技术特征：
1.一种基于r-c-r结构的时空卷积交通流预测方法，其特征在于，包括：获取交通流数据的训练集；构建交通流预测模型；将所述训练集输入到所述交通流预测模型中，对所述训练集进行预处理，得到预处理后的数据；对预处理后的数据进行时空卷积处理，初步提取数据的空间特征和时间特征；采用convlstm网络作为核心模块，并辅以resnet网络，构建r-c-r结构的时空特征提取层，获取空间特征与时间特征的动态相关性；经过多次迭代后，生成预测数据集，将所述预测数据集与真实值进行比较，得到最优交通流预测模型；根据所述最优交通流预测模型，输入第一时间段交通流数据，得到第二时间段交通流数据的最优预测结果；所述第一时间段早于所述第二时间段。2.根据权利要求1所述的一种基于r-c-r结构的时空卷积交通流预测方法，其特征在于，还包括：根据交通流数据构建交通路网图g＝<v,e,a>；其中，v为交通路网图中的节点集，|v|＝n代表共有n个节点；e代表交通路网图中边的集合；a∈r
n
×
n
代表g的邻接矩阵；交通路网图g中不规则分布的探测器以相同的采样频率检测测量值f，每个节点在每个时间切片上生成一个长度为f的特征向量。3.根据权利要求1所述的一种基于r-c-r结构的时空卷积交通流预测方法，其特征在于，对所述训练集进行预处理包括：基于空间维度和时间维度注意力机制对所述训练集进行初始权重分配；空间维度注意力机制表示如下：空间维度注意力机制表示如下：其中，是第r个时空模块的输入；c
r-1
为在第r层输入数据的通道数，当r＝1时，c0＝f；t
r-1
为第r-1个时空模块输出数据的时间序列长度；当r＝1时，t0＝t，t为当前数据的时间序列长度；v
s
、b
s
∈r
n
×
n
，w2和w3均为可学习的参数；σ为sigmoid激活函数，s∈r
n
×
n
为空间注意力矩阵，s
i,j
表示空间节点i和空间节点j的依赖强度；s'
i,j
∈r
n
×
n
表示通过softmax函数计算得到的空间节点间相关性权重矩阵；时间维度注意力机制表示如下：
其中，v
e
、u1、u2和u3均为可学习的参数；e为时间注意力矩阵；e
i,j
表示时间节点i和时间节点j的依赖强度；e'
i,j
表示通过softmax函数计算得到的时间节点间相关性权重矩阵。4.根据权利要求1所述的一种基于r-c-r结构的时空卷积交通流预测方法，其特征在于，对预处理后的数据进行时空卷积处理，初步提取数据的空间特征和时间特征，包括：基于图谱理论，对交通路网图进行卷积操作，得到图谱卷积的定义如下：其中，代表图卷积操作，θ为卷积核，λ为特征值对角矩阵，u是拉普拉斯特征值分解l＝uλu
t
得到的傅里叶基，表示将信号x在基上做投影变换，其逆变换为使用chebyshev polynomials对上式进行处理，通过卷积核g
θ
提取以图中每个节点为中心的周边0到(k-1)th阶邻居的信息，初步提取数据的空间特征，得到下式：其中，是一个多项式系数向量，为经计算得出的chebyshev polynomials，
⊙
表示哈达玛积，m是卷积核的尺寸，m表示第m阶chebyshev多项式；初步提取数据的空间特征后，再次进行卷积操作，初步提取数据的时间特征，结合卷积操作后公式如下：其中，ψ为卷积操作的卷积核，relu是激活函数，r表示第r个时间步。5.根据权利要求1所述的一种基于r-c-r结构的时空卷积交通流预测方法，其特征在于，所述r-c-r结构的时空特征提取层的公式表示如下：f(x)＝convistm(f(x) μ1x) μ2x；其中，μ1，μ2为可学习调整的参数，将μ1，μ2的调整交由神经网络自动调整后获取预测结果。6.根据权利要求5所述的一种基于r-c-r结构的时空卷积交通流预测方法，其特征在于，所述convlstm网络对数据的处理如下：i
t
＝σ(w
xi
*x
t
w
hi
*h
t-1
w
ci
⊙
c
t-1
b
i
)；f
t
＝σ(w
xf
*x
t
w
hf
*h
t-1
w
cf
⊙
c
t-1
b
f
)；c
t
＝f
t
⊙
c
t-1
i
t
⊙
tanh(w
xc
*x
t
w
hc
*h
t-1
b
c
)；o
t
＝σ(w
xo
*x
t
w
ho
*h
t-1
w
co
⊙
c
t
b
o
)；h
t
＝o
t
⊙
tanh(c
t
)；式中*表示卷积运算，
⊙
表示哈达玛积，i
t
表示输入门，f
t
表示遗忘门，c
t
表示长记忆，h
t
表示短记忆，o
t
表示输出门；σ为sigmoid激活函数；x
t
为t时刻输入；w
*i
和b
i
分别为输入门的
权重和阈值；w
*f
和b
f
分别为遗忘门的权重和阈值；w
*c
和b
c
分别为状态门的权重和阈值；w
*o
和b
o
分别为输出门的权重和阈值。7.根据权利要求5所述的一种基于r-c-r结构的时空卷积交通流预测方法，其特征在于，所述resnet网络对数据的处理如下：f(x)＝f(x) x；式中，x表示输入的数据。8.根据权利要求1所述的一种基于r-c-r结构的时空卷积交通流预测方法，其特征在于，使用平均绝对误差mae，均方根误差rmse，平均百分比误差mape作为评估指标，公式如下：下：下：其中，n为测试数据集的数据总数，和y
n
分别为经过模型计算所得的预测结果和数据集中相应时刻的真实数值。9.一种基于r-c-r结构的时空卷积交通流预测系统，其特征在于，包括：数据获取模块，用于获取交通流数据的训练集；模型构建模块，用于构建交通流预测模型，所述交通流预测模型包括依次连接的输入模块、时空注意力模块、时空卷积模块、r-c-r网络模块、处理模块和输出模块；所述输入模块，用于输入所述训练集和第一时间段交通流数据；所述时空注意力模块，用于对所述训练集进行预处理，得到预处理后的数据；所述时空卷积模块，用于对预处理后的数据进行时空卷积处理，初步提取数据的空间特征和时间特征；所述r-c-r网络模块，用于获取空间特征与时间特征的动态相关性；所述处理模块，用于生成预测数据集，并将所述预测数据集与真实值进行比较，得到最优交通流预测模型；所述输出模块，用于根据所述最优交通流预测模型和第一时间段交通流数据，输出第二时间段交通流数据的最优预测结果；所述第一时间段早于所述第二时间段。
技术总结
本发明公开了基于r-c-r结构的时空卷积交通流预测方法及系统，涉及交通流预测技术领域，包括：获取交通流数据的训练集；构建交通流预测模型；将训练集输入到交通流预测模型中，对训练集进行预处理，得到预处理后的数据；对预处理后的数据进行时空卷积处理，初步提取数据的空间特征和时间特征；采用convlstm网络作为核心模块，并辅以resnet网络，构建r-c-r结构的时空特征提取层，获取空间特征与时间特征的动态相关性；经过多次迭代后，生成最优交通流预测模型，得到最优预测结果。本发明对交通流数据浅层和深层的时空特征进行提取同时减少梯度消失对网络功能的限制，提高交通流量预测的准确度。的准确度。的准确度。
技术研发人员：景志勇 王玉森 石磊 卫琳 高宇飞
受保护的技术使用者：郑州轻工业大学
技术研发日：2023.07.29
技术公布日：2023/10/27