具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护 范围并不仅限于此：

实施例：如图1所示，一种基于控制信息的适用长时间预测的交 通特征预测系统，包括数据预处理模块、时空数据嵌入模块、时空注 意力机制模块、数据转换模块；所述的数据预处理模块用于获取交通 第一特征、交通第二特征和交通第三特征，并将其处理成时空数据嵌 入模块的输入；所述的时空数据嵌入模块将交通第一特征、交通第二 特征和交通第三特征分别送入神经网络，得到空间嵌入、时间嵌入和 控制嵌入，并将空间嵌入、时间嵌入和控制嵌入组合成综合嵌入；所 述的数据转换模块用于转换被编码的综合嵌入作为解码器的输入；所 述的时空注意力机制模块包括编码器和解码器，其中时空注意力机制 模块的编码器用于处理编码时空数据嵌入模块输出的综合嵌入；时空 注意力机制模块的解码器用于处理解码数据转换模块的输出，得到最 终预测的交通特征。

如图2所示，一种基于控制信息的适用长时间预测的交通特征预 测方法，包括如下步骤：

S1、数据预处理模块：获取交通第一特征(交通运行产生的具有 时变性的特征数据，包括但不限于：交通速度、流量、占有率、排队 长度、拥堵指数)、交通第二特征(交通运行所在环境的具有短时不 变性的特征数据，包括但不限于：路网结构、POI分布、交通基础设 施分布)和交通第三特征(控制交通运行产生的具有时变性的特征数 据，包括但不限于：交通控制数据、交通诱导数据、交通限行数据)， 并将其处理成时空数据嵌入模块的输入。具体包括以下步骤：

S1.1利用交通第二特征数据构建连接图。其中，所述的交通第 二特征以路网结构为例说明如下：路网结构数据包括但不限于实际路 网中路口间的连接关系，连接路口的路段的长度等，可从各地图网站 和政府机构获取。数据样例如下表1所示:

表1

进一步，利用路网结构数据构建连接图。将城市道路网的拓扑转 换为有权重的有向连接图G＝(V,E,A),其中V为节点的集合，代 表实际路网中的路段，是有限集，|V|＝N，即实际路网中路段的个 数为N；E为边的集合，代表实际路网中的路段之间的连接性，把路 段间车流能流动的方向，作为边的方向。A∈R^N×N表示有权重的邻接 矩阵，其中，表示节点v_i到节点v_j的权重。具体地，利用高斯权 重模型计算邻接矩阵的权重，用阈值可有效控制邻接矩阵的稠密性。

其中，为节点v_i到节点v_j的距离，用节点v_i和节点v_j代表的路段 的长度的和的一半近似替代。σ为所有距离值的标准差，ε为阈值用 来控制邻接矩阵的稀疏度，设定为0.1。

S1.2将交通第一特征数据归一化。其中以交通速度为例说明： 交通速度数据指基于移动检测技术或断面检测技术获取的路段交通 速度数据，包括但不限于路段编号、时间和速度。数据样例如下表2 所示：

表2

具体处理流程为：将t时刻原始的交通数据速度表示为X_t∈R^N×C， 其中N为节点个数，C为节点特征数，此处取1，仅包含路段速度特 征；取2，路段速度和路段流量；取3，包含路段速度、路段流量和 路段密度。然后用Z-score方法、max-min法对X_t进行归一化。

S1.3将交通第三特征数据匹配到路段，换算成周期指数和绿信 比指数，然后进行离散化处理。其中，交通第三特征以控制数据为例 说明：所述的控制数据指路口的周期、绿信比等数据。数据样例如下

表3所示：

表3

将控制数据匹配到路段具体为：结合路网结构数据，将路段的下 游路口的周期作为该路段的周期，将该路段车辆能进入路口的相位的 绿信比和作为路段的绿信比。然后，计算周期指数为路段周期与历史 路段最大周期的比值，计算绿信比指数为路段绿信比与历史最大绿信 比的比值。得到的数据样例如下表4所示：

表4

然后，按照对应表对周期指数和绿信比指数做离散化处理，对应表如 下表5所示：

表5

S2、时空数据嵌入模块：将上一步处理过的交通第一特征、交通 第二特征和交通第三特征分别送入神经网络，得到空间嵌入、时间嵌 入和控制嵌入，最后将三者组合成综合嵌入。具体包括以下步骤：

S2.1生成空间嵌入。具体为：将S1.1构建的连接图利用 DeepWalk、node2Vec、GraphSAGE等方法学习顶点的向量表示。然后， 将这些向量送入一个两层的全连接神经网络，得到空间嵌入，表示为

