[发明专利]多融合图网络协同多通道注意力模型及其应用和应用方法

权利要求书

1.一种应用多融合图网络协同多通道注意力模型的交通流预测方法，其特征在于：多融合图网络协同多通道注意力模型包括多通道注意力层、多融合图卷积层、卷积神经网络层、残差网络和RELU层，应用该模型的预测方法包括如下步骤：

步骤(1)，将交通数据输入到多通道注意力层中，经过多通道注意力层进行打分计算，获得注意力输出；

步骤(2)，将已经获取的交通流、平均车速、平均占道率、节点空间信息进行计算获得相关图结构；

步骤(3)，将步骤(1)的输出和步骤(2)中的邻接矩阵数据一起喂入多融合图卷积层中进行卷积操作，获取时空相关性；

步骤(4)，将多融合图卷积层的输出再经过一层时间卷积神经网络获得再次提取交通数据时空相关特性和非线性动态变化性；

步骤(5)，结合残差网络，防止信息丢失，再经过一层RELU层，获得多融合图网络协同多通道注意力块；

步骤(6)，堆叠数个多融合图网络协同多通道注意力块，能够提取到更多的信息，将最后一个多融合图网络协同多通道注意力块的输出再经过一层卷积神经网络层，获得最终的序列输出，

其中多融合图卷积层是用已有的数据构建了多融合的图再结合图卷积神经网络构建构成。

2.根据权利要求1所述一种应用多融合图网络协同多通道注意力模型的交通流预测方法，其特征在于：所述步骤(1)中：

将历史交通流数据X，喂入多通道注意力层中，获取注意力分数，将的交通数据作为输入:

其中是通道全局平均池化，σ是激活函数，令ReLU表示线性修正单元激活函数，给定聚合特征z，通道注意力可以通过以下方式学习：

ω＝σ(Wz) (2)

W∈R^T×T是矩阵；为了让学习更高效，让所有通道共享学习参数，使用卷积核大小为k的1维卷积的方法实现通道之间的信息交互：

ω＝σ(C1D_k(z)) (3)

C1D表示一维卷积，将注意力矩阵与相乘获得输出：

然后将作为输出，输入到多融合图卷积层中，继而捕获时空相关信息。

3.根据权利要求1所述一种应用多融合图网络协同多通道注意力模型的交通流预测方法，其特征在于：所述步骤(2)中：

其中μ1，μ2，μ3，ε1，ε2，ε3是超参数，p_ij＝mean(|c_i-c_j|)，b_ij＝mean(|s_i-s_j|) ，h_ij＝mean(|o_i-o_j|) ，通过C_ij，S_ij，O_ij的分别是顶点i和顶点j之间的流量连边、平均速度连边和平均占道率连边，构造出矩阵C、S、O；

距离矩阵：

Q_ij是顶点i和顶点j之间的距离连边，最终获得距离矩阵Q。

4.根据权利要求1所述一种应用多融合图网络协同多通道注意力模型的交通流预测方法，其特征在于：所述步骤(3)具体为：将步骤(1)和步骤(2)四种图结构融合在一起，形成一张新的图：

A＝w_dQ+w_cC+w_sS+w_oO (9)

其中W_d，W_c，W_s，W_o是超参，且w_d+w_c+w_s+w_o＝1，将多融合的图结构的邻接矩阵A构造拉普拉斯矩阵，结合步骤1的输出输入到图卷积神经网络中，实现卷积操作：

g_θ×_Gx＝g_θ(L)x＝g_θ(UΛU^T)x

＝U(g_θ(Λ))U^Tx (10)

其中L是图的拉普拉斯矩阵，L＝D-A，规范化其中A是邻接矩阵，I_N是单位矩阵，D∈R^N×N是度矩阵，由节点度数组成的对角矩阵，D_ij＝∑A_ij，L＝UΛU^T是对拉普拉斯矩阵特征分解的结果，其中Λ＝diag([λ₀，...，λ_N-1])∈R^N×N是L的特征值组成的对角矩阵；g_θ是图卷积滤波器，使用切比雪夫多项式近似展开求解：

θ_K∈R^K是切比雪夫多项式系数，λ_max是拉普拉斯矩阵的最大特征值，T_K(x)＝2xT_K-1(x)-T_K-2(x)，使用多融合图结构构造邻接矩阵A，构造出拉普拉斯矩阵L，假设K＝2，提取0～1阶邻居信息，近一步近似拉普拉斯算子矩阵的最大特征值λ_max，λ_max≈2，公式(11)可以表示为：

θ₀，θ₁是两个共享参数，θ₀，θ₁可以用θ来代替，θ＝θ₀＝-θ₁，令那么公式(12)可以被简化为：

堆叠多层：

是第r层的输入，C_r-1是第r层的通道数，r∈{1，...，l}，l是卷积层数，是卷积核参数，通过层层聚合，每个节点都包含了其0～k-1邻居节点的信息。