(19)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 202210992810.4 (22)申请日 2022.08.18 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 傅婷婷　虞乾文　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 朱月芬 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G08G 1/01(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种关联多交叉口交通 流量预测方法 (57)摘要 本发明公开了一种关联多交叉口交通流量 预测方法。 本发明步骤如下： 1、 收集关联交叉口 交通流量数据， 对交叉口车流数据进行预处理后 划分为训练集、 验证集和测试集； 2、 使用CNN对输 入的交叉口车流数据提取空间特征； 3、 将空间特 征作为输入， 使用Transformer提取时间特征； 4、 当Decoder层全部执行完毕后， 三个时间窗口数 据最终分别输三个向量， 三个向量堆叠后输入到 平均池化层； 5、 设置模型参数； 6、 训练模型直至 最大训练周期， 使用最终模型对关联多交叉口做 交通流量预测任务。 本发明分别利用CNN和 Transformer提取关联多交叉口的空间和时间特 征。 使用可学习的时间编码嵌入Transformer的 位置编码， 将位置信息和时间信息共同注入模 型， 帮助模型 更好地学习到交通 量的时间特 征。 权利要求书2页 说明书6页 附图3页 CN 115358462 A 2022.11.18 CN 115358462 A 1.一种关联多交叉口交通 流量预测方法， 其特 征在于包 含以下步骤： 步骤1、 根据具体交通区域收集关联交叉口交通流量数据， 即交叉口车流数据； 同时对 交叉口车流数据进行 预处理后划分为训练集、 验证集和 测试集； 步骤2、 使用CN N对输入的交叉口车流数据提取空间特 征； 步骤3、 将CNN输出的空间特征作为Transformer的输入， 使用Transformer提取时间特 征； 步骤4、 当Transformer的Decoder层全部执行完毕后， 三个时间窗口数据最终分别输出 Znow、 Zweek、 Zmonth； 将三个向量Znow、 Zweek、 Zmonth进行堆叠， 输入到平均池化层； 步骤5、 设置模型参数； 步骤6、 训练模型直至最大训练周期， 使用最终得到的交通流量预测模型， 对关联多交 叉口做交通 流量预测任务。 2.根据权利要求1所述的一种关联多交叉口交通流量预测方法， 其特征在于步骤1按照 2:2:1的比例分为训练集、 验证集和 测试集。 3.根据权利要求2所述的一种关联多交叉口交通流量预测方法， 其特征在于， 当预处理 后的车流数据x按照最小值中心化后,再按极差缩放,数据被收敛到[0,1]之间； 所述的极差 是指最大值 ‑最小值； 归一化后求优过程范围变小,寻优过程变得平缓,更容易正确收敛到 最优解； 计算公式如下 所示： 4.根据权利要求2或3所述的一种关联多交叉口交通流量预测方法， 其特征在于， 模型 的输入包含三个时间窗口的车流数据， 分别为上一个时间窗口的车流数据(Xt‑H， Xt‑H+1，…， Xt)， 上一个时间窗口前一周的同时刻数据(Xt‑H‑week， Xt‑H‑week+1，…， Xt‑week)， 上一个时间窗 口 前一个月的同时刻数据(Xt‑H‑month， Xt‑H‑month+1，…， Xt‑month)； 其中， 每个时间 窗口包含H个时间 步， 每个时间步的交通车流数据描述为一个二维矩阵； 对输入的三个时间窗口分别进行处 理， 即将每 个时间窗口数据中的H个二维矩阵堆叠 输入CNN。 5.根据权利要求4所述的一种关联多交叉口交通流量预测方法， 其特征在于， 在时间步 t时， 给定路网的历史车流数据被描述 为一个矩阵： 其中， 对于矩阵X中的每个元素， 上标的格 式为： 路口编号—车流方向编号， 下标表示时 间步t； 矩阵的每一行表示第N个目标交叉口所有 车流方向在时刻t的交通流量； 每个交叉口 有着12个车流方向， 所以车流数据一共有12列， 矩阵的每一列代表从交叉口1到交叉口N， 某 一车流方向的交通 量。 6.根据权利要求5所述的一种关联多交叉口交通流量预测方法， 其特征在于， CNN卷积 模型使用卷积核大小为(2， 2)， padding大小为(2， 1)的二维卷积层 实现关联交叉口空间特 征的提取， 卷积之后加上个ReLU和Dropout层； t时刻第n层卷积层的输出 会经过一个残差 连接； 最后通 过全连接层， 转换为一个 一维空间特征向量Yt， 该特征向量Yt作为Transformer权　利　要　求　书 1/2 页 2 CN 115358462 A 2网络的输入， 用于捕获时间相关性。 7.据权利要求5或6所述的一种关联多交叉口交通流量预测方法， 其特征在于， Transformer网络的输入是包含了H个时间步的空间特征向量序列， 表示为(Yt‑H， Yt‑H+1，…， Yt)， 其中Yt是由时间步t的车流数据， 经过n个卷积层后， 输出的空间特征向量， 训练 Transformer网络来预测所有关联交叉口的在未来H个时间步的车流数据； 输入 数据的形状 为[H， M]， 其中M表示每个时间步所有关联交叉口的车流方向数量总和， H表示时间步的数 量。 8.据权利要求7所述的一种关联多交叉口交通流量预测方法， 其特征在于， Encoder的 输入由以下三部分组成： 1)输入编码向量： 使用全连接层来替代词嵌入方法对输入数据进行编码， 经过全连接 层， 输入数据的形状 变为[H， E]， 其中H表示输入的时间步数量， E表示输入数据的特 征大小； 2)位置编码向量： 给Encoder层的输入添加了一个额外的向量Positional  Encoding； 该向量的维度和嵌入向量维度相同， 用于提供相对位置信息； 这个向量能决定当前时间步 在时间窗口中的位置， Transformer能通过 该向量学习时间步的位置信息； 3)全局时间编码向量： 使用时间序列数据对应时间戳中提取的月位置嵌入、 周位置嵌 入、 星期位置嵌入、 小时位置嵌入以及分钟位置嵌入编码为叠加的位置编码共同构成可学 习的全局时间编码向量； 最后将上述 三个向量相加作为输入送到 Encoder层。 9.根据权利 要求8所述的一种关联多交叉口交通流量预测方法， 其特征在于当Decoder 层全部执行完毕后， 三个时间窗口数据的最终输出分别为Znow， Zweek， Zmonth； 将这个三个向量 进行堆叠， 输入到平均池化层； 计算公式如下 所示： 其中， 表示预测的流 量数据， avgpo oling()表示池化操作。权　利　要　求　书 2/2 页 3 CN 115358462 A 3