开云优惠体育网页版入口

专利名称：基于动态自适应卷积神经网络的城市交通流预测方法

专利类型：发明专利

专利申请号：CN202411044400.2

专利申请（专利权）人：四川警察学院
权利人地址：四川省泸州市龙透关路186号

专利发明（设计）人：发明人:章超,刘卓,嵇昂,孔明明,孙湛博

专利摘要：本发明公开了一种基于动态自适应卷积神经网络的城市交通流预测方法，涉及交通工程及智能交通技术领域，包括：数据采集及预处理；建立基于时空残差卷积的神经网络模型；构建动态自适应卷积；建立时空动力学模型并对其进行优化；利用随机梯度下降算法，通过训练不断优化动态时空自适应卷积网络超参数，得到交通状态预测方案；本发明利用DSTACN在预测交通流考虑时空依赖关系，捕捉路网中的动态时空关系，使得预测结果更加精确。

主权利要求：
1.一种基于动态自适应卷积神经网络的城市交通流预测方法，其特征在于，包括以下步骤：步骤1、数据采集及预处理：根据实验设计对数据进行不同时间域的处理、数据集划分、归一化处理，获得道路网络上的历史交通数据特征，并形成输入特征矩阵；
步骤2、建立基于时空残差卷积的神经网络模型：结合处理后的输入特征矩阵，构建出基础的基于时空残差卷积的神经网络模型；
步骤3、构建动态自适应卷积：交通数据表现出的空间相关性由注意力引导的动态卷积和可变形卷积捕捉，将动态卷积和可变形卷积结合为自适应卷积；
在步骤3中，所述可变形卷积通过调整卷积核位置与路网结构保持一致，同时利用注意力引导的可变形卷积网络V2学习可变形卷积的偏移量：在输入特征图x上使用规则网格 进行采样，然后将采样值按w加权求和，且给所述规则网格 添加偏移量{Δpn|n＝1,…,N}；公式如下：这里,p代表特征图上的像素点位置，y(p)代表特征图上p点的卷积结果，pn代表卷积核的第n个位置，Δpn代表n位置通过卷积学习到的偏移量，为浮点数，而Δmn则是第n个位置的调制标量，b代表偏差，通过对输入特征图x应用单独的卷积层而获得，由于p+pn+Δpn是浮点数，因此要通过双线性插值法进行变换；
在步骤3中，通过聚合多个线性函数 来引入动态卷积，具体如下：
其中，πk是第k个线性函数 的注意力权重， 代表第k个卷积核的原始权重与偏差， 代表经过注意力计算的动态卷积权重与偏差，通过注意力后权重{πk(x)}并非固定不变，而是随每个输入x的变化而变化；
步骤4、建立时空动力学模型并对其进行优化：交通数据的时间相关性由时间注意力捕捉，动态时间注意力与动态自适应卷积集成到所述基于时空残差卷积的神经网络模型中同步构建时空动力学模型，得到动态时空自适应卷积网络；
步骤5、利用随机梯度下降算法，通过训练不断优化动态时空自适应卷积网络超参数，得到交通状态预测方案。
2.根据权利要求1所述的基于动态自适应卷积神经网络的城市交通流预测方法，其特征在于，步骤1还包括：整合节假日信息、天气状况和温度外部因素。
3.根据权利要求1所述的基于动态自适应卷积神经网络的城市交通流预测方法，其特征在于，在步骤1中，对数据进行不同时间域的处理具体如下：划分城市空间区块和量化交通流量，城市区域被离散化为由I×J个方格组成的网格，以经纬度划分，每个方格由其在网格中的位置坐标(i,j)唯一标识，i表示行，j表示列；在规定的时间段t内，通过任何一个方格(i,j)的流量流入和流出由以下公式量化：th
其中，Tr:g1→g2→…→g|Tr|表示集合 中的一条轨迹，gf表示轨迹上第f 个点的地理空间坐标，gf∈(i,j)表示gf点位于网格方格(i,j)内， 表示它位于网格方格外，|·|表示集合中不同元素的个数；
让{Xt|t＝1,2,..,n}表示前n个时隙在单元区域R中观察到的流量张量；对于任何给定的时间间隔t，I×J区域内所有网格方格的累计流入和流出量用张量 表示；第一层 表示流入量，第二层 表示流出量指标；目标是根据截至时间T的历史数据，预测下一个时隙n+1的交通客流张量Xt+1。
