基于多尺度线性框架建模时空关联的交通流量预测方法

本发明属于时空数据挖掘和交通流量预测领域，通过历史的交通数据分析交通数据中存在的动态时空相关性，对未来的交通流量进行预测，提出一种基于多尺度线性框架建模时空关联的交通流量预测方法。

背景技术：

1、当下，随着人口不断增长和交通工具的广泛普及，城市道路网络变得越发错综复杂，带来了各种问题，其中包括交通拥堵和交通事故的潜在风险。为了优化交通管理、提高道路安全，并减轻城市管理负担，交通流量预测已经成为一项至关重要的方法。利用历史交通数据构建合适的模型，以便预测未来的交通量。在这一过程中，确保准确预测交通流的关键在于有效地对交通数据固有的时空动态性质进行建模。

2、在深度学习的早期阶段，卷积神经网络(cnn)通常被用于捕捉格状数据中的空间信息。然而，由于交通序列中存在非欧几里德关系，基于格状数据的cnn并不适用。随着图卷积网络(gcn)的进步，时空图神经网络(stgnn)逐渐成为交通预测领域的前沿方法。stgnn将gcn与序列模型结合起来处理时空信息。此外，由于注意机制在捕捉交通数据中的动态相关性方面具有高效性，因此它们也被广泛应用于stgnn。

3、然而，由于stgnn通常具有较高的时间复杂性，近期的研究探索了替代技术以替代图卷积操作，并对stgnn的必要性提出了质疑。

技术实现思路

1、本发明针对上述问题，提出了一种基于多尺度线性框架建模时空关联的交通流量预测方法(multiscalemlp)。

2、具体来说，本发明提出了下采样和分段采样两种采样方法，并设计了一种完全基于多层感知器mlp的框架来建模时空信息。框架中包括三个mlp模块，每个mlp模块用来对数据进行特征提取。最后再通过输出层输出多步预测结果

3、本发明方提供一种基于多尺度线性框架建模时空关联的交通流量预测方法，具体包括以下步骤：

4、步骤1、输入历史交通序列；

5、步骤2、采样处理历史交通序列：

6、通过下采样和分段采样两种采样方法将历史交通序列转换为两组不同的子序列；

7、步骤3、建模交通序列中的动态时空相关性：

8、采样处理得到的子序列通过基于多层感知机mlp的框架来建模时空信息；

9、步骤4、输出预测交通序列：

10、提取了时空特征的子序列通过维度转换和线性投影输出多步预测结果；

11、作为优选，所述步骤1中，历史交通序列x＝(x1,...,xt,...,xt)∈rt×n，其中xt∈rn表示路网中n个节点在t时刻的交通数据，t表示历史交通序列的历史长度，n表示交通节点的个数。

12、作为优选，所述步骤2中，所述采样处理历史交通序列方法中设计了下采样和分段采样，有助于在不消除任何标记的情况下捕获全局时间模式和局部时间模式。两种采样方法分别将每个长度为t的历史交通序列转换为多个长度为c的不重叠子序列。

13、1)下采样转换历史交通序列：

14、对于下采样，每次以固定的时间间隔采样，将相应的输入历史交通序列x转换长度为c的子序列：

15、

16、

17、其中，downi∈rc×n表示下采样的第i个子序列。表示下采样转换的子序列。这里，如果t不能被c整除，则用最后一个时间步长数据xt填充x。

18、2)分段采样转换历史交通序列:

19、对于分段采样，每次按连续的时间步采样，将相应的输入历史交通序列x转换长度为c的子序列：

20、

21、patchi＝{x1+c×(i-1),x2+c×(i-1),x3+c×(i-1),...,xi×c}，

22、其中，patchi∈rc×n表示分段采样的第i个子序列。表示分段采样转换的子序列。这里，如果t不能被c整除，则用最后一个时间步长数据xt填充x。

23、作为优选，所述步骤3中，所述建模交通序列中的动态时空相关性方法针对步骤2中的两种采样方法得到的子序列和通过完全基于多层感知器mlp的框架来建模时空相关性。该框架包含了三个mlp模块，分别为数据mlp模块(datamlp模块)、空间mlp模块(spatialmlp模块)和时间mlp模块(temporalmlp模块)。

