基于动态时空图注意力网络的停车需求预测方法、系统及介质与流程

摘要: 本发明涉及智能交通系统,具体涉及一种基于动态时空图注意力网络的停车需求预测方法、系统及介质,特别适用于城市路侧停车管理和商业停车场运营场景。背景技术:1、随着城...
基于动态时空图注意力网络的停车需求预测方法、系统及介质与流程

本发明涉及智能交通系统,具体涉及一种基于动态时空图注意力网络的停车需求预测方法、系统及介质,特别适用于城市路侧停车管理和商业停车场运营场景。

背景技术:

1、随着城市化进程的加快和汽车保有量的持续增长,"停车难"已成为制约城市交通高效运行的关键问题。准确的停车需求预测是实现智能停车诱导、动态定价和资源优化配置的基础,对于提升城市交通运行效率、减少无效巡航、改善市民出行体验具有重要意义。

2、停车需求预测相较于一般的交通流量预测,具有以下特殊技术挑战:其一,停车需求呈现明显的日周期和周周期模式,且不同区域的周期模式存在差异;其二,不同功能区的停车需求模式显著不同,且区域间的依赖关系随时段动态变化;其三,大型活动、恶劣天气等事件对停车需求的影响具有空间衰减特性和时间持续效应;其四,新投入运营的停车场缺乏历史数据,传统深度学习模型难以有效训练。

3、传统的停车需求预测方法主要包括基于统计学的方法和基于机器学习的方法。基于统计学的方法以自回归积分滑动平均模型为代表,该类方法通过分析历史时间序列数据的统计规律进行预测。然而,该模型只能处理单一时序数据,无法建模区域间的空间依赖关系,因此在城市级停车需求预测场景中精度有限。基于传统机器学习的方法以支持向量机和随机森林为代表,该类方法通过人工设计的特征进行预测。虽然能够处理多源数据,但高度依赖人工特征工程,难以自动学习停车需求中的复杂非线性模式。

4、近年来,深度学习方法在交通预测领域取得了显著进展。循环神经网络能够有效捕捉时间序列的依赖关系,卷积神经网络能够提取空间特征,图神经网络能够建模区域间的图结构关系。然而,现有的深度学习方法在停车需求预测中仍存在以下技术缺陷:

5、第一,静态图结构无法适应动态空间依赖。现有基于图神经网络的预测方法通常使用预定义的静态邻接矩阵,无法捕捉区域间依赖关系随时间的动态变化。实际上,区域间的停车需求关联是动态变化的,例如早高峰期间居民区与办公区的停车需求高度相关,而晚高峰期间这种关联模式发生反转。静态图结构无法适应这种动态变化,导致空间建模不准确。

6、第二,时空信息串行建模导致交互不充分。现有方法通常采用串行架构,先建模时间依赖再建模空间依赖,或先空间后时间。这种串行建模方式难以充分捕捉时空维度的复杂交互关系,导致预测精度受限。

7、第三,极端事件场景下预测鲁棒性不足。当遇到大型活动、恶劣天气、节假日等极端事件时,停车需求模式发生显著变化。现有方法缺乏对极端事件的专门建模,在这些场景下预测精度急剧下降。

8、第四,新停车场冷启动困难。深度学习模型通常需要大量训练样本才能达到理想效果。对于新投入运营的停车场或新纳入管理的城市区域,历史数据不足,导致模型无法有效训练。

9、第五,预测结果缺乏可解释性。深度学习模型作为黑盒模型,无法提供预测依据的解释,导致运营人员难以理解预测结果、定位异常原因,进而影响决策的信任度和采纳度。

10、因此,如何设计一种能够适应动态空间依赖、充分交互时空信息、对极端事件鲁棒、支持少样本冷启动且具备可解释性的停车需求预测方法,成为本领域亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于动态时空图注意力网络的停车需求预测方法及系统,以解决现有技术中静态图结构无法适应动态空间依赖、时空信息串行建模不充分、极端事件场景下鲁棒性不足、新停车场冷启动困难以及预测结果缺乏可解释性的技术问题。

2、为实现上述目的,本发明采用以下技术方案:

3、第一方面,本发明提供一种基于动态时空联合建模的停车需求预测方法,包括以下步骤:

