一种用于交通流预测的双模式图卷积循环神经网络的制作方法

技术特征：
1.一种用于交通流预测的双模式图卷积循环神经网络，其特征在于，包括m-gru模块、位置编码模块、长时多头注意力机制模块和预测模块，所述m-gru模块包括若干个串联的m-gru单元，最后一个m-gru单元连接所述位置编码模块，所述位置编码模块连接所述长时多头注意力机制模块，所述长时多头注意力机制模块连接所述预测模块；获取交通网络中每个节点记录的一时间段内所有时刻的交通流序列特征，将对应时刻的交通流特征序列值x
i
和切比雪夫多项式依次输入至对应的m-gru单元得到最后一个m-gru单元输出的结果x，所述位置编码模块用于对x进行正余弦位置编码得到编码后的x；所述长时多头注意力机制模块用于根据接收的所述编码后的x得到长时多头注意力机制模块的结果；所述预测模块用于根据接收的长时多头注意力机制模块的结果和预设的损失函数得到损失值，根据所述损失值进行反向传播并更新网络的网络参数，记录迭代次数，直至所述迭代次数达到预设的要求，得到训练好的双模式图卷积循环神经网络。2.根据权利要求1所述的网络，其特征在于，所述m-gru单元包括m-reset模块和m-update模块，所述m-reset模块包括cdsg模块、序列特征多头注意力模块、拼接模块和残差融合模块，所述cdsg模块和所述序列特征多头注意力模块分别连接所述拼接模块，所述拼接模块连接所述残差融合模块；将x
i
和切比雪夫多项式输入到所述cdsg模块，将所述x
i
输入到所述序列特征多头注意力模块，得到第一结果和第二结果，所述拼接模块将所述第一结果和所述第二结果拼装组装得到拼接结果，所述残差融合模块将所述拼接结果与所述x
i
进行残差融合，最后将残差融合的结果输出。3.根据权利要求2所述的网络，其特征在于，所述cdsg模块包括动态学习与特定节点的图卷积模块、空间多头注意力模块、切比雪夫图卷积模块和空间融合模块，所述动态学习与特定节点的图卷积模块连接所述空间融合模块，所述空间多头注意力模块连接所述切比雪夫图卷积模块，所述切比雪夫图卷积模块连接所述空间融合模块；将x
i
和切比雪夫多项式输入到动态学习与特定节点的图卷积模块进行图卷积得到第一图卷积结果，将x
i
输入到所述空间多头注意力模块得到空间注意力模块的结果，所述切比雪夫图卷积模块对所述空间注意力模块的结果进行图卷积得到第二图卷积结果，所述融合模块将所述第一图卷积结果和所述第二图卷积结果进行融合得到第一结果并输出。4.根据权利要求3所述的网络，其特征在于，所述将x
i
输入到所述空间多头注意力模块得到空间注意力模块的结果，具体为：attention＝[a'
·
v:x
i
]]
其中，为模型可学习参数，表示空间注意力模块的结果，表示空间注意力模块的结果，表示缩放因子，表示缩放点积注意力机制计算的结果，c表示节点的序号，c表示节点总数，b为批次大小，n为节点个数，f为特征通道，表示实数集。5.根据权利要求4所述的网络，其特征在于，所述切比雪夫图卷积模块对所述空间注意力模块的结果进行图卷积得到第二图卷积结果，具体为：其中，*g表示一个图的卷积运算，
⊙
表示哈达玛积，θ'∈r
k
是切比雪夫系数的向量，表示空间注意力模块的结果，l为拉普拉斯矩阵，i
n
表示单位矩阵，λ
max
是l的最大特征值，t
i
为切比雪夫多项式，而t
i
(x
i
)＝2x
i
t
i-1
(x
i
)-t
i-2
(x
i
)，其中，t0(x)＝1,t1(x)＝x，表示第二图卷积结果。6.根据权利要求5所述的网络，其特征在于，所述空间融合模块将所述第一图卷积结果和所述第二图卷积结果进行融合得到第一结果并输出，具体为：x
bd
＝xbconv xdconv其中，表示第一结果，表示第一图卷积结果，表示第二图卷积结果。7.根据权利要求6所述的网络，其特征在于，将x
i
输入到所述序列特征多头注意力模块，得到第二结果，具体为：得到第二结果，具体为：attention＝[a'
·
v:x
i
]]其中，relu为激活函数，为模型可学习参数，表示第二结果，attention
f
表示序列特征多头注意力模块的结果，表示序列特征多头注意力模块的结果，表示缩放因子，表示缩放点积注意力机制计算的结果，c表示节点的序号，c表示节点总数。8.根据权利要求7所述的网络，其特征在于，所述拼接模块将所述第一结果和所述第二
结果拼装组装得到拼接结果，所述残差融合模块将所述拼接结果与所述x
i
进行残差融合，最后将残差融合的结果输出，具体为：x
bdf
＝[x
f
:x
bd
]x＝x
bdf
x
c
其中，表示拼接结果，表示第二结果，表示第一结果，x
c
是将序列特征进行普通卷积操作后的结果，x表示残差融合的结果，其中relu为激活函数。9.根据权利要求8所述的网络，其特征在于，所述长时多头注意力机制模块用于根据接收的所述编码后的x得到长时多头注意力机制模块的结果，具体为：x
l
＝(x attention
l
) relu(x attention
l
)attention＝[a'
·
v:x]v:x]其中，relu为激活函数，为模型可学习参数，表示长时多头注意力模块的结果，attention
l
表示初始长时多头注意力模块的结果，表示初始长时多头注意力模块的结果，表示缩放因子，x为编码后的x，t为总步长。10.根据权利要求9所述的网络，其特征在于，预设的损失函数具体为：其中，y'是真实值，y
i
为时间步长i时所有节点的预测值。

技术总结
本发明公开了一种用于交通流预测的双模式图卷积循环神经网络，从三个角度分别出发设计，分别解决序列特征相关性、时间相关性和空间相关性的问题，其中序列特征相关性问题主要提出了采用多头注意力机制的方案直接解决，而时间相关性问题又分为短时间相关性和长时间相关性(即局部和全局)的处理情况，最后空间相关性方面主要以预定义图形和动态学习特定与节点两种模式进行图卷积的手段进而达到目的。从多个角度出发，解决各自对应问题，将其各自的计算结果融合到一起从而进行交通流预测。的计算结果融合到一起从而进行交通流预测。的计算结果融合到一起从而进行交通流预测。


技术研发人员：张锦 唐杰 阮昌 陈熊 赵佳佳 吴志强 黄浩炜 蔡汪洋 李文军 王觊婧
受保护的技术使用者：湖南雷升信息技术集团有限公司
技术研发日：2022.05.26
技术公布日：2022/9/2