一种基于图神经网络的交通流量预测方法

本发明涉及交通流量预测，特别地，涉及一种基于图神经网络的交通流量预测方法。

背景技术：

1、随着城市化进程的加快，交通流量预测在交通管理中变得至关重要。现有的基于图神经网络（gnn）和时空卷积网络（st-conv）的预测方法在捕捉交通流量中的复杂时空特征时存在计算复杂度高、动态依赖捕捉能力不足的问题。为了应对这些挑战，本发明提出了一种基于动态图卷积网络和概率稀疏自注意机制的交通流量预测方法，通过引入交互式学习策略提高模型的时空特征捕捉能力，优化计算效率。

技术实现思路

1、有鉴于此，本发明目的是提供一种基于融合概率稀疏自注意机制的交通流量预测方法，该方法通过动态图卷积网络捕捉交通路网中的动态关联，并通过稀疏化自注意机制优化注意力计算，从而实现对交通流量的高效预测。

2、为了解决上述技术问题，本发明的技术方案是：一种基于图神经网络的交通流量预测方法，其特征在于包括以下步骤：

3、s1：构建交通网络拓扑结构，使用动态图卷积网络对交通路网进行建模；

4、s2：设计融合概率稀疏自注意机制，通过稀疏化处理优化注意力权重计算；

5、s3：将交通时序数据与图结构数据相结合，生成交通流量的时间序列输入；

6、s4：通过交互式学习策略，捕捉划分后的交通数据的时空相关性；

7、s5：基于已训练的模型，对未来时段的交通流量进行预测。

8、作为本发明的一种优选方案，所述步骤s1中构建的动态图卷积网络包括图生成器和自适应邻接矩阵，用于动态模拟节点之间的时空关系。

9、作为本发明的一种优选方案，所述步骤s2中的概率稀疏自注意机制通过稀疏化技术减少不相关的注意力权重计算，提升模型计算效率。

10、作为本发明的一种优选方案，所述步骤s3通过滑动窗口方法生成时间序列输入，并结合节点特征输入动态图卷积网络。

11、作为本发明的一种优选方案，所述步骤s4中的交互式学习策略采用交错采样技术，将输入序列等分为多个子序列，以同步捕捉时间和空间的动态依赖性。

12、综上所述，本发明具有如下有益效果：

13、1.动态关联建模：通过动态图卷积网络有效捕捉道路节点之间的动态关联，提高时空特征提取的准确性。

14、2.计算效率优化：通过稀疏化的自注意机制减少冗余计算，提高模型的计算效率。

15、3.预测精度提升：采用交互式学习策略，提高交通流量预测的精度，尤其在长时序预测中表现优异。

1.一种基于图神经网络的交通流量预测方法，其特征在于包括以下步骤：

2.根据权利要求1所述的一种基于图神经网络的交通流量预测方法，其特征在于，所述步骤s1中构建的动态图卷积网络包括图生成器和自适应邻接矩阵，用于动态模拟节点之间的时空关系。

3.根据权利要求1所述的一种基于图神经网络的交通流量预测方法，其特征在于，所述步骤s2中的概率稀疏自注意机制通过稀疏化技术减少不相关的注意力权重计算，提升模型计算效率。

4.根据权利要求1所述的一种基于图神经网络的交通流量预测方法，其特征在于，所述步骤s3通过滑动窗口方法生成时间序列输入，并结合节点特征输入动态图卷积网络。

5.根据权利要求1所述的一种基于图神经网络的交通流量预测方法，其特征在于，所述步骤s4中的交互式学习策略采用交错采样技术，将输入序列等分为多个子序列，以同步捕捉时间和空间的动态依赖性。