本發(fā)明屬于信息處理，具體涉及基于氣象信息融合的深度學(xué)習(xí)交通流量預(yù)測(cè)方法。

背景技術(shù)：

1、隨著城市化的加速發(fā)展和智能交通系統(tǒng)的演進(jìn)，交通流量預(yù)測(cè)已成為現(xiàn)代交通管理的核心任務(wù)。然而，現(xiàn)有的預(yù)測(cè)模型在面對(duì)以下技術(shù)問(wèn)題時(shí)表現(xiàn)出較大的局限性：

2、首先，交通流量具有高度的時(shí)空依賴特性，但現(xiàn)有的模型往往難以充分捕捉這種復(fù)雜的依賴關(guān)系。特別是在處理復(fù)雜路網(wǎng)結(jié)構(gòu)時(shí)，傳統(tǒng)模型對(duì)空間關(guān)系的理解有限，難以準(zhǔn)確捕捉道路節(jié)點(diǎn)間的非歐幾里得空間關(guān)聯(lián)。

3、其次，交通流量還受到諸多外部因素的影響，尤其是天氣條件。惡劣的天氣如降雨、霧霾等會(huì)顯著改變道路的通行能力和車輛流動(dòng)模式，但傳統(tǒng)的預(yù)測(cè)模型很難同時(shí)整合交通數(shù)據(jù)和天氣數(shù)據(jù)，往往忽視了兩者之間的時(shí)間錯(cuò)位關(guān)系，導(dǎo)致預(yù)測(cè)結(jié)果的準(zhǔn)確性不足。

4、交通流量預(yù)測(cè)一直是智能交通系統(tǒng)（its）中的關(guān)鍵任務(wù)，傳統(tǒng)的預(yù)測(cè)方法主要依賴于統(tǒng)計(jì)模型和時(shí)間序列分析方法，如自回歸積分滑動(dòng)平均模型（arima）和支持向量回歸（svr）。這些方法通過(guò)歷史交通數(shù)據(jù)進(jìn)行建模，簡(jiǎn)單直接，但它們?cè)诿鎸?duì)復(fù)雜的時(shí)空依賴關(guān)系和非線性數(shù)據(jù)時(shí)表現(xiàn)出明顯的局限性。特別是，傳統(tǒng)的統(tǒng)計(jì)模型在處理長(zhǎng)時(shí)間依賴和多變的交通動(dòng)態(tài)時(shí)，往往難以提供足夠的預(yù)測(cè)精度。此外，這些模型通常無(wú)法有效利用外部數(shù)據(jù)（如天氣等）對(duì)交通流量的潛在影響。

5、隨著深度學(xué)習(xí)技術(shù)的興起，交通流量預(yù)測(cè)方法得到了顯著改進(jìn)。近年來(lái)，基于深度學(xué)習(xí)的模型，如循環(huán)神經(jīng)網(wǎng)絡(luò)（rnn）、長(zhǎng)短期記憶網(wǎng)絡(luò)（lstm）和時(shí)序卷積網(wǎng)絡(luò)（tcn）逐漸成為主流。lstm等模型通過(guò)引入記憶單元，能夠更好地捕捉長(zhǎng)時(shí)間的依賴關(guān)系，相比于傳統(tǒng)的統(tǒng)計(jì)模型表現(xiàn)出色。然而，盡管rnn和lstm在時(shí)序建模方面有明顯優(yōu)勢(shì)，它們?cè)谔幚斫煌髁康膹?fù)雜空間關(guān)系時(shí)表現(xiàn)不足，尤其是當(dāng)面對(duì)具有復(fù)雜拓?fù)浣Y(jié)構(gòu)的道路網(wǎng)絡(luò)時(shí)。

