一種面向時空圖自編碼器的交通流量預測方法
2024-04-13 18:47:05
1.本發明涉及交通流量預測技術領域，具體地涉及一種面向時空圖自編碼器的交通流量預測方法。
背景技術：
2.交通流量預測是智能交通系統(itss)和先進交通管理系統(atmss)的重要組成部分。獲取及時準確的交通流量信息是實現交通控制和制定交通管理的關鍵，通過預測未來的交通狀況，進而設計有效的交通組織策略以緩解交通擁堵，提高城市交通系統的服務水平和管理效率。
3.然而，當前大多數方法都是假設先驗的、靜態的、無定向的交通拓撲圖，與交通流節點之間的實際動態交互屬性不相匹配。因此，探索交通流動態交互的建模方法和捕捉時空依賴性的方法是關鍵技術問題。對於具有非歐幾裡得結構的圖數據，卷積神經網絡等深度學習模型無法直接利用。基於圖神經力網絡模型的交通流預測方法可以解決該問題，這些模型的空間關係是通過將相鄰節點的信息聚合到目標節點來發現。目前，基於gcn的模型依賴於圖的先驗信息，要求每個輸入都有相同的圖結構，因此它們不能在模型遷移過程時從新的拓撲結構中學習空間特徵。基於注意力機制的模型被廣泛應用於深度學習任務，它可以從所有輸入中選擇對當前任務相對關鍵的信息。
4.但是，現有基於圖注意力網絡的方法僅考慮了交通流的單層空間動態依賴性，而忽略了複雜的交通轉換規律性具有多層性質的事實，從而導致交通流量預測精度低的技術問題。
技術實現要素：
5.本發明所要解決的技術問題是針對上述現有技術的不足，提供一種面向時空圖自編碼器的交通流量預測方法，提高交通流量預測的準確性和魯棒性，該方法考慮了交通流的時空相關性的影響權重，提升了捕捉交通流量非線性特徵的能力，有效提高了交通流量預測的準確性和魯棒性，解決了交通流時空依賴性建模複雜且困難的問題。
6.本發明解決上述技術問題的技術方案如下：
7.一種面向時空圖自編碼器的交通流量預測方法，包括：
8.步驟1：使用改進的ha-rts算法平滑處理給定的交通流樣本數據；
9.步驟2：由encode層對步驟1處理的交通流樣本數據進行編碼，編碼是指各模塊通過參數學習將輸入數據輸出為包含了預測信息的隱藏特徵，其中，encode層是由稀疏特徵的全連接層、捕捉時間依賴性的記憶門控卷積模塊gmcnn和建模多層次空間依賴性的多層注意力網絡模塊mgan所構建；
10.步驟3：由多層注意力網絡模塊、記憶門控卷積模塊和全連接層構建的decode層對步驟2的encode層中得到的隱藏特徵解碼為預測值，解碼是指各模塊通過參數學習將隱藏特徵映射為預測目標，由此得到交通流量預測結果。
11.優選的，所述的步驟1的ha-rts(
·
)具體處理步驟如下：
12.步驟1.1：城市交通系統中交通流的狀態隨時間演變的過程用公式(1)表示為一階馬爾可夫鏈，用公式(2)表示交通流狀態的觀測過程：
13.zk＝ak(z
k-1
)＝φ
k,k-1zk-1
+wkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
14.xk＝bk(zk)＝γkzk+vkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
15.其中，ak(
·
)是交通流狀態的演變函數，zk表示當前第k步的交通流狀態值，z
k-1
表示上一步狀態值，φ
k,k-1
表示一步轉移矩陣，wk表示交通流演變系統的噪聲，bk(
·
)表示交通流狀態的觀測函數，xk表示當前交通流狀態觀測值，γk表示觀測矩陣，vk表示觀測噪聲；
16.步驟1.2：設為第h天第k時刻的交通流狀態觀測值，則得到一天中第k時刻的交通流狀態均值其中h為歷史數據中第k時刻的交通流狀態數據統計個數，由此對第k時刻的缺失或異常的數值進行填充，公式如下：
[0017][0018]
步驟1.3：建立表徵預測性能的協方差矩陣和系統狀態模型，實現對系統狀態及系統噪聲隨時間演變的估計：
[0019][0020][0021]
其中，為一步預測協方差矩陣，表示一步預測值，表示一步轉移矩陣，w
k-1
為系統噪聲矩陣，上標f表示濾波過程，k＝0,1,
…
,n；
[0022]
步驟1.4：計算卡爾曼濾波增益矩陣，基於系統量測信息進行狀態修正，給出表徵濾波性能的協方差陣：
