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：杭州远眺科技有限公司

摘要：本发明公开的一种基于时空注意力图卷积网络的交通速度预测方法和装置，方法包括：对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；构建时间注意力网络；将分量数据矩阵输入到时间注意力网络中，得到时间关联矩阵；构建空间注意力网络；将时间关联矩阵输入到空间注意力网络中，融合得到时空关联矩阵；将路网拓扑矩阵输入到图卷积网络，并与时空关联矩阵进行结合，进行模型训练；通过训练好的模型进行速度预测。通过将时间注意力网络与空间注意力网络融合形成时空注意力网络，提取交通网络在时间上跟空间上的关联性，同时结合图卷积网络不断融合邻接节点的信息，来对交通速度进行预测，提升对于交通速度预测的准确性。

主权项：1.一种基于时空注意力图卷积网络的交通速度预测方法，其特征在于，包括以下步骤：对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；构建时间注意力网络；将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵；构建空间注意力网络；将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵；将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练；通过训练好的模型进行速度预测；所述将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵具体包括：将所述分量数据矩阵输入到所述时间注意力网络中，得到时间注意力矩阵T： 其中，Ke、L1、L2、L3、Ve为可学习的参数，σ表示sigmoid激活函数，为所述分量数据矩阵，Cr-1表示第r层输入数据的通道数，Tr-1表示第r层输入数据时间维度的长度；所述时间注意力矩阵T经过归一化后根据所述时间注意力矩阵捕捉节点之间的关联强度： Ti,j反映时间i，j之间的时间关联强度，与所述分量数据矩阵相乘得到时间关联矩阵 所述将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵具体包括：将所述时间关联矩阵输入到所述空间注意力网络中，得到时空注意矩阵S： 其中，Ks、H1、H2、H3、Vs为可学习的参数；根据所述时空注意矩阵S计算得到时间关联矩阵S′： 所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练，得到预测速度具体包括：将路网拓扑矩阵输入到拉普拉斯矩阵L中： 其中，A表示输入的路网拓扑矩阵，D为度矩阵，具体为对角矩阵，对角线的元素为Aij代表的是第i行j列的元素；所述图卷积网络具体为切比雪夫多项式形式的图卷积网络，表示为： 其中，*G表示一个图的卷积操作，是缩放后的归一化拉普拉斯矩阵，λmax是L的最大特征值，θ′kk＝0,1,…K是切比雪夫多项式的第k项的系数，为可学习参数；K阶的切比雪夫多项式的定义如下：Tkx＝2xTk-1x-Tk-2x；结合输入的路网拓扑矩阵与所述时空关联矩阵，得到最终的图卷积公式： 对所述图卷积公式进行模型训练后，通过训练好的模型进行速度预测；所述对现有的速度数据集进行采样，获得有关时间序列的分量数据矩阵具体包括：对现有的速度数据集进行三个维度的采样，分别获得有关时间序列的时分量数据矩阵、天分量数据矩阵和周分量数据矩阵；所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练具体为：将路网拓扑矩阵输入到图卷积网络，并分别与三个维度的所述时空关联矩阵进行结合，且采用三个维度的分量数据矩阵分别进行模型训练，并进行融合输出；在所述通过训练好的模型进行速度预测之前，还包括：构建的损失函数其中，Yt表示实际交通速度，表示预测速度，Lreg为避免过度拟合参数，ω为用于减小预测误差的超参数。

全文数据：

权利要求：

百度查询： 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置