4、s1,数据获取步骤:获取待预测区域的停车历史数据、兴趣点poi数据、天气数据、日历信息和事件数据。

5、s2,多源数据嵌入步骤:将所述停车历史数据、poi数据、天气数据和事件数据分别通过对应的嵌入网络映射到预设维度的嵌入向量,得到停车历史嵌入、poi嵌入、天气嵌入和事件嵌入;其中,所述停车历史嵌入添加了捕捉停车需求日周期和周周期模式的周期性位置编码;所述事件嵌入根据事件的类型、位置和影响半径计算事件对各区域的影响衰减。

6、s3,动态图学习步骤:基于当前时刻各区域的嵌入向量,计算各区域之间的边权重,生成动态邻接矩阵;其中,所述边权重根据区域间的特征相似性和地理距离动态确定。

7、s4,时空联合建模步骤:将所述动态邻接矩阵与各区域的嵌入向量输入时空注意力块,通过时间注意力层和空间注意力层进行并行联合建模,并通过门控融合层动态调整时间和空间特征的信息权重,得到时空特征表示。

8、s5,需求预测步骤:基于所述时空特征表示,输出各区域未来预设时间段的停车需求预测结果。

9、第二方面,本发明提供一种停车需求预测系统,包括数据获取模块、多源嵌入模块、动态图学习模块、时空联合建模模块、预测输出模块和处理器。

10、第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述停车需求预测方法。。

11、本发明的有益效果在于:

12、(1)动态空间建模:通过实时计算区域间的边权重,生成动态邻接矩阵,能够捕捉区域间依赖关系随时间的动态变化,与采用静态邻接矩阵的现有方法相比,空间建模精度显著提升;

13、(2)周期性位置编码:通过日周期编码和周周期编码,显式捕捉停车需求的周期性模式,针对停车场景的周期特性进行了专门设计,周期模式建模更准确;

14、(3)时空联合建模:通过时空注意力块同时建模时间和空间维度的依赖关系,并通过门控融合层动态调整信息权重,与串行架构相比实现了更紧密的时空交互;

15、(4)事件感知嵌入:通过距离衰减函数和时间指示函数,将大型活动、天气等外部事件的影响显式建模,在极端事件场景下的预测精度显著提升;

16、(5)多粒度一致性:通过多粒度预测头和一致性约束,确保不同时间粒度预测结果相互一致,提高预测的可靠性;

17、(6)冷启动支持:通过元学习框架和渐进式解冻策略,新停车场仅需少量样本即可完成模型微调,快速上线;

18、(7)可解释性:通过注意力权重可视化和特征归因分析,提供预测结果的可解释性,辅助运营决策。

1.一种基于动态时空联合建模的停车需求预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的停车需求预测方法,其特征在于,所述s2步骤中,所述周期性位置编码包括日周期编码和周周期编码,通过以下方式添加:

3.根据权利要求1所述的停车需求预测方法,其特征在于,所述s2步骤中,所述事件嵌入的计算包括:

4.根据权利要求1所述的停车需求预测方法,其特征在于,所述s3步骤中,所述动态图学习步骤具体包括:

5.根据权利要求1所述的停车需求预测方法,其特征在于,所述s4步骤中,所述时空注意力块的处理流程包括:

6.根据权利要求5所述的停车需求预测方法,其特征在于,所述门控融合层的加权融合包括:

7.根据权利要求5所述的停车需求预测方法,其特征在于,所述空间注意力层的计算包括:

8.根据权利要求1所述的停车需求预测方法,其特征在于,所述s4步骤中,还包括残差连接与层归一化:将门控融合层的输出与当前时空注意力块的输入进行残差相加,再通过层归一化得到当前块的输出;堆叠多层时空注意力块,上一层的输出作为下一层的输入,最终输出深层时空特征表示式。

9.一种用于实现权利要求1至8中任一项所述方法的停车需求预测系统,其特征在于,包括:

10.根据权利要求9所述的系统,其特征在于,所述动态图学习模块包括:

11.根据权利要求9所述的系统,其特征在于,还包括多粒度预失:

12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8任一项所述的停车需求预测方法。