[0023][0024][0025][0026]
其中，為濾波增益矩陣，γk為觀測矩陣，vk為觀測噪聲矩陣，xk為觀測值，為狀態變量z的濾波值，為濾波協方差矩陣；
[0027]
步驟1.5：基於前向卡爾曼濾波的結算數據的後向平滑解算，還原在卡爾曼模型下的交通流真實狀態值，即最優平滑估計值：
[0028][0029]
[0030][0031][0032]
其中，為系統k時刻狀態的最優平滑估計，為平滑增益真，為平滑協方陣，上標s表示後向平滑過程，k＝n,n-1,
…
,0。
[0033]
優選的，所述步驟2具體為：
[0034]
步驟2.1：將步驟1的輸出結果輸入到所述稀疏特徵的全連接層linear(
·
)，輸出隱藏時空特徵；
[0035]
步驟2.2：將步驟2.1得到的隱藏時空特徵x
in
輸入門控記憶卷積神經網絡，經過處理後輸出g
out
；
[0036]
步驟2.3：將步驟2.2的g
out
輸入多層注意力網絡模塊mgan(
·
)，經過處理後得到隱藏空間特徵。
[0037]
優選的，所述步驟2.1具體為：
[0038]
將步驟1的輸出結果輸入到所述稀疏特徵的全連接層linear(
·
)：
[0039][0040]
其中，x
in
為輸出的隱藏時空特徵，為步驟1的輸出結果，即最優平滑估計；w與b為網絡的學習參數。
[0041]
優選的，所述步驟2.2具體為：
[0042]
步驟2.2.1：將步驟2.1得到的隱藏時空特徵x
in
輸入門控記憶卷積神經網絡，經過因果卷積得到g
in
，再輸入到門控單元，由於特徵x
in
的時間長度經過卷積層後會變短，需對其進行裁切以得到殘差x
residual
，計算公式如下：
[0043]gin
＝conv
causal
(x
in
),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0044]
x
residual
＝crop[align(x
in
)],
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0045]
其中conv
causal
(
·
)為因果卷積函數，align(
·
)為維度變換函數；
[0046]
步驟2.2.2：將步驟2.1.1得到的x
residual
與g
in
拼接並使用1
×
1卷積核進行因果卷積變換，再經過sigmoid激活，得到遺忘門r和記憶門z的門值，r和z的計算公式如下：
[0047][0048][0049]
其中是卷積核為1
×
1的2維卷積函數，d表示維數；
[0050]
步驟2.2.3：時空特徵g
in
通過步驟2.2.2得到的遺忘門r選擇性保留後與x
residual
相加，再經過1
×
1卷積核卷積變換和全連接層linear(
·
)激活後，得到新的時空特徵計算公式如下：
[0051]
[0052]
步驟2.2.4：記憶門z作用在步驟2.2.3的而1-z作用在g
in
上，隨後將兩者與殘差x
residual
相加，經過prelu激活，得到隱含狀態輸出g
out
，計算公式如下：
[0053][0054]
優選的，所述步驟2.3具體如下：
[0055]
步驟2.3.1：在時間區間τ＝(t-τ+1,t-τ+2,...,t)內，將多層空間圖表示為g
τ
＝(v,a
τ
)，其中v＝{vi|i＝1,2,3,...,n}是圖g
τ
中交通流檢測節點vi的集合，a
τ
＝(a
t-τ+1
,a
t-τ+2
,...,a
t
)表示時間區間τ內的權重連接張量，a
t
為t時刻權重連接矩陣，表示t時刻節點vi到節點vj的權重信息，因為使用多頭注意力機制，所以其中m為多頭注意力機制的頭數；
[0056]
步驟2.3.2：根據步驟2.3.1構建的多層空間圖g
τ
＝(v,a
τ
)，拆分t時刻節點vi的輸入與節點vj的輸入得到輸入張量其中輸入張量是步驟2.2的輸出，m＝1,2,...m，輸入張量的通道數為dm；
[0057]
步驟2.3.3：步驟2.3.2的經過全連接神經網絡linearq與lineark後分別生成查詢向量與鍵值向量，再經過縮放點積，得到節點vi與vj的注意力得分的注意力得分計算公式如下：
[0058][0059]
