[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

说明书

本发明是一种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，该模型包括ECA、MF‑GCN、CNN、残差网络和RELU层，堆叠ECA、MF‑GCN、CNN构建出多融合时空块，多融合时空块结合残差网络、一层RELU层获得多融合图网络协同多通道注意力块，堆叠多融合图网络协同多通道注意力块，将最后多融合图网络协同多通道注意力块的输出再经过CNN层，获得多融合图网络协同多通道注意力模型。本发明用已有的数据构建潜在的图结构，构建多属性融合的GCN模块，将包含多个属性的图结构传入GCN模块，充分挖掘图结构信息；首次将ECA模型用于交通流预测，应用ECA模型的注意力机制，更好的建模时间非线性动态变化性。

技术领域

本发明涉及通信技术领域，具体的说是涉及一种多融合图网络协同多通道注意力模型及应用该多融合图网络协同多通道注意力模型的交通流预测方法。

背景技术

交通系统是现代城市的重要组成部分之一，为数以亿计的人们的日常通勤和假日旅行提供支持。随着城市化不断加快，人口飞速增长，交通系统变得日益复杂，随之而来的交通堵塞，交通事故也屡见不鲜。如果能够对城市交通状况做出预测，提前做好方案部署，缓解交通压力，避免交通事故的发生的同时还能够进一步的降低人们的出行时间和成本，降低环境污染。车流量是反映交通状态的主要参数之一，较为准确的交通流量预测，有助于智能交通系统的发展。

伴随着IPv6、无线通信技术和传感技术的发展，智能交通融合了短程无线通信技术、微电子传感技术、嵌入式传感网络等等技术，致使不断采集各类大批交通数据成为可能，诸如流量、车速、车道占用率等，积累了大量丰富的带有地理信息的交通时间等数据，为流量预测提供很好的数据基础。

目前，已经有大量的学者进行了相关的预测尝试。早期的预测模型要求数据相对稳定、且呈线性变化，存在适用性差、实时性差等较为明显的缺点，很难适应实际需求。随后发展的传统的机器学习虽然也能对复杂的数据进行建模，但是由于交通流量数据受到多个变量属性的影响，通常具有非线性和突变性特点，难以精准预测，而且这类方法的预测效果很大程度上依赖于特征工程，这往往是依赖领域专家的先验知识。

时空相关数据的预测问题在时空数据挖掘领域已经变得日益重要。而交通流预测是典型的时空数据预测问题。许多经典的模型，比如ARIMA和SVM 仅考虑时间信息，如ZL201711352952X公开的一种基于改进SVM算法的交通状态预测方法，该方法则是以时间间隔为基础，但是这种方法在复杂的空间依赖问题上面临巨大的挑战。

ZL2018112789581公开了一种基于LSTM_CNN的城市路网交通状态预测方法，该预测方法将CNN和LSTM相结合，分别建模空间相关性和时间相关性，其效果在城市人流量预测问题中得以验证，但交通预测问题属于典型的图结构相关预测，而以上模型并没有进一步捕获更多的图结构信息。

ZL2020115437933公开了一种利用动态时空图训练卷积神经网络的交通流预测方法，该方法构建卷积神经网络并利用由交通流数据构成的动态时空图训练该卷积神经网络，采用图卷积和注意力使得本发明有着较高的预测交通流的准确性并能更好地捕获动态时空图的结构信息。

ZL 2020103153127一种基于多模态融合和图注意力机制的高速交通流预测方法，综合考虑交通流模型中的时间和空间特征，把多种因素通过编码方式进行融合，综合图注意力机制和空洞卷积等方法进行速度预测的模型构建，应用某高速公路路段实测数据构建模型并进行验证，预测结果和实测结果对比表面本研究提出的车速预测方法具有较好的效果。