一种基于视觉采样的多维特征时空流量预测方法
技术特征：
1.一种基于视觉采样的多维特征时空流量预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述空间矩阵表示为其中，v表示道路交叉路口集合，将每一个道路交叉路口视为一个节点，则v＝{v1，v2，…，vn}，n则代表节点数，ε是所有道路的集合；所述交通流量信息矩阵表示为其中，t表示时间步数。
3.根据权利要求2所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤2的具体方法为：
4.根据权利要求3所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤2中还包括，将节点的流量信息嵌入矩阵混入率特征嵌入矩阵和图嵌入矩阵拼接，输入到多层mlp构成的混入率融合模块，得到节点混入率隐藏表示表示，其中d表示嵌入维度：
5.根据权利要求1所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述交通异常检测的方法为：
6.根据权利要求5所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述交通异常量化方法为：
7.根据权利要求6所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述延误严重程度指标sdelay定义为一个分段函数，其中p是一个正整数，表示延误等级：
8.根据权利要求6所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤3中，量化交通异常时，根据不同的异常程度以及不同的传播范围，学习一个异常嵌入矩阵来表示异常的严重程度和空间范围，其中i表示异常严重程度数，j表示hop连接数，然后利用异常嵌入矩阵的信息来更新交通异常特征矩阵u，表达式如下：
9.根据权利要求8所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤3还包括，将节点的流量信息嵌入矩阵femb，异常特征嵌入矩阵和图嵌入矩阵g0拼接，输入到多层mlp构成的异常融合模块，得到节点的异常隐藏表示其中d表示嵌入维度，表达式如下：
10.根据权利要求1所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤5中，利用可扩展的多维预测模型预测交通流量方法为：
11.根据权利要求10所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述深度学习网络的结构由编码模块encoder和回归层r构成，所述编码模块和回归层将来自所有三个模型部分的数据进行整合处理，表达为：
技术总结
本发明公开了一种基于视觉采样的多维特征时空流量预测方法，包括如下步骤：步骤1、根据历史交通流量数据，获取交通流量信息矩阵和空间矩阵；步骤2、获取视觉数据，并根据视觉数据估计交通流动中不同车辆类型的混入率；步骤3、交通异常检测并量化，获取交通异常特征矩阵；步骤4、构建可扩展的多维预测模型；步骤5、将交通流量信息、交通异常特征和混入率特征整合为综合交通信息矩阵，通过可扩展的多维预测模型预测未来Q步的流量。该方法通过视觉采样量化异质交通流量，并结合道路异常特征，实现准确的交通流量预测。
技术研发人员：陈婧,张胜
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/12/5
技术研发人员：陈婧,张胜
技术所有人：杭州电子科技大学
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除