的训练样本集，构建基于时空注意力机制的站点流量预测模型，并使用训练样本集中的训练数据训练站点流量预测模型，使其学习目标站点预测时刻的流量数据与其过去一段时间内的历史流量数据之间的时间依赖关系以及目标站点预测时刻的流量数据及其关键来源站点关联时刻的流量数据之间的动态空间相关性；并基于训练所得的时间依赖关系和动态空间相关性对目标站点的流量数据进行预测。本发明能捕捉目标站点的流量数据及其关键来源站点的流量数据之间的精确的动态空间相关性，并结合站点流量的时间依赖关系进行流量预测，从而提高复杂高速路网中站点流量的预测精度。

技术领域

本发明涉及智能交通系统流量预测领域，尤其涉及基于时空注意力机制的高速路网站点流量预测方法及系统。

背景技术

交通流量预测是智能交通系统的重要研究领域。现有的研究方法主要包括基于统计学的方法、传统的机器学习方法和基于深度学习模型的方法。基于统计学的方法主要针对小数据集设计，不适合处理复杂动态的时间序列数据，且忽略了交通数据的空间依赖性；传统的机器学习方法能够处理高维数据并捕捉复杂的非线性关系，但其在挖掘复杂时空模式方面的能力仍然有限，且需要相应领域专家进行手工特征提取。随着深度学习方法的发展，得益于自动特征提取以及良好的性能表现，以循环神经网络（RNN）、卷积神经网络（CNN）和图卷积网络（GCN）等为代表的深度学习模型在交通领域广泛应用，并表现出较好的性能。

近年来国内外对高速公路交通流量预测的工作主要集中在高速公路断面流量（依靠车辆检测器、卡口、摄像头等设备获取），而对于高速公路收费站流量的研究相对较少。同时收费站流量除了具有时间上的依赖性，收费站之间还具有复杂的空间相关性。而以往的收费站流量预测方法容易忽视这种复杂的时空不确定性，特别是对于收费站点之间的动态空间关联性，CNN和GCN等方法也难以捕捉，缺乏有效的时空流量预测方法。

发明内容

本发明提供了基于时空注意力机制的高速路网站点流量预测方法及系统，用于解决现有的流量预测方法无法捕捉收费站点的动态空间关联性导致的预测不准的技术问题。

为解决上述技术问题，本发明提出的技术方案为：

一种基于时空注意力机制的高速路网站点流量预测方法，包括以下步骤：

构建目标站点的训练样本集，训练样本集中包括目标站点预测时刻对应的历史出站流量序列，历史出站流量序列对应的历史时间特征向量，目标站点预测时刻的时间特征向量及对应的关键来源站点关联时刻的入站流量特征向量；

构建基于时空注意力机制的站点流量预测模型，并使用训练样本集中的训练数据训练站点流量预测模型，使其学习目标站点预测时刻的流量数据与其过去一段时间内的历史流量数据之间的时间依赖关系以及目标站点预测时刻的流量数据及其关键来源站点关联时刻的流量数据之间的动态空间相关性；并基于训练所得的时间依赖关系和动态空间相关性对目标站点的流量数据进行预测。

优选的，时空注意力机制的站点流量预测模型包括：出站时间嵌入层、进站时间嵌入层、时间注意力块、空间注意力块以及第一全连接层；

出站时间嵌入层用于将历史时间特征向量转换为历史出站时间嵌入特征并进行历史时间特征提取；入站时间嵌入层用于将目标站点预测时刻的时间特征向量转换为入站时间嵌入特征并进行预测时刻时间特征提取；

时间注意力块用于根据历史出站流量序列及提取到的历史时间特征学习目标站点预测时刻的流量数据与其过去一段时间内的历史流量数据之间的时间依赖关系，并根据时间依赖关系提取目标站点流量在预测时刻的时间特征量；

空间注意力块用于根据关键来源站点关联时刻的入站流量特征向量及对应的预测时刻流量的时间特征学习目标站点预测时刻的流量数据与其关键来源站点关联时刻的流量数据之间的动态空间相关性，并根据学习得到动态空间相关性提取目标站点流量在预测时刻的空间特征量；