技术特征：
1.结合序列局部信息与多序列关联关系的交通流量预测方法，其特征在于该方法的具体步骤是：步骤(1).获取n个流量传感器在t个时刻的历史交通流量，形成交通流量数据集；步骤(2).根据传感器的地理位置形成有向路网图g(s,e)，其中s是有向图中的顶点集合且每个顶点表示一个流量传感器，e是有向图中有向边的集合；步骤(3).提取序列局部信息，将历史流量数据输入长短期记忆网络中，得到序列局部信息c
l
；步骤(4).提取多序列关联关系信息，包括以下子步骤：步骤(4.1).基于路网g(s,e)确定不同传感器之间的地理位置邻接矩阵a
g
；步骤(4.2).根据图上各节点的历史流量数据形成历史流量相关矩阵a
t
；步骤(4.3).将地理位置邻接矩阵a
g
和历史流量邻接矩阵a
t
结合形成动态邻接矩阵a
d
；步骤(4.4).将动态邻接矩阵a
d
和历史流量数据输入图卷积网络中得到多序列关联关系信息c
g
；步骤(5).将序列局部信息c
l
和多序列关联关系信息c
g
基于门控机制进行信息融合得到最终的信息表示c；步骤(6).多尺度交通流量预测，包括以下子步骤：步骤(6.1).确定将要进行流量预测的时刻个数k，基于此选择k个1
×
1的卷积核；步骤(6.2).将k个不同的卷积核应用在c上，得到k个时刻的交通流量预测结果。2.如权利要求1所述的交通流量预测方法，其特征在于，步骤(3)具体为：根据时间窗口w获取w个时间步的所有传感器的流量；将每个时刻所有传感器的当前时刻流量构成的向量x
t
依次输入长短期记忆网络；将所有时刻长短期记忆网络输出的隐藏向量进行拼接作为提取得到的序列局部信息c
l
。3.如权利要求1所述的交通流量预测方法，其特征在于，步骤(4.1)具体是：在有向图g(s,e)的基础上，得到地理位置邻居矩阵a
g
，若传感器i和传感器j之间存在一条由i指向j的有向边，则邻接矩阵中的第i行第j列的元素即a
g
[i][j]设为1，否则设为0。4.如权利要求3所述的交通流量预测方法，其特征在于，步骤(4.2)具体是：用a
t
[i][j]表示传感器i和传感器j之间的历史流量相似度，则：其中表示第i个传感器截取历史流量序列的平均流量，表示ti时刻第i个传感器的流量，w为时间窗口。5.如权利要求4所述的交通流量预测方法，其特征在于，步骤(4.3)具体是：动态邻接矩阵a
d
计算如下：a
d
＝αa
g
+βa
t
其中α,β表示权值系数。6.如权利要求5所述的交通流量预测方法，其特征在于，步骤(4.4)中，所述的图卷积网
络中节点的更新公式为：其中d表示度矩阵，i
n
表示单位矩阵，h
(l)
表示第l层所有节点信息构成的矩阵，w
(l)
表示第l层可学习的参数矩阵，relu表示激活函数；整张图共更新l次，得到h
(l)
表示所有节点更新后信息集合，即为最终的序列关联关系信息c
g
。7.如权利要求1至6中任一项所述的交通流量预测方法，其特征在于，步骤(5)中，通过门控机制融合信息的过程为：首先通过门控机制获得权重g
c
：g
c
＝σ(w
g
c
g
+w
l
c
l
+b
c
)其中w
g
,w
l
为门控机制中可学习的参数矩阵，b
c
为偏置向量；然后根据权重g
c
，将序列局部信息c
l
和多序列关联关系信息c
g
进行融合得到最终的信息表示c：c＝g
c
⊙
c
g
+(1-g
c
)
⊙
c
l
。
技术总结
本发明公开了一种结合序列局部信息和多序列关联关系的交通流量预测方法。本发明首先通过长短期记忆网络提取历史流量序列本身的局部动态变化信息，然后通过图卷积网络提取不同序列之间的全局关联关系信息，最后通过门控机制将局部动态变化信息和多序列关联关系信息结合。在全局关系信息的提取过程中，本发明在静态关联关系的基础上进一步的考虑不同序列随时间变化的动态关系，以实现更准确的交通流量预测。流量预测。流量预测。
技术研发人员：李保 王东京 沈航 陈建江 王尔义 俞东进 张煜 裴洋
受保护的技术使用者：浙江省机电设计研究院有限公司
技术研发日：2022.05.26
技术公布日：2022/9/27