CN120260284A 一种跨尺度时空特征交互融合的交通流量预测方法 （北京工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120260284A(43)申请公布日2025.07.04

(21)申请号202510524973.3

(22)申请日2025.04.24

(71)申请人北京工业大学

地址100024北京市朝阳区平乐园100号

(72)发明人侍伟敏姚勃昕

(74)专利代理机构北京思海天达知识产权代理有限公司11203

专利代理师王兆波

(51)Int.CI.

G08G1/01(2006.01)

GO6N3/042(2023.01)

GO6N3/0464(2023.01)

GO6N3/0442(2023.01)

权利要求书4页说明书7页附图2页

(54)发明名称

一种跨尺度时空特征交互融合的交通流量预测方法

(57)摘要

CN120260284A本发明公开了一种跨尺度时空特征交互融合的交通流量预测方法，首先，时空数据特征提取模块通过对历史时序数据的多层次处理，提取了短期、周期性和长期趋势特征，精准捕捉交通流量数据中的时间趋势和空间依赖，为后续模块提供高质量的特征输入。接着，跨尺度特征信息交换模块引入跨尺度注意力机制，实现不同时间尺度和层次特征之间的信息交互，既能够增强全局特征的表达能力，又兼顾局部细节信息的捕捉，使模型能够高效处理复杂的时空依赖结构。最后，多尺度特征融合模块采用基于注意力的渐进融合策略，将各层次的时空特征进行逐步整

CN120260284A

CN120260284A权利要求书1/4页

2

1.一种跨尺度时空特征交互融合的交通流量预测方法，其特征在于，包括以下步骤：

步骤1:获取各个交通节点的历史交通流量数据并进行预处理得到应用数据；

步骤2:根据预处理的数据对交通流量预测进行问题分析和定义；

步骤3:构建多层次时空特征捕获模块，该模块由特征递进提取层和时空特征捕获层构成，数据经过该模块提取得到时空特征；

步骤4:构建跨尺度特征交互模块，该模块由卷积层、正则化层以及多重注意力机制构成，时空特征经过该模块实现不同时间尺度特征间的信息互补得到多维度的时空依赖关系；

步骤5:构建多尺度特征融合模块，该模块由时间注意力机制和节点注意力机制构成，时空依赖关系经过该模块捕捉时间维度和节点间的关联变化，从而优化特征的重要性分配，提高对复杂时空依赖的表达能力；

步骤6:将采集到的交通流量数据集划分为训练集、验证集和测试集，使用平均绝对误差、平均绝对百分比误差和均方根误差作为评价指标对跨尺度时空特征交互融合的交通流量预测方法进行评估。

2.如权利要求1所述的一种跨尺度时空特征交互融合的交通流量预测方法，其特征在于，在步骤1的实施中，从传感器获取到的交通数据存在的异常值进行处理，采用Z-Score方法来避免异常值和极端值的影响，从而得到预处理后的应用数据。

3.如权利要求2所述的一种跨尺度时空特征交互融合的交通流量预测方法，其特征在于，在步骤2的实施中，定义交通流量预测问题：交通流量预测是指根据某一路段或者某一区域t时刻及以前的交通流量数据进行分析和建模来得到未来时刻的交通流量数据；模型表示为：

X=f(x,,x,,x,X,)

其中时刻的流量预测值，f代表预测模型或者算法，X,是t时刻的交通流量数据，是输入的流量数据的时间步长数；交通流量预测分为单步预测和多步预测，若交通流量数据采集时间间隔为τmin,1h内采集的流量序列数为60/t,单步预测指预测未来tmin后的交通流量；交通流量的多步预测指预测未来n步的交通流量，也就是预测未来(t×n)min后的交通流量；对交通流量数据不同时间段的数据联合建模以获得更准确地预测数据，设当前预测时间为Tmin即预测步长为T/T,Th、Ta、T的单位时间步与T相同；其中h,d,w分别表示相应的小时、天和周。

4.如权利要求3所述一种跨尺度时空特征交互融合的交通流量预测方法，其特征在于，步骤3中，步骤3-1:采用三层金字塔结构，每一层通过池化模块捕获数据的全局依赖；池化操作通过压缩特征图的方式聚焦全局信息，在每层引入并行的卷积模块，用于提取数据的局部依赖特征；随后，通过设计融合模块，将卷积模块提取的局部特征与池化模块捕获的全局特征进行有效融合，为后续的时空特征捕获模块提供更加全面、细致的数据