基于改进时空图注意力神经网络的船舶交通流量预测方法

本发明属于水运交通流量预测方法领域，特别涉及一种基于改进时空图注意力神经网络的船舶交通流量预测方法。

背景技术：

1、目前流行的船舶交通流量的预测方法大多针对单片海域或横断面进行预测，缺乏对全局空间信息考虑。虽然已有许多学者在cnn的基础上改进模型以提取船舶交通流量数据的空间特征。然而，cnn通常用于处理规则的欧氏数据，例如图像和网格数据，而海上路网则属于非欧氏数据，具有不规则性和复杂性。因此，使用cnn无法有效地捕捉到海上交通流的空间特征，且效率较低。为了解决这一难题，本发明提出一种基于改进时空图注意力神经网络的船舶交通流量预测模型。根据船舶交通流量数据在时间和空间维度上表现出的明显相关性，引入图注意力神经网络对门控循环网络进行改进，以识别多港区船舶交通流量之间的时空关联性，并加入时间模式注意力机制(tpa)，深度挖掘多个港区时间序列的内在联系。本方法能够克服现有技术不足，综合考虑海上交通路网中复杂的时空特征，提高模型对时空依赖关系的建模能力。

技术实现思路

1、本发明的所要解决的技术问题是提供一种基于改进时空图注意力神经网络的船舶交通流量预测方法。

2、本发明解决上述技术问题的技术方案如下：

3、基于改进时空图注意力神经网络的船舶交通流量预测方法，包括以下步骤：

4、步骤1、从船舶自动识别系统ais数据中提取航行船舶数据，得到一段时间内每个时刻进出各个港区的船舶交通流量；

5、步骤2、采用某时刻前后同一时间段的船舶交通流量数据的平均值对该时刻缺失的船舶交通流量数据进行缺失值填充，并对所有船舶交通流量数据进行归一化处理；

6、步骤3、构建邻接矩阵a和特征矩阵x，假设港区数量为n，将水上交通网络表示为g＝(vn,e,a)，vn表示n个节点的集合；e是连接节点间的边集合；a是邻接矩阵，表示各节点的连接情况；

7、基于统计的各港区历史船舶交通流量构造特征矩阵x：

8、

9、式中，表示在t时刻第i港区的船舶交通流量，m表示时间数据维度；

10、步骤4、将邻接矩阵a和特征矩阵x输入基于改进时空图注意力神经网络的预测模型，所述基于改进时空图注意力神经网络的预测模型包括时空特征模块、注意力机制模块和全连接层模块，所述时空特征模块引入图注意力神经网络(gat)来替代门控循环网络(gru)中的全连接网络，通过结合邻接矩阵a，学习历史交通流量数据序列{x1,x2,…,xt}来捕获船舶交通流量数据中的时空特征，输出时空特征张量{h1,h2,…,ht}，其中x1为特征矩阵x中的第1列，h1为x1对应的时空特征张量；所述时间模式注意力机制模块用于利用时空特征模块处理得到每个时刻的时空特征张量{h1,h2,…,ht}，令{h1,h2,…,ht-1}和ht分别为时间模式注意力机制中的key和query，并使用一维卷积处理深度挖掘多个港区时间序列的内在联系，得到注意力机制模块的输出ht′；

11、ht′被输入全连接层模块，全连接层模块输出未来一段时间n内每个时刻的船舶交通流量预测结果yn×n：yn×n＝σ(wo·ht′)+bo，式中：wo为n×n的权重矩阵，bo为n×n的偏差矩阵，σ为tanh激活函数；

12、步骤5、根据船舶交通流量预测结果与实际值，利用损失函数计算损失值，通过重复进行步骤4对基于改进时空图注意力神经网络的预测模型进行训练，调整模型参数，直到损失函数最小化后，模型训练完毕，得到最终的船舶交通流量预测模型；

13、步骤6、利用最终的船舶交通流量预测模型对未来的船舶交通流量进行预测。

14、进一步的，所述步骤1的具体过程为：首先，通过设置速度阈值对ais数据进行清洗提取航行船舶数据；然后根据船舶识别号和更新时间，将ais提供的离散点数据转换为连续的航迹线，并利用交点算法依次判断每条船舶轨迹在设定时间范围内是否与划定的港区边界相交；最后，依据船舶通过港区边界前一个轨迹点是否在港区范围内判断其进出港属性，若是则将对应的船舶数据存入对应进出港数据库中，并考虑船舶换算系数统计进出港区的船舶交通流量。

