交通流量预测方法、系统、存储介质及终端设备

本发明涉及交通流量预测，尤其是涉及一种交通流量预测方法、系统、存储介质及终端设备。

背景技术：

1、准确的交通预测对于提高智能交通系统的安全性、稳定性和效率至关重要。虽然目前提出了许多时空分析方法，准确的交通预测仍然面临着挑战。在时间和空间维度上建模交通数据的动态，捕捉交通数据的周期性和空间异质性，这一问题导致难以进行长期预测。

2、目前，许多城市都在努力提高智能交通系统（its）的性能。交通流量预测已成为智慧城市发展中交通规划、控制和状态评估不可或缺的一部分。交通预测是利用观测到的历史交通数据对城市交通数据进行预测，准确的交通预测有助于减少道路拥堵，促进城市交通路网管理，甚至提高交通效率。交通数据是一种时间序列数据，由部署的道路传感器按固定的时间间隔连续记录。尽管近年来，人们在交通流量预测这一领域做了大量的研究来提高预测性能，但它仍然面临着一些挑战。交通数据是具有复杂时间相关性和动态空间相关性的时空数据。同时交通数据作为一种时间序列数据，具有特定的周期性和趋势，如早晚高峰，工作日和休息日。有效地捕捉周期性和趋势需要能够准确捕捉时间和空间的长期依赖关系的模型，复杂的空间和时间依赖性是城市交通预测任务中的主要挑战。

3、现有的交通流量预测方法存在如下局限性：

4、（1）传统交通流量预测中，通常只对历史交通流量数据作为整体输入到模型中学习特征，然而单一的数据特征无法捕捉到不同周期对应的流量特征。

5、（2）没有对周期性数据使用注意力分配权重，会对预测产生一定的误差。

6、（3）传统的交通流量预测算法中，往往采用时间卷积提取交通流量数据的时间依赖特征，预测精度不够。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出了一种基于局部全局时空注意力网络的交通流量预测方法、系统、存储介质及终端设备。

2、根据本发明第一方面实施例的交通流量预测方法，其中包括：

3、处理周期性数据，基于不同周期选择不同的流量数据作为输入，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵，其中所述周期性数据为：

4、，

5、其中，表示原始输入，代表站点数，代表特征数，表示用历史时间步的长度，将原始输入处理为周期性数据：小时数据、天数据、周数据，

6、其中，为时间步的长度，为处理之后的周期性小时数据的时间间隔周期，为处理之后的周期性天数据的时间间隔周期，为处理之后的周期性周数据的时间间隔周期；

7、对不同周期数据进行时空特征的提取，将处理好的周期性数据分别送入周期性空间注意力模块来提取不同周期模式的周期性流量特征；

8、交通流量的空间依赖特征的权重分配及融合，利用周期空间注意力单元提取到不同周期模式的周期性流量特征后，将不同周期模式的周期性流量特征送入权重注意力模块，实现交通流量的空间依赖的权重分配及融合；

9、获得未来流量的预测结果，利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果。

10、根据本发明的交通流量预测方法，所述方法利用周期注意力机制从历史交通流量特征中提取有用的信息，表示为

11、，

12、其中为历史交通流量数据，为需要预测的个时间段的交通流量，表示预测的流量信息，其中表示预测的时间步，代表节点数，表示带输入的模型，表示空间注意力模块的节点嵌入。

13、根据本发明的交通流量预测方法中，所述对不同周期数据进行时空特征的提取中，所述时空特征包括小时周期性时空特征提取、天周期性时空特征提取、周时空性特征提取；基于周期性交通数据获取不同周期的时空依赖，基于模型学习到的时空依赖特征通过反向传播自适应的更新节点嵌入矩阵。

14、根据本发明的交通流量预测方法中，所述对不同周期数据进行时空特征的提取过程中包括：对时间交通依赖和空间交通依赖进行特征提取。

15、根据本发明的交通流量预测方法中，所述交通流量的空间依赖特征的权重分配及融合过程中采用如下公式进行融合：

16、，

17、其中：为分配权重后的周期性特征输出，表示连接操作，，，为可学习的权重参数，随着神经网络的训练而更新，从而动态的学习数据的不同权重。，，分别表示的是数据的小时、日和周时空特征，为节点空间特征。

18、根据本发明的交通流量预测方法中，所述利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得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：，

19、其中：代表预测值，代表真值，代表预测的时间步数。

20、根据本发明第二方面实施例的交通流量预测系统，包括：输入模块、周期性空间注意力模块、处理模块和获取模块；所述输入模块用于处理周期性数据，基于不同周期选择不同的流量数据作为输入，包括对交通站点历史流量数据，划分周期性数据，更新周期性的节点依赖矩阵，所述周期性数据为：

21、，

22、其中，表示原始输入，代表站点数，代表特征数，表示用历史时间步的长度，将原始输入处理为周期性数据：小时数据、天数据、周数据，其中，为时间步长，为处理之后的周期性小时数据的时间间隔周期，为处理之后的周期性天数据的时间间隔周期，为处理之后的周期性周数据的时间间隔周期；所述周期性空间注意力模块用于对不同周期数据进行时空特征的提取，将处理好的周期性数据分别送入周期性空间注意力模块来提取不同周期模式的周期性流量特征；所述处理模块用于交通流量的空间依赖特征的权重分配及融合，利用周期空间注意力单元提取到不同周期模式的周期性流量特征后，将不同周期模式的周期性流量特征送入权重注意力模块，实现交通流量的空间依赖的权重分配及融合；所述获取模块用于获得未来流量的预测结果，利用全局时空注意力模块，将分配权重的局部时空特征再提取全局的时空特征，获得未来流量的预测结果。

23、根据本发明第三方面实施例的一种存储介质，所述存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述的交通流量预测方法。

24、本发明提供一种终端，包括：处理器及存储器；所述存储器用于存储计算机程序；

25、所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的交通流量预测方法。

26、本发明提出的交通流量预测方法、系统、存储介质及终端设备，具备如下有益效果：通过对历史交通流量信息进行进一步划分和提取，划分为不同周期性数据：小时数据、天数据、周数据，可以表示出不同周期的流量特征，并且使用局部周期时空注意力模块提取不同周期的特征，基于此使用权重注意力将提取出来的周空间特征和日空间特征分别分配一定的权重，使得整个模型对交通数据的周期性有一定的偏重，对周期性的提取更加有利。更加好的拟合真实数据。本发明提出残差通道注意力从历史流量数据中筛选出有用的信息来更新未来时刻的流量，大大提高了预测的精度。

27、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。