[发明专利]一种基于多模式动态残差图卷积网络的交通流预测方法

权利要求书

1.一种基于多模式动态残差图卷积网络的交通流预测方法，其特征在于，包括以下步骤：

构建邻接矩阵，基于所述邻接矩阵获取不同交通流模式；

对所述不同交通流模式进行动态融合；

基于历史数据和融合后的数据预测未来流量；

基于历史数据和融合后的数据预测未来流量的过程中包括：

构建解码器，将所述历史数据输入所述解码器获取输出数据；

基于所述动态残差融合机制对所述历史数据和输出结果进行融合，获得对未来流量的预测结果；

基于所述动态残差融合机制对所述历史数据和所述输出结果进行融合的过程中包括，采用以下公式进行融合：

其中，H代表解码器的最终输出，X代表原始输入的历史数据，和为训练参数；

所述邻接矩阵包括关系矩阵和自适应矩阵，所述关系矩阵为：

其中，下标表示生成关系矩阵的第一个时间步，表示用个历史时间步的流量数据来构造关系矩阵，表示激活函数；

所述自适应矩阵为：

其中，均为学习节点，ReLU为ReLU损失函数，T表示矩阵转置；

基于所述邻接矩阵获取不同交通流模式的过程中，所述不同交通流模式包括：时间交通依赖和空间交通依赖；

基于所述关系矩阵获取所述时间交通依赖，基于所述自适应矩阵获取所述空间交通依赖；

对所述不同交通流模式进行动态融合的过程中包括：对所述时间交通依赖和所述空间交通依赖进行时空融合；

对所述时间交通依赖和所述空间交通依赖进行时空融合的过程中，采用以下公式进行融合：

其中h为最终输出，表示时间交通依赖的特征，表示空间依赖的特征，表示两个学习参数，随着神经网络的训练而更新，从而动态融合时间依赖和空间依赖特征。

2.根据权利要求1所述的方法，其特征在于，基于所述动态残差融合机制对所述历史数据和所述输出结果进行融合，获得对未来流量的预测结果的过程中还包括，采用的损失函数为均方根误差，公式如下：

其中和分别代表真值和预测值，代表预测的时间步数。