(19)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 202211343153.7 (22)申请日 2022.10.31 (71)申请人 江苏博宇鑫信息科技股份有限公司 地址 215000 江苏省苏州市姑苏区平泷路 251号苏州城市生活广场A幢3 5层 (72)发明人 刘新成　沈勤　奚秩华　宣帆　 周国冬　 (74)专利代理 机构 苏州科仁专利代理事务所 (特殊普通 合伙) 32301 专利代理师 郭杨 (51)Int.Cl. G08G 1/01(2006.01) G08G 1/048(2006.01) G08G 1/08(2006.01) G08G 1/0968(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于时空注意力机制的路口通行时间预测 方法 (57)摘要 本发明提供一种基于时空注意力机制的路 口通行时间预测方法， 以精准的预测交通车辆通 行时间为出发点， 提出了针对出租车的通行时间 预测模型， 模 型利用深度学习技术充分挖掘交通 轨迹数据之间深层次的时空特征， 并对时空依赖 特性引入时空注意力机制进行预测， 充分考虑了 时间等因素的影 响， 有效地解决汽 车在不同时间 运行时的航迹起点和航迹的不确定性， 通过对起 始点位置的分类， 对时间预测模型进行了优化， 使得预测的时间和实际的行车时间准确率超过 80%， 使得交通组织更加合理、 层次分明。 权利要求书3页 说明书8页 附图6页 CN 115394088 A 2022.11.25 CN 115394088 A 1.一种基于时空注意力机制的路口通行时间预测方法,其特征在于： 具体包括以下步 骤： 步骤S1， 采集每辆车辆的所有原始GPS轨迹数据集， 每条所述原始GPS轨迹数据集包括 车辆行驶的路径、 所述路径上的多个 GPS采样点； 步骤S2， 对 所有车辆的原始GPS 轨迹数据集 进行清洗， 删除部分GPS轨迹数据， 形成新GPS轨迹数据集， 从新GPS轨迹数据集中匹配车辆 的一条路径Q， 所述路径Q是一系列连续的GPS采样点的集合， Q= ｛q1， q2，…， qi，…， qn｝ ， 其中qi 表示第i个GPS采样 点， qn表示第n个GPS采样点， 每个元素 qi包括经度qi.lon、 纬度qi.lat、 时 间戳qi.ts、 开始时间、 车牌号、 日期、 是否载客、 通行距离dis(q1qn)， 通行距离dis(q1qn)即为 q1到qn的距离； 步骤S3， 建立通行时间预测模型Tt+δ(Q)=f{Tt(Q)}， 其中， Tt(Q)已知， 表示路 径Q在t时刻的通行时间， Tt+δ(Q)表示路径 Q在t时刻后未来δ 时刻的通行时间， 利用给定的历 史路径训练所述通行时间预测模型， 通过学习 行驶轨迹间的时空依赖关系， 来学习模型参 数， 在所述通行时间预测模型内， 设定外部因素机制， 采用嵌入方法将外部因素值形成的分 类变量l∈[L]转化为嵌入空间RM×1， 形成嵌入向量， 将所述嵌入向量与所述通行距离dis (q1qn)进行连接， 形成外部因素机制的输出ext； 步骤S4， 在所述通行时间预测模型内， 采用 非线性函数， 结合长短期记忆神经网络， 将非线性函数 的输出向量作为长短期记忆神经网 络的输入， 输出特征图spa， 将所述特征图spa和所述输出ext一同输入 时间卷积 网络， 输出 为时空特征序列， 即时空特征； 步骤S5， 在所述通行时间预测模型内， 采用时间卷积网络的 两个全连接网络层将时空特征序列映射为时间序列， 得到子路径预测的通行时间； 建立注 意力机制， 将时空特征序列作为输入， 输入至注 意力机制中， 根据不同路径对于整体路径的 重要程度设置不同的权重， 获得向量ratt， 将向量ratt输入全连接层网络得出整个路段的通 行时间hen， 完成所述通 行时间预测模型的建立； 步骤S6， 对所述通 行时间预测模型进行训练 优化， 采用两个损失函数分别定义子路径预测的通行时间的相关损失函数的平均值L1和整 个路段的通行时间的相关损失函数Le， 定义损失函数loss为L1与Le的加权和， 通过所述损失 函数loss的值评估 模型性能。 2.