[发明专利]基于时序依赖注意力稀疏卷积的交通流量预测方法及系统

权利要求书

1.一种基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述方法包括：

基于经纬度将目标城市划分为M*N的网格地图，其中g(i,j)表示位于第i行、第j列的网格区域；

定义从其他区域流入到区域g(i,j)的人群流量之和为交通流入，定义从区域g(i,j)流入到其他区域的人群流量之和为交通流出，以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出；

根据区域g(i,j)对应的交通流入和交通流出生成历史流量数据序列，并根据改进后的ConvLSTM网络从历史流量数据序列中提取时空特征序列，以根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征，X_t表示第t个时间间隔的历史流量数据，H_t表示与第t个时间间隔的历史流量数据对应的时空特征；

根据第t个时间间隔对应的时间相关性注意力特征和时空特征H_t计算得到融合特征F_t，并将所述融合特征F_t输入到多层反卷积层中预测得到第t+1个时间间隔对应的三维特征张量。

2.根据权利要求1所述的基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述以获取在连续多个相同时间间隔内区域g(i,j)分别对应的交通流入和交通流出的步骤包括：

根据以下公式计算得到区域g(i,j)对应的交通流入：

，

其中，表示区域g(i,j)在第t个时间间隔内的交通流入，Tr表示一次行程，Γ表示所有行程的集合，P_start表示单次行程内的开始区域，P_end表示单次行程内的结束区域，T_start表示单次行程开始的时刻，s_t表示第t个时间间隔的开始时间，e_t表示第t个时间间隔的结束时间，表示一次行程的变量；

根据以下公式计算得到区域g(i,j)对应的交通流出：

，

其中，表示区域g(i,j)在第t个时间间隔内的交通流出。

3.根据权利要求2所述的基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述根据改进后的ConvLSTM网络从历史流量数据序列中提取时空特征序列的步骤包括：

根据以下公式对历史流量数据序列进行提取：

，

其中，表示改进后的ConvLSTM网络中的存储单元，g（·）表示Tanh函数，、以及表示改进后的ConvLSTM网络中的存储单元的可学习参数，H_t-1表示与第t-1个时间间隔的历史流量数据对应的时空特征，表示第t个时间间隔下的存储单元状态，表示第t-1个时间间隔下的存储单元状态，、、分别表示改进后的ConvLSTM网络中的遗忘门、输入门和输出门，表示卷积运算，表示Hadamard乘积；

根据以下公式计算得到遗忘门：

,

根据以下公式计算得到输入门：

，

根据以下公式计算得到输出门：

，

其中，（·）表示Sigmoid函数，、均表示改进后的ConvLSTM网络中的遗忘门可学习参数，、均表示改进后的ConvLSTM网络中的输出门可学习参数，、均表示改进后的ConvLSTM网络中的输入门可学习参数。

4.根据权利要求1所述的基于时序依赖注意力稀疏卷积的交通流量预测方法，其特征在于，所述根据时空特征序列计算得到第t个时间间隔的时间相关性注意力特征的步骤包括：

将时空特征序列通过展平层拉伸成特征向量,并根据以下公式计算得到第t个时间间隔的时间相关性注意力特征：

，

其中，α_k表示第t个时间间隔的特征向量与第k个时间间隔的特征向量进行矩阵乘积得到的权重向量，表示第t个时间间隔的特征向量，表示第k个时间间隔的特征向量的转置，表示与权重向量α_k对应的归一化向量，A_t表示第t个时间间隔的时间相关性注意力特征，表示第k个时间间隔的时空特征。