S2.2生成时间嵌入。具体为：将S1.2中交通速度数据对应的每 一个时间编码成一个向量。分别将时间按照一周七天和每天的时间作 为时间步编码为R⁷和R^T(T取值按小时值计算可取24，按分钟值就 算可取1440)的独热编码，并将它们拼接成R^7+T的向量。例如，2021-03-12 09:02:00为周五，星期值编码为7维向量([0000100])， 时间值按一天有24小时编码为24维向量 ([000000000100000000000000])，将二者拼接为31维向量([0000100000000000100000000000000])。然后，将上述向量送入一 个两层及两层以上的全连接神经网络、循环神经网络、深度信念网络 等神经网络，转换成一个D维度向量，即为时间嵌入，表示为其中P表示输入的历史时间步数，Q表示需 要预测的输出的时间步数。

S2.3生成控制嵌入。具体为：将S1.3得到的离散化的周期指数 和绿信比指数分别处理R¹⁰的独热编码，并将它们拼接成R²⁰的向量。 例如，上述离散化的周期指数取值为(0.5,1.5,2.5,3.5,4.5,5.5,6.5,7.5,8.5,9.5)，则转换的独热编码 分别为([0000000000],[1000000000],[0100000000], [00100000000],[0001000000],[0000100000],[0000010000], [0000001000],[0000000100],[0000000010])。若周期指数得到的 独热编码为[1000000000]，绿信比指数得到的独热编码为 [0000100000]，则拼接成的向量为[10000000000000100000]。然后， 将这些向量(每条控制数据对应一个向量)送入一个两层及两层以上 的全连接神经网络、循环神经网络、深度信念网络等神经网络，得到 控制嵌入，表示为

S2.4合成综合嵌入。具体为：融合上述的空间嵌入和时间嵌入 和控制嵌入合成综合嵌入。对于在时间步t_j节点v_i，综合嵌入被定义 为或α、β和γ分别为可训练的权 重。因此包含了P+Q个时间步的N个节点的综合嵌入被表示为 E∈R^(P+Q)×N×D。综合嵌入同时包含了时间、空间和控制信息。

S3、基于时空注意力机制模块的编码器：利用时空注意力机制模 块处理编码上一步得到的综合嵌入；具体如下：

利用时空注意力机制模块处理编码上一步得到的综合嵌入。在进 入编码器之前，S1.2中归一化后的速度数据X∈R^P×N×C，通过全连接 层被转换为H⁽⁰⁾∈R^P×N×D。之后，H⁽⁰⁾通过L层时空注意力机制模块的 编码器，得到一个H^(L)∈R^P×N×D的输出。

时空注意力模块是由一个门控融合器将时间注意力机制和空间 注意力机制融合组成。将第l层时空注意力模块的输入表示为H^(l-1)， 其中在时间步t_j的节点v_i的隐藏状态表示为将第l层时空注意 力模块中的空间注意力机制和时间注意力机制输出分别表示为和

空间注意力机制是为了捕捉空间相关性。空间相关性是指一条道 路(或路段)的交通状态是受到其他道路(或路段)影响，这些因素 是高度动态的，并且随着时间变化。为了建模这样的特性，本发明设 计了一个空间注意力机制去自适应的掌握这种路网中不同路段交通 特征之间的关系。其核心是去动态地在不同的时间步设置不同的权重 连接到不同的节点，如图3所示。

在时间步t_j的节点v_i，计算所有节点的加权和为：

其中，V表示所有节点的集合，是表示节点v对节点v_i重要性 的注意力得分，注意力得分总和为1，即为在第l层 时空注意力机制模块中在时间步t_j的节点v_i的输入，为在第l层 时空注意力机制模块中在时间步t_j的节点v_i经过空间注意力机制的输 出。

进一步，注意力得分计算如下，在一个特定的时间步，当前的交 通状态和道路网络结构同时会影响传感器之间的关系。比如，一条道 路上的拥堵可能会影响他的相邻道路的交通状态。受到这种组织启 发，同时考虑了交通特征和图结构和控制信息去学习整个注意力得 分。尤其是，将综合嵌入与隐藏状态连接起来，并且应用了缩放点积 法去计算节点v和节点v_i之间的关联性：

其中，表示在时间步t_j节点v_i的综合嵌入，||表示拼接操作， <·,·>表示内积法，2D表示的维度。然后用softmax激活函数 对归一化：

特别地，为了使学习过程更加的稳定，将空间注意力机制升级为 多头注意力机制。就是说，设定K个并行的注意力机制，设定K套不 同的可学习方程：

其中，和表示第k头空间注意力机制的三 个不同的非线性方程，最终能够输出d＝D/K维度向量。非线性方程 的形式为：

f(x)＝ReLU(xW+b)

其中W和b分别为可训练的参数，ReLU为激活函数。

进一步，所述时间注意力机制是为了自适应地建模同个节点不同 时间步间的非线性关系。该时间相关性在不用时间步间不断变动，并 同时受交通状态和相关时间和控制状态等因素的影响。因此，本发明 利用包含了三者信息的综合嵌入结合隐藏状态，并且应用了多头注意 力机制去计算时间注意力得分，如图4所示。