4.根据权利要求1所述的基于动态自适应卷积神经网络的城市交通流预测方法，其特征在于，在步骤1中，对数据进行数据集划分和归一化处理具体如下：按照时间顺序将数据集分为训练集、验证集和测试集；并应用MinMax标准化方法对数据集进行归一化。
5.根据权利要求1所述的基于动态自适应卷积神经网络的城市交通流预测方法，其特征在于，在步骤2中，所述基于时空残差卷积的神经网络模型利用挤压?激发注意力机制进行注意力计算：首先，通过全局平均池对全局空间信息进行压缩；然后利用全连接层、ReLU和Softmax运算来产生用于卷积核和偏移学习的归一化注意力权重：π(X)＝Softmax(W2·ReLU(W1·Pool(X)))其中，π(X)代表特征经过注意力得到的结果标量，fscale代表注意力标量π(X)与特征的通道乘积，W代表模型权重。
6.根据权利要求1所述的基于动态自适应卷积神经网络的城市交通流预测方法，其特征在于，在步骤4中，所述时间注意力计算方法具体如下：h＝tanh(WcX+bc)
y＝Softmax(W′ih+b'i)
其中，Wc和W'i表示时间通道的权重，bc和b'i是偏置项，tanh是激活函数。
7.根据权利要求6所述的基于动态自适应卷积神经网络的城市交通流预测方法，其特征在于，在步骤4中，通过时间反向传播最大化对所述动态时空自适应卷积网络进行训练；
连续变量和经过独热编码的分类变量额外信息经过全连接层输入到模型作为特征提取的一部分。
8.根据权利要求1?7任一项所述的基于动态自适应卷积神经网络的城市交通流预测方法，其特征在于，还包括：根据已有评价指标对动态时空自适应卷积网络效果进行评价。 说明书 : 基于动态自适应卷积神经网络的城市交通流预测方法技术领域[0001] 本发明涉及交通工程及智能交通技术领域，特别是一种基于动态自适应卷积神经网络的城市交通流预测方法。背景技术[0002] 随着城市快速扩张，精确的城市交通流量预测在分配道路资源、城市规划、公共安全和风险评估方面至关重要。然而，交通流量受多方面动态因素的影响，包括设施建设、出行高峰期和其他外部条件，使得预测任务极为复杂。交通流量预测面临巨大挑战，主要因为这些因素产生了复杂的时空依赖关系。[0003] 传统预测方法多依赖统计模型，如非线性回归模型、卡尔曼滤波器（Kalmanfilters）、支持向量回归模型（SVR）、自回归整合移动平均（ARIMA）等，主要关注交通流的周期性，忽略了空间相关性。近年来，深度学习的发展为交通流预测提供了新方法，尤其是循环神经网络（RNN）和长短期记忆（LSTM）网络，可以有效处理长期和短期依赖关系。深度学习模型将城市交通流概念化为矩阵，从中学习时空信息。例如，深度时空残差卷积网络利用卷积神经网络（CNN）提取空间信息，并结合LSTM建立短期和长期依赖关系模型。尽管这些方法性能良好，但可能未充分考虑道路网络的动态空间复杂性。[0004] 现有模型在理解交通动态中固有的复杂时空依赖性方面仍面临挑战，难以适应城市交通系统的动态性和复杂性。尽管深度学习和图神经网络技术有所改善，但仍面临模型复杂性、训练数据需求量大和计算资源高要求等挑战。发明内容[0005] 为解决现有技术中存在的问题，本发明的目的是提供一种基于动态自适应卷积神经网络的城市交通流预测方法，本发明利用DSTACN在预测交通流考虑时空依赖关系，捕捉路网中的动态时空关系，使得预测结果更加精确。[0006] 为实现上述目的，本发明采用的技术方案是：一种基于动态自适应卷积神经网络的城市交通流预测方法，包括以下步骤：[0007] 步骤1、数据采集及预处理：根据实验设计对数据进行不同时间域的处理、数据集划分、归一化处理，获得道路网络上的历史交通数据特征，并形成输入特征矩阵；[0008] 步骤2、建立基于时空残差卷积的神经网络模型：结合处理后的输入特征矩阵，构建出基础的基于时空残差卷积的神经网络模型；[0009] 步骤3、构建动态自适应卷积：交通数据表现出的空间相关性由注意力引导的动态卷积和可变形卷积捕捉，将动态卷积和可变形卷积结合为自适应卷积；[0010] 步骤4、建立时空动力学模型并对其进行优化：交通数据的时间相关性由时间注意力捕捉，动态时间注意力与动态自适应卷积集成到所述基于时空残差卷积的神经网络模型中同步构建时空动力学模型，得到动态时空自适应卷积网络；[0011] 步骤5、利用随机梯度下降算法，通过训练不断优化动态时空自适应卷积网络超参数，得到交通状态预测方案。