技術(shù)特征：

1.基于時空圖卷積網(wǎng)絡的分段迭代長期交通流量預測方法，其特征在于，實現(xiàn)過程如下：

2.根據(jù)權(quán)利要求1所述的基于時空圖卷積網(wǎng)絡的分段迭代長期交通流量預測方法，其特征在于，步驟(1)具體方法如下：

3.根據(jù)權(quán)利要求1所述的基于時空圖卷積網(wǎng)絡的分段迭代長期交通流量預測方法，其特征在于，步驟(2)具體方法如下：

4.根據(jù)權(quán)利要求1所述的基于時空圖卷積網(wǎng)絡的分段迭代長期交通流量預測方法，其特征在于，所述步驟(3)中具體實現(xiàn)過程如下：

5.根據(jù)權(quán)利要求4所述的基于時空圖卷積網(wǎng)絡的分段迭代長期交通流量預測方法，其特征在于，步驟4具體方法如下：

6.根據(jù)權(quán)利要求1所述的基于時空圖卷積網(wǎng)絡的分段迭代長期交通流量預測方法，其特征在于，步驟5具體方法如下：

技術(shù)總結(jié)
本發(fā)明公開了基于時空圖卷積網(wǎng)絡的分段迭代長期交通流量預測方法。首先將應用場景中涉及的傳感器的實體映射成圖論的節(jié)點權(quán)重信息來實現(xiàn)問題模型化，獲取圖模型；然后通過將交通特征矩陣劃分，作為時空圖卷積網(wǎng)絡的輸入。最后利用并行多步預測PMF的方法并行預測各個分段的預測結(jié)果，將預測的各個分段結(jié)合位置嵌入獲得接下來各時刻的交通信息。本發(fā)明時空圖卷積網(wǎng)絡采用分段迭代代替逐點迭代，預測時用并行多步預測PMF代替遞歸多步預測RMF。本發(fā)明通過分段迭代策略顯著減少了提取時間特征所需的遞歸迭代次數(shù)，從而解決了在長序列上有效訓練GRU的挑戰(zhàn)。此外，PMF的采用進一步緩解了傳統(tǒng)RMF方法中固有的誤差累積問題。

技術(shù)研發(fā)人員：劉鵬,祖李昊
受保護的技術(shù)使用者：杭州電子科技大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9