对于节点v_i，时间步t_j和t的相关性定义如下：

其中，表示第k头时间注意力机制中时间步t_j与时间步t之 间的关联性，表示第k头注意力机制中时间步t对时间步t_j的重 要性的注意力得分。代表第k头时间注意力机制中两 个不同的可学习的非线性方程，非线性方程的形式与上述提到的空间 注意力中的相同。代表了t_j时间步之前所有时间步的集合，即只考 虑早于目标步的时间步间的因果关系。得到了注意力得分后，在t_j时间步的顶点v_i的隐藏状态可以根据下式更新：

其中，表示第k头时间注意力机制中一个非线性方程，形 式与上述提到的空间注意力中的相同。上述三式中的可学习的参数在 并行计算时，在所有节点和时间步间是共享的。

进一步，所述的门控融合器的作用是自适应地融合时间和空间的 表示，或融合时间、空间、控制的表示。在第l层时空注意力机制模 块，时间和空间注意力机制的输出分别表示为和融合方式 如下：

其中，W_z,1∈R^D×D、W_z,2∈R^D×D和b_z∈R^D为可学习的参数，⊙表示点 乘法，σ(·)表示sigmoid激活函数,z表示门。H^(l)为第l层时空注 意力机制模块的输出。这个门控融合器可以自适应地控制每一个顶点 和每一个时间步的时空依赖性的比重。

S4、数据转换模块：转换被编码的综合嵌入作为解码器的输入。 具体为：利用转移注意力机制，转换被编码的综合嵌入作为解码器的 输入。为了减少长期预测中不同预测时间步下的误差传播，本发明在 解码器和编码器之间增加了一个数据转换模块。它建模了每个未来时 间步和历史时间步的直接关系，从而转换被编码的交通特征至生成未 来表示作为解码器的输入。具体为，转化被编码的特征H^(L)∈R^P×N×D去 生成未来的序列表示H^(L+1)∈R^{Q ×N×D}。对于每个节点v_i，预测时间步 t_j(t_j＝t_P+1,…,t_P+Q)和历史时间步t(t＝t₁,…,t_P)的关系通过综合嵌入进行 测量。

其中，表示第k头时间注意力机制中预测时间步t_j与历史时 间步t之间的关联性，表示第k头注意力机制中历史时间步t对 预测时间步t_j的重要性的注意力得分。代表第k头转 移注意力机制中两个不同的可学习的非线性方程，非线性方程的形式 与上述提到的空间注意力中的相同。然后，使用注意力得分自 适应地选择历史P个时间步的相关特征，将编码的交通特征转换为解 码器的输入：

表示第k头时间注意力机制中一个非线性方程，形式与上 述提到的空间注意力中的相同。为节点v_i，历史时间步t，在l 层的输入，为转换后，节点v_i，在预测时间步t_j的输出的向量表 示。上述三式中，所有节点和时间步的可训练参数可以并行计算，并 共享。

S5、基于时空注意力机制模块的解码器：利用时空注意力机制模 块处理解码上一步数据转换模块的输出，得到最终预测的交通特征。 其中数据转换模块的输出为H^(L+1)∈R^{Q ×N×D}。解码器包含了L层时空注 意力机制模块，输出H^(2L+1)∈R^Q×N×D。最后，全连接层产出Q个时间步 的提前预测值

综上所述，本发明将控制信息引入交通特征预测中，分别处理交 通速度、路网结构和交通控制数据；并将上述数据分别送入神经网络， 得到空间嵌入、时间嵌入和控制嵌入，组合成综合嵌入；通过基于时 空注意力机制模块的编码器、数据转换模块和基于时空注意力机制模 块的解码器，最终得到预测的交通速度值。其有益效果主要表现在：

(一)以往的相关研究通常从时间相关性或空间相关性角度，构 建预测交通特征与历史交通特征与相近区域交通特征之间的关系，忽 略了控制信息对交通特征预测值的影响。本发明引入交通控制信息， 并将控制信息按照特定处理，与交通速度和路网结构信息相结合，使 控制信息对交通特征的影响被有效捕捉，提高了信控路网速度预测的 有效性。路网中，信号控制路口控制路口车辆通行，正常情况下，路 口车辆正常通行，如果有信号控制，会阻断车辆直接进入下一个路段， 绿灯时长的变化也会影响上下游之间速度、流量等相关性。在时间上， 控制的阻断也影响上一个时刻和下一个时刻的速度、流量的相关性， 控制信息作为嵌入引入，来计算时间和空间的注意力得分，是对这种 影响的刻画，作为除了空间信息和时间信息外的补充。

(二)提出了一种时空注意力机制，能够更好地建模动态的空间 相关性和非线性的时间相关性，并设计了一个门控融合器，来自适应 地融合时空注意力机制提取的信息。

(三)设计了一种数据转换模块，将历史交通特征转移到未来表 征，建模历史时间步和未来时间步之间的直接关系，避免了误差累积， 以缓解误差传播效应，从而提高长时交通流预测性能，解决了适用于 长时间的交通预测的问题。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依 本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附 图所涵盖的精神时，仍应属本发明的保护范围。