[发明专利]一种基于Transformer的自适应时空图神经网络交通流预测方法及系统

权利要求书

1.一种基于Transformer的自适应时空图神经网络交通流预测方法，其特征在于，包括以下步骤：

获取历史数据，包括前一个小时交通流量、一天前交通流量和一周前交通流量，将历史数据拼接后得到的交通流特征矩阵以及路网中节点的邻接矩阵作为输入数据；

根据路网的连通性、邻接矩阵和交通流特征矩阵，提取节点自身的时间相关性、不同节点间之间的时空相关性获得第一交通流特征矩阵，并根据路网结构中的隐藏的空间相关性，获得第二交通流特征矩阵。

将第一交通流特征矩阵与第二交通流特征矩阵进行融合，得到最终的交通流特征，将该特征输入预测模型进行预测得到预测结果。

2.根据权利要求1所述的一种基于Transformer的自适应时空图神经网络交通流预测方法，其特征在于，输入数据的获取包括：将当天交通流量、一天前交通流量和一周前交通流量拼接在一起后使用卷积神经网络将拼接的数据投影到高位空间作为输入数据，当天交通流量、一天前交通流量和一周前交通流量拼接在一起的数据表示为：

X＝concat(X^r,X^d,X^w)；

其中，X为当天交通流量、一天前交通流量和一周前交通流量拼接在一起的数据，X∈R^N×M表示N个节点M个时间片的特征；X^r∈R^N×M′表示交通流量几个小时前N个节点M′个时间片的数据；X^d∈R^N×M′表示交通流量一天前N个节点M′个时间片的的周期数据；X^w∈R^N×M′表示交通流量一周前N个节点M′个时间片的周期数据。

3.根据权利要求1所述的一种基于Transformer的自适应时空图神经网络交通流预测方法，其特征在于，第一交通流特征矩阵的获取包括：

考虑路网中节点之间的距离和连通性，将位置信息注入到输入数据的特征中；

利用加入交通流时间位置编码和节点间的空间位置编码的Transformer网络获取交通流与节点间的长期依赖关系和动态的时空相关性的特征；

交通流与节点间的长期依赖关系和动态的时空相关性的特征进行并行化处理后，并利用多头注意力机制从中获取交通流动态的时空相关性；

采用softmax函数用于对获取交通流动态的时空相关性的特征进行归一化，将每个节点进行归一化后的特征按照空间轴拼接起来形成第一交通流特征矩阵。

4.根据权利要求3所述的一种基于Transformer的自适应时空图神经网络交通流预测方法，其特征在于，将位置信息嵌入到输入数据的特征中包括：

G＝(V,E,A)；

其中，表示空间信息的嵌入矩阵；A∈R^N×N是根据传感器之间的欧氏距离构建的路网结构图G的邻接矩阵，σ²为路网结构图G所有节点两点之间的欧氏距离的标准差；V表示N个节点集合，节点为道路卡口部署的检测器；E是节点之间边的集合，N为节点个数。

5.根据权利要求4所述的一种基于Transformer的自适应时空图神经网络交通流预测方法，其特征在于，将嵌入位置信息的输入数据的特征输入到Transformer网络中进行卷积，获取交通流与节点间的长期依赖关系和动态的时空相关性的特征，表示为：

X′＝Conv(concat(X,D^M,D^S))；

其中，X′∈R^C×N×M表示交通流与节点间的长期依赖关系和动态的时空相关性的特征；Conv()表示卷积操作；concat()表示拼接操作；X表示输入数据；D^M∈R^N×M×M表示嵌入时间信息的输入数据的特征；D^S∈R^M×N×N表示嵌入位置信息的输入数据的特征；C是通道数，N是节点个数，M为输入的节点历史时间片数。