(19)中华 人民共和国 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 202111420461.0 (22)申请日 2021.11.26 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路3 号巷11号 (72)发明人 杨晓春　于启迪　吴超　王斌　 张晓红　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 代理人 李珉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06F 16/9537(2019.01) (54)发明名称 基于编码器解码器的多角度融合道路交通 流量预测方法 (57)摘要 本发明提供一种基于编码器解码器的多角 度融合道路 交通流量预测方法， 涉及交通流量预 测技术领域。 本发明提出了一种基于编码器—解 码器结构的多角度融合注意网络模型MFAN (Multi‑View Fuse Attention  Network)， 综合 考虑各种突发交通状况、 天气情况、 节假日等多 方面因素， 实现对道路网络交通流量的动态准确 预测。 本发 明考虑影响道路 交通流量的多种可能 情况， 将整个道路网络看做一张动态的有向图， 对不同时间点对同一路口的影响与相同时间点 不同路口之间的互相影 响都能进行动态考虑。 本 发明的方法对于未来动态交通流的预测的准确 率较高。 权利要求书2页 说明书6页 附图2页 CN 114091772 A 2022.02.25 CN 114091772 A 1.一种基于编码器解码器的多角度融合道路交通流量预测方法， 其特征在于， 包括以 下步骤： 步骤1： 收集待预测路口在指定时间段内的历史 交通流数据， 形成二维交通 流矩阵； 步骤2： 收集待预测路口所在区域的道路网络信息， 得到路网的空间表示信息； 步骤3： 收集待预测路口所在区域的天气和节假日信息， 得到路网的天气表示信 息和节 假日表示信息； 步骤4： 对历史时间段内的季度、 月份、 星期、 日期、 每小时信息， 进行多角度融合， 得到 路网信息的时间嵌入表示， 即路网的时间表示信息 其中路口点vi∈V， T标记 是 路网的时间嵌入表示向量， 维度是D维； 步骤5： 将多角度时间空间信息进行融合， 对步骤2 ‑4所得到的路口的空间、 天气、 节假 日、 时间四个角度信息的嵌入表示进行融合， 形成多角度时空嵌入表示MTSE； 步骤6： 对 交通流数据进行z ‑score标准化处理， 并将标准化处理的结果划分为训练集、 验证集、 测试集； 步骤7： 设计预测交通 流量的多角度融合注意神经网络 MFAN， 并利用训练集进行训练； 步骤8： 用验证集对训练集训练的模型进行测试， 评估模型误差， 若误差大于设定阈值 则重新调整模型超参数， 返回步骤7， 再次进行训练， 若 小于设定阈值， 跳转至步骤9； 步骤9： 用测试集对模型预测效果进行评估， 将测试集分为历史数据集与预测结果集， 从历史数据集中将待 预测路段设定时间的交通流数据输入训练好的模型， 得到MFA N预测的 设定时间路口 的交通流量情况， 与预测结果 集中的数据进行比较， 从而 进行交通 流量预测。 2.根据权利要求1所述的基于编码器解码器的多角度融合道路交通流量预测方法， 其 特征在于， 步骤1中所述二 维交通流矩阵为， 将待 预测路口在指定时间段内路过车辆的历史 GPS数据与路 网数据匹配结合转换为历史交通流量数据， 得到待 预测路口以T为时间间隔的 交通流序列{V1,V2,V3,…Vp}， p为城市路口数量， 待预测路口点i的交通流序列为Vi＝{vi,1, vi,2,vi,3,…,vi,n}， n为时间间隔的个数， vi,n表示第i个路口在第n段时间的交通 流量。 3.根据权利要求1所述的基于编码器解码器的多角度融合道路交通流量预测方法， 其 特征在于， 步骤2 中所述道路网络为一个有向图G＝(V,E,A)， 其中V表示路网中的节点即路 口数量， V＝p， E表示边， 即路网中的路段， A∈RV*V， A表示代权重的邻接矩阵， RV*V表示A的维 度是V*V维； 将空间向量送入一个两层的全连接网络， 得到路网信息的空间嵌入表示， 即路 网的空间表示信息 其中路口点vi∈V， S标记 是路网的空间嵌入表示 向量， 维度 是D维。 4.根据权利要求1所述的基于编码器解码器的多角度融合道路交通流量预测方法， 其 特征在于， 步骤3中所述路网的天气信息包括大风、 小雨、 中雨、 暴雨、 暴雪、 晴天， 六种车辆 在道路行驶途中会遇到的天气情况， 得到路网的天气嵌入表示信息 其中路口点vi ∈V， W标记 是路网的天气嵌入表示向量， 维度是D维； 所述路网的节假日表示信 息为国家法定节假日信 息条件下， 得到路网的节假日嵌入表 示信息 其中路口点vi∈V， H标记 是路网的天气嵌入表示向量， 维度是D维。 5.根据权利要求1所述的基于编码器解码器的多角度融合道路交通流量预测方法， 其权　利　要　求　书 1/2 页 2 CN 114091772 A 2特征在于， 步骤5 中所述MTSE在时间步tj下路口点vi， 同时包含路网信息和时间、 天气、 节假 日信息， MTSE被定义 为 6.根据权利要求1所述的基于编码器解码器的多角度融合道路交通流量预测方法， 其 特征在于， 步骤6中所述z ‑score标准化处理即将原始交通流数据中的每个值与所有数据 平 均值的差除以标准差 。 7.根据权利要求1所述的基于编码器解码器的多角度融合道路交通流量预测方法， 其 特征在于， 步骤7中所述神经网络包括输入层、 全连接层、 注意机制编码器、 转换注意力层、 注意机制解码器、 输出层； 将 A个时间步的历史路口的交通流量 数据X∈RAxPxC传入输入层， 经 过一个两层的全连接层 将X转换为H(0)∈RAxPxD作为注意机制编码器的输入， 注意机制编码器 由K个时空注 意力块TSAB组成， 其中每个时空注意力块又由一个空间注 意块、 一个时间注 意 力块和一个门控融合单元组成； H(0)通过K个时空注意力块TSAB， 得到注意力编码器的输出 为H(K)∈RAxPxD， 将H(K)传入转换注意力层， 通 过一个转换注意力层将已经被编码的特征H(K)生 成未来的交通流特征序列表示H(K+1)∈RBxPxD， 以此作为注意机制解码器的输入， 注意机制解 码器由K个时空注意力块TSAB组成， H(K+1)通过注意机制解码器， 得到的输出为H(2K+1)∈ RRBxPxD， 再将H(2K+1)经过一个两层的全连接网络， 产生了未来B个时间步的路口交通流量预测 值 权　利　要　求　书 2/2 页 3 CN 114091772 A 3