基于考虑人类流动性的图时空Transformer模型的交通流预测方法与流程

技术特征：
1.基于考虑人类流动性的图时空transformer模型的交通流预测方法，包括如下步骤：(1)将道路传感器节点视为图节点，传感器上的交通信息视为节点属性，对交通信息进行图结构数据表示，并进行问题定义；(2)将隐藏在交通信息中的多种行为模式进行建模，应用多视图的图卷积神经网络(gcn)模型挖掘交通数据在空间上的跨路网特征；(3)联合步骤(2)所得的特征，利用transformer神经网络对交通信息进行时间特征表示，捕捉交通数据在时间上的随机扰动性，从而确定用于交通流预测的图时空transformer模型；(4)联合步骤(3)所得的时空特征，在两个不同地区的真实交通数据集进行实验验证，最终确定图时空transformer模型的有效性；(5)采用步骤(4)确定的图时空transformer模型模型，用于交通流量预测。2.根据权利要求1所述的基于考虑人类流动性的图时空transformer模型的交通流预测方法，其特征在于：所述步骤(1)具体包括如下步骤：1a).将原始交通数据进行归一化处理，将路网进行图表示g＝(v,e,w),v表示所有道路集合，e表示边集合，w是权重邻接矩阵，表示节点之间的连接；1b).将不同道路的交通数据按五分钟为单元进行统计，表示为节点的特征矩阵h表示历史时间长度，n表示节点个数；1c).给定道路网路网g，特征矩阵旨在找到一个能够从历史交通信息学习时空特征的映射函数使之能够预测接下来的交通信息。3.根据权利要求1所述的基于考虑人类流动性的图时空transformer模型的交通流预测方法，其特征在于：所述步骤(2)具体包括如下步骤：2a).按照步骤(1)统计所得到的交通数据，进行行为模式划分，人们在工作日和休息日具有不同的活动轨迹，因此根据工作日和休息日将数据分为两类，对隐藏在交通信息中行为模式进行表征；2b).联合步骤(2a)划分后的数据，采用皮尔逊相关系数计算交通信息相似性，对于任意两个道路的交通信息向量u、v，计算公式如下：其中表示特征向量的平均值。最终得到表征任意两个道路交通信息相似性的矩阵a，两个道路交通信息越相似，人们的行为模式越一致；2c).按照路网本身具有的物理特性，对于任意两个道路节点v
i
,v
j
，进行权重表示如下：其中θ表示数据的标准差，dist(v
i
,v
j
)2表示任意两个节点之间的距离。最终得到表征路网物理特征的矩阵d；
2d).联合步骤(2b)和(2c)得到的多个特征矩阵，对不同的行为模式利用gcn模型进行特征表示，图结构数据上的快速卷积公式如下：其中i
n
表示单位矩阵，d是度矩阵d＝∑
j
a
ij
，λ
max
是l
sys
矩阵的最大特征值，t
k
(
·
)表示k阶切比雪夫多项式；θ表示切比雪夫系数的向量。同时利用神经网络进行参数向量进行优化，采用layer-wise图卷积神经网络进行特征提取，公式如下：h
l 1
＝σ(g
θ
h
l
w
l
b
l
)
ꢀꢀꢀꢀ
(4)其中h
l
表示带有残差结构的神经网络输出，g
θ
的常数项可以计算得到，待优化的参数项由神经网络参数进行优化，最终可以得到交通信息数据的空间特征嵌入向量表示。4.根据权利要求1所述的基于考虑人类流动性的图时空transformer模型的交通流预测方法，其特征在于：所述步骤(3)具体包括如下步骤：3a).结合步骤(2)中所得到的空间特征表示，采用线性投影构建注意力的查询向量q、键向量k和值向量v；q＝zw
q
,k＝zw
k
,v＝zwvꢀꢀꢀꢀ
(5)3b).采用缩放点积函数作为注意力机制分数的计算，并且将查询向量q、键向量k和值向量v与不同的线性投影结合，构建多个注意力函数，形成多头注意力机制；multihead＝concat(head1,
…
,head
n
)w
o
ꢀꢀꢀꢀ
(6)其中head
i
＝attention(qw
iq
,kw
ik
,vw
iv
)，注意力机制分数计算的缩放点积函数可以表示为3c).结合步骤(3b)得到的多头注意力表示，构建两层的前馈神经网络，并加入残差连接，缓解深度网络下梯度消失的问题；ffn＝wσ(wx b) b
ꢀꢀꢀꢀ
(7)其中σ表示激活函数，w和b表示可学习的网络参数；3d).结合步骤(3b)和步骤(3c)构建encoder和decoder模块，将多个encoder和decoder模块进行叠加，构建transformer神经网络，并用于提取交通数据的时间特征；3e).结合步骤(2)和步骤(3d)，将时空特征联合起来，构建出图时空transformer模型。5.根据权利要求1所述的基于考虑人类流动性的图时空transformer模型的交通流预测方法，其特征在于：所述步骤(4)具体包括如下步骤：4a).结合步骤(2)中所提取的交通数据空间特征和步骤(3)所提取的交通数据时间特征，构建损失函数，进行图时空transformer模型的训练和参数的优化；其中n表示采样个数，y
i
和表示真实交通信息值和预测交通信息值；4b).交通预测问题是一个经典的回归问题。因此，为了评估模型的预测性能，选择平均绝对误差(mae)、平均绝对百分比误差(mape)和均方根误差(rmse)作为指标；对于mae、rmse
和mape指标，值越小表示预测性能越好；和mape指标，值越小表示预测性能越好；和mape指标，值越小表示预测性能越好；4c).将两个不同地区的真实交通数据集输入模型，并采用批处理的方式进行训练，观察模型的表现性能；最终，可以得到具有表征交通数据空间特征和时间趋势的图时空transformer模型，并应用于交通流预测。

技术总结
基于考虑人类流动性的图时空Transformer模型的交通流预测方法。包括：1)数据收集：本发明采用美国不同地区的真实交通数据集，经过筛选提取预处理以后，得到实验所需的数据；2)空间特征提取：设计多视图图卷积揭示隐藏在交通数据中人们的不同行为模式，从而展现交通数据中看不见的图结构，充分挖掘空间上的跨路网特征；3)时间特征提取：使用带有多头注意力机制的Transformer网络进行时间特征提取；4)模型构建：联合时间和空间特征，构建用于交通流预测的图时空Transformer模型；5)数据集验证：本发明采用真实世界的交通数据集对图时空Transformer模型进行性能评估，最终确定图时空Transformer模型的有效性，并用于交通流预测。以实验表明本发明对于处理类似问题具有出色表现。色表现。色表现。


技术研发人员：孔祥杰 赵振振 沈国江 熊海涛 刘娜利 刘志
受保护的技术使用者：浙江工业大学
技术研发日：2021.09.28
技术公布日：2022/4/1