24、1)datamlp模块：

25、使用datamlp模块对序列进行特征提取，datamlp模块包含dataembedding和dataencoder两个部分，首先通过dataembedding将xdown和xpatch两组子序列映射为和

26、

27、其中，linear表示线性层，dd为映射维数。再通过dataencoder进行特征提取：

28、

29、

30、其中，σ表示relu激活函数，表示datamlp模块的输出，同时也是spatialmlp模块的输入。

31、2)spatialmlp模块：

32、使用spatialmlp模块建模序列的空间相关性，spatialmlp模块包含spatialembedding和spatialencoder两个部分，首先通过spatialembedding嵌入空间特征：

33、

34、

35、其中，concat表示拼接操作，是一个可学习的参数，表示交通序列中的空间特征，ds为特征维度。对于每一个子序列共享相同的空间特征，因此复制e'spa参数次得到表示具有空间信息的隐藏表示。再通过spatialencoder进行空间特征提取：

36、

37、

38、其中，linear表示线性层，σ表示激活函数relu，表示spatialmlp模块的输出，同时也是temporalmlp模块的输入。

39、3)temporalmlp模块：

40、使用temporalmlp模块建模序列的时间相关性，temporalmlp模块包含temporalembedding和temporalencoder两个部分，同时下采样和分段采样有助于捕获局部和全局时间模式。假设一天中有k＝288个时间点(时间间隔为五分钟)，一周有k'＝7天，初始化两个可训练的参数和表示一天中每一个时间点的时间特征，表示一周中每一天的时间特征，dtd和ddw为特征维度。通过temporalembedding嵌入时间特征：

41、

42、

43、其中，concat表示拼接操作，表示以下采样子序列xdown的第一个时间点为索引，在中查询该时间点的时间特征，表示下采样子序列中起始时间点的时间特征。由于所有节点共享相同的时间信息，因此复制起始时间点的时间特征n次，得到下采样子序列起始时间点的时间特征表示以下采样子序列xdown的第一个时间点为索引，在中查询该时间点的时间特征，表示下采样子序列中起始周天的时间特征。由于所有节点共享相同的时间信息，因此复制起始周天的时间特征n次，得到下采样子序列起始周天的时间特征和表示以下采样子序列xdown的最后一个时间点为索引，在和中查询该时间点的时间特征，表示下采样子序列中终止时间点的时间特征和终止周天的时间特征。由于所有节点共享相同的时间信息，因此复制终止时间点的时间特征和终止周天的时间特征n次，得到下采样子序列终止时间点的时间特征和终止周天的时间特征和的处理方法和上述一样，表示分段采样子序列起始时间点的时间特征、分段采样子序列起始周天的时间特征、分段采样子序列终止时间点的时间特征和分段采样子序列终止周天的时间特征。表示具有时间信息的隐藏表示，再通过temporalencoder进行时间特征提取：

44、

45、

46、其中，linear表示线性层，σ表示激活函数relu，表示spatialmlp模块的输出，同时也是输出层的输入。

47、作为优选，所述步骤4中，所述输出预测交通序列方法：

48、对步骤3中的输出进行维度转换，将和的维度从转换为直接使用线性投影，得到多步预测结果：

49、

50、其中，linear表示线性层，rearrange表示维度转换操作，表示多步预测的结果，t'表示预测交通序列的长度。

51、本发明具有的有益效果：

52、本发明是一种完全基于多层感知器mlp的模型，具有用于交通流量预测的功能。本发明提出了一种下采样和分段采样方法，在不消除任何标记的情况下捕获全局和局部时间模式，并设计了一种完全基于多层感知器mlp的框架来捕获时空依赖关系。该框架包含三个模块，分别为datamlp模块、spatialmlp模块和temporalmlp模块。datamlp模块用于提取交通序列的数据特征，spatialmlp模块和temporalmlp模块分别建模序列的空间特征和时间特征。同时，附加初始化可训练参数来确定序列的时空信息，实现了一种简单而有效的模型。

53、本发明解决了传统的时空图神经网络模型时间效率低下和内存占用大的问题；提出了一个完全基于多层感知器mlp的简洁模型，以确保其简单性和效率。