[发明专利]一种基于混合卷积LSTM的城市短时交通流预测方法及系统

权利要求书

1.一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，构建基于混合卷积LSTM的短时交通流预测模型，该模型包括特征融合模块、混合卷积模块和空间感知多注意力模块，基于混合卷积LSTM的城市短时交通流预测方法包括以下步骤：

S1.根据经纬度将城市划分为多个(I×J)网格，每个网格表示城市的一个区域，获取多个(I×J)网格的原始轨迹数据；

S2.对获取的原始轨迹数据进行处理后分为N个时间步，每个时间步包含m个时刻的交通流图；

S3.将交通流图按时间信息划分为节假日交通流图和星期一到星期天的交通流图，将划分好的交通流图作为外部因素；

S4.将每个时间步的交通流图和该时间步对应时间的外部因素输入特征融合模块进行特征融合，每个时间步融合得到m帧特征融合图；

将一个时间步的交通流图与其对应的外部因素输入特征融合模块，得到特征融合图的过程为：

S11.采用3D跨步卷积对原交通流图进行降采样，得到新的交通流图，其长和宽的尺寸为原交通流图的一半；

S12.对外部因素进行卷积，并对卷积后的外部因素复制整形使其尺寸与新的交通流图一致；

S13.将新的交通流图和复制整形后的外部因素进行拼接，得到特征融合图；

S5.将每个时间步的特征融合图分别输入混合卷积模块获得对应的隐藏图，将得到的所有隐藏图进行拼接，得到一个完整隐藏图；

混合卷积模块包括混合卷积单元和LSTM网络，将一个时间步的特征融合图输入混合卷积模块得到隐藏图的过程包括：

S21.采用3D卷积对时间步内的m帧特征融合图进行卷积，得到3D特征图；

S22.采用2D卷积对时间步内的最后一帧特征融合图进行空间特征提取，得到2D特征图；

S23.对2D特征图进行UNsqueeze，并与3D特征图进行融合，得到特征结合图；

S24.将特征结合图输入LSTM网络获取隐藏图；

S6.对完整隐藏图进行上采样后送入空间感知多注意力模块，得到模块输出图；

S7.将模块输出图与最后一个时间步的最后一帧交通流图进行卷积，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。

2.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：

其中，表示3D卷积，表示为2D卷积操作，表示一个时间步内的m帧特征融合图，F_t表示一个时间步内的最后一帧特征融合图。

3.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：

其中，表示3D卷积，表示为2D卷积操作，Concat(·)表示沿轴拼接操作，表示一个时间步内的m帧特征融合图，F_t表示一个时间步内的最后一帧特征融合图。

4.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S6包括：

对完整隐藏图进行上采样得到新完整隐藏图，新完整隐藏图的长和宽尺寸变为完整隐藏图的2倍；

将新完整隐藏图输入通道注意力模块进行全局感知，获取最有意义的通道特征；

将最有意义的通道特征送入空间注意力模块进行局部感知，获取具体的空间位置；

将新完整隐藏图与具体的空间位置进行融合，得到模块输出图。