[0012] 作为本发明的进一步改进，步骤1还包括：整合节假日信息、天气状况和温度外部因素。[0013] 作为本发明的进一步改进，在步骤1中，对数据进行不同时间域的处理具体如下：[0014] 划分城市空间区块和量化交通流量，城市区域被离散化为由 个方格组成的网格，以经纬度划分，每个方格由其在网格中的位置坐标 唯一标识，表示行， 表示列；在规定的时间段 内，通过任何一个方格 的流量流入和流出由以下公式量化：[0015] ；[0016] 其中， 表示集合 中的一条轨迹， 表示轨迹上第个点的地理空间坐标， 表示 点位于网格方格 内， 表示它位于网格方格外， 表示集合中不同元素的个数；[0017] 让 表示前 个时隙在单元区域 中观察到的流量张量；对于任何给定的时间间隔 ， 区域内所有网格方格的累计流入和流出量用张量表示；第一层 表示流入量，第二层 表示流出量指标；目标是根据截至时间 的历史数据，预测下一个时隙 的交通客流张量。[0018] 作为本发明的进一步改进，在步骤1中，对数据进行数据集划分和归一化处理具体如下：[0019] 按照时间顺序将数据集分为训练集、验证集和测试集；并应用MinMax标准化方法对数据集进行归一化。[0020] 作为本发明的进一步改进，在步骤2中，所述基于时空残差卷积的神经网络模型利用挤压?激发注意力机制进行注意力计算：首先，通过全局平均池对全局空间信息进行压缩；然后利用全连接层、ReLU和Softmax运算来产生用于卷积核和偏移学习的归一化注意力权重：[0021] ；[0022] 其中， 代表特征经过注意力得到的结果标量， 代表注意力标量与特征的通道乘积。[0023] 作为本发明的进一步改进，在步骤3中，所述可变形卷积通过调整卷积核位置与路网结构保持一致，同时利用注意力引导的可变形卷积网络V2学习可变形卷积的偏移量：[0024] 在输入特征图 上使用规则网格进行采样，然后将采样值按 加权求和，且给所述规则网格添加偏移量 ；公式如下：[0025] ；[0026] 这里， 代表特征图上的像素点位置， 代表特征图上 点的卷积结果， 代表卷积核的第n个位置， 代表 位置通过卷积学习到的偏移量，为浮点数，而 则是第 个位置的调制标量， 代表偏差，通过对输入特征图 应用单独的卷积层而获得，由于 是浮点数，因此要通过双线性插值法进行变换。[0027] 作为本发明的进一步改进，在步骤3中，通过聚合多个 线性函数来引入动态卷积，具体如下：[0028] ；[0029] 其中， 是第k个线性函数 的注意力权重。通过注意力后权重并非固定不变，而是随每个输入 的变化而变化。[0030] 作为本发明的进一步改进，在步骤4中，所述时间注意力计算方法具体如下：[0031] ；[0032] 其中， 和 表示时间通道的权重， 和 是偏置项， 是激活函数。[0033] 作为本发明的进一步改进，在步骤4中，整个网络的训练方法是通过时间反向传播最大化生成准确未来预测的可能性。连续变量（温度、风速）和经过独热编码的分类变量（假期）等额外信息经过全连接层输入到模型作为特征提取的一部分。[0034] 作为本发明的进一步改进，还包括：根据已有评价指标对动态时空自适应卷积网络效果进行评价。[0035] 本发明设计了与注意力机制相结合的可变形卷积核，以提取道路信息并使其适应道路网络结构。此外，本发明还利用注意力机制动态聚合多个并行卷积核，精确地关注网络中的关键区域。从时间角度来看，本发明根据每周、每天和最近的时间数据应用了动态时间关注机制，以把握周期性交通流中的关键时刻。通过整合重要的时间和空间元素，构建了动态时空自适应卷积网络（DSTACN）。[0036] 本发明的有益效果是：[0037] 本发明通过优化卷积核内采样点的定位以及动态调整卷积神经网络不同时间框架内的参数，改进了空间特征的提取。