步驟2.3.4：通過softmax函數對注意力得分進行歸一化，得到t時刻兩點的權重值表明節點j的交通流與節點i的交通流的空間相關性大小，計算公式如下：
[0060][0061]
步驟2.3.5：將權重值加入dropout神經元隨機丟棄機制，模擬城市交通中的突發事件對交通流節點之間相關性的影響，經卷積計算後得到隱藏空間特徵計算公式如下：
[0062][0063]
其中，為mgan層的輸出，w
t,m
為可學習的參數矩陣，m為多頭注意力的頭數，為mgan層的輸入，σ(
·
)為sigmoid激活函數。
[0064]
優選的，所述步驟3的decode層為包括依次設置的多層注意力網絡模塊mgan(
·
)、
記憶門控卷積模塊gmcnn(
·
)和稀疏特徵的全連接層linear(
·
)，且mgan(
·
)、gmcnn(
·
)和linear(
·
)的操作步驟與步驟2相同。
[0065]
優選的，由encode層和decode層構建時空圖自編解碼網絡stgae(
·
)，並輸出流通流量的預測數據，具體為：
[0066][0067]
其中，x
τ
為交通流樣本數據，為stgae網絡得到的交通流預測數據，encode(
·
)為步驟2中的encode層，decode(
·
)為步驟3中的decode層，layernorm(
·
)表示在通道維度中進行規一化。
[0068]
優選的，對預測數據所對應的真實值y
t
同樣進行平滑處理，以消除網絡在訓練過程中的噪聲，由此得到網絡stgae訓練過程中的損失函數為：
[0069][0070]
與現有技術相比，本發明的有益效果是：
[0071]
本發明集成了自適應生成多層注意力矩陣建模多層次動態空間依賴關係的多層注意力神經網絡(mgan)，以及為序列化的隱藏特徵提供並行計算和非線性處理能力的門控記憶卷積神經網絡(gmcnn)，並採取平滑網絡訓練法(nst)去除模型訓練中所受觀測噪聲影響。有效地提高交通流量預測的準確性和魯棒性，解決了交通流時空依賴性建模複雜且困難的問題。
附圖說明
[0072]
附圖用以提供對本發明的進一步理解，並且構成說明書的一部分，與本發明的實施例一併用於解釋本發明，並不構成對本發明的限制。
[0073]
在附圖中：
[0074]
圖1面向時空圖自編解碼網絡stgae的交通流預測框架；
[0075]
圖2多層注意力神經網絡mgan；
[0076]
圖3門控記憶卷積神經網絡gmcnn；
[0077]
圖4網絡平滑訓練法nst流程；
[0078]
圖5ha-rts算法框架；
[0079]
圖6本發明的方法流程圖。
[0080]
本發明中名詞解釋如表1所示：
[0081]
表1
[0082]
[0083]
具體實施方式
[0084]
以下結合附圖對本發明的優選實施例進行說明，應當理解，此處所描述的優選實施例僅用於說明和解釋本發明，並不用於限定本發明。
[0085]
實施例：
[0086]
參照附圖1-6所示，在面向時空圖自編碼器的交通流量預測方法中採取端對端框架，集成了自適應生成多層注意力矩陣建模多層次動態空間依賴關係的多層注意力神經網絡(mgan)(通過擴展多層自注意力機制來建模多層動態空間依賴，自適應地生成多層注意矩陣)，以及為序列化的隱藏特徵提供並行計算和非線性處理能力的門控記憶卷積神經網絡(gmcnn)(在卷積神經網絡中引入了遺忘門和記憶門，可以為序列化隱藏特徵提供並行計算和非線性處理，以提高執行效率和非線性逼近能力)，並採取平滑網絡訓練法(nst)(平滑輸入數據和目標數據的噪聲，以提高系統魯棒性)去除模型訓練中所受觀測噪聲影響。有效地提高交通流量預測的準確性和魯棒性，解決了交通流時空依賴性建模複雜且困難的問題。
[0087]
一種面向時空圖自編碼器的交通流量預測方法，包括：
[0088]
步驟1：使用改進的ha-rts算法平滑處理給定的交通流樣本數據。從而忽略輸入數據中的噪聲，並從數據中得到更多有價值的信息。具體如下：
[0089]
步驟1.1：城市交通系統中交通流的狀態隨時間演變的過程用公式(1)表示為一階馬爾可夫鏈，用公式(2)表示交通流狀態的觀測過程：
[0090]
zk＝ak(z
k-1
)＝φ
k,k-1zk-1
+wkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0091]
