本发明涉及一种交通预测方法及系统，属于人工智能。
背景技术：
1、交通预测是智能交通系统(its)的重要组成部分，对城市交通管理、规划、交通等方面具有重要的支撑作用。然而，由于交通网络具有复杂的时空特征，对其进行准确预测仍然是一个具有挑战性的课题。因此，为了取得更好的交通预测效果，人们不断地做出了很多努力。
2、作为早期的交通预测解决方案，短期预测方法采用了一些经典的流量预测方法，如基于统计的方法和传统的基于机器学习的方法。基于统计的方法，如自回归综合移动平均(arima)和切换arima (sarima)。由于上述方法具有良好的可解释性，在简单的交通预测中获得了优异的性能。然而，它们都是线性和统计模型，只适用于简单的交通场景。此外，传统的基于机器学习的方法，如最近邻方法(knn)和支持向量机方法(svm)。由于他们处理非线性交通数据的能力较强，可以获得比基于统计方法更好的性能。但是，他们过于依赖高质量的数据集和高性能的核函数，从而限制了其进一步发展，也导致了其主要应用于短期的交通预测中。
3、为了进一步提高交通预测的性能，出现了基于深度学习的方法，如卷积神经网络(cnn)和递归神经网络(rnn)，从而进一步提高了交通预测的性能。具体的说，人们一般采用cnn方法将交通网络视为网格结构来捕捉空间依赖关系，采用rnn方法捕捉时间依赖关系。然而，交通网络实际上是一个基于图的结构，此种特点限制了基于深度学习的方法的性能。因此，为了解决上述问题，通常采用图域处理交通数据的图神经网络方法进行交通预测，例如时空图卷积网络(stgcn)、图小波网络(gw)、基于注意力的时空图卷积网络(astgcn)、时空小波网络(stwave)、基于雅可比图神经网络和趋势感知流注意卷积网络(jgfacn)和时空交互动态图卷积网络(stidgcn)等。他们都能有效地从交通数据中获取复杂的时空依赖关系。
4、尽管上述方法付出了巨大的努力，但交通预测仍然面临着许多挑战，主要表现在:
5、1)、交通数据是一个复杂而特殊的时间序列，受交通网络的影响，增加了从交通数据中获取时空依赖关系的难度。
6、2)、交通状态随时间变化。具体来说，由于某些交通事故或早晚高峰，不同区域之间的关系变得更强。我们将这些现象称为时空动态性，这给交通预测带来了更多的困难。
7、3)、不同区域的交通状态具有不同的交通模式。我们把这种现象称为交通异质性，它给交通预测带来了不确定性。
8、因此，如何对现有的交通预测方法进行改进从而提高交通流量预测的精度仍然是本领域技术人员急需要解决的技术问题。
技术实现思路
1、目的：为了克服现有技术中存在的不足，本发明提供一种交通预测方法及系统。
2、技术方案：为解决上述技术问题，本发明采用的技术方案为：
3、第一方面，一种交通预测方法，包括以下步骤：
4、步骤1，获取城市各个路口的交通数据集，将交通数据集转化为包含时间、空间和特征的第一交通数据矩阵。
5、步骤2，将第一交通数据矩阵经过输入嵌入层得到第二交通数据矩阵。
6、步骤3，将第二交通数据矩阵分别经过l个时空编码模块，得到l个第三交通数据矩阵。
7、步骤4，将l个第三交通数据矩阵经过输出嵌入层得到交通预测结果。
8、作为优选方案，所述第一交通数据矩阵表达式如下：
9、
10、其中，是第一交通数据矩阵，是在时间t时刻n个城市交通路口c个维度的交通状态，，为时间点集合，是在时间t时刻第n个城市交通路口c个维度的交通状态，，n是城市交通路口的个数，c是交通状态的维度。
11、作为优选方案，所述步骤2，具体包括：
12、步骤2.1，将第一交通数据矩阵经过局部感知单元处理，得到特征，所述特征表达式如下：
13、
14、其中，为深度卷积神经网络。
15、步骤2.2，将特征经过轻量级多头自注意力机制处理，得到特征，所述特征表达式如下：
16、
17、其中，为轻量级多头自注意力函数，为层归一化函数。
18、步骤2.3，将特征经过反向残差前馈网络处理，得到第二交通数据矩阵，所述第二交通数据矩阵表达式如下：