6、為解決這一問(wèn)題，近年來(lái)，圖神經(jīng)網(wǎng)絡(luò)（gnn）及其變體被引入交通流量預(yù)測(cè)領(lǐng)域，取得了顯著進(jìn)展。擴(kuò)散卷積遞歸神經(jīng)網(wǎng)絡(luò)（dcrnn）是其中的代表性工作之一，它結(jié)合了擴(kuò)散卷積和循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠有效建模交通流量中的時(shí)空依賴關(guān)系。隨后，graph?wavenet通過(guò)引入可學(xué)習(xí)的靜態(tài)鄰接矩陣，進(jìn)一步增強(qiáng)了模型對(duì)非歐幾里得空間的建模能力。與此同時(shí)，stgcn（spatio-temporal?graph?convolutional?network）和astgcn（attention-basedspatio-temporal?graph?convolutional?network）等模型結(jié)合圖卷積網(wǎng)絡(luò)與時(shí)間序列分析，通過(guò)時(shí)空卷積捕捉交通流量的時(shí)空特征，為交通預(yù)測(cè)提供了新的方法。

7、盡管這些改進(jìn)模型提升了時(shí)空依賴的捕捉能力，現(xiàn)有模型在長(zhǎng)時(shí)間依賴、外部數(shù)據(jù)融合（如天氣）和數(shù)據(jù)時(shí)間錯(cuò)位處理方面仍然存在不足。首先，交通數(shù)據(jù)與天氣等外部因素的時(shí)間錯(cuò)位是一個(gè)長(zhǎng)期存在的問(wèn)題，現(xiàn)有模型往往難以處理這些時(shí)間差異，導(dǎo)致外部數(shù)據(jù)的使用效果有限。其次，多數(shù)模型在應(yīng)對(duì)長(zhǎng)時(shí)間序列依賴時(shí)表現(xiàn)不佳，無(wú)法充分捕捉長(zhǎng)時(shí)間跨度內(nèi)的交通動(dòng)態(tài)變化。最后，現(xiàn)有的多源數(shù)據(jù)融合方法缺乏有效的特征融合機(jī)制，通常只采用簡(jiǎn)單的拼接或加權(quán)方式，未能深入挖掘不同模態(tài)數(shù)據(jù)之間的深層關(guān)系。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)的不足，提供基于氣象信息融合的深度學(xué)習(xí)交通流量預(yù)測(cè)方法，包括以下步驟：

2、步驟1，對(duì)交通數(shù)據(jù)和天氣數(shù)據(jù)進(jìn)行預(yù)處理；

3、步驟2，建立時(shí)間對(duì)齊模塊，解決交通數(shù)據(jù)與天氣數(shù)據(jù)的時(shí)間錯(cuò)位問(wèn)題；

4、步驟3，對(duì)交通數(shù)據(jù)和天氣數(shù)據(jù)進(jìn)行嵌入編碼；

5、步驟4，建立增強(qiáng)時(shí)空卷積網(wǎng)絡(luò)，交通數(shù)據(jù)通過(guò)增強(qiáng)時(shí)空卷積網(wǎng)絡(luò)提取出時(shí)空特征，氣象數(shù)據(jù)通過(guò)增強(qiáng)時(shí)空卷積網(wǎng)絡(luò)提取出時(shí)序特征；

6、步驟5，建立對(duì)比學(xué)習(xí)模塊，對(duì)時(shí)空特征和時(shí)序特征進(jìn)行特征融合與對(duì)比學(xué)習(xí)；

7、步驟6，生成交通流量的預(yù)測(cè)值。

8、步驟1包括：對(duì)交通數(shù)據(jù)和天氣數(shù)據(jù)進(jìn)行時(shí)間對(duì)齊，對(duì)缺失值進(jìn)行處理，然后進(jìn)行歸一化。

9、步驟2包括：所述時(shí)間對(duì)齊模塊包括交叉相關(guān)估計(jì)器和時(shí)移調(diào)整器；

10、所述交叉相關(guān)估計(jì)器通過(guò)以下公式計(jì)算交通數(shù)據(jù)特征與天氣數(shù)據(jù)特征之間的交叉相關(guān)性：

