[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

说明书

本发明属于智能交通领域，具体涉及一种基于Transformer的自适应时空图神经网络交通流预测方法及系统，方法包括获取历史数据，将历史数据拼接后作为输入数据；将输入数据使用向量进行表示，并获取表征路网空间特征的邻接矩阵和交通流特征矩阵；根据路网的连通性和节点特征矩阵，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；本发明在复杂交通的状况下对较长时交通流具有良好的预测效果。

技术领域

本发明属于智能交通领域，具体涉及一种基于Transformer的自适应时空图 神经网络交通流预测方法及系统。

背景技术

目前，有较多文献研究了交通流预测方法。文献T-GCN:A Temporal GraphConvolutional Network for Traffic Prediction将图卷积应用在交通流预测中，利用图卷积网络和门控递归单元(GRU)分别捕获时间依赖和空间依赖。文献 Attention BasedSpatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting将注意力机制引入到交通流预测模型中，利用时空注意机制捕捉交通 数据的动态时空关联，同时利用两个单独的组件来分别捕获时间相关性和空间 相关性。文献Spatial-TemporalSynchronous Graph Convolutional Networks:ANew Framework for Spatial-TemporalNetwork Data Forecasting提出一种局部时空子 图，能够有效捕获复杂的局部时空相关性。文献Spatial-Temporal Fusion Graph Neural Networks for Traffic FlowForecasting提出一种由数据驱动的“时间图”生 成方法，可以捕获在空间图中没有反映的相关性。文献Spatial-Temporal Transformer Networks for Traffic Flow Forecasting将Transformer引入到交通流预 测模型中，利用Transformer捕获动态的空间相关性和时空相关性。到目前为止 少有文献能够同时捕获隐藏的空间关系和动态的时空相关性。

交通流数据具有复杂的时空相关性，数据的空间依赖的隐藏性、时间的相 关性、时间的多模特性，都是现有交通流预测面临的挑战。

发明内容

为了有效地捕获交通数据中动态的和隐藏的空间相关性以及时空相关性， 本发明提供一种基于Transformer的自适应时空图神经网络交通流预测方法及系 统，所述方法包括以下步骤：

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。

进一步的，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)；