xk＝bk(zk)＝γkzk+vkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0092]
其中，ak(
·
)是交通流狀態的演變函數，zk表示當前第k步的交通流狀態值，z
k-1
表示上一步狀態值，φ
k,k-1
表示一步轉移矩陣，wk表示交通流演變系統的噪聲，bk(
·
)表示交
通流狀態的觀測函數，xk表示當前交通流狀態觀測值，γk表示觀測矩陣，vk表示觀測噪聲；
[0093]
步驟1.2：設為第h天第k時刻的交通流狀態觀測值，則得到一天中第k時刻的交通流狀態均值其中h為歷史數據中第k時刻的交通流狀態數據統計個數，由此對第k時刻的缺失或異常的數值進行填充，公式如下：
[0094][0095]
步驟1.3：建立表徵預測性能的協方差矩陣和系統狀態模型，實現對系統狀態及系統噪聲隨時間演變的估計：
[0096][0097][0098]
其中，為一步預測協方差矩陣，表示一步預測值，表示一步轉移矩陣，w
k-1
為系統噪聲矩陣，上標f表示濾波過程，k＝0,1,
…
,n；
[0099]
步驟1.4：計算卡爾曼濾波增益矩陣，基於系統量測信息進行狀態修正，給出表徵濾波性能的協方差陣：
[0100][0101][0102][0103]
其中，為濾波增益矩陣，γk為觀測矩陣，vk為觀測噪聲矩陣，xk為觀測值，為狀態變量z的濾波值，為濾波協方差矩陣；
[0104]
步驟1.5：基於前向卡爾曼濾波的結算數據的後向平滑解算，還原在卡爾曼模型下的交通流真實狀態值，即最優平滑估計值：
[0105][0106][0107][0108][0109]
其中，為系統k時刻狀態的最優平滑估計，為平滑增益真，為平滑協方陣，上標s表示後向平滑過程，k＝n,n-1,
…
,0。
[0110]
步驟2：由encode層對步驟1處理的交通流樣本數據進行編碼，編碼是指各模塊通
過參數學習將輸入數據輸出為包含了預測信息的隱藏特徵，其中，encode層由稀疏特徵的全連接層、捕捉時間依賴性的記憶門控卷積模塊gmcnn和建模多層次空間依賴性的多層注意力網絡模塊mgan所構建。
[0111]
步驟2.1：將步驟1的輸出結果輸入到所述稀疏特徵的全連接層linear(
·
)，輸出隱藏時空特徵。具體為：將步驟1的輸出結果輸入到所述稀疏特徵的全連接層linear(
·
)：
[0112][0113]
其中，x
in
為輸出的隱藏時空特徵，為步驟1的輸出結果，即最優平滑估計；w與b為網絡的學習參數。
[0114]
步驟2.2：結合cnn的並行計算、梯度穩定性和結構簡單的優點以及gru網絡中的門控機制，使得gmcnn模塊在捕獲長距離序列時避免耗時的迭代傳播和梯度消失/爆炸的問題。特別地，gmcnn模塊中的門控存儲器單元可以揮發冗餘的時空特徵並增強長期的時間特徵，以提高預測精度。將步驟2.1得到的隱藏時空特徵x
in
輸入gmcnn模塊，經過處理後輸出g
out
；具體為：
[0115]
步驟2.2.1：將步驟2.1得到的隱藏時空特徵x
in
輸入門控記憶卷積神經網絡，經過因果卷積得到g
in
，再輸入到門控單元，由於特徵x
in
的時間長度經過卷積層後會變短，需對其進行裁切以得到殘差x
residual
，計算公式如下：
[0116]gin
＝conv
causal
(x
in
),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0117]
x
residual
＝crop[align(x
in
)],
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0118]
其中conv
causal
(
·
)為因果卷積函數，align(
·
)為維度變換函數；
[0119]
步驟2.2.2：將步驟2.1.1得到的x
residual
與g
in
拼接並使用1
×
1卷積核進行因果卷積變換，再經過sigmoid激活，得到遺忘門r和記憶門z的門值，r和z的計算公式如下：
[0120][0121][0122]
其中是卷積核為1
×
1的2維卷積函數，d表示維數；
[0123]
步驟2.2.3：時空特徵g
