一种基于隐藏时空特征挖掘的时空交通流预测方法

本发明属于智能交通领域，具体涉及一种基于隐藏时空特征挖掘的时空交通流预测方法。

背景技术：

1、围绕细粒度交通态势像素化的问题，目前在交通流预测领域暂未见相关研究。细粒度像素化的研究主要集中在用户兴趣挖掘领域。文献interest hd:an interest framemodel for recommendation based on hd image generation中设计的if4rec模型利用多头注意机制生成高清兴趣画像。文献interaction-enhanced and time-aware graphconvolutional network for successive point-of-interest recommendation intraveling enterprises提出了可学习用户和poi动态表示的改进图卷积网络。文献amulti-agent based model for user interest mining on sina weibo提出了一种基于多智能体系统的用户兴趣挖掘自适应模型。文献learning dynamic user interestsequence in knowledge graphs for click-through rate prediction提出了一种基于知识增强路径挖掘和兴趣波动信号发现的多粒度动态兴趣序列学习方法。目前，以上研究主要集中在社交网络分析和电商推荐领域。由于交通数据分布不均匀，导致交通态势在粒度上存在差异。如何在像素级别上捕获交通态势存在困难，有待进一步的研究。

2、围绕利用多交通态势画幅化解决交通任务复杂性不均衡的问题。文献short-termtraffic flow forecasting method with m-b-lstm hybrid network构建在线自学习网络学习和均衡交通流统计分布，以减少网络学习过程中分布不平衡和过拟合问题的影响。文献meta-wrapper:differentiable wrapping operator for user interest selectionin ctr prediction把用户兴趣建模看作用户兴趣选择，采用可微模块作为包装算子来解决优化问题。文献bidirectional spatial-temporal adaptive transformer for urbantraffic flow forecasting提出了一种双向时空自适应transformer，根据任务复杂性动态处理流量流。根据以上研究可知，当前交通任务复杂不均衡分布问题主要利用时与空依赖性来求解；兴趣画幅主要用来解决用户的兴趣不均衡分布问题。因此，如何利用多交通态势画幅化的方法来处理任务复杂性不均的问题还需要深入研究。

3、围绕交通隐私数据泄漏和动态时空相关性问题。文献short-term traffic flowprediction based on graph convolutional networks and federated learning提出了一种基于社区检测的联邦学习与图卷积网络的交通流预测模型(fcgcn)，减少全局gcn的时间成本，较高的通信成本和减轻数据隐私风险；文献fedstn:graph representationdriven federated learning for edge computing enabled urban traffic flowprediction提出了一种基于联邦学习的时空长短期网络(fedstn)，在捕获长期时空信息的同时共享隐藏的时空隐藏信息。文献spatio-temporal autoencoder for traffic flowprediction提出了一种基于自编码器的交通流量预测方法，用于从交通流数据中学习固定的空间分布、拓扑相关性和时间周期性；文献modeling dynamic traffic flow asvisibility graphs:anetwork-scale prediction framework for lane-level trafficflow based on lpr data提出了一种深度学习框架，将时间依赖性学习任务转化为在时间复杂网络上挖掘空间相关性。

4、上述研究在路网时空特性捕获或者数据隐私安全问题方面都有卓越贡献。但是如何保证数据隐私安全的同时有效挖掘交通数据所隐含的动态时空相关性还有待进一步的研究。

技术实现思路

1、为解决上述技术问题，本发明提出一种基于隐藏时空特征挖掘的时空交通流预测方法，包括以下步骤：

2、s1：将道路口作为路网节点,通过节点的历史时间序列长度构造包含n个节点和m个特征的数据,得到路网节点的历史交通数据d0,将历史交通数据d0通过嵌入操作转化为交通态势嵌入矩阵e；