15、进一步的，所述步骤3中，a＝qn×n+in×n，其中，in×n为行列数均为n的单位矩阵，qn×n由元素qij组成，其中i∈{0,1,…,n}，j∈{0,1,…,n}；

16、

17、式中，σ、∈是超参数，dij表示两个港区间的欧式距离，qij是港区i和港区j之间的连接关系。

18、进一步的，所述步骤4中，时空特征模块的计算时空特征张量的公式为：

19、zt＝σ(a[ht-1,xt]·wz+bz)

20、

21、式中，zt、rt分别是时空特征模块gat-gru的细胞元在时刻t下的更新门和重置门的值，为计算ht时产生的中间变量，wz、wr、和bz、br、bh分别是计算zt、rt、时的gat的权重参数和偏置参数，a是邻接矩阵，σ是sigmoid激活函数。

22、进一步的，所述步骤5中，结合l2范数训练损失函数maeloss(f(x；θ),y)，计算公式如下：

23、maeloss(f(x；θ),y)＝(f(x；θ)-y)2

24、其中，x表示输入样本，θ表示模型所需参数，f(x；θ)表示当输入样本是x以及模型参数是θ时模型的预测值，y表示x对应的实际值。

25、本发明的有益效果为：(1)本发明在计算重置门、更新门和隐藏状态的值时，采用图注意力神经网络(gat)代替门控循环网络(gru)的全连接网络来聚合所有港区交通流量数据中包含的空间信息，相较于时间图卷积网络(t-gcn)模型，本发明具有同时挖掘时间和空间关联性的能力。另外，gat可以动态学习节点之间的关系来处理稀疏图结构数据，具有更好的全局信息捕捉能力。(2)本发明引入时间模式注意力机制(tpa)进行动态调节，可以帮助模型集中精力处理重要的时间步，实现多个港区之间内在联系的提取，而且，tpa还利用一维卷积操作，可以更好地处理时间序列的局部特征，从而有效地捕捉到时间序列中的变化和趋势，提高模型的泛化性能和预测精度。

26、附图介绍

27、图1为本发明的方法流程示意图；

28、图2为船舶交通流量数据提取逻辑图；

29、图3为改进时空图注意力神经网络预测模型结构图；

30、图4为gat-gru记忆单元工作原理示意图；

31、图5为预测结果示意图。

技术特征：

1.基于改进时空图注意力神经网络的船舶交通流量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进时空图注意力神经网络的船舶交通流量预测方法，其特征在于，所述步骤1的具体过程为：首先，通过设置速度阈值对ais数据进行清洗提取航行船舶数据；然后根据船舶识别号和更新时间，将ais提供的离散点数据转换为连续的航迹线，并利用交点算法依次判断每条船舶轨迹在设定时间范围内是否与划定的港区边界相交；最后，依据船舶通过港区边界前一个轨迹点是否在港区范围内判断其进出港属性，若是则将对应船舶的船舶数据存入对应进出港数据库中，并考虑船舶换算系数统计进出港区的船舶交通流量。

3.根据权利要求1所述的基于改进时空图注意力神经网络的船舶交通流量预测方法，其特征在于，所述步骤3中，a＝qn×n+in×n，其中，in×n为行列数均为n的单位矩阵，qn×n由元素qij组成，其中i∈{0,1,…,n}，j∈{0,1,…,n}；

4.根据权利要求1所述的基于改进时空图注意力神经网络的船舶交通流量预测方法，其特征在于，所述步骤4中，时空特征模块的计算时空特征张量的公式为：

5.根据权利要求1所述的基于改进时空图注意力神经网络的船舶交通流量预测方法，其特征在于，所述步骤5中，结合l2范数训练损失函数maeloss(f(x；θ),y)，计算公式如下：

技术总结
本发明涉及基于改进时空图注意力神经网络的船舶交通流量预测方法，本发明通过建立时空融合模型对船舶交通流量进行预测，主要采用基于改进的时空图注意力神经网络方法进行处理。首先，对船舶自动识别系统(AIS)数据进行清洗和初步统计分析，提取各港区的船舶交通流量数据，然后引入图注意力神经网络(GAT)对门控循环网络(GRU)进行改进，以识别多港区船舶交通流量之间的时空关联性，并加入时间模式注意力机制(TPA)，深度挖掘多个港区时间序列的内在联系，从而提高模型对时间依赖关系的建模能力。本发明从水上交通路网的拓扑图空间角度出发，综合考虑海上交通流量中复杂的时空特征，能够有效提高船舶交通流量预测效果。

技术研发人员：江宝得,罗海燕,宋雨薇
受保护的技术使用者：中国地质大学（武汉）
技术研发日：
技术公布日：2024/1/14