基于多层复杂网络和多头自注意力机制的交通量预测方法

本发明属于交通量预测的，具体涉及一种基于多层复杂网络和多头自注意力机制的交通量预测方法。

背景技术：

1、在交通基础设施中，高速公路作为关键交通通道，承载了大量的交通流量。准确的交通量预测是有效管理和优化交通流的必要条件。然而，某些路段缺乏交通流量检测设备，这对准确预测短期交通量是一个巨大的障碍。

2、针对交通量短时预测的方法总体上可以归纳为模型驱动和数据驱动两类。

3、模型驱动方法有时间序列模型和滤波类模型，时间序列模型如arima及其变体，滤波类模型如卡尔曼滤波、粒子滤波等，以及时间序列和滤波方法相结合的混合模型。在通常情况下，参数类模型具有以下不足，一是很强的条件假设，并且需要对路段交通观测量进行实时统计；二是对每个观测位置进行单独预测，缺乏空间相关性考虑。

4、数据驱动类可以分为传统机器学习类方法和深度学习类方法。传统机器学习类方法如分类回归树、k近邻和svm等被应用于道路交通预测，此外，部分研究还采用了贝叶斯方法、knn、rnn、lstm等，深度学习类方法如cnn、transformer等，在通常情况下，数据驱动模型需要具备交通大数据的前提下进行，数据缺乏空间相关性的考虑，需要大量数据来提取其特征，计算复杂度高。

技术实现思路

1、本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于多层复杂网络和多头自注意力机制的交通量预测方法，将领域知识与机器学习技术相结合，利用复杂网络理论捕获和分析交通数据中的时空相关性，并利用自注意机制进行模型训练和预测，提高了准确预测路段交通量的水平。

2、为了达到上述目的，本发明采用以下技术方案：

3、本发明的一个方面，提供了一种基于多层复杂网络和多头自注意力机制的交通量预测方法，包括下述步骤：

4、获取节点交通量；

5、构建多层复杂网络，选取预测路段及预测路段的并行路段为基准路段，针对节点间的起点-终点交通量依据路径选择属性及到达基准路段时间属性计算节点的特征值序列；所述多层复杂网络包括结构网、权重网、起点-终点网以及通行时间网；

6、以预测路段所处网络位置为中心，依据节点的特征值序列对周围节点进行权重kmeans聚类，划分交通小区；通过交通小区将节点交通量转换为小区交通量；

7、以小区交通量结合历史路段数据对自注意力机制预测网络进行训练；

8、将待预测的节点交通量通过交通小区进行转换，并输入训练好的自注意力机制预测网络，对路段交通量进行预测。

9、作为优选的技术方案，所述结构网表示为： g=( v, e)，其中， g代表结构网；以出入口和互通立交为节点， v={ v1, v2,…, v n}表示网络中 n个节点的集合；以节点 v i到节点 v j的有向路段 e ij为边， e表示 m个有向路段 e ij=( v i, v j)的集合。

10、作为优选的技术方案，所述权重网采用广义费用函数来表征路段的通行成本，具体为：

11、；

12、式中，为有向路段 e ij的权重； k ηij为车型 η在有向路段 e ij的高速公路通行费； δ η是车型 η的单位距离运营费用，包括油耗、轮胎磨损以及汽车修理费用； l ij是有向路段 e ij的里程；是出行者的时间价值； t ij是车辆在有向路段 e ij在自由流状态下的行驶时间； v ij是路段交通量， c ij是路段通行能力； α, β表示期望行程时间的参数。

13、作为优选的技术方案，所述起点-终点网用于表征车辆在路网中的出行信息，包括车牌号、车型、起始点、目的地、出发时间以及到达时间。

14、作为优选的技术方案，所述通行时间网用于表征车辆在路段的平均通行时间，具体为：

15、；

16、式中，为路段的通行时间； t ij是车辆在有向路段 e ij在自由流状态下的行驶时间； v ij是路段交通量， c ij是路段通行能力； α, β表示期望行程时间的参数。

17、作为优选的技术方案，所述依据路径选择属性及到达基准路段时间属性计算节点的特征值序列，具体为：

18、；

19、；

20、；

21、其中， d( i)是节点 i到达预测路段及并行路段的通行时间； p( i)是节点 i在出行路径选择中选择预测路段及并行路段的概率，表示 p( i)符合概率和为1的约束条件，其中 s.t.表示约束条件； μ为包含预测路段在内的并行路段中心点的数量， γ为包含预测路段在内的并行路段的数量。

22、作为优选的技术方案，所述划分交通小区具体为：

23、根据节点 i到达预测路段及并行路段的通行时间 d( i)和节点 i在出行路径选择中选择预测路段及并行路段的概率 p( i)这两项特征值序列，采用权重kmeans聚类方法进行交通小区划分，如下式：

