一种基于多注意力因果关系的交通预测方法及系统与流程

技术特征：
1.一种基于多注意力因果关系的交通预测方法，其特征在于，所述基于多注意力因果关系的交通预测方法包括：获取历史交通数据；所述历史交通数据包括多组在相邻两时段内的第一历史观测数据和第二历史观测数据；基于多注意力因果网络模型，根据各所述第一历史观测数据和第二历史观测数据，得到交通预测模型；基于所述交通预测模型，根据当前时段内的观测数据，预测在下一时段内的交通预测值。2.根据权利要求1所述的基于多注意力因果关系的交通预测方法，其特征在于，所述第一历史观测数据和第二历史观测数据均包括多个在不同历史观测点及历史时间步长下的历史观测值；其中，待测路段内布置有多个观测点，每一时段分为多个时间步长；所述多注意力因果网络模型包括子图划分单元、时空嵌入单元、编码器、注意力转换层、解码器以及第一全连接层；所述子图划分单元与所述时空嵌入单元及所述编码器连接，所述时空嵌入单元与所述编码器、注意力转换层及解码器连接，所述编码器、注意力转换层及解码器依次连接，所述解码器与第一全连接层连接；所述基于多注意力因果网络模型，根据各所述第一历史观测数据和第二历史观测数据，得到交通预测模型，具体包括：采用收敛交叉映射算法，通过时空嵌入单元计算各组中的第一历史观测数据和第二历史观测数据的相关性值；根据各相关性值，通过子图划分单元将各第一历史观测数据划分为多个子图；针对任一子图，通过时空嵌入单元根据所述子图中各第一历史观测数据对应的相关性值，确定所述子图的相关性矩阵；根据所述子图的相关性矩阵以及各历史时间步长，确定时空嵌入特征；编码器根据所述时空嵌入特征，采用空间注意力机制和时间注意力机制，确定第一时空状态；采用转换注意力机制，通过注意力转换层将所述第一时空状态转换为第二时空状态；根据所述第二时空状态，通过解码器以及全连接层，确定历史交通预测值；获取所述历史交通预测值与第二历史观测数据之间的平均绝对误差；根据所述平均绝对误差进行迭代训练，直到平均绝对误差达到最小值或迭代次数达到迭代阈值时，得到交通预测模型。3.根据权利要求2所述的基于多注意力因果关系的交通预测方法，其特征在于，所述采用收敛交叉映射算法，通过时空嵌入单元计算各组中的第一历史观测数据和第二历史观测数据的相关性值，具体包括：针对每组第一历史观测数据和第二历史观测数据，根据以下公式，计算历史观测点p和历史观测点q在t
‑
1个时间步长中的相关性值：其中，e
p,q
为历史观测点p和历史观测点q在t
‑
1个时间步长中的相关性值，t
‑
1为历史时
间步长的数量，f
c
()为收敛交叉映射算法函数，为历史观测点p在第t
‑
1个历史时间步长下的历史观测值，为历史观测点q在第t
‑
1个历史时间步长下的历史观测值，v为历史观测点集合。4.根据权利要求2所述的基于多注意力因果关系的交通预测方法，其特征在于，所述时空嵌入单元包括多个第二全连接层；所述根据所述子图的相关性矩阵以及各历史时间步长，确定时空嵌入特征，具体包括：将所述相关性矩阵经过两个第二全连接层，得到空间嵌入特征；采用独热编码方法，对每个历史时间步长进行时间编码，并经过两个第二全连接层，得到时间嵌入特征；根据所述空间嵌入特征以及所述时间嵌入特征，确定时空嵌入特征。5.根据权利要求2所述的基于多注意力因果关系的交通预测方法，其特征在于，所述编码器包括多个注意力模块，各注意力模块均包括多个时间注意力单元、多个空间注意力单元以及门控融合单元；所述编码器根据所述时空嵌入特征，采用空间注意力机制和时间注意力机制，确定第一时空状态，具体包括：针对每一历史时间步长，根据各历史观测点在所述历史时间步长下的时空嵌入特征以及历史观测值，采用缩放点积方法，确定各注意力模块中各空间注意力单元中历史观测点集合对各历史观测点的第一影响力得分；针对每一注意力模块，根据所述注意力模块中各空间注意力单元中的各历史观测点在所述历史时间步长下的时空嵌入特征、历史观测值及第一影响力得分，采用空间注意力机制，确定所述注意力模块中各历史观测点在所述历史时间步长下的第一空间隐藏状态；根据各注意力模块中各历史观测点在所述历史时间步长下的第一空间隐藏状态，确定第二空间隐藏状态；针对每一历史观测点，根据所述历史观测点在各历史时间步长下的时空嵌入特征，采用缩放点积方法，确定各注意力模块中各空间注意力单元中在所述历史观测点下历史时间步长集合对各历史时间步长的第二影响力得分；针对每一注意力模块，根据所述注意力模块中各时间注意力单元中的各历史时间步长在所述历史观测点下的时空状态、历史观测值及第二影响力得分，确定所述注意力模块中在所述历史观测点下各历史时间步长的第一时间隐藏状态；根据各注意力模块中在所述历史观测点下各历史时间步长的第一时间隐藏状态，确定第二时间隐藏状态；通过门控融合单元根据所述第二空间隐藏状态及所述第二时间隐藏状态，确定第一时空状态。6.根据权利要求5所述的基于多注意力因果关系的交通预测方法，其特征在于，根据以下公式，计算第k个注意力模块中第w个空间注意力单元中历史观测点集合v对历史观测点v
