CN119181256B 基于气象信息融合的深度学习交通流量预测方法 （南京信息工程大学）

基于气象信息融合的深度学习交通流量预本发明提供了基于气象信息融合的深度学2所述交叉相关估计器通过以下公式计算交通数据特征与天气数据特征之间的交叉相i,j(δ)表示天气数据特征i与交通数据特征j在时间偏移δ时的相关系数，L为滑其中，Eweather是嵌入后的天气数据特征，Wweather是用于天气数据的权重矩阵，步骤4包括：所述增强时空卷积网络首先使用增强时序卷积网络ETCN来提取交通数据3所述点卷积PWConv通过1×1卷积实现跨通道的ConvFFN1(x)＝PWConv1(GEConvFFN2(x)＝PWConv2(GEyy4系和非线性数据时表现出明显的局限性。特别是，传统的统计模型在处理长时间依赖和多Spatio_TemporalGraphConvolutionalNetwork）等模型结合图卷积网络与时间序列分5[0013]步骤4，建立增强时空卷积网络，交通数据通过增强时空卷积网络提取出时空特[0018]所述交叉相关估计器通过以下公式计算交通数据特征与天气数据特征之间的交R,(o)表示天气数据特征i与交通数据特征j在时间偏移时的相关系数，l为滑动窗口的长度，表示的是时间点，X,-s表示时间i-8时的天气数据特征i，这是一天气数据特征i的均值和标准差；x,表示交通数据特征j在时间t时的值，M,和o,分别是交通数据特征的均值和标准差。X表示原始天气数据特征i6[0032]其中，Emawo是嵌入后的天气数据特征，W.aw是用于天气数据的权重矩阵，[0033]步骤4包括：所述增强时空卷积网络首先使用增强时序卷积网络ETCN来提取交通计算出来的特征这一步体现了GAT对每个节点进行的信息聚合，使得每个节点的特征不7[0047]从GETCN得到交通特征和从ETCN得到的天气特征需要[0050]这些正样本对和负样本对是用来训练模型，使其能够学习到相似样本特征更接,[0053]其中，sim(z,z,)表示第m个特征向量za和第n个特征向量z,的余弦相似度，V是τ为控制特征分离尺度的温度参数。[0056]其中，ymu为预测的交[0057]本发明提出了一种多源时空混合网络（MSTHN，Multi_sourceSpatio_Temporal序对齐模块（TemporalAlignmentModule,TAM解决了天气数据与交通数据在时间上的错位问题，确保数据在特征提取前实现精准对齐。同时，MSTHN利用增强的时空卷积网络8Network,GAT有效捕捉交通数据中的时空依赖关系。为了进一步提升模型的预测精度，系统还通过对比学习模块（ContrastiveLearningModule）对融合后的多源特征进行优[0061]对比学习模块（ContrastiveLearningModule该模块用于优化多源数据的特[0064]下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述了对比学习模块对多源数据的特征进行融合，从而提高交通流量预测的准确性。如图1所9施例提出了时间对齐模块(TAM)，其主要技术方案是通过交间对齐模块(TAM)解决交通数据与天气数据之间的时间偏移问题。通过交叉相关估计器[0077]交叉相关估计器的工作原理是通过以下公式计算交通数据特征与天气数据特征R,(o)表示天气数据特征i与交通数据特征j在时间偏移时的相关系数，l为滑动窗口的长度，用于计算某段时间内的相关性，t表示的是时间点，X,-s表示时间据特征j在时间t时的值，M,和o,分别是交通数据特征的均值和标准差。通过最大化X表示原始天气数据特征iReLU(x)=max(0,x)（5）[0092]其中，Emawo是嵌入后的天气数据特征，W.aw是用于天气数据的权重矩阵，[0093]步骤4，建立增强时空卷积网络(Graph_EnhancedTemporalConvolutionalNetwork,GETCN)。[0112]为了进一步增强对交通数据空间特征的建模，GETCN中引入了图注意力网络[0121]其中，sim(z,z,)表示第m个特征向量和第n个特征向量z,的余弦相似度，这些特征向量是交通和天气数据通过增强图卷积时序卷积网络（GETCN）和增强时序卷积网络不包含自身，保证了对比学习损失函数的合理性和有效性。为控制特征分离尺度的温度[0124]其中，ymu为预测的交通流量值，F为对比学习模数据中的复杂时空特征。通过增强时序卷积网络（ETCN）对气象数据进行时序特征提取，[0154]天气数据