2023.6电脑编程技巧与维护1概述交通流预测是利用历史交通数据来预测未来交通流的时间戳，早期专注于时间序列预测的工作取得出色的成绩。传统的方法如支持向量回归、支持向量机和K-近邻方法，已广泛应用于交通预测。Zheng等提出将公共交通轨迹表示为图或张量结构[1]。受深度学习在各种不同应用上取得重大进步的启发，许多研究人员试图用深度神经网络来处理这项任务。Zhang等采用了基于卷积的残差网络来共同预测城市网格图每个区域的人群流入和流出[2]。Zhang等把卷积长短期记忆法（ConvL-STM）用于时空建模[3]，而此方法用连续视频帧对给定监控图像上的人群进行计数，而不是基于移动数据预测人群流动演变。2数据准备根据经度和纬度将一个城市划分为h·w的非重叠网格图。同时，定义流入和流出为在每个时间间隔进入或离开一个给定区域的人流。将第t天时间间隔的人群流动图表示为张量Mdt∈R2×h×w。其中，第1通道为流入通道，第2通道为流出通道。针对外部因素，将天气状况被分为16类，并通过One-Hot编码进行数字化，而温度和风速则通过最小—最大线性归一化方法将其缩放到[0，1]。用Edt表示第d天第t个时间间隔的外部因子张量。3模型介绍3.1结合自注意力机制的卷积长短期记忆模块（SA-ConvL）ConvLSTM网络通过输入门、遗忘门和输出门这3个门控单元决定信息在记忆单元中的更新和遗忘程度，解决了传统神经网络在反向传播中存在的梯度爆炸或梯度消失的问题。SA-ConvL网络结构如图1所示，模块的输入由当前t时刻的输入Xt和上一时刻隐藏层输出Ĥt-1组合而成。如公式（1）~公式（7）所示：（1）（2）（3）（4）（5）（6）（7）其中，W为二维卷积核；*为卷积运算；⊙为Hadamard乘积；SA为自注意力机制模块。3.2自注意力机制模块（SAM）在SAM中，原始特征Ht被映射到不同的特征空间中。作为查询（Query）：Qh=WqHt∈RĈ·N，作为键（Key）：Kh=WkHt∈RĈ·N，作为值（Value）：Vh=WvHt∈RĈ·N，其中，W为卷积权重；C和Ĉ为通道数。每一对位置点的相似性得分如公式（8）~（10）所示：（8）（9）基于自注意力机制的时空网络交通流预测研究秦畅（东北大学理学院，沈阳110819）摘要：交通流预测对公共安全和城市交通管理具有重要意义。在交通流预测中，关键问题是使预测结果自适应于影响交通变化的各种因素，为解决这个问题提出了自注意力人流预测模型（SACF）。为时变数据赋予权重，并通过注意力机制学习时空依赖关系和动态表示，进一步推导人群流量的演化。同时建...
