[发明专利]一种基于图对比学习的多模态交通流量预测方法及系统

权利要求书

1.一种基于图对比学习的多模态交通流量预测方法，其特征在于，包括：

步骤S1：基于预设时间段的历史交通流量数据建立多模态流量异构图，包括多个交通模态对应的局部流量异构图和一个全局流量异构图；

步骤S2：利用全局异构编码器对全局流量异构图进行编码得到全局流量异构图流量特征，利用局部异构编码器对多个局部流量异构图进行编码得到对应的局部流量异构图流量特征；

步骤S3：通过计算多个局部流量异构图流量特征的互信息，得到优化后的局部流量异构图流量特征，包括：

计算单个交通模态的原始流量特征和该模态对应的局部流量异构图流量特征的均值和方差作为第一互信息，并最大化第一互信息；

计算各个交通模态对应局部流量异构图流量之间特征均值和方差作为第二互信息，并最小化第二互信息；

经过两次互信息计算后得到各个交通模态优化后的局部流量异构图流量特征；

步骤S4：多个局部流量异构图流量特征经过注意力机制融合形成的全局流量特征，与全局流量异构图流量特征进行图对比学习，得到优化后的全局流量异构图流量特征；

步骤S5：将优化后的局部流量异构图流量特征和优化后的全局流量异构图流量特征，输入到空间图卷积神经网络分别预测未来某一时间某一目标节点的多模态的交通流量。

2.根据权利要求1所述的基于图对比学习的多模态交通流量预测方法，其特征在于，所述局部流量异构图和全局流量异构图，均包括：目标节点及目标节点在不同的关系属性下的邻域，邻域包括与目标节点相关和不相关的节点，关系属性包括地理关系、功能关系、流入流出需求关系，其中：所述流入流出需求关系，分别获取对应目标时间前不同时间维度的流入流出需求数据，来获取临近、周期和趋势三种关系。

3.根据权利要求2所述的基于图对比学习的多模态交通流量预测方法，其特征在于，根据异构图中的关系属性提取每个关系属性对应的异构子图，包括地理关系异构子图、功能关系异构子图和临近、周期和趋势流入流出需求关系异构子图；

对于地理关系异构子图、功能关系异构子图，采用节点级注意力网络聚合目标节点的邻域，得到对应的异构子图信息；

对于临近、周期和趋势流入流出需求关系子图，采用LSTM网络学习其时间序列特征，得到对应的异构子图信息；

使用语义级注意力网络聚合上述异构子图信息，作为其对应的异构图流量特征。

4.根据权利要求3所述的基于图对比学习的多模态交通流量预测方法，其特征在于，最大化第一互信息的损失函数如下：

其中，I(·；·)表示两种特征之间的互信息、Car代表一交通模态的原始流量特征、Z^Car是该交通模态对应的局部流量异构图流量特征、E是数学期望、p()代表均值和标准差均为零的均匀分布表示、q()是条件分布，由全局异构编码器获得、D_KL代表散度；

最小化第二互信息的损失函数如下：

其中，Z^Car是一交通模态对应的局部流量异构图流量特征，Z^Bike是另一交通模态对应的局部流量异构图流量特征。

5.根据权利要求4所述的基于图对比学习的多模态交通流量预测方法，其特征在于，图对比学习过程的目标节点的正例从步骤S1中相关邻域中采样获得，目标节点的负例从步骤S1中不相关邻域中采样获得，图内相似的节点与图之间相似的节点作为正例，图内与目标节点满足不相关关系的节点为负例，图对比学习阶段的损失函数为：

其中，表示总流量特征，各交通模态的融合特征，表示相似集，表示不相似集。

6.根据权利要求5所述的基于图对比学习的多模态交通流量预测方法，其特征在于，总的损失函数公式如下：

其中Y表示真实值，表示空间图卷积神经网络的预测值。