[发明专利]基于改进状态空间模型的交通速度预测方法

权利要求书

1.基于改进状态空间模型的交通速度预测方法，其特征在于，该方法是基于改进状态空间模型Structured State Space sequence model实现交通速度预测，其中，该改进状态空间模型是对原Structured State Space sequence model进行三个部分的改进；第一个部分是对Structured State Space sequence model的编码器部分改进，将原来的Liner网络替换为自适应图结构+时空融合特征层，使得模型能够融合时间和空间信息；第二个部分是将Structured State Space sequence model中主干网络Backbone的状态矩阵、输入矩阵、输出矩阵的维度进行改造，更好地适应交通速度预测的需求；第三个部分是对Structured State Space sequence model的解码器进行改进，将Liner网络改为多层MLP网络并加入Relu激活函数；

该交通速度预测方法的具体实施包括以下步骤：

1)将邻接矩阵和历史交通速度数据输入自适应图结构+时空融合特征层，自适应图结构+时空融合特征层会在原先邻接矩阵的基础上学习一个更贴切真实的邻接矩阵，该邻接矩阵和历史交通速度数据进行融合，获得融合时间空间特征的嵌入层Embedding；

2)将Embedding输入进Backbone，Backbone根据状态矩阵、输入矩阵、输出矩阵以及离散化的状态空间方程获得未来交通速度特征，未来交通速度特征通过解码器的多层MLP网络得到未来交通速度的预测值。

2.根据权利要求1所述的基于改进状态空间模型的交通速度预测方法，其特征在于，在步骤1)中，所述自适应图结构+时空融合特征层的具体情况是：预先定义好的邻接矩阵记为G₀，将所有交通节点输入节点嵌入层node-embedding得到一个N×H₀的矩阵，记为E，其中N是交通节点的个数，H₀是node-embedding的特征维度，将E和它的转置E^T进行矩阵相乘得到邻接矩阵G₁，并与G₀进行加权得到与实际更加相符的邻接矩阵G₂，具体公式如下所示(1)、(2)：

G₁＝E×E^T                       (1)

G₂＝G₀+αG₁                      (2)

其中，α为自适应邻接矩阵加权超参数，接着对历史数据在时间尺度上取最大值M，并将历史数据除以M，起到一个归一化的作用，能提高模型的泛化能力，接着扩充历史数据和G₂的维度，进行哈达玛积，使得节点信息与历史数据的特征融合在一起，得到融合时间空间特征的Embedding。

3.根据权利要求1所述的基于改进状态空间模型的交通速度预测方法，其特征在于，在步骤2)中，原Structured State Space sequence model的Backbone中的状态矩阵A、输入矩阵B，皆为二维H₁×H₁矩阵，H₁为Structured State Space sequence model的特征维数，将状态矩阵A、输入矩阵B改造为N×H₁×H₁张量，其中N是交通节点的个数，相当于针对每一个节点学习一个状态矩阵、输入矩阵，能够更有针对性地对每一个节点建立相应的状态矩阵、输入矩阵，提高模型预测的准确性，融合时间空间特征的Embedding通过Backbone后张量维度不改变，故还需要多层MLP网络，得到最终的交通速度预测结果，相比于单层Liner网络，多层MLP网络能够学到更多的特征，加入Relu激活函数后，能提升模型的非线性表达能力。