一种基于时空特征深度融合的全周期交通流量预测方法

本发明涉及交通流量预测，尤其涉及一种基于时空特征深度融合的全周期交通流量预测方法。该方法从时空维度出发面向短、中、长多个周期，结合不同尺度的时序特征以及不同粒度的空间关系，用于实现融合多维度、多尺度以及多粒度综合要素的全周期数字化城市交通流量预测。

背景技术：

1、在自动驾驶、物联网、云计算和5g/6g通信技术的推动下，城市交通系统正经历深刻变革。与此同时，全球气候变化促使碳中和与可持续发展成为全球共识，进一步提高了对资源优化和应急管理的需求。在这一背景下，智能交通系统(its)的应用被证明能有效解决城市交通问题，其中交通流量预测发挥着至关重要的作用。良好的交通流量预测能够为交通管理者提供科学有效的决策支持，优化交通资源配置，减少拥堵，提升城市运行效率。随着城市扩张和人口聚集，交通需求的复杂性增加，通勤、物流和其他出行活动的流量激增，导致道路网络负荷加重，城市交通拥堵问题日益严峻。因此，高效、精准的交通流量预测成为解决这些问题的关键，它不仅能够提高交通系统的效率和响应能力，还能为实现城市可持续发展目标提供科学支撑，这对于构建未来智能、绿色的城市交通系统具有重要意义。

2、交通流量预测领域持续发展，取得了诸多研究成果。早期研究主要依赖人类经验和基本统计模型，如季节性自回归综合移动平均法(sarima)和隐马尔可夫模型(hmm)。这些方案通常假设交通流量时间序列是线性的，难以处理大规模数据，因此早期交通预测方案难以应对日益增长的海量数据。随着机器学习的快速发展，支持向量回归(svr)、k近邻(knn)等非线性处理方案逐渐涌现，技术水平有所提升但同时缺乏对时序信息建模能力，无法很好地适应多变的交通场景，依赖特征或外部算法引入时序信息，难以满足实时交通流量预测的需求，限制了对复杂交通环境的预测能力。

3、深度学习技术的出现显著提升了复杂数据的预测能力，尤其在处理时序依赖方面，如循环神经网络(rnn)、长短期记忆网络(lstm)和门控循环单元(gru)在时间特征提取方面具有优势，能够捕捉交通流量随时间变化的依赖关系。由于交通流具有趋势性和周期性，时序特征固然重要，但是在交通流量预测中，仅依赖时间信息难以充分预测交通流量的综合变化。由于对非欧几里得空间良好地适用性，图神经网络(gnn)被引入，以灵活建模节点和边之间的复杂关系。尽管如此，伴随交通流动模式变得更加多元且不可预测，同时由于缺乏有效的时空交通融合模式，现有模型在捕捉交通流长距离依赖关系，以及对时间序列动态性和交通数据多周期性趋势的处理能力仍面临诸多挑战。

4、随着模型复杂度增加，单一模型难以完全满足实际需求，因此学者们探索了综合类模型，通过融合多种深度学习模型的优点实现更精确的交通流量预测。这类模型综合图结构建模、序列建模和注意力机制，形成多层次时空依赖处理框架。但它们在时序特征的捕捉上仍存在一定的局限性，尤其是在时间尺度的精细化挖掘方面，从而可能影响模型对交通流量变化的敏感性，限制其在实时预测中的准确性和有效性。此外，它们未能充分考虑动态变化的环境因素，对空间信息的多粒度感知和识别挖掘能力仍显不足，限制了其在交通流量预测中的应用潜力。虽然这些综合类的方案逐步加强时空特征建模，但仅模拟表示空间节点连接的邻接矩阵，并尝试将其融入交通流预测模型中，尽管效果有所改进，但未能充分应对交通流复杂多变的空域交际，在捕捉动态复杂交通流动上仍有较大提升空间。

技术实现思路

1、发明目的：当前交通流量预测问题面临综合性强、复杂度高等特点，且伴随交通流动模式变得多元和动态化，更加复杂的时空依赖性和时序交互作用，以及不同空间区域对交通流量的相互影响等诸多问题，仍使得交通预测研究面临诸多挑战。因此针对以上问题，在充分考虑时空关系模式的基础上，提出了基于时空特征深度融合的全周期交通流量预测方法，充分建模交通流量在多邻域间的相互影响以及在复杂时序交互下的波动，能够深度整合交通流的复杂时空依赖，在多维度、多尺度以及多粒度上捕捉交通流量的变化规律，形成复合交通态势感知，从而实现对交通多周期综合流量预测。通过实验证实，本发明所提方法均优于同类模型。

