一种基于多种注意力神经网络的车辆交通预测方法及系统

本发明涉及交通预测，特别涉及一种基于多种注意力神经网络的车辆交通预测方法及系统。

背景技术：

1、随着城市的快速发展，城市交通面临着越来越严重的拥堵。传统的交通流预测方法存在着过拟合和人工干预等性能下降的弊端，降低了整体的交通效率，同时也引发了更多的交通事故。在当前的交通设施基础上，对交通流量进行科学合理的预测和精准控制，对于改善道路交通状况至关重要。因此，采用合理的交通规划和智能的早期指导成为解决这一问题的最为有效的途径。通过先进的交通流预测技术，我们有望更好地理解和应对城市交通的挑战，提高整体出行效率，为居民创造更为便捷、安全的出行环境。

2、智慧交通系统(intelligent traffic systems，its)和车联网(vehicle-to-everything，v2x)结合，形成了一种强大的交通管理和车辆通信体系。车联网技术允许车辆之间和车辆与基础设施之间进行实时通信。车辆可以交换位置、速度、方向等信息，能够实时对交通流量做出科学合理的预测和控制。这种信息交流有助于提高交通安全、减少事故，并改善交通流畅性。车辆通过车联网可以获取实时的交通信息，包括交通拥堵、事故、道路工程等。考虑到天气、星期几和季节等因素对交通的影响，智慧交通系统通过综合这些因素，更全面地理解和预测交通状况，从而提供更准确、实用的交通管理和导航服务。这种综合信息的利用使得城市居民能够更加智能、高效地规划自己的出行。

3、现有技术无法选择合适的模型对上述多个数据进行合理处理，导致当前深度学习模型在处理城市路网大规模、高维数据时存在局限性。

技术实现思路

1、本发明的目的在于克服现有技术中的上述缺陷，提供一种基于多种注意力神经网络的车辆交通预测方法及系统，解决当前深度学习模型在处理城市路网大规模、高维数据时的局限性。充分提取交通数据的时间、空间以及周期特征，使得输出的预测结果与实际交通拥堵情况贴合程度大幅提高。

2、为实现上述目的，本发明提供了一种基于多种注意力神经网络的车辆交通预测方法，包括以下步骤：

3、步骤s1：收集大量的交通数据集，并进行特征工程；

4、步骤s2：对收集到的数据进行预处理，以获取关键的空间-时间特征；

5、步骤s3：构建基于长短期记忆网络lstm的多种注意力神经网络预测模型；

6、步骤s4：对预测结果进行评估和优化。

7、作为优选的，所述步骤s1中特征工程阶段，从交通数据中提取出与交通流相关的特征，并获取天气、星期几、季节；这些特征将用于构建预测模型。

8、作为优选的，所述步骤s1中交通数据集：包括车辆之间以及基础设施的实时通信，自动采集每条车道上的车辆、监测路口的交通流量，同时收集周围环境的信息，以及估计交通容量等关键交通数据；获得交通信息以时间序列和特征信息获取，为智能交通管理提供了强有力的支持，构建多种注意力神经网络的车辆网交通预测。

9、作为优选的，所述步骤s2中所述空间-时间特征：包括交通流的密度、速度、拥堵程度等信息；通过对数据进行预处理，可以减少噪声和异常值的影响，并提高预测模型的准确性。

10、作为优选的，所述步骤s3中长短期记忆网络lstm是一种适用于处理时间序列问题的深度学习模型；在该步骤中，将使用lstm模型来训练多种注意力神经网络预测模型，并结合车联网数据进行交通流预测；lstm模型能够捕捉历史交通数据中的有用信息，并从时间序列中提取浅层特征。

11、作为优选的，所述步骤s3中利用多种注意力神经网络，结合时间序列、星期几、天气、假期和季节信息，并结合长短期记忆网络lstm实现更准确的交通流预测，通过车联网技术，系统可以实时调整以缓解交通拥堵，通过交通信号控制、实时信息采集和高效数据传播等手段；在车联网的支持下，我们能够估计交通容量并为道路上的每个参与者分配合理的交通权益。

