滑动窗口历史邻居聚合图注意力的交通预测方法及系统

本发明属于交通预测，具体为滑动窗口历史邻居聚合图注意力的交通预测方法及系统。

背景技术：

1、本部分的陈述仅仅提到了与本发明相关的背景技术，并不必然构成现有技术。

2、交通状态预测是智能交通系统的核心技术，其基本原理是利用路网检测节点采集的历史交通数据（如流量、速度、占有率），通过对交通流的时空演化规律进行建模，推演未来时段的路网运行态势。准确的长时预测对于路径诱导、拥堵缓解和应急调度具有重要价值。

3、现有长时预测方法主要分为三类：基于循环神经网络的方法通过链式结构捕捉时间依赖，但难以避免长序列下的梯度消失，且缺乏对路网空间拓扑的编码能力；基于transformer的方法凭借自注意力机制擅长捕获长程时序依赖，却将每个路段视为孤立的时间序列，割裂了路段间的空间连通性；基于图神经网络的方法则通过图结构建模路网拓扑，其中图注意力网络因其能够动态学习节点间的空间关联权重而得到广泛应用。

4、现有图注意力方法中，空间注意力计算严格局限于同一时间步内，也就是每个节点在更新表征时，仅聚合邻居节点在当前时刻的特征。这一设计忽视了交通状态在路网上的时空传播延时效应：某路段发生的拥堵通常需要数个时间步才能扩散至相邻路段。将图注意力局限于单一时间步，本质上割裂了时间维度上的传播过程，导致模型无法捕捉跨时间步的空间关联，在长时预测中产生严重的空间误差累积。

技术实现思路

1、本发明提供滑动窗口历史邻居聚合图注意力的交通预测方法及系统，旨在解决现有图注意力方法将空间注意力局限于单一时间步、无法捕捉交通状态在路网上时空传播延时效应的问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面公开了滑动窗口历史邻居聚合图注意力的交通预测方法，包括以下步骤：

4、获取目标城市道路网络的拓扑数据及连续个时间步的历史交通状态序列，根据拓扑数据构建图结构并生成邻接矩阵；

5、对历史交通状态序列进行分块，得到个分块；将每个分块嵌入为隐藏维度表示，得到初始分块嵌入序列；

6、将初始分块嵌入序列输入至由多个时空编码器堆叠而成的预测模型中；

7、将最后一层时空编码器输出的分块嵌入序列映射为未来个时间步的交通状态预测值，输出预测结果；

8、其中，每个时空编码器依次执行以下处理：

9、通过基于滑动窗口历史邻居聚合的图注意力空间编码，以滑动窗口方式确定包含当前分块及其前个历史分块的时空联合邻域，将当前节点当前分块的特征作为查询向量，将该节点所有邻居节点在时空联合邻域内全部个分块的特征聚合后作为键向量和值向量，通过计算图注意力分数以聚合邻居节点的时空上下文信息，输出空间编码后的分块序列；

10、通过因果掩码的transformer时间编码，对每个节点独立建模其分块间的长程依赖关系，输出当前层的时空融合嵌入。

11、进一步的，根据拓扑数据构建图结构并生成邻接矩阵，具体为：

12、将道路网络中的每个检测节点定义为图的一个顶点，若两个节点之间存在道路直接连通或具有预设的空间相关性，则在两者之间建立一条无向边，生成图结构；

13、基于图结构构建邻接矩阵，当节点与相邻时邻接矩阵元素为1，否则为0，并且对角线元素设置为1以保留节点自身特征；

14、邻接矩阵在空间编码步骤中作为硬性掩码，仅允许存在边连接的节点对之间进行信息传递。

15、进一步的，分块划分，具体为：按预设的分块长度和滑动步长对历史交通状态序列进行分块划分，分块数量通过向下取整计算得到；若序列末端不足一个完整分块，则采用复制填充方式进行补齐。

