基于时序依赖注意力稀疏卷积的交通流量预测方法及系统

本发明涉及交通流量预测，特别涉及一种基于时序依赖注意力稀疏卷积的交通流量预测方法及系统。

背景技术：

1、随着交通网络的日益复杂，交通流量预测对于交通道路的管理和公共安全的预防具有重要的现实意义。例如准确地预测出租车需求可以帮助提高车辆调度效率，减少交通拥堵。

2、传统的预测方法，一般是使用历史交通流量平均值作为下一个时间间隔的预测值，而不能捕获不同时间间隔之间的相关性，同时由于模型容量有限，很难捕捉交通流数据的复杂时空特征，导致预测得到的未来时间间隔的流量数据准确度较低。

技术实现思路

1、基于此，本发明的目的是提出一种基于时序依赖注意力稀疏卷积的交通流量预测方法及系统，以深度捕捉不同时间间隔之间的相关性，同时捕捉历史交通流量数据的时空特征，进而提高预测未来时间间隔的交通流量结果的准确度。

2、根据一种基于时序依赖注意力稀疏卷积的交通流量预测方法，所述方法包括：

3、基于经纬度将目标城市划分为m*n的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；

4、定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；

5、根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，xt表示第t个时间间隔的历史流量数据，ht表示与第t个时间间隔的历史流量数据对应的时空特征；

6、根据第t个时间间隔对应的时间相关性注意力特征和时空特征ht计算得到融合特征ft，并将所述融合特征ft输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。

7、综上，根据上述的基于时序依赖注意力稀疏卷积的交通流量预测方法，以替代传统的交通流量预测方式，通过深度提取历史交通流量数据的时空特征，同时利用深度提取的时空特征深度捕捉多个时间间隔之间的时间相关性，从而能够更加精确地预测目标城市中任一区域在未来时间段下的交通流量结果。具体为：首先将目标城市划分为多个网格区域，同时定义交通流入和交通流出的概念，以计算出任一网格区域的交通流入和交通流出，而后再基于该区域的交通流入和交通流出生成历史流量数据，再基于改进后的convlstm网络从历史流量数据序列中提取时空特征序列，进而计算出多个时间间隔之间的时间相关性注意力特征，而后再将深度提取出的时空特征和时间相关性注意力特征进行融合，得到一融合特征，最后根据该融合特征预测在未来时间间隔下的三维特征张量。

8、进一步地，所述以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出的步骤包括：

9、根据以下公式计算得到区域g(i,j)对应的交通流入：

10、，

11、其中，表示区域g(i,j)在第t个时间间隔内的交通流入，tr表示一次行程，γ表示所有行程的集合，pstart表示单次行程内的开始区域，pend表示单次行程内的结束区域，tstart表示单次行程开始的时刻，st表示第t个时间间隔的开始时间，et表示第t个时间间隔的结束时间，表示一次行程的变量；

12、根据以下公式计算得到区域g(i,j)对应的交通流出：

13、，

14、其中，表示区域g(i,j)在第t个时间间隔内的交通流出。

15、进一步地，所述根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列的步骤包括：

16、根据以下公式对历史流量数据序列进行提取：

17、，

18、其中，表示改进后的convlstm网络中的存储单元，g（·）表示tanh函数，、以及表示改进后的convlstm网络中的存储单元的可学习参数，ht-1表示与第t-1个时间间隔的历史流量数据对应的时空特征，表示第t个时间间隔下的存储单元状态，表示第t-1个时间间隔下的存储单元状态，、、分别表示改进后的convlstm网络中的遗忘门、输入门和输出门，表示卷积运算，表示hadamard乘积；

19、根据以下公式计算得到遗忘门：

20、,

21、根据以下公式计算得到输入门：

22、，

23、根据以下公式计算得到输出门：

24、，

25、其中，（·）表示sigmoid函数，、均表示改进后的convlstm网络中的遗忘门可学习参数，、均表示改进后的convlstm网络中的输出门可学习参数，、均表示改进后的convlstm网络中的输入门可学习参数。

26、进一步地，所述根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征的步骤包括：

27、将时空特征序列通过展平层拉伸成特征向量,并根据以下公式计算得到第t个时间间隔的时间相关性注意力特征：

28、，

29、其中，αk表示第t个时间间隔的特征向量与第k个时间间隔的特征向量进行矩阵乘积得到的权重向量，表示第t个时间间隔的特征向量，表示第k个时间间隔的特征向量的转置，表示与权重向量αk对应的归一化向量，at表示第t个时间间隔的时间相关性注意力特征，表示第k个时间间隔的时空特征。

30、进一步地，所述根据第t个时间间隔对应的时间相关性注意力特征和时空特征ht计算得到融合特征ft的步骤包括：

31、根据以下公式计算得到融合特征ft：

32、，

33、其中，wa表示第t个时间间隔的时间相关性注意力特征at的权重系数，wh表示表示时空特征ht的权重系数。

34、进一步地，所述将所述融合特征ft输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量的步骤包括：

35、根据以下公式计算得到第t+1个时间间隔对应的三维特征张量：

36、，

37、其中，表示应用k层反卷积层对融合特征ft进行预测。

38、本发明另一方面还提出一种基于时序依赖注意力稀疏卷积的交通流量预测系统，所述系统包括：

39、区域分割模块，用于基于经纬度将目标城市划分为m*n的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；

40、区域交通流量获取模块，用于定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；

41、特征提取模块，用于根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的convlstm网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，xt表示第t个时间间隔的历史流量数据，ht表示与第t个时间间隔的历史流量数据对应的时空特征；

42、区域流量预测模块，用于根据第t个时间间隔对应的时间相关性注意力特征和时空特征ht计算得到融合特征ft，并将所述融合特征ft输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。

43、本发明另一方面还提供一种存储介质，包括所述存储介质存储一个或多个程序，该程序被执行时实现如上述的基于时序依赖注意力稀疏卷积的交通流量预测方法。

44、本发明另一方面还提供一种计算机设备，所述计算机设备包括存储器和处理器，其中：

45、所述存储器用于存放计算机程序；

46、所述处理器用于执行所述存储器上所存放的计算机程序时，实现如上述的基于时序依赖注意力稀疏卷积的交通流量预测方法。

47、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。