(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111680770.1 (22)申请日 2021.12.2 9 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市钱塘新区白杨 街道2号大街1 158号 (72)发明人 俞东进　刘继涛　李保　王东京　 (51)Int.Cl. G08G 1/065(2006.01) G08G 1/01(2006.01) G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 结合注意力机制与动态时空卷积模型的车 辆流量预测方法 (57)摘要 本发明涉及一种结合注意力机制与动态时 空卷积模型的车辆流量预测方法， 针对现有模型 无法有效利用道路间车流量转移关系的问题， 提 出了道路级流量转移嵌入模块， 学习到道路间的 流量转移时间序列的张量表示； 针对现有方法无 法捕获动态变化的空间依赖的问题， 提出了动态 空间注意力模块， 用于计算动态变化的空间依赖 矩阵； 针对现有模型无法有效对时序重要性有效 建模的问题， 提出了动态时间注意力模块， 用于 计算时序注意力权重。 通过上述组件， 本模型可 以有效利用道路流量转移数据、 捕获道路间动态 变化的时空依赖关系， 从而提高道路电动自行车 流量预测的准确性。 权利要求书3页 说明书6页 附图2页 CN 114299728 A 2022.04.08 CN 114299728 A 1.一种结合注意力机制与动态时空卷积模型的车辆流量预测方法， 其特征在于： 包括 以下步骤： 步骤一、 输入原始电动自行车轨迹数据， 对原始电动自行车轨迹数据依次进行数据清 洗、 轨迹地图匹配与道路流量提取， 获得路网上各条道路上流量的时间序列以及道路间转 移流量的时间序列； 步骤二、 输入路网图， 将路网上的道路作为图节点构建图， 计算出图的邻接矩阵； 步骤三、 构建道路级流量转移嵌入模块， 输入为每条道路与下游相邻道路的流量转移 关系， 输出为每条道路嵌入后的张量表示； 步骤四、 构建动态 空间注意力模块， 输入为步骤三得到的每条道路嵌入后的张量表示， 计算出道路 间的空间依赖矩阵， 对空间相似度 矩阵与步骤二得到的邻接矩阵加权得到动态 邻接矩阵； 步骤五、 构建动态时间注意力模块， 输入为每条道路与下游相邻道路的流量转移关系， 计算出时序注意力权重， 使用步骤一得到的流量时间序列与时序注意力权重点乘， 得到加 权后流量时间序列； 步骤六、 构建动态时空卷积模块， 每个动态时空卷积块包含两层时序卷积层与一层空 间卷积层， 输入为步骤四得到的动态邻接矩阵与步骤五得到的加权后的流量时间序列， 输 出为每个道路的多通道多时间步张量表示； 步骤七、 串行堆叠若干个动态时空卷积模块， 利用一个全连接层将最后一个动态时空 卷积模块的输出计算出 下一个时间步的流 量； 步骤八、 对提出的模型进行训练， 然后实施预测。 2.根据权利要求1所述的一种结合注意力 机制与动态时空卷积模型的车辆流量预测方 法， 其特征在于： 所述 步骤二包括以下步骤： 路网图定义为： G(V,A)， V＝{v1,v2,...,vN}表示路网中的道路集合， 道路数量为N， 为路网图的邻接矩阵， Ai,j表示道路vi与道路vj之间的空间相关性， 定义 为： 其中， dist(vi,vj)表示道路vi与道路vj之间的欧式距离； 道路流量序列定义为： N为道路数量， T为时间序列长度， Xi,t表示道路vi在t 时间步的流 量大小。 3.根据权利要求1所述的一种结合注意力 机制与动态时空卷积模型的车辆流量预测方 法， 其特征在于： 所述 步骤三包括以下步骤： 输入为道路间流量转移时间序列 输出为道路嵌入后的张量 F为道路级流量转移嵌入模块中每条道路在每个时间步上嵌入后的维度大 小， Hi,:,t表示道路vi在t时间步上嵌入后的F维向量。 4.根据权利要求1所述的一种结合注意力 机制与动态时空卷积模型的车辆流量预测方 法， 其特征在于： 所述 步骤四包括以下步骤： 输入为步骤三得到的道路嵌入后的张量 根据下式计算出道路间的空间依权　利　要　求　书 1/3 页 2 CN 114299728 A 2赖矩阵S∈RN×N， Si,j表示学习到的道路vi与道路vj之间的空间相关性， S＝softmax(Vs·ReLU(H·W1·W2·(W2·H′)+bs)) 其中 与 均为可学习参数， 激活函数设置为线性整流单元， softmax为归一化指数函数， 将空间依赖矩阵S的每一行进 行归一化， 然后对空间依赖矩阵S与步骤二得到的邻接矩阵A加权得到动态邻接矩阵 具 体定义如下： 其中， r1与r2均为可学习常量权 重参数。 5.根据权利要求1所述的一种结合注意力 机制与动态时空卷积模型的车辆流量预测方 法， 其特征在于： 所述 步骤五包括以下步骤： 输入为道路间流量转移 时间序列 计算中间变量havg与hmax， 为 流量转移时间序列TF在时间维度上平均池化的结果， 正式定义 为： 其中TFi,j,:表示所有时间步上道路vi转移到道路vj的流量大小。 为流量转移时 间序列TF在时间维度上最大池化的结果， 正式定义 为： 使用缩放组件计算出时序注意力权 重Tatt， 计算公式为： Tatt＝ReLU(Fex(Fseq(havg+hmax)))， 其中 与 均为可学习参数， Fseq将havg与hmax的和映射到较小的维度 d， d＜T， Fex再将其维度从d上升为T； 后使用步骤一得到的流量时间序列X与时序注意力权重 Tatt点乘， 得到加权后流 量时间序列 6.根据权利要求1所述的一种结合注意力 机制与动态时空卷积模型的车辆流量预测方 法， 其特征在于： 所述 步骤六包括以下步骤： 每个动态时空卷积块包含两层时序 卷积层与一层空间卷积层， 空间卷积层位于两个时 序卷积层之间， 第一个动态时空卷积 模块的输入为步骤四得到的动态邻接矩阵 与步骤五 得到的加权后的流量时间序列 第一个时序卷积层使用的卷积核 cin 和cspatial分别为第一个时序卷积层输入数据的通道数和输出数据通道数， 卷积核Φ1长宽分 别为kt与1， 空间卷积层使用的卷积核 输入数据与输出数据的通道数均为 cspatial， 第二个时序卷积层使用的卷积核 cspatial和cout分别为第二个时序 卷积层输入数据的通道数和输出数据通道数， 卷积核Φ2长宽分别为kt与1， 动态时空卷积模权　利　要　求　书 2/3 页 3 CN 114299728 A 3