16、进一步的，初始分块嵌入序列的生成方式，具体为：将每个分块通过线性投影层映射至隐藏维度，并为每个分块叠加可学习的绝对位置编码，以保留分块间的时序顺序。

17、进一步的，基于滑动窗口历史邻居聚合的图注意力空间编码，具体为：

18、对于当前时空编码器输入的分块序列，按照从后往前的顺序并以滑动步长依次滑动窗口，每个窗口包含个连续分块；

19、对于每个窗口中的当前节点，将当前分块的特征作为查询向量，将所有邻居节点在该窗口内全部个分块的特征拼接后作为键向量和值向量；

20、为窗口内不同历史时刻的分块添加可学习的相对时间位置编码，以区分各分块的时间先后关系；对于序列起始处缺失的历史分块，采用可学习的填充嵌入进行补齐；

21、采用多头注意力机制计算注意力分数，并利用邻接矩阵对非邻居节点的注意力分数进行掩码，经归一化后得到动态空间权重，利用动态空间权重对值向量加权求和得到多头注意力输出并映射回隐藏维度，经残差连接与层归一化后输出当前窗口的空间编码结果；

22、所有窗口的输出按时间顺序拼接，得到空间编码后的分块序列，分块数量相应缩减。

23、进一步的，因果掩码的transformer时间编码，具体为：

24、对空间编码后的分块序列按节点独立处理；对于每个节点，将其分块序列通过线性投影分别映射为查询矩阵、键矩阵和值矩阵，并拆分为多个注意力头；

25、构造因果掩码矩阵，使第个分块仅能关注第1至个分块，以防止未来信息泄露；计算带因果掩码的缩放点积注意力，将各注意力头的输出拼接后映射回隐藏维度，得到注意力子层输出；

26、注意力子层输出与输入序列相加，得到输出，并依次执行层归一化和前馈网络映射，得到前馈网络输出并与输出相加，再次进行层归一化，得到该节点当前层的时间编码结果。

27、进一步的，将最后一层时空编码器输出的分块嵌入序列映射为未来个时间步的交通状态预测值，具体为：获取最后一层时空编码器输出的分块嵌入序列，序列的节点数与路网节点数一致，分块数为经多层空间编码逐步缩减后的最终分块数；将分块嵌入序列经展平后，通过线性层映射得到未来个时间步的交通状态预测值，并执行逆实例归一化，输出最终的预测结果。

28、本发明的第二个方面公开了滑动窗口历史邻居聚合图注意力的交通预测系统，包括：

29、数据获取模块，被配置为：获取目标城市道路网络的拓扑数据及连续个时间步的历史交通状态序列，根据拓扑数据构建图结构并生成邻接矩阵；

30、分块嵌入模块，被配置为：对历史交通状态序列进行分块划分，得到个分块；将每个分块嵌入为隐藏维度表示，得到初始分块嵌入序列；

31、堆叠时空编码模块，被配置为：将初始分块嵌入序列输入至由多个时空编码器堆叠而成的预测模型中；

32、预测输出模块，被配置为：将最后一层时空编码器输出的分块嵌入序列映射为未来个时间步的交通状态预测值，输出预测结果。

33、本发明的第三个方面公开了一种计算机程序产品，包括计算机可读指令，当计算机可读指令在电子设备上运行时，电子设备实现上述滑动窗口历史邻居聚合图注意力的交通预测方法。

34、本发明的第四个方面公开了一种电子设备，包括至少一个处理器和与处理器连接的存储器，存储器用于存储计算机程序；处理器用于执行计算机程序，使电子设备能够实现上述滑动窗口历史邻居聚合图注意力的交通预测方法。

35、与现有技术相比，上述一个或多个技术方案存在以下有益效果：

36、通过滑动窗口历史邻居聚合图注意力机制，将图注意力的键值作用域从单一时间步扩展至包含当前及历史多个分块的滑动窗口，使每个节点在空间编码时能够同时聚合邻居节点在多个历史时刻的状态信息，构建了时空联合邻域。这一设计使得模型天然具备模拟交通流时空传播过程的能力，当某节点发生异常事件时，其影响在后续时间步中逐层扩散至邻居节点的过程可以被滑动窗口机制完整捕获，从而显著提升长时交通预测的准确性。