19、
20、其中，为批归一化操作函数，为卷积神经网络，为基于高斯误差函数的激活函数，为层归一化函数，为深度卷积神经网络。
21、作为优选方案，所述步骤3，具体包括：
22、将第二交通数据矩阵分别经过l个时空编码模块，得到l个第三交通数据矩阵，所述l个第三交通数据矩阵中第l个第三交通数据矩阵获取方法，其中，l取值范围为1-l，具体包括：
23、步骤3.1，将第l个时空编码模块的输入第二交通数据矩阵经过集带动态长期注意力图的自适应图神经网络和带动态短期注意力图的自适应图神经网络为一体的并行空间编码模块，得到特征，特征。
24、步骤3.2，将第l个时空编码模块的输入第二交通数据矩阵经过集带阻尼指数移动平均的归一化自注意力机制和带时序分解的线性频率学习器为一体的并行时间编码模块，得到特征。
25、步骤3.3，将特征，特征和特征串联并经过多层感知机处理得到第l层时空编码模块的输出第三交通数据矩阵。
26、作为优选方案，所述步骤3.1，具体包括：
27、步骤3.1.1、根据第l个第二交通数据矩阵，获取动态长期注意力图邻接矩阵，所述表达式如下：
28、
29、其中，为归一化指数函数，和分别为第一可学习矩阵，第二可学习矩阵，为的特征维度，为矩阵的点乘操作，为并集操作，t为矩阵的转置，为语义邻接矩阵，为动态邻接矩阵。
30、步骤3.1.2、将和输入到自适应谱图神经网络中得到具有长期空间依赖关系的特征，所述特征表达式如下：
31、
32、其中，为多层感知机函数，为第i次长期可学习参数，i为累加的次数，i为累加的总次数，为自适应谱图神经网络的第i个关于矩阵的可求解系数矩阵。
33、步骤3.1.3、获取动态短期注意力图邻接矩阵，所述表达式如下：
34、
35、其中，为归一化指数函数，和分别为第四可学习矩阵，第五可学习矩阵，为静态邻接矩阵。
36、步骤3.1.4、将和输入到自适应谱图神经网络得到具有短期空间依赖关系的特征，所述特征表达式如下：
37、
38、其中，为多层感知机函数，为第i次短期可学习参数，i为累加的次数，i为累加的总次数，为自适应谱图神经网络的第i个关于矩阵的可求解系数矩阵。
39、作为优选方案，为语义邻接矩阵表达式如下：
40、
41、其中，为求最小值函数，为邻接矩阵的变形矩阵，为的第行列的值，为的第行k列的值，为的第k行列的值，为第一阈值参数设置，为第二阈值参数设置。
42、为动态邻接矩阵表达式如下：
43、
44、其中，为线性整流函数，和分别为第一可学习向量，第二可学习向量，t为矩阵的转置，为第三可学习矩阵，为的对角矩阵，为第三阈值参数。
45、表达式如下：
46、
47、其中，，，和分别为第一可学习参数，第二可学习参数，第三可学习参数，第四可学习参数，为的上一次迭代值，为的上上一次迭代值。
48、为静态邻接矩阵表达式如下：
49、
50、其中，和分别为城市交通路网中的两个相邻路口结点。
51、表达式如下：
52、
53、其中，，，和分别为第一可学习参数、第二可学习参数、第三可学习参数、第四可学习参数，为的上一次迭代值，为的上上一次迭代值。
54、作为优选方案，所述步骤3.2，具体包括：
55、步骤3.2.1、将第二交通数据矩阵经过三个可学习线性函数得到对应的表征，表征和表征，所述表征，表征和表征表达式如下：
56、
57、其中：，和分别为q可学习线性函数，k可学习线性函数，v可学习线性函数。
58、步骤3.2.2、将中每一个时间点对应的值经过阻尼指数移动平均函数进行处理，得到表征，所述表征表达式如下：
59、
60、其中，为t=1时刻的的值，为指数移动平均系数，为阻尼系数，为上一次迭代值，t代表时间，为点乘操作。
61、步骤3.2.3、将表征，表征和由所有时刻对应的整合而成的矩阵经过归一化自注意力函数处理，得到特征，所述特征表达式如下：
62、
63、式中，
64、其中，为的frobenius范数，为的frobenius范数，为度矩阵，为取矩阵的对角线值函数，是城市交通路口的个数，为全1矩阵，为平衡因子，为的逆矩阵。
