(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 202111521189.5 (22)申请日 2021.12.13 (71)申请人 河北师范大学 地址 050024 河北省石家庄市南 二环东路 20号 (72)发明人 魏志成　张韬毅　王玉波　 (74)专利代理 机构 石家庄新世纪专利商标事务 所有限公司 1310 0 代理人 董金国 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于马尔可夫聚类图注意力网络的城市交 通流量预测方法 (57)摘要 本发明涉及一种基于马尔可夫聚类图注意 力网络的城市交通流量预测方法， 包括如下步 骤： 1、 根据历史的交通出行数据， 获取时间序列 流量矩阵； 2、 基于马尔可夫聚类算法思想提取图 中存在的自然结构信息， 获得全局相关性结点矩 阵； 3、 建立生成对抗神经网络模型， 该模型生成 器中改进的图注意力模块在获取空间隐藏特征 时不再像图注意力网络仅将邻结点限制在一阶 邻居结点内， 而是扩展到基于马尔可夫聚类算法 得到的全局相关性结点信息中； 学习训练模型， 将学习好的模 型作为区域交通流量预测模型； 本 发明改进的图注意力模块不仅关注局部的邻结 点， 并且动态考虑整体图结构中的邻结点信息， 对他们赋予不同的权重， 提高对空间特征的获取 能力。 权利要求书3页 说明书7页 附图1页 CN 114202122 A 2022.03.18 CN 114202122 A 1.一种基于马尔可夫聚类图注意力网络的城市交通流量预测方法， 其特征在于， 其包 括如下步骤： 步骤1： 根据历史的交通出行数据， 对所选的区域构造时间序列的图的结构信息， 获取 对应流量矩阵； 具体包括以下步骤： 1.1)构造图信息： 首先把所选区域划分成等距小范围地块， 将其作为图结构的结点， 设 得到的结点个数为 N， 并将其依次标注1 ‑N序号； 1.2)获得时间序列流量矩阵： 将历史交通出行数据按照时间间隔为t的时间序列(t1， t2， ...， tn)进行划分， 根据(t1， t2， ...， tn)各自对应的交通出行数据， 获取所有地块的流量 值， 将此数值作为权重得到时间序列的流量矩阵(n个)， 设其中一个流量矩阵表示为 步骤2： 处理时间序列流量矩阵， 提取图中存在的自然结构信息， 获得时间序列的空间 特征矩阵； 具体包括以下步骤： 2.1)处理时间序列流量矩阵： 基于随机游走的思想， 将马尔可夫聚类算法应用于处理 时间序列流 量矩阵上， 使其 最终收敛， 得到图中自然存在的非连通区域； 2.2)获取全局相关性结点矩阵 马尔可夫聚类算法所得结 果结构为多个 吸引系统， 吸引系统包括一个 吸引结点和多个被 吸引结点， 收敛后的矩阵表 现结果为0‑1矩阵； 步骤3： 建立生成对抗神经网络模型， 将时间序列流量矩阵、 全局相关性结点矩阵和图 的邻接矩阵A作为输入， 得到的区域预测交通流量矩阵作为输出， 学习训练模型， 将学习好 的模型作为区域交通 流量预测模型。 2.根据权利要求1所述的基于马尔可夫聚类图注意力网络的城市交通流量预测方法， 其特征在于， 所述 生成对抗神经网络模型包括 生成器和判别器； 所述生成器包括改进的图注意力模块和LSTM模块； 所述判别器包括LSTM模块和全连接层， 用于判别是真实样本还是生成器生成的预测 样 本， 生成器与判别器互相对抗训练， 直到判别器不能判别出输入样本是来自生成器还是真 实值， 此时可以认 为生成器学习到输入样本的分布特征， 生成的预测值被作为输出结果， 即 所选区域的预测交通 流量矩阵。 3.根据权利要求1所述的基于马尔可夫聚类图注意力网络的城市交通流量预测方法， 其特征在于， 所述 步骤1.1中划分所选区域 为等距小范围地 块计算公式如下： N＝column*row    (5) 其中， R表示地球半径； change表示将所选区域划分为小范围地块的边长， 单位为米； Lon_left， Lon_right表示所选区域的经度最值， 单位为度； ΔLon表示change改变所对应的权　利　要　求　书 1/3 页 2 CN 114202122 A 2经度的变化量， ΔLat表示change改变所对应纬度的变化量， ΔLon与ΔLat都为弧度制结 果； Lat_up， Lat_down表示所选区域的纬度最值； column表示将所选区域划分为等距小范围 地块在经度范围内所得到的个数； row表示将所选区域划分为等距小范围地块在纬度范围 内所得到的个数； N表示所选区域被划为小范围地 块的总个数。 4.根据权利要求1所述的基于马尔可夫聚类图注意力网络的城市交通流量预测方法， 其特征在于， 所述 步骤1.2中获得其中一个流 量矩阵 公式如下： 其中， 表示第ts个时间间隔的流 量矩阵， QNN表示两个地 块之间的流 量值。 5.根据权利要求1所述的结合时空特征的交通流量预测方法， 其特征在于， 所述步骤 2.1中处理时间序列流 量矩阵 公式如下： exp_Mat＝Prob_Mat ×Prob_Mat       (9) 公式(7)中 表示步骤1.2中得到的流量矩阵按照 ts到tn时间序列相加 之和； 公式(8)对Prob_Mat进行归一化操作， 其中： Prob_Mat表示归一化操作后的概率矩阵， i 和j表示矩阵索引下标(1≤i≤N)、 (1≤j≤N)， I表示对角矩阵， 与I矩阵形状大小一 致； 公式(9)： exp_Mat是矩阵乘法的结果， ×表示矩阵乘法； 公式(10)对inf_Mat进行归一化操作， 其 中： *表示哈达玛积， 即矩阵对应位置的元素相 乘， 所得结果与原 矩阵形状大小相同。 6.根据权利要求5所述的基于马尔可夫聚类图注意力网络的城市交通流量预测方法， 其特征在于， 所述 步骤2.2中获取全局相关性结点矩阵 包括如下步骤： 步骤a： 根据公式(8)将时间序列流 量矩阵处 理成归一 化操作后的概 率矩阵； 步骤b： 迭代进行公式(9)， 公式(10)操作， 直至i nf_Mat矩阵收敛 得到 7.根据权利要求2所述的基于马尔可夫聚类图注意力网络的城市交通流量预测方法， 其特征在于， 所述生成器中首先使用改进的图注意力模块， 改进的图注意力模块在计算注 意力矩阵时引入步骤2.2得到的 将 的结果作为是否为邻结点判断条件 得到注意力矩阵， 最终将注意力矩阵与流 量矩阵共同作用得到隐藏特 征。 8.根据权利要求7所述的基于马尔可夫聚类图注意力网络的城市交通流量预测方法， 其特征在于， 所述步骤3生成对抗神经网络中生成器将改进的图注意力模块的结果输入到 LSTM模块中， 得到具有时间依赖的空间特 征； 所述LSTM模块由一个LSTM层构成， 一层LSTM由1个cell单元组成， cell中具体计算公式 如下：权　利　要　求　书 2/3 页 3 CN 114202122 A 3