11、，

12、其中，表示天氣數(shù)據(jù)特征與交通數(shù)據(jù)特征在時(shí)間偏移時(shí)的相關(guān)系數(shù)，為滑動(dòng)窗口的長(zhǎng)度，表示的是時(shí)間點(diǎn)，表示時(shí)間時(shí)的天氣數(shù)據(jù)特征，這是一個(gè)減法運(yùn)算，用來(lái)表明在時(shí)間?t?的基礎(chǔ)上向前（或向后）移動(dòng)δ個(gè)時(shí)間單位。和?分別是天氣數(shù)據(jù)特征的均值和標(biāo)準(zhǔn)差；表示交通數(shù)據(jù)特征在時(shí)間時(shí)的值，?和分別是交通數(shù)據(jù)特征的均值和標(biāo)準(zhǔn)差。

13、步驟2中，通過(guò)最大化?，找到最佳時(shí)間偏移量。

14、步驟2中，所述時(shí)移調(diào)整器用于對(duì)天氣數(shù)據(jù)進(jìn)行時(shí)間調(diào)整，調(diào)整后的天氣數(shù)據(jù)特征通過(guò)以下公式表示：

15、，

16、其中，是天氣數(shù)據(jù)特征調(diào)整后的特征，?表示原始天氣數(shù)據(jù)特征，是天氣數(shù)據(jù)特征的最佳時(shí)間偏移量；shift?表示時(shí)間偏移操作。

17、步驟3包括：對(duì)于交通數(shù)據(jù)和天氣數(shù)據(jù)，分別通過(guò)線性變換和relu激活函數(shù)進(jìn)行嵌入編碼，交通數(shù)據(jù)的嵌入過(guò)程表示為：

18、?，

19、其中，表示嵌入后的交通數(shù)據(jù)特征，是嵌入層的權(quán)重矩陣，是原始交通數(shù)據(jù)特征，是針對(duì)交通數(shù)據(jù)的偏置項(xiàng)；relu?是激活函數(shù)，用于引入非線性，公式為：

20、??，

21、其中表示變量；

22、天氣數(shù)據(jù)的嵌入過(guò)程表示為：

23、?，

24、其中，是嵌入后的天氣數(shù)據(jù)特征，是用于天氣數(shù)據(jù)的權(quán)重矩陣，表示經(jīng)過(guò)時(shí)間對(duì)齊后的天氣數(shù)據(jù)，是針對(duì)天氣數(shù)據(jù)的偏置項(xiàng)。

25、步驟4包括：所述增強(qiáng)時(shí)空卷積網(wǎng)絡(luò)首先使用增強(qiáng)時(shí)序卷積網(wǎng)絡(luò)etcn來(lái)提取交通數(shù)據(jù)中的時(shí)序特征，所述增強(qiáng)時(shí)序卷積網(wǎng)絡(luò)etcn使用了深度卷積dwconv和點(diǎn)卷積pwconv相結(jié)合的方式，通過(guò)使用深度卷積dwconv，每個(gè)通道都會(huì)獨(dú)立地進(jìn)行卷積操作，公式為：

26、?，

27、其中，為輸入特征，為深度卷積核；

28、所述點(diǎn)卷積pwconv通過(guò)1×1卷積實(shí)現(xiàn)跨通道的特征融合：

29、?，

30、，

31、其中，是批歸一化操作，是激活函數(shù)，convffn1(x)表示一個(gè)包含點(diǎn)卷積、批歸一化和激活函數(shù)的復(fù)合函數(shù)；pwconv1表示一個(gè)點(diǎn)卷積操作；表示另一個(gè)包含點(diǎn)卷積、批歸一化和激活函數(shù)的復(fù)合函數(shù)；pwconv2表示另一個(gè)點(diǎn)卷積操作。

32、步驟4中，所述增強(qiáng)時(shí)空卷積網(wǎng)絡(luò)還引入了圖注意力網(wǎng)絡(luò)，所述圖注意力網(wǎng)絡(luò)通過(guò)注意力機(jī)制來(lái)動(dòng)態(tài)分配交通網(wǎng)絡(luò)中不同節(jié)點(diǎn)的連接權(quán)重，具體公式為：

