CN115240425B 一种基于多尺度时空融合图网络的交通预测方法 （西北师范大学）

一种基于多尺度时空融合图网络的交通预本发明提供了一种多尺度时空融合图网络了一种多尺度时空融合图网络预测框架积模块(STGCN)，它在保留交通网络固有结构的2卷积和门控注意力构成，每个时空图卷积模块通过三种不同的图网络分别对空间相关性、合，表示道路网络中的传感器；E边的集合表示顶点之间的连通性，AwYS=φ(AXinW+b)3模时间相关性，因此提出了一个时间图卷积去自适应学习时间序列数据之间的隐藏关系，其中表示节点i在t时刻第L层的特征表示，它码的趋势图卷积，首先随机初始化一个节点嵌入矩阵seR",来学习最优的交通网络结长，随后使用one_hot编码将一周里的每天编码为R',将一天里的每个小时编码为9",随后将它们连接在一起为从而得到历史时间序列的时间嵌入矩阵通过全4w,e的,we"的,u,e"的,u,e的,和首先使用全连接层将输入转换为对应的Query和Value矩阵，Query有自身和转置两种5程度，和表示两种不同可学习的转换方式，Nt表示对应时间序列的所有时间o和b,eRA是可学习的参数；67则会使两者在短时间内表现出截然不同的行为，反而与距离更远的传感器在行为上更相[0005]为了打破在长时间时间序列预测任务缺乏有效捕捉时空特征的8h9[0026]步骤4.3：建模基于位置编码的趋势图卷积模过全连接神经网络分别转化为向量从而得到顶点和[0042]其中，表示STGCN模块提取的交通路网的时空特征，W,eR"e和以来形成的一种稳定的变化规律，趋势性依赖则是短时间范围内可预见的一种交通状况。[0044]首先使用全连接层将输入转换为对应的Query和Value矩阵，Query有自身和转置力矩阵与相应的Value矩阵相乘得到对应的全局上下文矩阵，体现了关注的信息量。具体集，并对数据集进行合适的划分。模型是由Pytorch1.8.0在一个拥有24G内存的Nvidia去学习一个函数f(·)可以将Xh,Xw,Xd和G映射出下一个时间步Q下的图信号Y＝(Xt,...,[0081]Y;-pix,w+b)[0083]步骤5：建模时间图卷积模块。空间图卷积完全基于由地理近邻性定义的交通网相关性。因此本发明提出了一个时间图卷积去自适应学习时间序列数据之间的隐藏关系。(L_1)层的特征表示，W,eR"和W,eR"表示可学习的参数。接着，构建自于位置编码的趋势图卷积。首先随机初始化一个节点嵌入矩阵seR,学习交通网络结将一天里的每个小时编码为R",再将它们连接在一起为从而得到历史时间序列的时间嵌入矩阵通过全连接神经网络分别转化为向量从而得到[0099]其中是图信号输出，weR"*",a和都是可[0109]其中表示STGCN模块提取的交通路网的时空特征，W,eR"和b,e"是可学习参数。发明提出了一种带有门控单元的双向注意机[0111]首先注意力矩阵与相应的Value矩阵相乘得到对应的全局上下文矩阵，体现了关()了统计分析。图5展示了四个数据集上的节点相关性、周期相关性以及交通速度的分布情[0131]进一步评价MFSTGN中各个组件的有效性，本发明在NE_BJ和PEMSD8两个数据集上[0132]为了进一步研究超参数设置对模型性能的影响，本发明在NE_BJ和PEMSD8数据集