[发明专利]一种用于城市流量预测的时空微分方程网络

权利要求书

1.一种用于城市流量预测的时空微分方程网络，其特征在于，包括：集成在一个框架内的深度学习模型和物理动态过程，其中，

物理动态过程：基于能量传递微分方程构建路网节点的交通势能场序列演化动态方程；

深度学习模型：包括编码器、时空微分方程网络和解码器；

所述编码器用于将历史交通流序列编码为交通势能场的初始状态

所述时空微分方程网络将交通势能场序列演化动态方程引入残差图卷积网络，结合所述初始状态经由神经元常微分方程计算器预测势能场序列t₀为初始时刻，为待预测的未来H时刻；

所述解码器基于交通流量与势能梯度关系模型由预测的势能场序列生成预测交通流序列。

2.根据权利要求1所述的用于城市流量预测的时空微分方程网络，其特征在于，所述交通势能场序列演化动态方程为：

其中，z＝(z₁,…,z_n)^T为全路网的交通势能场，为路网节点i的交通势能，α为共享参数，φ＝(φ₁,…,φ_i,…,φ_n)^T，φ_i为训练参数，⊙为哈达玛乘积，Δ为计算节点i与邻居的状态z_i之间差值的拉普拉斯算子。

3.根据权利要求2所述的用于城市流量预测的时空微分方程网络，其特征在于，所述时空微分方程网络为：

其中，函数为残差图卷积网络，其中的重复神经网络层为

Φ代表所有可训练的参数，使用α作为卷积核来聚合给定感受野之内的节点状态，Tanh(·)为激活函数，卷积的结果由权重φ_i加权求和。

4.根据权利要求3所述的用于城市流量预测的时空微分方程网络，其特征在于，所述神经元常微分方程计算器预测势能场序列为：

其中从分布中采样得到，分布为根据历史交通流量序列计算得到的条件概率分布。

5.根据权利要求4所述的用于城市流量预测的时空微分方程网络，其特征在于，从分布中采样过程中，对应的均值和方差由历史交通流量序列得到：

使用GRU作为编码器从中提取信息，g(·)为一个全连接网络将最终的隐状态转变为的均值和方差

采用重参数化方法根据下式计算每个节点的

其中，∈_i从标准正态分布中采样得到，T表示历史交通流量序列的长度。

6.根据权利要求1所述的用于城市流量预测的时空微分方程网络，其特征在于，所述交通流量与势能梯度关系模型为：

其中，为图梯度算子，负号代表流量的方向，z＝(z₁,…,z_n)^T为全路网的交通势能场，为路网节点i的交通势能，全路网的流量为向量|ε|为边集的大小，边集为两个路网节点之间的有向边的集合。

7.根据权利要求1所述的用于城市流量预测的时空微分方程网络，其特征在于，通过反向迭代算法，以预测交通流序列的对数似然最小化为目标训练框架。