CN119479312A 一种基于时空序列的交通流量预测方法 （中国石油大学(华东)）

本发明提供了一种基于时空序列的交通流2S2、将交通流量序列输入至数据嵌入层得到输入S3、将隐藏的时空表示输入至时空编码器进行空间依赖将交通流量序列输入至数据嵌入层得到特征嵌入X,；通过连接所有T个时间片的嵌入得到周周期嵌入X.和日周期嵌入X,；示X=XIX.Ixlx,。距离空间注意力模块，用于基于隐藏的时空表示，利用动融合模块，用于融合近邻的空间依赖特征、远距离相似节产生两个动态掩蔽矩阵MS和M,，该两个动态掩蔽矩阵MS和M,分别用于捕获当前3将注意力分数A分别与两个动态掩蔽矩阵MS和M.作乘积，一一对应得到近距离注意将近距离注意力分数和远距离注意力分数，分别通过Softmax函数转换为对应的注意将对应的注意力权重分别与V矩阵相乘，一一对应得到当前节点近距离的区域特征和具有相似性的远距离区域特征z;，完成近邻节点的空间依赖特征和远距离相似节点的将注意力分数，通过Softmax函数转换为注意力权重，并将注意力权重与矩阵相4[0001]本发明属于交通预测技术领域，尤其涉及一种基于时空序列的交通流量预测方[0003]交通流量预测方法的发展大致可以分为两类：传统方法和基于深度学习的方5S3、将隐藏的时空表示输入至时空编码器进行空间依赖性和时间依赖性的建模，周的交通周期性特征，通过自适应时空嵌入能够从数据中自适应地构建隐藏的时空表示。将交通流量序列输入至数据嵌入层得到特征嵌入X,；通过连接所有T个时间片的嵌入得到周周期嵌入X,和日周期嵌入X,；将可学习的自适应时空嵌入表示为X.，其中，X.可在6[0014]再进一步地，所述利用动态掩蔽矩阵捕捉近邻和远距离相似节点的空间依赖特产生两个动态掩蔽矩阵MS和M.，该两个动态掩蔽矩阵MS和M.分别用于捕获将注意力分数A分别与两个动态掩蔽矩阵MS和M.作乘积，一一对应得到近距离将近距离注意力分数和远距离注意力分数，分别通过Softmax函数转换为对应的将对应的注意力权重分别与V矩阵相乘，一一对应得到当前节点近距离的区域特7将交通流量序列输入至数据嵌入层得到特征嵌入X,；通过连接所有T个时间片的嵌入得到周周期嵌入X,和日周期嵌入X,；将可学习的自适应时空嵌入表示为X.，其中，X.可在8S3、将隐藏的时空表示输入至时空编码器进行空间依赖性和时间依赖性的建模，产生两个动态掩蔽矩阵MS和M.，该两个动态掩蔽矩阵MS和M.分别用于捕获将注意力分数A分别与两个动态掩蔽矩阵MS和M.作乘积，一一对应得到近距离将近距离注意力分数和远距离注意力分数，分别通过Softmax函数转换为对应的将对应的注意力权重分别与V矩阵相乘，一一对应得到当前节点近距离的区域特9再经过由1*1卷积组成的跳跃连接，然后对每个跳过连接层的输出进行求和来获得最终的和TCN-b表示扩张的因果卷积操作。X进行连接得到隐藏的时空表示X=XIX.Ixlx,，将隐藏的时空表示X输入至时空编码器层。通过使用加权动态时间规整算法计算的，先计算每个节点与当前节点的历史流量相似度，注意力分数A分别与两个动态掩蔽矩阵MS和M.分别作Hadamard（哈达玛）乘积得到近距近距离的区域特征和具有相似性的远距离区域特征z;最后距离空间注意力模块的输出为：z:=sofimax(d:eMS)v:；Z;=sofimax(d;eM,)v"，其中，e表示哈达玛乘积。卷积操作后，应用tanh激活函数得到的非线性特征，gale表示经过卷积操作后，应用Softmax函数转换为注意力权重再与矩阵相乘，最后门控时间卷积注意力模块的输出为。。积注意力模块的引入，则进一步增强了交通流量预测模型对长时间依赖特征