in
通過步驟2.2.2得到的遺忘門r選擇性保留後與x
residual
相加，再經過1
×
1卷積核卷積變換和全連接層linear(
·
)激活後，得到新的時空特徵計算公式如下：
[0124][0125]
步驟2.2.4：記憶門z作用在步驟2.2.3的而1-z作用在g
in
上，隨後將兩者與殘差x
residual
相加，經過prelu激活，得到隱含狀態輸出g
out
，計算公式如下：
[0126][0127]
步驟2.3：根據節點交通流狀態的相似性來確定節點之間的權重，並以此刻畫節點
間相互影響的關係。在此基礎上構建表徵交通流節點之間結構關係的空間圖，用於描述交通流節點之間的結構關係，並從時間維度引入了多層空間圖。針對交通流節點的多層次動態交互特性，基於多層注意力神經網絡(mgan)，將多層時間信號映射到共同的潛在表徵中，以實現對交通流擴散過程的模擬，由此提高模型的預測精度。將步驟2.2的g
out
輸入多層注意力網絡模塊mgan(
·
)，經過處理後得到隱藏空間特徵。具體如下：
[0128]
步驟2.3.1：在時間區間τ＝(t-τ+1,t-τ+2,...,t)內，將多層空間圖表示為g
τ
＝(v,a
τ
)，其中v＝{vi|i＝1,2,3,...,n}是圖g
τ
中交通流檢測節點vi的集合，a
τ
＝(a
t-τ+1
,a
t-τ+2
,...,a
t
)表示時間區間τ內的權重連接張量，a
t
為t時刻權重連接矩陣，表示t時刻節點vi到節點vj的權重信息，因為使用多頭注意力機制，所以其中m為多頭注意力機制的頭數；
[0129]
步驟2.3.2：根據步驟2.3.1構建的多層空間圖g
τ
＝(v,a
τ
)，拆分t時刻節點vi的輸入與節點vj的輸入得到輸入張量其中輸入張量是步驟2.2的輸出，m＝1,2,...m，輸入張量的通道數為dm；
[0130]
步驟2.3.3：步驟2.3.2的經過全連接神經網絡linearq與lineark後分別生成查詢向量與鍵值向量，再經過縮放點積，得到節點vi與vj的注意力得分的注意力得分計算公式如下：
[0131][0132]
步驟2.3.4：通過softmax函數對注意力得分進行歸一化，得到t時刻兩點的權重值表明節點j的交通流與節點i的交通流的空間相關性大小，計算公式如下：
[0133][0134]
步驟2.3.5：將權重值加入dropout神經元隨機丟棄機制，模擬城市交通中的突發事件對交通流節點之間相關性的影響，經卷積計算後得到隱藏空間特徵計算公式如下：
[0135][0136]
其中，為mgan層的輸出，w
t,m
為可學習的參數矩陣，m為多頭注意力的頭數，為mgan層的輸入，σ(
·
)為sigmoid激活函數。
[0137]
步驟3：由多層注意力網絡模塊、記憶門控卷積模塊和全連接層構建的decode層對
步驟2的encode層中得到的隱藏特徵解碼為預測值，解碼是指各模塊通過參數學習將隱藏特徵映射為預測目標，由此得到交通流量預測結果。所述decode層為包括依次設置的多層注意力網絡模塊mgan(
·
)、記憶門控卷積模塊gmcnn(
·
)和稀疏特徵的全連接層linear(
·
)，且mgan(
·
)、gmcnn(
·
)和linear(
·
)的操作步驟與步驟2相同。具體為：
[0138]
步驟3.1：多層注意力網絡模塊mgan(
·
)，具體如下：
[0139]
步驟3.1.1：在時間區間τ＝(t-τ+1,t-τ+2,...,t)內，將多層空間圖表示為g
τ
＝(v,a
τ
)，其中v＝{vi|i＝1,2,3,...,n}是圖g
τ
中交通流檢測節點vi的集合，a
τ
＝(a
t-τ+1
,a
t-τ+2
,...,a
t
)表示時間區間τ內的權重連接張量，a
t
為t時刻權重連接矩陣，表示t時刻節點vi到節點vj的權重信息，因為使用多頭注意力機制，所以其中m為多頭注意力機制的頭數；
[0140]
步驟3.1.2：根據步驟2.1構建的多層空間圖g
τ
＝(v,a
τ
)，拆分t時刻節點vi的輸入與節點vj的輸入得到輸入張量輸入張量的通道數為dm；
[0141]
步驟3.1.3：步驟2.2的經過全連接神經網絡linearq與lineark後分別生成查詢向量與鍵值向量，再經過縮放點積，得到節點vi與vj的注意力得分的注意力得分計算公式如下：
