CN114881295B 一种基于注意力机制的gcn-lstm船舶交通流预测方法 （南京理工大学）

一种基于注意力机制的GCN-LSTM船舶交通本发明公开了一种基于注意力机制的GCN-后的船舶交通流预测模型进行船舶交通流的预机制解决输入序列长度增加所导致的模型预测2步骤2-3、构建长短时记忆LSTM模型，分别获取步骤2-1步骤2-4、构建注意力机制模型，分别确定步骤2-2输步骤4、基于训练后的基于注意力机制的GCN-LSTM船舶交通流预测模型进行船舶交通2.根据权利要求1所述的基于注意力机制的GCN-LSTM港口船舶交通流预测方法，其特采用最小最大规范化(Min-Max)将数据按照属性映射到区3.根据权利要求1所述的基于注意力机制的GCN-LSTM船舶交通流预测方法，其特征在34.根据权利要求1所述的基于注意力机制的GCN-LSTM船舶交通流预测方法，其特征在tanh层生成更新到单元状态的信息，根据计算数据可以得出当前时刻记忆单元的状态值tct=oct-1十itoitt5.根据权利要求1所述的基于注意力机制的GCN-LSTM船舶交通流预测方法，其特征在获取长短时记忆LSTM模型输出的交通流数据，分别确定待预测时4i6.根据权利要求1所述的基于注意力机制的GCN-LSTM船舶交通流预测方法，其特征在rd7.根据权利要求1所述的基于注意力机制的GCN-LSTM船舶交通流预测方法，其特征在8.一种计算机设备，包括存储器、处理器及理器执行时实现权利要求1-7中任一项所述的方法5物运输体系中依旧拥有无可替代的地位，中国台湾知名航运公司长荣集团旗下巨型货轮士运河南北向全线瘫痪。失问题，在数据间的空间关系方面存在短板。长短期记忆网络(LongShort-termMemoryNetwork,LSTM)模型解决了循环神经网络的梯度消失问题，但是由于港口船舶交通流量易[0011]步骤4、基于训练后的基于注意力机制的GCN-LSTM船舶交通流预测模型进行船舶6[0013](1)本发明的技术方案通过构建基GCN-LSTM联合模型，能够挖掘港口船舶交通流[0014](2)本发明的技术方案引入注意力机制，解决输入序列长度增加所导致的模型预[0019]图2为本发明的实施例中引入注意力机制的GCN-LSTM船舶交通流预测模型与不引[0020]图3为本发明的实施例中引入注意力机制的GCN-LSTM船舶交通流预测模型与不引入注意力机制模型的预测RMSE指标对比[0021]图4为本发明的实施例中利用基于注意力机制的GCN-LSTM船舶交通流预测模型的7W(l)表示第l层的权重矩阵。[0047]经过GCN模块对船舶交通流数据的空间特征提取后，每个节点的特征信息中已经]+bf)]+bi)8[0057]ct=fioct-1+itoit]+bo)[0061]h=ootan船舶流量预测时可以关注到变化更为相关的时间节点征的权重由softmax函数归一化计算得到分别确定待预测时间段近期、日周期和周周期的本发明采用梯度下降法训练基于注意力机制的GCN-LSTM船舶交通流预9[0074]步骤4、基于训练后的基于注意力机制的GCN-LSTM船舶交通流预测模型进行船舶[0079]步骤4、基于训练后的基于注意力机制的GCN-LSTM船舶交通流预测模型进行船舶[0084]步骤4、基于训练后的基于注意力机制的GCN-LSTM船舶交通流预测模型进行船舶[0088]如图1所示，为本发明的一种基于注意力机制的GCN-LSTM船舶交通流预测方法步[0090]选取2020年7月1日到2020年7月31日上海宝山港水域的AIS数据，其中包含MMSI、[0097]由于图卷积层数以及长短时记忆网络层数的设置决定了GCN-LSTM模型的预测精例中的GCN-LSTM模型和基于注意力的GCN-LSTM模型皆选用2层图卷积层加上4层LSTM的组[0112]由上表可得，采用传统机器学习方法SVR的预测模型与其他采用深度学习方法的[0117]综上可知，通过评价指标对不