24、；

25、；

26、其中， goal用于标识优化目标函数， argmin用于描述需要找到函数的最小值时，所需的自变量的值， d( x i ,v k)是节点 i与簇 k质心的欧氏距离， x i与 v k分别是节点 i与簇 k质心的特征值序列，其中 x i包括 d( i)和 p( i)， x为节点特征值， v为簇质心的特征值， x ij与 v kj分别是节点 i与簇 k质心的特征值序列中的第 j个特征值， c k是簇 k内节点的集合， n是集合元素数量， k是簇的数量， d1和 d2分别代表到达时间和路径选择的欧氏距离， λ为聚类属性系数， μ为包含预测路段在内的并行路段中心点的数量， γ为包含预测路段在内的并行路段的数量。

27、作为优选的技术方案，所述自注意力机制预测网络包括编码器，用于实现输入序列 x=( x1, ..., xn)到输出序列 z=( z1, ..., zn)的转化，包括输入线性层、自注意力机制、输出线性层；

28、所述自注意力机制包括2层自注意力网络，每层依次包括两个子层，第一个子层包括多头注意力、求和-标准化，第二个子层包括前馈网络、求和-标准化，每个子层均具有残差连接。

29、作为优选的技术方案，所述自注意力机制中的子层中的多头注意力的多头数量为2，即 h=2，采用向量拼接连接在一起，其表达式如下：

30、；

31、；

32、；

33、其中，attention表示自注意力函数， q是查询向量， k和 v分别为字典数据结构的键向量和值向量， k t表示 k的转置； softmax表示归一化指数函数；multihead表示多头自注意力函数， concat是向量拼接函数， head a代表第 a头自注意力函数的输出， a∈[1,…, h]；，和分别代表第 a头 q、 k、 v的权重参数矩阵，代表多头自注意力输出的权重参数矩阵，为实数集， d model为多头注意力输入特征的数量， d q、 d k、 d v分别为 q、 k、 v的向量维度， h为多头注意力的多头数量。

34、本发明的另一个方面，还提供了一种基于多层复杂网络和多头自注意力机制的交通量预测系统，以节点交通量为输入，路段预测交通量为输出，应用上述的基于多层复杂网络和多头自注意力机制的交通量预测方法，包括多层复杂网络、交通小区划分模块以及自注意力机制预测网络；

35、所述多层复杂网络包括结构网、权重网、起点-终点网以及通行时间网，用于选取预测路段及预测路段的并行路段为基准路段，针对节点间的起点-终点交通量依据路径选择属性及到达基准路段时间属性计算节点的特征值序列；

36、所述交通小区划分模块用于依据路径选择属性及到达基准路段时间属性计算得到的特征值序列对周围节点进行权重kmeans聚类，划分交通小区；所述交通小区用于将节点交通量转换为小区交通量；

37、所述自注意力机制预测网络以交通小区转换得到的小区交通量为输入，以预测的路段交通量为输出，包括输入线性层、自注意力机制以及输出线性层；所述自注意力机制包括两层自注意力网络，每层依次包括两个子层，第一个子层包括多头注意力以及求和-标准化，第二个子层包括前馈网络以及求和-标准化，每个子层均具有残差连接。

38、本发明与现有技术相比，具有如下优点和有益效果：

39、（1）本发明提出了基本复杂网络和自注意力机制的交通量预测方法，以入口节点交通量为模型输入，路段预测交通量为模型输出，实现了未安装车流量检测设备的高速公路路段的动态交通量预测。该模型基于多层复杂网络提取节点的特征值序列并通过权重聚类形成交通小区，采用自注意力机制进行交通量预测，模型优势在于充分考虑了交通的时空相关性，保证了交通小区的同质性，从而提升了模型预测的准确度；模型仅需少量数据的训练即可达到预测精度，同时也说明了交通理论知识与机器学习相结合的方法能够有效提高融合预测能力。

40、（2）本发明针对高速公路路网，建立4层复杂网络，包含道路网、权重网、od网、通行时间网，实现了动态、分车型地表征复杂交通网络，能够反映实际交通的动态特性。

41、（3）本发明针对交通量预测路段，考虑并行路段分流作用，将分流特性作为节点属性，以分配比例作为特征值；同时考虑节点交通量对路段的影响时效，将到达预测路段及并行路段的时间作为节点属性，以到达时间作为特征值；将上述两部分特征值进行向量拼接，形成节点特征值。其特征值既是交通量影响时效的表征，也是交通量分配情况的表征。

42、（4）本发明交通小区划分方法。根据节点特征值，进行权重kmeans聚类划分，权重代表不同节点特征值对分类的影响程度，权重越大，对聚类影响越大，反之则影响越小，通过权重优化调整，最大化地实现了交通小区内节点的同质性，为准确预测路段交通量奠定了基础。

43、（5）本发明采用自注意力机制预测网络来预测路段交通量。输入线性层和输出分线性层分别实现输入输出数据维度的匹配，自注意力层具有2层，多头缩放点积注意力的头数为2，实现交通量的精准预测。