33、?，

34、?，

35、?，

36、，

37、其中，是節(jié)點(diǎn)?p的特征向量，表示該節(jié)點(diǎn)p的屬性；是節(jié)點(diǎn)?q的特征向量，表示與節(jié)點(diǎn)p相鄰的另一個(gè)節(jié)點(diǎn)q的屬性；表示對(duì)節(jié)點(diǎn)p所有的鄰居y進(jìn)行計(jì)算關(guān)聯(lián)性；代表點(diǎn)y是與p節(jié)點(diǎn)相鄰的節(jié)點(diǎn)，上述公式就是為了計(jì)算所有與p節(jié)點(diǎn)相鄰的節(jié)點(diǎn)的關(guān)聯(lián)性。這個(gè)計(jì)算出來(lái)的特征這一步體現(xiàn)了?gat?對(duì)每個(gè)節(jié)點(diǎn)進(jìn)行的信息聚合，使得每個(gè)節(jié)點(diǎn)的特征不僅包含自身的信息，還融合了鄰居節(jié)點(diǎn)的信息，形成了對(duì)整個(gè)交通網(wǎng)絡(luò)中節(jié)點(diǎn)間關(guān)系的空間依賴表示。

38、leakyrelu是帶泄漏的線性整流單元，用于引入非線性，以提高模型對(duì)特征的表達(dá)能力；是節(jié)點(diǎn)的線性變換后的特征，這種線性變換能夠?qū)⑻卣魍队暗叫碌目臻g，以便更好地進(jìn)行后續(xù)的相似性計(jì)算和注意力權(quán)重分配；是節(jié)點(diǎn)和之間的注意力系數(shù)，是節(jié)點(diǎn)和k之間的注意力系數(shù)；表示用于節(jié)點(diǎn)特征的線性變換權(quán)重矩陣；是注意力機(jī)制中的權(quán)重向量；是節(jié)點(diǎn)的鄰居集合，是經(jīng)過(guò)?softmax?歸一化后的注意力權(quán)重；exp是自然指數(shù)函數(shù)；t表示矩陣轉(zhuǎn)置。表示節(jié)點(diǎn)?p的新的特征表示，就是gat最終的輸出，代表節(jié)點(diǎn)特征，也就是交通數(shù)據(jù)的空間信息，會(huì)跟交通的時(shí)序信息進(jìn)行結(jié)合，最終得到最后的getcn的輸出，就是交通數(shù)據(jù)的時(shí)空特征，也就是交通特征。

39、從?getcn?得到交通特征和從?etcn?得到的天氣特征需要進(jìn)行融合，得到一個(gè)統(tǒng)一的特征表示，用于對(duì)比學(xué)習(xí)。融合的方法是拼接。拼接后的樣本進(jìn)行樣本對(duì)構(gòu)建。

40、正樣本對(duì)：表示相似的樣本。例如，相同時(shí)間段內(nèi)相似天氣條件下的兩個(gè)不同路段的交通情況。

41、負(fù)樣本對(duì)：表示不相似的樣本。例如，不同時(shí)間段內(nèi)、或者不同天氣條件下的交通情況。

42、這些正樣本對(duì)和負(fù)樣本對(duì)是用來(lái)訓(xùn)練模型，使其能夠?qū)W習(xí)到相似樣本特征更接近，而不相似樣本特征更遠(yuǎn)離。

43、步驟5包括：所述對(duì)比學(xué)習(xí)的損失函數(shù)l為：

44、?，

45、其中，?表示第m個(gè)特征向量和第n個(gè)特征向量的余弦相似度，v是樣本對(duì)（就是前面構(gòu)建得到的正負(fù)樣本對(duì)。）的數(shù)量，為控制特征分離尺度的溫度參數(shù)。