12、作为优选的，通过综合考虑天气、星期几和季节因素，系统在分析长短期序列相关系数并保留预测时间步长的基础上，更深入地理解了长期和短期的交通模式，从而更准确地预测未来的交通状况；通过两个长短期记忆网络lstm层的输出，并经过sigmoid函数的处理，我们得到了一个更为全面的预测模型；通过加入天气、星期几和季节要素，更好地适应不同时间背景下的交通变化，能够为智慧城市交通系统提供可靠的预测。

13、作为优选的，所述长短期记忆的计算公式为：ft＝σ(wf·[ht-1，xt]+bf)；式中，wf和bf遗忘门权重矩阵和偏置向量，xt和ht-1是当前状态输入和最后lstm输出；

14、输入门it即：it＝σ(wi·[ht-1，xt]+bi)；

15、

16、

17、式中，wi和bi输出门权重矩阵和偏置向量，xt和ht-1是当前状态输入和最后lstm输出，σ是sigmoid激活函数：遗忘门可以让长短期记忆网络lstm能够选择可以从前一个单元格中放弃哪些信息；遗忘门的使用使长短期记忆网络lstm在序列预测中很好地拟合了上下文相关性。

18、作为优选的，所述步骤s4中，将对预测结果进行评估，以确定预测模型的准确性和稳定性；如果预测结果不理想，可以对模型进行优化，调整模型参数或增加训练数据量，以提高预测准确性。

19、本发明还提供了一种基于多种注意力神经网络的车辆交通预测系统，包括上述所述的一种基于多种注意力神经网络的车辆交通预测方法；

20、还包括：数据收集模块，用于收集大量的交通数据集，并进行特征工程；

21、数据预处理模块，与数据收集模块相连接，用于对收集到的数据进行预处理，以获取关键的空间-时间特征；

22、预测模块，与数据收集模块相连接，用于构建基于长短期记忆网络lstm的多种注意力神经网络预测模型；

23、评估和优化模块，与数据收集模块相连接，用于将预测结果与实际结果相对比，进行反向传播更新网络参数，从而对预测结果进行评估和优化。

24、与现有技术相比，本发明的有益效果在于：

25、1、本发明根据车辆之间以及路基设施的实时通信,系统可以动态获取每条车道上的车辆分布、路口的交通流量变化，同时检测周边环境信息，实时评估道路交通容量等关键数据，运用更高效的数据处理算法和技术，对大量的交通数据进行实时处理和分析，以提高预测的精度和实时性。这些丰富的交通动态信息以时间序列和特征向量的形式准确获取,为智能化交通管理和控制提供了有力支持,可用于构建各种注意力神经网络进行车辆网预测。系统首先获取交通时间序列数据和相关环境特征。然后将这些信息输入到集成了长短期记忆(lstm)网络、天气条件、星期参数以及季节因素的深度学习模型中。该模型通过提取交通信息的时空相关性，进一步提升预测的准确性和效果。在空间层面上,车联网将各个车辆实时状态上传到中央服务器,服务器则根据预测结果产生交通控制指令，可以将交通预测结果和实时交通数据共享给相关的交通管理部门和交通参与者，以实现更好的交通协同管理。通过共享数据和信息，可以提高交通管理的效率和决策的准确性，实现区域交通的协同管理。

26、2、本发明通过考虑交通流量在工作日和周末之间的差异、星期几、天气状况、假期、季节和重大事件等其他背景因素的紧密关联，还将车辆轨迹数据与地理信息系统(gis)数据相结合，通过综合考虑这些因素，我们更全面地辅助估算道路交通拥堵的情况；为城市居民提供更精准、实用的交通信息，从而提高了交通预测的准确性和可靠性。