本申请提供了一种基于图卷积网络的交通流量预测方法,包括:使用交通网络图中各交通节点的历史特定时间步的交通流量数据,训练时空簇预测模型,以预测未来目标时间步的交通流量,具体的:利用卷积层,将预处理后的交通流量数据映射至特征空间,以得到交通流量数据的原始特征和原始特征图;利用基于自注意力的时空图簇卷积模块提取交通流量数据中隐含的空间依赖关系,得到相应的特征表示;利用基于门控机制和扩张卷积的门控时序卷积网络捕获交通流量数据的时间依赖关系,得到相应的特征表示;基于历史特定时间步的空间依赖关系和时间依赖关系的特征表示,预测未来目标时间步的交通流量。所述方法通过引入时间相关的外部信息,提升预测的准确性。
背景技术
随着物联网技术的发展和城市化进程的加快,交通流预测已成为智能交通系统的一个关键研究领域,其目的是提高交通管理效率、减少拥堵和加强出行安全。由于交通流具有高度非线性和动态的时空依赖性,实现及时准确的预测,尤其是长期预测,仍然是一项重大挑战。随着大数据技术、深度学习算法和计算资源的发展,图神经网络(GCNs)得以迅猛发展,GCNs通过建模交通网络中的复杂时空依赖关系,提升了流量预测的准确性和可靠性,在交通流量预测中展现出强大的应用潜力。但其面临全局依赖性的限制以及在处理长距离依赖和复杂全局特征时的挑战,计算成本和数据需求的高度也限制了它们在大规模和复杂任务中的应用,为了克服这些限制,注意力机制和Transformer模型崭露头角。
通过动态调整模型对输入数据中重要部分的关注度,有助于处理长距离依赖和全局特征提取,从而提高了模型的准确性和效率。其中,Transformer模型通过自注意力机制实现了对序列数据全局信息的有效捕捉,不仅在自然语言处理中取得了突破性进展,也在交通预测领域中展示出巨大潜力。在许多预测模型中,研究人员往往只关注模型本身的性能,而忽略了外部因素对预测结果的影响。然而,外部因素(外生变量)在许多实际应用中起着至关重要的作用。比如,在金融市场预测中,经济指标、政策变化等外部因素会显著影响市场走势;在交通预测中,天气、节假日等外部因素也会影响需求变化。
实现思路