CN114428937B 一种基于时空图神经网络的时间序列数据预测方法 （南京师范大学）

号一种基于时空图神经网络的时间序列数据本发明公开了一种基于时空图神经网络的入特征和组合时空相关邻接矩阵送入图神经网捉到不同交通流数据之间潜在的时间和空间联2S2：根据传感器不同的地理位置提取传感器的空间特征特征与组合时空相关邻接矩阵送入对应的堆叠后的图卷积层进行特征提取，使用Huber损S5：使用训练好的模型预测下一时间段的时间B1：每个传感器的编号与它们所在公路编号一致，并且每个传C2：使用与邻接矩阵A相同大小的单位矩阵Mcon来进一步表32.根据权利要求1所述的一种基于时空图神经网络的时间序列数据预测方法，其特征A1：在不同的道路口设定传感器来采集一个时间段内通过f=3.根据权利要求1所述的一种基于时空图神经网络的时间序列数据预测方法，其特征4.根据权利要求1所述的一种基于时空图神经网络的时间序列数据预测方法，其特征D3：根据不同的时间序列数据切片将图卷积层进行堆叠，将D4：使用堆叠后的图卷积层对时间序列数据片段进行特征提取D5：根据公式(7)来进一步聚合时间序列数据u的时间和空间45股票预测等在日常生活和生产中得到了广泛应用，尤其是在智能交通系统(ITS)领域中交通预测得到了广泛的应用。征带来了难度；(2)单独生成时间和空间的邻接矩阵来捕捉节点特征忽视了节点之间时间输入特征与组合时空相关邻接矩阵送入对应的堆叠后的图卷积层进行特征提取，使用6[0014]A1：在不同的道路口设定传感器来采集一个时间段内通过该段路程的车辆数统中的第m个时间间隔内统计的车辆数，表示第i条时间序列数据向量的车辆数的平均值，表示第j条时间序列数据向量的车辆数的平均值；7从而进一步扩大时间序列数据的时空特征提的所有元素，[:,0:T-l×(K+1),:,:]表示取第1维[0051]本发明在时间序列数据的时空预测方面提供了种基于时空图神经网络的时间序8[0053]本发明方法自主设计了时间相似度算法可以快速准确地捕捉时间序列数据的全[0056]图1是本发明实施例提供的一种基于时空图神经网络的时间序列数据预测方法的种等价形式的修改均落于本申请所附权利要求所限定[0063]本发明提供一种基于时空图神经网络的时间序列数据预测方法，其基本的原理时间和空间的潜在相关性并且获得时间序列数据的整体时空特征，将输入特征X和组合时9Huber损失函数【可参考俞搏天.p-Huber损失函数及其鲁棒性研究[D].浙江师范大学,[0071]步骤1.1：在不同的中的第m个时间间隔内统计的车辆数，表示第i条时间序列数据向量的车辆数的平均值，vj表示第j条时间序列数据向量的车辆数的平均值；[0088]步骤3.2：使用与邻接矩阵A相同大小的单[0090]步骤3.4：使用两个全局时空相关邻接矩阵A的所有元素，[:,0:T-l×(K+1),:,:]表示取第1维据片段和组合时空相关邻接矩阵Acor·group送入对应的堆叠后的图卷积层中进[0103]步骤4.6：结合均方误差和平均误[0110]可见，本实施例中采用本发明方法在交通流数据集上取得了平均绝对误差为储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0115]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一