本技术提出了一种基于时空分解和注意力机制的交通流量预测方法。该方法包括以下步骤:首先,通过傅里叶变换及其逆变换,将原始交通流量数据分解为低频的趋势项和高频的事件项,并引入时间嵌入信息以增强时序特征的表达能力。其次,针对趋势项,利用时间卷积、时间注意力模块以及趋势类别学习模块,构建趋势处理分支,重点提取单个节点的趋势信息。针对事件项,采用时间卷积和多时间片空间注意力门控模块,构建事件处理分支,侧重捕捉不同节点之间的事件影响和空间依赖性。最后,通过自适应融合模块,将趋势项和事件项的特征进行加权融合,得到更为准确和鲁棒的交通流量预测结果。该方法在有效处理时空信息的同时,能够提升预测精度,适用于复杂交通场景下的流量预测。
背景技术
随着城市化进程的加速,城市交通系统正面临着日益严重的拥堵问题,导致了通行效率的降低、空气污染加剧以及交通事故的增加。为应对这些挑战,智能交通系统的应用日益广泛,其中交通流量预测作为核心技术之一,能够帮助交通管理部门提前干预,优化交通流量的分布和控制。然而,交通流量预测任务由于交通数据的复杂时空依赖性、非线性和动态性,极具挑战性。
传统的交通流量预测方法,诸如基于统计学的时间序列分析或回归分析,在处理简单或线性数据时能够取得一定效果,但在面对实际的复杂的非线性的交通数据时,其预测能力显得不足。进一步的,深度学习技术被应用于交通流量预测。卷积神经网络通过将交通数据转化为网格化的图像形式,可以捕捉城市交通网络中的空间特征,但对全局时空关系的捕捉较弱;而循环神经网络及其变体则能够捕捉交通流量数据的时间依赖性,但其在长时间依赖关系的学习上存在挑战。这些模型在预测复杂的交通流量数据时,依然存在一定的局限性。
现有的基于图卷积网络的方法,如时空图卷积网络,虽然能够结合交通网络的拓扑结构和时空依赖关系进行预测,但这些方法通常依赖固定的图结构,难以适应图结构缺失下的交通流量预测。
此外,现有的流量预测方法通常未能充分考虑交通流量数据中的多样性和复杂性。交通数据不仅存在显著的时空依赖性,还包含多种不同频率的变化模式。高频分量往往代表偶发事件,而低频分量则更能反映长期趋势。大多数现有方法未能有效分离并针对这些不同频率的特征进行处理,导致预测精度难以提升。其次,交通数据中存在延迟传递性,即某些区域的交通情况会在一定时间后对其他区域产生影响。然而,许多基于时空神经网络或图卷积网络的模型,未能充分捕捉这种延迟传递性,只考虑了同步的时空关系,忽略了时间上的滞后效应。
在实际应用中,交通流量预测还面临数据缺失、异常值处理、实时性要求等多方面的挑战。这些问题促使研究人员不断探索更为先进的建模方法,以提高交通流量预测的准确性和鲁棒性。
实现思路