[发明专利]一种基于元学习的静态动态协同图卷积交通预测方法

说明书

本发明公开了一种基于元学习的静态动态协同图卷积交通预测方法，采用堆叠图卷积单元的图卷积模块来提取时空特征，每个图卷积单元包括一个基于元学习的时间门控卷积层M‑TGCL和一个静态动态协同图卷积层SDCGCL，M‑TGCL采用元学习来增强空间和时间特征之间的联系，从而能够对拥堵传播过程进行建模，考虑到静态因素和动态因素对交通流量的单独作用和共同作用，SDCGCL旨在对这两类因素进行协同建模，以深入提取空间特征。为了适应不同道路上局部交通状况的多样性，根据特定局部交通状况选择性地聚合不同层次的时空特征，使模型能够提取出细粒度的时空特征，提高了预测模型的稳健性和预测的可靠性。

技术领域

本申请属于交通预测技术领域，尤其涉及一种基于元学习的静态动态协同图卷积交通预测方法。

背景技术

作为智能交通系统的重要组成部分，交通流量预测对于许多交通应用场景至关重要，如提供交通信息以缓解交通拥堵并为交通管理者决策提供便利。交通流量预测旨在通过分析历史交通状况以预测未来交通流量。然而，交通数据中隐含的复杂时空特征使得实现准确可靠的交通流量预测具有很大的挑战性。

到目前为止，学者们已经开展了许多研究工作，通过捕获时空特征来提高交通流量预测的准确性和可靠性，其中时空模型受到了广泛关注。本质上，时空模型通过分析不同道路上交通流量的相互作用以提取空间特征，并对每条道路上的交通流量进行序列建模以提取时间特征。虽然时空模型取得了可喜的进展，但仍然存在着导致交通流量预测准确性和可靠性不高的诸多问题。例如，现有模型通常不会在空间和时间特征之间建立深度联系，导致模型从交通数据中提取复杂时空特征的能力不足。又如，交通流量受到静态因素(如交通网络拓扑结构、区域功能相似性)和动态(如商业活动、交通事故)因素的单独作用和共同作用的影响。然而，现有模型直接将上述因素进行叠加，导致无法提取出深层次的空间特征。又如，现有模型捕获时空特征时没有考虑不同道路上的局部交通状况，无法捕获细粒度特征。

发明内容

本申请的目的是提供一种基于元学习的静态动态协同图卷积交通预测方法，以解决现有技术无法提取出深层次的空间特征以及无法捕获细粒度特征的问题。

为了实现上述目的，本申请技术方案如下：

一种基于元学习的静态动态协同图卷积交通预测方法，包括：

获取交通流量数据，采用多头自注意力机制提取得到全局特征，对全局特征进行映射操作和节点级注意力聚合操作得到动态图；

根据交通网络图及其节点之间的隐式依赖关系，生成自适应图；

将交通流量数据、隐式依赖关系、自适应图和动态图输入到堆叠图卷积单元的图卷积模块，每个图卷积单元包括一个基于元学习的时间门控卷积层和一个静态动态协同图卷积层，所述基于元学习的时间门控卷积层结合隐式依赖关系从输入的交通流量数据中提取时间特征，输入到静态动态协同图卷积层，所述静态动态协同图卷积层从输入的时间特征、自适应图和动态图中提取出时空特征；

对各个图卷积模块输出的时空特征进行聚合得到聚合特征，然后对聚合特征进行预测操作，得到预测结果。

进一步的，所述对全局特征进行映射操作和节点级注意力聚合操作得到动态图，包括：

；

；

；

；

其中，表示所有节点的全局特征，是批量大小， N表示节点数，是输入窗口大小；表示卷积核，是隐藏特征的特征维度，是注意力头的数量；是可学习的参数集；是偏置集；是映射操作后的全局特征，是图卷积单元的隐藏维度；表示动态相似图的邻接矩阵；是历史动态图的邻接矩阵；是动态图的邻接矩阵，