[发明专利]交通数据预测方法、装置、设备及存储介质

权利要求书

1.一种交通数据预测方法，其特征在于，所述方法包括：

获取预设时间段内的历史交通数据，并将所述历史交通数据转换为时间序列数据；

将所述时间序列数据输入至预先训练好的交通数据预测模型，所述交通数据预测模型包括编码器、解码器和矫正器，所述交通数据预测模型利用具有图结构的时间序列数据样本训练得到，所述图结构中的数据包括规则时间戳或非规则时间戳；

利用所述编码器对所述时间序列数据进行编码，得到编码向量，所述编码器基于受自然插值方程或图注意力机制方程控制的神经微分方程构建；

利用所述解码器对所述编码向量进行解码，得到待预测时间段的初始交通数据预测结果，所述解码器基于循环神经网络构建；

利用所述矫正器对所述初始交通数据预测结果进行矫正，得到最终交通数据预测结果，所述矫正器基于图神经随机微分方程构建。

2.根据权利要求1所述的交通数据预测方法，其特征在于，所述受自然插值方程控制的图神经微分方程构建的编码器表示为：

h_n(t+1)＝h_n(t)+r(t+1)；

其中，h_n(t)表示第n个节点在时刻t的隐状态，ζ表示需要训练的多层感知机，表示预先构建的控制方程，t表示时间戳，t∈[0，T]，σ表示非线性函数tanh，i、j分别表示不同的节点，N_i表示节点i的邻域，softmax和LeakyReLU表示激活函数，a^·、W、W_h表示交通数据预测得到的参数，h_i、h_j表示时间序列数据转换为向量并进行分解后第i、j个节点对应的值，□表示矩阵的拼接。

3.根据权利要求1所述的交通数据预测方法，其特征在于，所述受图注意力机制方程控制的神经微分方程构建的编码器表示为：

h_n(t+1)＝h_n(t)+r(t+1)；

其中，h_n(t)表示第n个节点在时刻t的隐状态，ζ和表示需要训练的多层感知机，t表示时间戳，t∈[0，T]，σ表示非线性函数tanh，i、j分别表示不同的节点，N_i表示节点i的邻域，softmax和LeakyReLU表示激活函数，a^·、W、W_h表示交通数据预测得到的参数，h_i、h_j表示时间序列数据转换为向量并进行分解后第i、j个节点对应的值，□表示矩阵的拼接。

4.根据权利要求1所述的交通数据预测方法，其特征在于，所述基于循环神经网络构建的解码器表示为：

r_d＝σ(υ_r·[P_d-1，W_d])；

z_d＝σ(υ_z·[P_d-1，W_d])；

Q＝σ(W_o·P_d)；

其中，r_d、z_d、P_d均为中间变量，σ表示非线性函数tanh，υ_r、υ_z、W_o表示交通数据预测得到的参数，W_d表示所述编码器在d时刻输出的隐状态，Q表示所述解码器的输出，即初始交通数据预测结果，h_d-1表示在循环过程中d-1时刻的状态。

5.根据权利要求1所述的交通数据预测方法，其特征在于，所述基于图神经随机微分方程构建的矫正器表示为：

D＝∫μ(Q，D(Q))dQ+ρ(Q，D(Q))·dw(Q)；

其中，表示最终交通数据预测结果，Q表示初始交通数据预测结果，D表示图神经随机微分方程，μ表示基于图的模型，ρ表示多层感知机，w表示服从正态分布的随机过程。