买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳先进技术研究院

摘要：本发明涉及一种基于时空双向注意力机制的交通流预测方法，包括下列步骤：将整个城市划分成成具有多个区域的网格，进行流量变量的定义；构建以Transformer模型作为基础架构的交通流预测网络模型，包括，用于提取时空特征的卷积编码器和用于交通流量预测的时空解码器，根据从历史观测集中提取T时刻前的k个时间步骤Din来预测T时刻后l个时间段的城市区域交通流流量Pout；用于提取时空特征的卷积编码器包括局部CNN网络、多头局部位置注意力层、全连接的前馈网络层FC‑FF层和具有层归一化的残差连接Norm层组成，编码器以Din作为输入，并输出编码状态Den。

主权项：1.一种基于时空双向注意力机制的交通流预测方法，包括下列步骤：S1将整个城市划分成成具有多个区域的网格，进行流量变量的定义；S2构建以Transformer模型作为基础架构的交通流预测网络模型，包括，用于提取时空特征的卷积编码器和用于交通流量预测的时空解码器，根据从历史观测集中提取T时刻前的k个时间步骤Din来预测T时刻后l个时间段的城市区域交通流流量Pout，其中，S21用于提取时空特征的卷积编码器包括局部CNN网络、多头局部位置注意力层、全连接的前馈网络层FC-FF层和具有层归一化的残差连接Norm层组成，编码器以Din作为输入，并输出编码状态Den，数据处理步骤如下：S211使用只考虑空间邻近区域流量影响的局部CNN网络处理原始输入序列Din以捕获区域间交通流量的空间相关性，获得局部CNN网络处理后的历史交通流数据S212设计多头局部位置注意力层处理局部CNN网络的输出数据，多头局部位置注意力层将上下文信息编码为局部特征，得到局部空间注意力输出S213将输入全连接前馈网络得到输出将局部CNN层和全连接前馈网络层的输出作为残差连接层输入，输出编码状态Den；S22用于交通流量预测的时空解码器结构由localCNN层、两个注意机制层、全连接前馈网络层和残差连接层组成，解码器输入是编码器提取的时空特征Den和根据历史交通流数据Din计算得到的未来交通流预测数据Pin；第一注意机制层是多头局部时间注意力层，以作为输入，获得时空特征Pde；第二注意机制层是时空双向注意力层，以Den和Pde作为输入，计算双向注意矩阵和得到解码状态：Hde和Ude；根据解码状态和编码器输出，预测未来交通流流量；S3训练所构建的交通流预测网络模型；S4预测目标区域短时交通流数据。

全文数据：

权利要求：

百度查询： 深圳先进技术研究院 一种基于时空双向注意力机制的交通流预测方法