3、s2：将粒度信息trans与交通态势嵌入矩阵e融和，得到交通态势像素矩阵tspe；

4、s3：通过自注意力函数对交通态势嵌入矩阵e进行加权求和，得到表示交通态势相关性的交通态势向量a，并根据交通态势向量a生成交通态势画幅的张量表示vu；

5、s4：将交通态势向量a和交通态势画幅的张量表示vu转化为多交通态势画幅向量a，根据交通态势像素矩阵tspe将多交通态势画幅向量a转化为多交通态势画幅矩阵mt；

6、s5：通过mts-gat捕获路网中隐藏的空间特征，拼接捕获的空间特征并进行维度变换操作得到路网空间特征y2；

7、s6：通过线性变换对历史交通数据时间位置进行标注，得到时间位置编码矩阵d1，将路网空间特征y2嵌入交通态势画幅矩阵mt，得到空间位置信息矩阵d2，将时间位置编码矩阵d1和空间位置信息矩阵d2拼接后，通过线性层嵌入到交通态势画幅矩阵mt，得到节点的流量矩阵ye；

8、s7：针对交通数据和路网中隐藏的长时依赖与动态时空变化关系，利用transformer多头自注意力机制抽取节点流量矩阵ye的动态时空关系，并对提取到的特征拼接，得到时空依赖信息；

9、s8：时空依赖信息通过非线性激活的前馈神经网络，通过前馈神经网络的两层线性映射和relu激活函数得到预测的未来交通流量矩阵y。

10、本发明的有益效果：

11、本发明从时间、空间、交通语义等多个维度挖掘原子级的交通态势，并映射多个相邻路段的交通态势权重来填充多交通态势像素集群，并且根据每个交通态势像素集群映射出交通态势画幅，有效解决预测任务复杂性不均衡的问题；

12、本发明针对交通隐私数据泄漏和动态的时空相关性，考虑到交通流的非均匀双向传播特性，通过捕获交通数据中隐藏的时空间依赖关系，同时，引入transformer多头注意力机制有效地捕获长时依赖与多维特征的动态变化关系，有效的提升了交通流的预测准确性。

技术特征：

1.一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将历史交通数据d0转化为交通态势嵌入矩阵e，包括：

3.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将粒度信息trans与交通态势嵌入矩阵e融和，得到交通态势像素矩阵tspe，包括：

4.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，通过自注意力函数对交通态势嵌入矩阵e进行加权求和，得到表示交通态势相关性的交通态势向量a，并根据交通态势向量a生成交通态势画幅的张量表示vu，包括：

5.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将交通态势向量a和交通态势画幅的张量表示vu转化为多交通态势画幅向量a，包括：

6.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，根据交通态势像素矩阵tspe将多交通态势画幅向量a转化为多交通态势画幅矩阵mt，包括：

7.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，通过mts-gat捕获路网中隐藏的空间特征，拼接捕获的空间特征并进行维度变换操作得到路网空间特征y2，包括：

8.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，通过线性变换对历史交通数据时间位置进行标注，得到时间位置编码矩阵d1，包括：

9.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将路网空间特征y2嵌入交通态势画幅矩阵mt，得到空间位置信息矩阵d2，包括：

10.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，针对交通数据和路网中隐藏的长时依赖与动态时空变化关系，利用transformer多头自注意力机制抽取节点流量矩阵ye的动态时空关系特征，并对提取到的特征拼接，得到时空依赖信息，包括：

技术总结
本发明属于智能交通领域，具体涉及一种基于隐藏时空特征挖掘的时空交通流预测方法，包括：将道路口作为路网节点,获取路网节点的历史交通数据，并转化为交通态势嵌入矩阵；将粒度信息与交通态势嵌入矩阵融和，得到交通态势像素矩阵；根据交通态势像素矩阵从时间、空间多个维度捕获特征并进行融合；通过非线性激活的前馈神经网络实现未来交通流量的预测。本发明针对交通隐私数据泄漏和动态的时空相关性，通过捕获交通数据中隐藏的时空间依赖关系，同时，引入Transformer多头注意力机制有效地捕获长时依赖与多维特征的动态变化关系，有效的提升了交通流的预测准确性。

技术研发人员：王蓉,郭清旺,邓凌琪,肖云鹏,谢国强
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/2/6