i
在历史时间步长tj下的影响力得分：
其中，为第w个空间注意力单元中历史观测点集合v对历史观测点vi在历史时间步长tj下的影响力得分，f
n
()为池化函数，为第w个空间注意力单元中不同的非线性投影relu激活函数，c＝1，2，为第k
‑
1个注意力模块中历史观测点vi在历史时间步长tj处的第一空间隐藏状态，e
vi,tj
为历史观测点vi在历史时间步长tj下的时空嵌入特征，为第k
‑
1个注意力模块中历史观测点集合v在历史时间步长tj处的第一空间隐藏状态，e
v,tj
为历史观测点集合v在历史时间步长tj下的时空嵌入特征，w为第k个注意力模块中空间注意力单元的数量，||为向量的拼接，x
vi,tj
为历史观测点vi在历史时间步长tj下的历史观测值，f
d
()为求向量维数的函数，[，]为内积运算符。7.根据权利要求5所述的基于多注意力因果关系的交通预测方法，其特征在于，根据以下公式，计算第k个注意力模块中历史观测点vi在历史时间步长tj下的第一空间隐藏状态：其中，为第k个注意力模块中历史观测点vi在历史时间步长tj下的第一空间隐藏状态，tj为历史时间步长，vi为历史观测点，k为注意力模块的序号，||为向量的拼接，w为第k个注意力模块中空间注意力单元的数量，v为历史观测点集合，α
vi,v,tj
为历史观测点集合v对历史观测点vi的在历史时间步长tj下的第一影响力得分，为第w个空间注意力单元中三个不同的非线性投影relu激活函数，为第k
‑
1个注意力模块中历史观测点集合v在历史时间步长tj下的第一空间隐藏状态，h
(k
‑
1)
为第k个注意力模块的输入，第1个注意力模块的输入为历史观测点vi在历史时间步长tj下的观测值x
vi,tj
，第一空间隐藏状态为8.根据权利要求5所述的基于多注意力因果关系的交通预测方法，其特征在于，根据以下公式，计算第k个注意力模块中第b个时间注意力单元中在历史观测点vi下历史时间步长集合t对历史时间步长tj的影响力得分：其中，为第k个注意力模块中第b个时间注意力单元中在历史观测点vi下历史时
间步长集合t对历史时间步长tj的影响力得分，f
n
()为池化函数，为第b个时间注意力单元中不同的非线性投影relu激活函数，c＝1，2，为第k
‑
1个注意力模块中历史观测点vi在历史时间步长tj下的第一时间隐藏状态，为第k
‑
1个注意力模块中历史观测点vi在历史时间步长集合t下的第一时间隐藏状态，e
vi,tj
为历史观测点vi在历史时间步长tj下的的时空嵌入特征，e
vi,t
为历史观测点vi在历史时间步长集合t下的时空嵌入特征，||为向量的拼接，f
d
()为求向量维数的函数，b为第k个注意力模块中时间注意力单元的数量。9.根据权利要求5所述的基于多注意力因果关系的交通预测方法，其特征在于，根据以下公式，计算第k个注意力模块中在历史观测点vi下历史时间步长tj的第一时间隐藏状态：其中，为第k个注意力模块中在历史观测点vi下历史时间步长tj的第一时间隐藏状态，b为第k个注意力模块中时间注意力单元的数量，t为历史时间步长集合，为第b个时间注意力单元中在历史观测点vi下历史时间步长集合t对历史时间步长tg的第二影响力得分，为第b个时间注意力中不同的非线性投影relu激活函数，为第k
‑
1个注意力模块中在历史观测点vi下历史时间步长集合t的第一时间隐藏状态。10.一种基于多注意力因果关系的交通预测系统，其特征在于，所述基于多注意力因果关系的交通预测系统包括：数据获取单元，用于获取历史交通数据；所述历史交通数据包括多组在相邻两时段内的第一历史观测数据和第二历史观测数据；训练单元，与所述数据获取单元连接，用于基于多注意力因果网络模型，根据各所述第一历史观测数据和第二历史观测数据，得到交通预测模型；预测单元，与所述训练单元连接，用于基于所述交通预测模型，根据当前时段内的观测数据，预测在下一时段内的交通预测值。

技术总结
本发明提供一种基于多注意力因果关系的交通预测方法及系统，属于智能交通和机器学习领域，所述基于多注意力因果关系的交通预测方法包括：获取历史交通数据；所述历史交通数据包括多组在相邻两时段内的第一历史观测数据和第二历史观测数据；基于多注意力因果网络模型，根据各所述第一历史观测数据和第二历史观测数据，得到交通预测模型，再基于所述交通预测模型，根据当前时段内的观测数据，预测在下一时段内的交通预测值，通过多注意力因果网络模型预测下一时段内的交通预测值，提高了交通预测的精准度。预测的精准度。预测的精准度。


技术研发人员：叶松涛 郑丽婷 范红杰 张志强
受保护的技术使用者：湘潭大学
技术研发日：2021.08.18
技术公布日：2021/11/8