这种改进包括利用注意力机制引导可变形卷积核朝向感兴趣的区域，以及通过注意力动态聚合多个并行卷积核，以增强对不同输入的适应性。[0038] 2、本发明将基于注意力的自适应卷积与动态时间注意力机制相结合，以适用于每周、每天和最近的时间信息提。⒔浣岷系紻STACN模型中。[0039] 3、通过改进的交通预测方法，本发明有助于交通管理部门更准确地预判交通流量变化，提前采取措施缓解交通拥堵，提高道路利用效率。这不仅可以减少车辆等待时间和燃料消耗，还能降低碳排放，促进可持续城市交通的发展。附图说明[0040] 图1为本发明实施例的流程图；[0041] 图2为本发明实施例中自适应卷积过程的示意图；[0042] 图3为本发明实施例中动态时空自适应卷积神经网络的模型架构图；[0043] 图4为本发明实施例中Taxibj数据集的模型预测结果与实际交通流数据对比图；[0044] 图5为本发明实施例中预测结果评价指标RMSE的折线图对比图；[0045] 图6为本发明实施例中预测结果评价指标MAE的折线图对比图；[0046] 图7为本发明实施例中自适应卷积层嵌入模式参数的实验结果图；[0047] 图8为本发明实施例中动态卷积核模型参数的实验结果图。具体实施方式[0048] 下面结合附图对本发明的实施例进行详细说明。[0049] 实施例[0050] 如图1所示，一种基于动态自适应卷积神经网络的城市交通流预测方法，利用DSTACN在预测交通流考虑时空依赖关系，捕捉路网中的动态时空关系，使得预测结果更加精确。通过步骤1进行交通流数据的采集及预处理，通过步骤2至步骤4完成动态时空自适应卷积神经网络模型构建，通过步骤5、步骤6进行结果处理与分析：[0051] 步骤1：数据的采集及预处理，根据实验设计对数据进行时间域处理、数据集划分、归一化处理等预处理，获得道路网络上的历史交通数据特征；[0052] 步骤2：建立基于时空残差卷积的神经网络模型，结合处理后的输入特征矩阵，构建出基础时空残差卷积神经网络模型框架；[0053] 步骤3：构建动态自适应卷积，交通数据表现出的空间相关性由动态卷积和可变形卷积捕捉，二者结合为自适应卷积；[0054] 步骤4：时空动力学建模及优化，交通数据的时间相关性由时间注意力捕捉，动态时间注意力与动态自适应卷积集成到步骤2得到的神经网络模型中同步构建时空动力学模型，得到本实施例的动态时空自适应卷积网络DSTACN；[0055] 步骤5：模型求解，根据上述步骤建立模型，利用随机梯度下降算法，通过训练不断优化模型超参数，得到交通状态预测方案；[0056] 步骤6：模型效果评价，根据已有评价指标，对所提出的模型效果进行评价。[0057] 下面对本发明作进一步说明：[0058] （1）对数据进行时间域处理：[0059] 首先划分城市空间区块和量化交通流量。城市区域被离散化为由 个方格组成的网格，以经纬度划分。每个方格由其在网格中的位置坐标 唯一标识，表示行，表示列。在规定的时间段 内，通过任何一个方格 的流量流入和流出由以下公式量化：[0060] ；[0061] 这里的 表示集合 中的一条轨迹，其中 表示轨迹上第 个点的地理空间坐标，符号 表示 点位于网格方格 内，而则表示它位于网格方格外。 表示集合中不同元素的个数。[0062] 让 表示前 个时隙在单元区域 中观察到的流量张量。对于任何给定的时间间隔 ， 区域内所有网格方格的累计流入和流出量用张量表示。第一层 表示流入量，第二层 表示流出量指标。主要目标是根据截至时间 的历史数据，预测下一个时隙 的交通客流张量 。[0063] 除交通流信息外，方法还整合了节假日信息、天气状况和温度等外部因素，收集这些信息可提供更多预测额外信息。[0064] （2）数据集划分及归一化处理：[0065] 本实施例按照时间顺序将数据集分为训练集、验证集和测试集。训练集、验证集的分流比为8：2，最后10天交通流量作为测试集。应用MinMax标准化方法对数据集进行归一化。[0066] （3）残差卷积神经网络（ResNet）因能有效避免深度神经网络中遇到的梯度消失问题而被应用在各种深度学习任务中。