根据权利要求1所述的基于时空注意力 机制的路口通行时间预测方法， 其特征在于： 步骤S2中， 所述新GPS轨迹数据集的GPS轨迹数据的长度为2千米 ‑20千米， 所述新GPS轨迹数 据集的GP S轨迹数据时间长度小于等于 3000秒。 3.根据权利要求1所述的基于时空注意力 机制的路口通行时间预测方法， 其特征在于： 步骤S4具体为： 步骤S41， 在所述通行时间预测模型内， 使用一个非线性函数将路径位置信 息映射到向量ploc中， 向量ploc中的每个元素为ploci， 具体公式为： ploci=tanh(Wploc< qi.lat,qi.lon>)， 其中， <>表示路径的连接操作， Wploc表示向量ploc的学习参数矩阵， tanh 为激活函数， qi.lat,qi.lon分别表示采样点qi的经度和纬度； 步骤S42， 通过LSTM模型中的 卷积层提取路径Q的空间信息特征， 通过LSTM模型中的池化层对所述空间信息特征进行压 缩， 提取主 要特征， 并通过LSTM模型中的长短期记 忆网络层输出co nvi2， 具体公式为： ， ， 其中convi1表示路径Q的第i个采样点通过卷积层conv的第一次输出， convi2表示路径Q权　利　要　求　书 1/3 页 2 CN 115394088 A 2的第i个采样点通过卷积层conv的第二次输出， 表示卷积层conv第一次输出的学习 参数矩阵， 表示卷积层conv第二次输出的学习参数矩阵， b（1）表示第一次输出的参 数， b（2）表示第二次输出的参数， σ 为激活函数， 通过LSTM模型中的卷积网络层得出特征图 spa， 通过LSTM模型中的上采样层放大 特征图spa的维数； 步骤S43， 采用时间卷积网络， 将所述特征图spa和所述输出ext作 为所述时间卷积网络 的输入， 更新状态， 公式为： ri=σ(Ws*spa+We*ext+Wh*ri‑1)， 其中， Ws,We,Wh是时间长短期记忆 网络层中使用的学习参数， σ 是激活函数， 得出时间特征序列 ｛r1,r2,r3,…， r|T|+k+1｝ ， 其中， T 为通行时间， k表示邻近| T|的个数， 公式 中的ri和ri‑1为时间特 征序列中的一个元 素。 4.根据权利要求3所述的基于时空注意力 机制的路口通行时间预测方法， 其特征在于： 步骤S5具体为： 步骤S51， 采用时间卷积网络的两个全连接网络层将时空特征序列 ｛r1,r2, r3,…， r|T|+k+1｝ 映射为时间序列 ｛h1,h2,h3,…， h|T|+k+1｝ ， 时间序列的任意一个元素hi表示子 路径qi→qi+1→…→qi+k‑1预测的通行时间； 步骤S52， 建立注意力机制， 将时间特征序列 ｛r1, r2,r3,…， r|T|+k+1｝ 输入到所述注意力机制中， 通过步骤S51， 注意力机制对时空特征序列 ｛ r1,r2,r3,…， r|T|+k+1｝ 的操作实质为对时间序列 ｛h1,h2,h3,…， h|T|+k+1｝ 的进行加权求和操作， 根据不同路径对于整体路径的重要程度设置不同的权 重， 获得向量ratt， 具体公式为 ， ， ,其中， ratt是根据注意力分布获取的信息， zi表示第i个输 入序列经过激活函数处理过的序列， zj表示第j个输入参数经过激活函数处理过的参数， αi 为注意力权重， i为第i个输入序列， j为第j 个输入参数， z表 示激活函数结果； 步骤S 53， 将向 量ratt输入到全连接层网络得 出整个路段的通行时间hen。 5.根据权利要求4所述的基于时空注意力 机制的路口通行时间预测方法， 其特征在于： 步骤S6具体为： 步骤S61， 采用第一个损失函数定义所有子路径的相关损失函数的平均值， 具体公式为： ， 其中qi+k‑1.ts表示第i+k ‑1个GPS采样点的 时间戳， w为学习参数； 步骤S62， 采用第二个损失函数定义整体路段的相关损失函数， 具体 公式为， ， 其中， q|T|表示第|T|个GPS 采样点， q|T|.ts表示第 | T | 个 G P S 采 样 点 的 时 间 戳 ，q1.t s 表 示 第 1 个 G P S 采 样 点 的 时 间 戳 ，权　利　要　求　书 2/3 页 3 CN 115394088 A 3