[发明专利]基于时空图自注意力模型的交通预测迁移学习方法

说明书

本发明公开了一种基于时空图自注意力模型的交通预测迁移学习方法，包括：通过数据嵌入层将历史交通数据和城市交通路网结构转化为高维时空表示向量；通过时空编码器将高维时空表示向量转换为时空自注意力块编码后的时空特征向量，并将第一层至第L层时空编码器的输出通过跳跃连接，得到最终的时空特征向量；将最终的时空特征向量输入至输出层，得到预测的交通数据。本发明能够同时捕获交通路网中的短距离和长距离的空间相关性，完成了对交通数据的空间相关性的动态建模，同时整合了时间和空间信息，实现了跨城市的深度时空预测任务。

技术领域

本发明涉及深度学习技术领域，更具体的说是涉及基于时空图自注意力模型的交通预测迁移学习方法。

背景技术

现代城市正在向智慧城市发展，各种交通工具不断增加，交通拥堵问题也越发明显，这给现代城市交通管理带来了巨大的压力。智能交通系统是现代智慧城市的重要组件，可以分析处理交通状况以避免交通拥堵。

而交通预测是智能交通系统的主要功能之一，其主要目的是在历史交通数据的基础上预测未来的交通状况。准确的交通预测可以辅助车辆规划路线，辅助相关部门指挥车辆调度，有效地缓解交通拥堵。例如，对城市内乘客的出租车需求进行准确的预测，就可以更好地预先分配和调度车辆，以更好地满足乘客的需求，避免不必要的资源浪费和等待。

交通预测的困难之处在于交通状况会受到复杂的空间相关性、动态的时间相关性以及天气等各类外部因素的影响。空间相关性的出发点在于空间上的地理实体会相互作用，例如上游道路的交通流量对下游道路的交通状况有较大影响。另外，不同的功能区域可能有其独特的交通模式。时间相关性的角度，一个地点的交通状况会在短期内呈现一定的趋势性，长期又表现出一定的周期性规律。例如，在连续的工作日中，同一地点早高峰时段的交通模式可能比较类似，每24小时重复一次，但是工作日和周末的交通模式又会有明显的差别。最后，像极端天气、交通管制等外部因素也显然会影响人们的出行，进而影响道路上的交通状况。

目前，交通预测的主流方法主要分为两类，即传统的知识驱动型方法和数据驱动型方法。传统的方法包括经典的统计方法和机器学习方法。然而，这些方法限制了对非线性数据建模的能力，所以在实践中的表现通常很差。随着城市化进程的推进，交通数据不断积累，为这一领域奠定了数据基础，也为研究者提供了解决这一问题的新视角，即数据驱动方法。近年来，随着深度学习的快速发展，研究人员提出了大量的深度学习方法来解决这个具有挑战性的问题。具体来说，图神经网络(GNN)可以对非欧几里得数据进行建模，更符合交通道路网络的结构，所以基于GNN的方法已经被广泛研究用于交通预测。这些数据驱动的方法由于其在交通流数据中建模和提取复杂数据特征的能力而表现出优异的性能，但它们仍然面临着一些限制。

首先，对于基于GNN的方法，在大多数现有的研究中，道路网络的空间结构往往是由静态的预定义或自学习的邻接矩阵来呈现。然而，由于交通状况的动态变化(如高峰期、周末、交通事故或拥堵)，对交通数据的动态空间和时间相关性进行建模是一个关键的挑战。静态邻接矩阵限制了学习城市交通动态模式的能力。另外，现有的方法往往是针对局部路网设计的，对捕捉长距离的空间相关性没有效果。基于RNN的模型在处理长距离序列时存在梯度消失或爆炸问题，基于GNN的模型从其邻域聚集信息也是局部的。而在现实的城市道路网络中，不仅相邻路段(例如上下游)的交通流量是相关的，而且具有相同功能的非相邻路段也有类似的交通模式。因此，在预测交通流量时，有必要同时考虑短距离和长距离的关联性。最后，现有的方法较少考虑不同城市之间的数据迁移问题，使得现有方法难以适用于交通数据量较少的城市。由于不同城市的发展水平不一样，因为有一些小城市很难收集到足够多的数据来支撑复杂的深度学习模型的训练需要，存在数据不足的问题。解决这个问题的一个的办法是使用迁移学习技术来进行跨城市的深度时空预测任务来将从数据丰富的城市学习到的知识迁移到数据匮乏的城市。

因此，如何提供一种基于时空图自注意力模型的交通预测迁移学习方法以解决上述至少一个技术问题是本领域技术人员亟需解决的问题。

发明内容