[发明专利]基于连续动态常微分方程的交通流量预测系统及方法

权利要求书

1.基于连续动态常微分方程的交通流量预测系统，其特征在于，所述系统，具有：

数据输入模块；

时间依赖提取模块；

时空依赖捕获模块；

动态节点嵌入模块；

交通流量预测模块；

其中，所述数据输入模块用于对输入的历史交通时间数据序列进行预处理，拆分为L个子序列；

其中，时间依赖提取模块用于提取L个子序列中的时间相关性，生成交通流的时间依赖序列；所述时间依赖提取模块，具体采用一维深度卷积神经网络提取L个子序列中的时间相关性，生成交通流的时间依赖序列；所述时间依赖序列的表达式，具体为：

其中，T_t∈R^N×F×W为时间依赖序列，I_t∈R^N×F×W为子序列，Φ_t：{0，...，K}→R为卷积核；

其中，所述时空依赖捕获模块用于为时间依赖序列生成对应的邻接矩阵序列，依据所述邻接矩阵序列，将交通事件进行分类，得到事件的初始矩阵，将其输入到自注意力机制的模块中，将注意力输出输入到前反馈神经网络，生成事件序列的隐藏表示，得到每一个事件类型的条件强度函数，以此预测下一时刻的邻接矩阵；

所述时空依赖捕获模块，用于根据时间依赖序列，生成若干个动态连通性集合，并将每个时间依赖张量与一个动态连通性集合相对应，以此获得在时间步上的邻接矩阵，生成邻接矩阵序列；

所述时空依赖捕获模块，用于将交通事件分为关联增强、关联减弱和关联强度不变；

所述时空依赖捕获模块，用于采用自注意力机制，通过前反馈神经网络生成事件序列的隐藏表示，得到每个事件类型的条件强度函数；

所述时空依赖捕获模块，用于在预测下一时刻的邻接矩阵后，使用均方误差来衡量预测值与真实值之间的差值；

其中，所述时空依赖捕获模块，具有如下执行过程：

给定T_t，顶点i和j的交通流序列分别定义为定义时间步长为t时的(i,j)顶点对之间的依赖关系用动态连接DC评估，表示如下：

表示顶点对之间的历史交通流相似性，可以反映节点之间的空间依赖性；使用KL散度来评估交通流的相似性，刻画节点之间的语义相似性；刻画节点之间的空间相似性；d_ij为节点i和节点j之间的距离，σ²为控制矩阵稀疏度的阈值；给定具体交通流序列的动态相关定义如下：

其中用来评估方向性对交通流相似度的影响；每个时间依赖张量T_t对应一个动态连通性集合DC_t＝{DC_t(i，j)|i，j＜N}；在时间步上对应的邻接矩阵定义如下：

A_t＝NOR(DC_t)；

其中NOR(·)为归一化函数；

将网络拓扑结构的变化抽象为连续交通事件对邻接矩阵施加的调整，该过程使用Hawkes过程进行拟合；给定时间依赖序列T＝(T₁，T₂，...，T_L)可生成邻接矩阵序列{A₁，A₂，...，A_L}；针对邻接矩阵，认为交通事件可以分为三类：关联增强、关联减弱和关联强度不变；相关定义如下：

其中1表示关联增强，-1表示关联减弱，0表示关联强度不变；在t时刻之前发生在A(i,j)上的事件流可定义为：

根据霍克斯过程，t时刻类型k事件在的条件强度函数定为：

其中μ_k≥0为k型事件的基强度，α_l，k≥0为j型事件初始激发k型事件的程度，δ_l0为该激发的衰减率；t表示为当前时刻，t_h表示历史时间发生的时间；对其公式进行调整，使用transformer模拟历史事件对未来事件的影响，同时允许μ和α取值为实数，承认历史事件对未来事件可能存在激励作用、抑制作用以及延迟作用；当一个事件随机发生在任意区间t∈(t_i，t_i+1]时，强度被重新定义为：

其中f_k()是transformer结果，W_k是可学习参数；H(t)与transformer结构的隐含状态类似，通过self-attention模块传递X并计算注意力输出S；

Q＝XW^Q，K＝XW^K，V＝XW^V；

其中Q、K、V是通过X进行不同变换得到的查询矩阵、键矩阵和值矩阵；事件序列的注意力输出为S＝[S₁，S₂，...，S_H]W^O，W^O为聚合矩阵；之后，将注意力输出S通过前反馈神经网络，生成事件序列的隐藏表示为：

H＝Relu(SW₁+b₁)W₂+b₂；

h(t_j)＝H(j，：)；

其中，H∈R^L×M，W₁，W₂，b₁，b₂，为神经网络的参数；

基于此，将未来邻接矩阵定义为：

其中，是可学习参数；将上述公式转化为对应的向量表达：

A_t＝A_t-1+θ_t⊙Λ^t；

其中，θ_t是强度矩阵Λ^t的可学习矩阵，⊙为哈德曼积；

在得到预测出的下一时刻邻接矩阵之后，使用均方误差来衡量预测值与真实值之间的差值；定义如下：

其中，y为真实值，为预测值；

将邻接矩阵稀疏化处理；

其中σ(·)为激活函数，γ为超参数；如果则

其中，所述动态节点嵌入模块用于将预测出的邻接矩阵与动态时空图结合，获取时空数据张量，并采用基于张量的常微分方程框架对路网交通流的时空动态进行建模与求解，获得隐含层的解析解；

其中，所述交通流量预测模块用于进行最大池化操作，并采用多层感知器生成交通流量预测结果。