[0142][0143]
步驟3.1.4：通過softmax函數對注意力得分進行歸一化，得到t時刻時兩點的權重值表明節點j的交通流與節點i的交通流的空間相關性大小。計算公式如下：
[0144][0145]
步驟3.1.5：將權重值加入dropout神經元隨機丟棄機制，模擬城市交通中的突發事件對交通流節點之間相關性的影響，經卷積計算後得到隱藏空間特徵計算公式如下：
[0146][0147]
其中，w
t,m
為可學習的參數矩陣，m為多頭注意力的頭數，為mgan層的輸入，為mgan層的輸出，σ(
·
)為sigmoid激活函數。
[0148]
步驟3.2：記憶門控卷積模塊gmcnn(
·
)，具體如下：
[0149]
步驟3.2.1：將隱藏時空特徵x
in
輸入門控記憶卷積神經網絡，經過因果卷積得到gin
，再輸入到門控單元，由於特徵x
in
的時間長度經過卷積層後會變短，所以需要對其進行裁切以得到殘差x
residual
，其計算公式如下：
[0150]gin
＝conv
causal
(x
in
),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0151]
x
residual
＝crop[align(x
in
)],
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(27)
[0152]
其中conv
causal
(
·
)為因果卷積函數，align(
·
)為維度變換函數，
[0153]
步驟3.2.2：將x
residual
與g
in
拼接並使用1
×
1卷積核進行卷積變換，再經過sigmoid激活，得到遺忘門r和記憶門z的門值，r和z的計算公式如下：
[0154][0155][0156]
步驟3.2.3：時空特徵g
in
通過遺忘門r選擇性保留後與x
residual
相加，再經過1
×
1卷積核卷積變換和全連接層激活後，得到新的時空特徵計算公式如下：
[0157][0158]
步驟3.2.4：記憶門z作用在而1-z作用在g
in
上，隨後將兩者與殘差x
residual
相加，經過prelu激活，得到隱含狀態輸出g
out
，計算公式如下：
[0159][0160]
步驟3.3：稀疏特徵的全連接層linear(
·
)，具體如下：
[0161]
linear(
·
)＝wx+b,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0162]
其中，x為輸入，w與b為可學習參數。
[0163]
由encode層和decode層構建時空圖自編解碼網絡stgae(
·
)，並輸出流通流量的預測數據，具體為：
[0164][0165]
其中，x
τ
為交通流樣本數據，為stgae網絡得到的交通流預測數據，encode(
·
)為步驟2中的encode層，decode(
·
)為步驟3中的decode層，layernorm(
·
)表示在通道維度中進行規一化。
[0166]
對預測數據所對應的真實值y
t
同樣進行平滑處理，以消除網絡在訓練過程中的噪聲，從而使得模型能夠最大化學習過程中所忽略的噪聲，並從數據中學習更多有價值的信息。由此得到網絡stgae訓練過程中的損失函數為：
[0167]
[0168]
集成了自適應生成多層注意力矩陣建模多層次動態空間依賴關係的多層注意力神經網絡(mgan)，以及為序列化的隱藏特徵提供並行計算和非線性處理能力的門控記憶卷積神經網絡(gmcnn)，並採取平滑網絡訓練法(nst)去除模型訓練中所受觀測噪聲影響。有效地提高交通流量預測的準確性和魯棒性，解決了交通流時空依賴性建模複雜且困難的問題。
[0169]
以上顯示和描述了本發明的基本原理、主要特徵和本發明的優點。本行業的技術人員應該了解，本發明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發明的原理，在不脫離本發明精神和範圍的前提下，本發明還會有各種變化和改進，這些變化和改進都納入要求保護的本發明範圍內。本發明要求保護範圍由所附的權利要求書及其等效物界定。