65、步骤3.2.4、经过带时序分解的线性频率学习器进行处理，得到特征、特征。
66、步骤3.2.5、将得到的、经过线性频率学习器，同时与相加得到时间编码模块的结果，所述结果表达式如下：
67、
68、其中：，为非激活函数，为求实部操作，为求虚部操作，，，和分别为第五可学习参数，第六可学习参数，第七可学习参数，第八可学习参数，为逆傅里叶变换，为虚部单位。
69、作为优选方案，所述步骤3.2.4，具体包括：
70、步骤3.2.4.1、将平均分成k份，每一份包括u个时间点的数据，k份数据表达式如下：
71、。
72、步骤3.2.4.2、求第k份数据的平均值和差值，表达式如下：
73、，
74、其中，是第k份数据的平均值，是第k份数据的时间t所对应的值，为第k份数据的差值。
75、步骤3.2.4.3、获得对应的特征和特征，表达式如下：
76、
77、其中，，和为第1、2和 k份数据对应的平均值，，和为第1、2和 k份数据对应的差值。
78、步骤3.2.4.4、计算的特征，表达式如下：
79、。
80、作为优选方案，第l层时空编码模块的输出第三交通数据矩阵表达式如下：
81、
82、其中，为多层感知机函数，为串联操作。
83、作为优选方案，交通预测结果表达式如下：
84、
85、其中，，，为第1，2，l个时空编码模块的输出，为卷积神经网络。
86、第二方面，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面中任一所述的一种交通预测方法。
87、第三方面，一种计算机设备，包括：
88、存储器，用于存储指令。
89、处理器，用于执行所述指令，使得所述计算机设备执行如第一方面中任一所述的一种交通预测方法的操作。
90、有益效果：本发明提供的一种交通预测方法及系统，具有如下优势：
91、(1)、本发明提出的交通预测方法能够有效地捕捉复杂的时空依赖性、动态性和异质性。
92、(2)、本发明引入了一种集局部感知单元、轻量级多头自注意力机制和反向残差前馈网络于一体的输入嵌入模块，能够有效的获取交通数据的表征。
93、(3)、本发明引入了一种有效捕获空间相关性的自适应谱图神经网络。同时，将动态长期自注意力图和动态短期自注意力图引入到自适应谱图神经网络中，从而强调了长期、短期和动态空间依赖性。
94、(4)、本发明引入了一种频率增强自注意模块，该模块包括带阻尼指数移动平均的归一化自注意机制和具有时间序列分解的线性频率学习器，用于准确捕获时间依赖性。
95、综上所述，本发明通过上述优点，可以有效的提高交通流量预测的精度并具有较好的优越性。
1.一种交通预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种交通预测方法，其特征在于：所述第一交通数据矩阵表达式如下：
3.根据权利要求1所述的一种交通预测方法，其特征在于：所述步骤2，具体包括：
4.根据权利要求1所述的一种交通预测方法，其特征在于：所述步骤3，具体包括：
5.根据权利要求4所述的一种交通预测方法，其特征在于：所述步骤3.1，具体包括：
6.根据权利要求5所述的一种交通预测方法，其特征在于：为语义邻接矩阵表达式如下：
7.根据权利要求4所述的一种交通预测方法，其特征在于：所述步骤3.2，具体包括：
8.根据权利要求7所述的一种交通预测方法，其特征在于：所述步骤3.2.4，具体包括：
9.根据权利要求4所述的一种交通预测方法，其特征在于：第l层时空编码模块的输出第三交通数据矩阵表达式如下：
10.根据权利要求1所述的一种交通预测方法，其特征在于：交通预测结果表达式如下：
11.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1-10中任一所述的一种交通预测方法。
12.一种计算机设备，其特征在于：包括：
