[发明专利]一种基于残差连接与时空分解的交通流量预测方法和系统

权利要求书

1.一种基于残差连接与时空分解的交通流量预测方法，其特征在于，包括以下步骤：

S1：获取交通网络中的位置信息和历史流量数据，并根据位置信息构建距离邻接矩阵；

S2：对历史流量数据中的时间特征进行建模，将时间特征转化为历史时间特性和未来时间特性，然后通过在输入的历史流量数据中除以历史时间特性去除原始流量数据中的时间特性，获得流量数据；

S3：将历史流量数据中的时间标识、空间标识和流量数据编码为高维向量，并拼接得到高维时空表示向量；

S4：对高维时空表示向量进行映射获得中间向量，根据中间向量获得时间部分预测和本层输入的重构，并根据中间向量和距离邻接矩阵获得空间部分预测，将高维时空表示向量和本层输入的重构相减，获得下一层高维时空表示向量；

S5：重复S4，设置S4的重复次数为L，直到获得第L层高维时空表示向量；

S6：通过跳跃连接，将根据第一层高维时空表示向量到第L层高维时空表示向量获得的时间部分预测和空间部分预测进行聚合，获得各层聚合结果；

S7：将各层聚合结果与未来时间特性相乘，恢复原始流量数据中去除的时间特性，获得最终预测结果。

2.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，距离邻接矩阵的构建方法为，设定距离阈值，计算任意两节点的欧式距离并与距离阈值做比较，若距离小于距离阈值则认为两节点之间存在关联，建立边连接，若距离大于距离阈值则认为两节点无关。

3.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，时间特征转化为历史时间特性和未来时间特性的方法为，将时间特征在交通流量数据中的影响建模为乘性模型；将时间特征通过一个全连接层和两个独立的线性映射转化为两个高维时间特征，分别对应历史时间特性和未来时间特性。

4.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，所述时间标识和空间标识采用线性映射将其编码为高维向量，所述流量数据采用序列模型GRU将其编码为高维向量。

5.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，根据中间向量获得本层输入重构的公式为：

其中，其中是线性映射矩阵，是偏置，Z^l为中间向量。

6.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，空间部分预测获取具体为，先根据中间向量获得潜在的空间特征，再根据潜在的空间特征和距离邻接矩阵获得聚合了邻居节点特征的潜在空间表征，再经过两个全连接层将聚合了邻居节点特征的潜在空间表征转换为空间部分预测。

7.根据权利要求6所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，聚合了邻居节点特征的潜在空间表征获取公式为：

其中K是邻接矩阵扩散的阶数，为第一可学习参数是第二可学习的参数，是聚合了邻居节点特征的潜在空间表征，A_dis为距离邻接矩阵，A_adp为自适应邻接矩阵，Z^lS为潜在的空间特征。

8.根据权利要求7所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，所述空间部分预测的获取公式为：

其中ReLU是激活函数，为第一全连接层空间权重，为第二全连接层空间权重，为第一全连接层空间偏置，为第二全连接层空间偏置，为空间部分预测。

9.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，所述时间部分预测的获取公式为：

其中，ReLU是激活函数，为第一全连接层时间权重，为第二全连接层时间权重，为第一全连接层时间偏置，为第二全连接层时间偏置，为聚合了历史时间节点的潜在时间表征。

10.一种基于残差连接与时空分解的交通流量预测系统，基于权利要求1-9任一项所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，包括：

采集构建模块：用于获取交通网络中的位置信息和历史流量数据，并根据位置信息构建距离邻接矩阵；

时间特性去除模块：用于对历史流量数据中的时间特征进行建模，将时间特征转化为历史时间特性和未来时间特性，然后通过在输入的历史流量数据中除以历史时间特性去除原始流量数据中的时间特性，获得流量数据；

编码模块：将历史流量数据中的时间标识、空间标识和流量数据编码为高维向量，并拼接得到高维时空表示向量；

时空预测模块：用于对高维时空表示向量进行映射获得中间向量，根据中间向量获得时间部分预测和本层输入的重构，并根据中间向量和距离邻接矩阵获得空间部分预测，将高维时空表示向量和本层输入的重构相减，获得第二高维时空表示向量；

重复模块：用于重复表示向量获取模块工作内容，设置重复次数为L，直到获得第L层高维时空表示向量；

聚合模块：用于通过跳跃连接，将根据第一层高维时空表示向量到第L层高维时空表示向量获得的时间部分预测和空间部分预测进行聚合，获得各层聚合结果；

恢复模块：用于将各层聚合结果与未来时间特性相乘，恢复原始流量数据中去除的时间特性，获得最终预测结果。