2、为实现上述目的，本发明采用的技术方案是：

3、一种基于时空特征深度融合的全周期交通流量预测方法，包括以下步骤：

4、s1：将交通路网数据进行时空信息综合表征，首先设计基于距离与局部邻域密度的方式来构建路网的邻接矩阵，通过综合考虑道路节点间的空间距离和局部密度关系，以更精确地捕捉相邻节点间的影响关系；与此同时设计多维时序周期融合方式融合多个时间尺度，通过五种特征矩阵来表示，分别是基于多级时间窗口的近期特征矩阵fm(t)，基于周内时间段的特征矩阵fw(t)，基于时间-日期的交互特征矩阵ftd(t)，基于滑动窗口周期性特征的特征矩阵fp(t)，基于时间分辨率的特征矩阵fres(t)，这些时序特征不仅有助于改善模型的预测性能，也为揭示交通流量的潜在规律提供了基础，然后将时空信息融合作为模型初步输入；

5、s2：设计双向门控时序卷积网络bi-gated tcn捕捉短期时序依赖，有效提取历史与未来流量数据中的短期潜在模式，提升对瞬时交通变化的响应能力；

6、s3：设计基于时变多邻域图卷积和上下文多图感知注意力的模型tvmgcn-camga捕捉短期多属性邻域交互，通过多功能邻域间的多层融合来聚合短期空域依赖性，并将短期时空特征降维；

7、s4：设计tvformer深入挖掘历史流量数据中的长期趋势，确保模型适应不同时间尺度下的交通流量变化，提升对交通流量长周期性波动的特征识别能力；

8、s5：设计spagraphformer深度解构高维交通数据中的关键区域，充分挖掘复杂道路网络中的拓扑结构，提升模型对区域内流量综合变化的感知，并将中长期时空特征降维；

9、s6：将短期和中长期时空特征降维并进行多周期性有机融合，执行多周期交通流量预测；

10、s7：将预测分析结果与原始交通流数据就平均绝对误差、平均绝对百分比误差和均方根误差进行对比和评价。

11、与现有的技术相比较，本发明的有益效果是：

12、(1)本发明设计的时空信息综合表征策略，一方面综合考虑真实区域空间距离与邻域流量密度来构建邻接矩阵，能够适应对不同空间粒度的感知，更全面地反映交通网络的结构特点，有助于提升模型对交通流量变化的敏感性与预测能力；另一方面从多种周期性特征出发，设计多维时序周期融合策略，使模型充分表征交通流量在不同时间尺度上的变化趋势，为模型提供更具鲁棒性的时间维度信息，从而能够提高全周期交通预测性能。

13、(2)本发明设计的用于捕捉短期时序依赖的双向门控时序卷积网络bi-gatedtcn，通过双向门控机制为模型提供了动态控制信息流的能力，确保模型能充分利用双向时序依赖；双向扩张因果卷积通过扩大感受野捕捉远程时序依赖性，同时保持因果性，从而使得模型能够更好地捕获交通流量的时变特性。

14、(3)本发明设计的用于捕捉短期多属性邻域交互的tvmgcn-camga模型，整体基于时变多邻域图卷积和上下文多图感知注意力，可通过多邻域图捕捉交通流在不同空间邻域中的动态变化，并能通过上下文多图感知注意力动态调整不同邻域节点在特征学习中的重要性，从而确保模型在快速变化的交通环境下依然能够保持精确的预测精度。

15、(4)本发明设计的用于深入挖掘历史流量数据中的长期趋势的tvformer模型，能够有效存储和更新历史交通流量数据的关键特征，可深入提取不同时间尺度下时序依赖，挖掘长期时序趋势，并能够根据交通流量的状态动态调整时间窗口的大小，优化输入数据的时效性和相关性，确保模型能够在复杂时间尺度下适应交通流量变化。

16、(5)本发明设计的用于深度解构高维交通数据中关键区域的spagraphformer模型，能够充分考虑关键区域，适应现实世界交通网络的真实物理特性，通过挖掘复杂道路网络中的拓扑结构，提取多粒度空间特征，从而可以提高中长期交通预测的准确性。