CN119479300A 一种基于图卷积网络的交通流量预测方法 （黑龙江大学）_第1页
CN119479300A 一种基于图卷积网络的交通流量预测方法 （黑龙江大学）_第2页
CN119479300A 一种基于图卷积网络的交通流量预测方法 （黑龙江大学）_第3页
CN119479300A 一种基于图卷积网络的交通流量预测方法 （黑龙江大学）_第4页
CN119479300A 一种基于图卷积网络的交通流量预测方法 （黑龙江大学）_第5页
已阅读5页，还剩17页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本申请提供了一种基于图卷积网络的交通图簇卷积模块提取交通流量数据中隐含的空间机制和扩张卷积的门控时序卷积网络捕获交通流量数据的时间依赖关系，得到相应的特征表通流量。所述方法通过引入时间相关的外部信2使用交通网络图中各交通节点的历史特定时间步的交通流量数据利用基于门控机制和扩张卷积的门控时序卷积网络捕获交通流量数据的时间依赖关基于历史特定时间步的空间依赖关系的特征表示和时间依赖关系其中，所述原始交通信息数据由设置在所述交通节点的戳在一天中的相对时间和在一周中的星期几进行所述利用基于自注意力的时空图簇卷积模块提取交通流量数据中隐含的空间依赖关将原始特征图输入至时空图簇卷积模块，基于所述自注意力层和时空图簇其中，所述时空图簇卷积层包括特征图卷积、区域簇特使用原始特征图的邻接矩阵对节点特征进行高阶卷积操作，并使用Dropout层，通过随机丢弃部分神经元输出的方式，减少对特定神经元的依赖关利用Tarjan算法的深度优先搜索和回溯通过判断原始特征图中各交通节点能够合并到某一区域簇节点的映射3基于映射矩阵和原始特征图的邻接矩阵，生成区域簇的邻接矩在区域簇的邻接矩阵上对区域簇的特征矩阵进行簇图卷积，捕捉区域簇内的依赖关将全局簇的特征表示传播到区域簇中，利用Relu激活函数保留有效将增强后的区域簇的特征表示通过点积传播到原始特征图的各交通节点其中，增强后的各交通节点的特征表示，二次增强的区域9.如权利要求4所述的方法，其特征在于，所述自注意力层通过以下方式输出特征表将得到的注意力得分输入至前馈神经网络层，经过两次线性变换后将原始特征图输入至门控时序卷积网络，对交通流量数据的原始将滤波器部分的输出和门控部分的输出进行逐元素相乘，得到通过哈达玛积矩阵过滤交通流量数据中的噪声和不相关信息，以4[0008]利用基于自注意力的时空图簇卷积模块提取交通流量数据中隐含的空间依赖关[0009]利用基于门控机制和扩张卷积的门控时序卷积网络捕获交通流量数据的时间依5[0015]所述利用基于自注意力的时空图簇卷积模块提取交通流量数据中隐含的空间依述节点属性用于表征交通网络中不同的交通区域或者功67独热编码格式，这种编码将一周的7天信息扩展到交通状态数据中，有助于捕捉周期性变积层将预处理后的交通流量数据映射到一个隐式空间/特征空间，卷积提取交通流量数据示为本申请实施例提供的时空簇预测模型200的结构示意图，具体包括：时空图簇卷积层8[0080]该步骤中，通过将具有相似交通流量模式或交通需求的9[0085]步骤403、基于映射矩阵聚合生成区域簇的特征矩阵，以反映该区域簇的节点属[0091]该步骤中，在区域簇的邻接矩阵Areg上对区域簇的特征矩阵[0102]步骤601、将全局簇的特征表示传播到区域簇中，利用Relu激活函数保留有效信[0103]步骤602、将增强后的区域簇的特征表示通过点积传播到原始特征图的各交通节[0104]步骤603、利用反向传播技术，将增强后的各交通节点的特征表示传播至区域簇[0113

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论