46、步驟6包括：通過(guò)全連接層將多維特征向量轉(zhuǎn)換為具體的輸出值：

47、?，

48、其中，為預(yù)測(cè)的交通流量值，為對(duì)比學(xué)習(xí)模塊輸出的融合特征，和?分別是全連接層的權(quán)重和偏置。融合特征是在對(duì)比學(xué)習(xí)里把天氣特征和交通特征進(jìn)行拼接融合得到的，對(duì)比學(xué)習(xí)模塊的損失函數(shù)?l主要用于優(yōu)化這些融合后的特征，使得相似樣本的特征更接近，不相似樣本的特征更遠(yuǎn)離。因此，損失函數(shù)?l的作用是通過(guò)優(yōu)化特征的相似性和差異性來(lái)增強(qiáng)特征的區(qū)分度，而不是直接進(jìn)行特征的融合。

49、本發(fā)明提出了一種多源時(shí)空混合網(wǎng)絡(luò)（msthn，multi-source?spatio-temporalhybrid?network）。該網(wǎng)絡(luò)能夠有效融合來(lái)自不同來(lái)源的交通數(shù)據(jù)和天氣數(shù)據(jù)。通過(guò)引入時(shí)序?qū)R模塊（temporal?alignment?module,?tam），解決了天氣數(shù)據(jù)與交通數(shù)據(jù)在時(shí)間上的錯(cuò)位問(wèn)題，確保數(shù)據(jù)在特征提取前實(shí)現(xiàn)精準(zhǔn)對(duì)齊。同時(shí)，msthn利用增強(qiáng)的時(shí)空卷積網(wǎng)絡(luò)（enhanced?temporal?convolutional?network,?etcn）和圖注意力網(wǎng)絡(luò)（graph?attentionnetwork,?gat），有效捕捉交通數(shù)據(jù)中的時(shí)空依賴關(guān)系。為了進(jìn)一步提升模型的預(yù)測(cè)精度，系統(tǒng)還通過(guò)對(duì)比學(xué)習(xí)模塊（contrastive?learning?module）對(duì)融合后的多源特征進(jìn)行優(yōu)化，使模型在面對(duì)復(fù)雜交通流量預(yù)測(cè)任務(wù)時(shí)表現(xiàn)出更高的準(zhǔn)確性和魯棒性。

50、本發(fā)明通過(guò)以下創(chuàng)新點(diǎn)應(yīng)對(duì)現(xiàn)有技術(shù)的局限：

51、時(shí)序?qū)R模塊（tam）：該模塊能夠解決交通數(shù)據(jù)與外部數(shù)據(jù)（如天氣數(shù)據(jù)）之間的時(shí)間錯(cuò)位問(wèn)題，確保在特征提取前對(duì)數(shù)據(jù)進(jìn)行精準(zhǔn)對(duì)齊，從而有效捕捉多源數(shù)據(jù)中的時(shí)間相關(guān)性，提升預(yù)測(cè)的準(zhǔn)確性。

52、增強(qiáng)時(shí)序卷積網(wǎng)絡(luò)（etcn）：通過(guò)改進(jìn)的時(shí)序卷積操作，etcn能夠在長(zhǎng)時(shí)間依賴的建模中表現(xiàn)出更強(qiáng)的捕捉能力，保證模型在面對(duì)長(zhǎng)時(shí)間序列預(yù)測(cè)任務(wù)時(shí)能夠穩(wěn)定有效地建模復(fù)雜的動(dòng)態(tài)關(guān)系。

53、對(duì)比學(xué)習(xí)模塊（contrastive?learning?module）：該模塊用于優(yōu)化多源數(shù)據(jù)的特征融合，特別是在交通數(shù)據(jù)與天氣數(shù)據(jù)的結(jié)合上，通過(guò)對(duì)比學(xué)習(xí)更好地捕捉不同數(shù)據(jù)模態(tài)間的深層次關(guān)系，提升融合特征的魯棒性和泛化能力。

54、有益效果：本發(fā)明有效地解決了現(xiàn)有交通流量預(yù)測(cè)方法在多源數(shù)據(jù)整合、長(zhǎng)時(shí)間依賴捕捉以及特征融合等方面的不足，為提升交通流量預(yù)測(cè)的精度和實(shí)際應(yīng)用的廣泛性提供了新的技術(shù)途徑。