[发明专利]基于改进状态空间模型的交通速度预测方法

说明书

本发明公开了一种基于改进状态空间模型的交通速度预测方法，包括：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。本发明采用了自适应图结构，可以学习到更贴切真实的空间信息，从而达到更好的预测效果。

技术领域

本发明涉及深度学习时间序列预测的技术领域，尤其是指一种基于改进状态空间模型的交通速度预测方法。

背景技术

在智慧城市和智能交通系统(intelligent transportation systems，ITSs)的开发和运行中，交通状态通过道路上的传感器(如环路探测器)、地铁和公交系统交易记录、交通监控视频等来检测。交通状态对于交通预测来说十分重要，交通预测通常是基于对历史交通状态数据进行预测。此外也不少外在因素会影响交通因素，比如天气和假期，故有时也会加入外在因素来提升精确度。

交通预测问题相比其它时间序列预测问题更具挑战性，因为它涉及高维的大数据量，以及包括紧急情况等多种变动。特定位置的交通状态有空间依赖性，可能不仅仅受附近区域的影响，也可能受远处的影响，一条路段拥堵可能会导致另一条路线交通流量增加。此外，交通预测有时间依赖性，可能是季节性的，也可能受节假日影响。传统的线性时间序列模型，比如自回归和综合移动平均(ARIMA)模型，无法有效地处理这类时空预测问题。机器学习和深度学习技术已被引入该领域，以提高预测精度，例如通过将整个城市建模为网格，并应用卷积神经网络(CNN)来处理。CNN对图像等欧几里得数据可以比较好的处理，在图像分类任务上很早便大幅超越了人类。然而，在面对交通预测问题这种具有图形式的问题时，CNN的方法并不是最优的。

随着深度学习发展，一种新型的网络结构被提出，这个网络结构基于现代空间状态模型，称为Structured State Space sequence model。相比于attention来说，它能轻易地用较少的参数取抽取非常长的时间序列特征。并且在可解释方面更强，用其为基础改造成可以处理交通速度预测数据的模型，能够提升预测效果且模型更具有可解释性。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于改进状态空间模型的交通速度预测方法，可准确预测交通速度。

为实现上述目的，本发明所提供的技术方案为：基于改进状态空间模型的交通速度预测方法，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 sequencemodel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；