这一特性在交通流量预测中尤为突出，因为即时交通状况（低层次特征）和历史趋势（高层次特征）对准确预测都有重要作用。为了更全面地说明问题，如图3所示，第一层残差连接的输入是自适应卷积层的输出。通过实际实验，模型中最多使用了L=12层残差连接。[0067] 为了提高计算效率，利用挤压?激发（SE）注意力机制进行注意力计算。首先，通过全局平均池对全局空间信息进行压缩。然后，利用全连接层、ReLU和Softmax运算来产生用于卷积核和偏移学习的归一化注意力权重。[0068] ；[0069] 其中， 代表特征经过注意力得到的结果标量， 代表注意力标量与特征的通道乘积。[0070] （4）步骤3对于自适应卷积建模，由于传统的卷积核只能进行常规的信息聚合，难以有效捕捉空间依赖关系。受物体检测中可变形卷积方法的启发，采用了可变形卷积方法，通过调整卷积核位置来更好地与路网结构保持一致。为了提高性能，同时利用注意力引导的可变形卷积网络V2来学习可变形卷积的偏移量，充分利用注意力机制的优势。[0071] 传统的卷积法是在输入特征图 上使用规则网格进行采样，然后将采样值按加权求和。在本模型的可变形卷积实现中，常规网格被添加了偏移量 ，其中 。公式如下：[0072] ；[0073] 这里， 代表特征图上的像素点位置， 代表特征图上 点的卷积结果， 代表卷积核的第n个位置， 代表 位置通过卷积学习到的偏移量，为浮点数，而 则是第 个位置的调制标量， 代表偏差，通过对输入特征图 应用单独的卷积层而获得，由于 是浮点数，因此要通过双线性插值法进行变换。[0074] 为了解决特定地点在不同时间框架内的时空变化问题，本实施例从动态卷积中汲取灵感，以解决传统卷积方法固有的局限性。这种新方法结合了注意力机制，可根据输入过滤多个并行卷积核，从而在错综复杂的道路网络中实现有效的信息聚合。[0075] 传统卷积的定义是 ，其中 和 分别代表权重矩阵和偏置向量， 是激活函数（如Tanh）。通过聚合多个 线性函数 来引入动态卷积，具体如下：[0076] ；[0077] 其中， 是第k个线性函数 的注意力权重。通过注意力后权重并非固定不变，而是随每个输入 的变化而变化。因此，与静态卷积法相比，动态卷积法在捕捉各种特征方面更具优势。[0078] （5）步骤4结合时空残差卷积神经网络与自适应卷积进行时空动力学建模，本文通过自适应卷积（包括基于注意力的可变形卷积和动态卷积）来解决空间依赖性问题，同时利用时间注意力机制来管理时间依赖性。自适应卷积示意过程如图2所示。这一过程包括通过动态卷积核学习输入特征图，同时考虑位置偏移。实现了动态卷积和基于注意力的可变形卷积的融合。该公式整合了动态卷积中获得的偏置和权重，从而建立了自适应卷积的框架。[0079] 时间注意力机制可有效过滤不同时间间隔内的近期交通流模式，包括日周期和周周期，从而使模型能够优先考虑重要的时间段，如高峰时段和值得注意的工作日。时间注意力计算方法如下：[0080] ；[0081] 其中， 和 表示时间通道的权重， 和 是偏置项， 是激活函数。通过整合上述时空动态建模架构，建立了DSTACN模型。整个网络的训练方法是通过时间反向传播最大化生成准确未来预测的可能性。连续变量（温度、风速）和经过独热编码的分类变量（假期）等额外信息经过全连接层输入到模型作为特征提取的一部分。[0082] 为了验证所提模型的性能，本实施例在三个真实交通数据集上进行了实验。首先介绍数据集的数据预处理，然后介绍了选择的几个基准模型。[0083] 本实施例在各种模式、区域大小和数据量的现实交通流数据上测试了该模型。具体来说，使用了北京出租车、纽约自行车和纽约出租车数据集来代表不同的交通模式。北京出租车数据集包括北京出租车在多个时间间隔内的轨：推笫。根据经纬度，北京市被划分为一个32乘以32个方格的网格图。纽约市自行车数据集包含该市自行车系统2014年的出行记录。每条出车记录都包括出车持续时间、站点ID以及开始和结束时间。此外，还采用了2014年纽约市出租车的行车记录。这些记录包括接送日期、时间和地点。[0084] 将数据集分为训练集、验证集和测试集。最后十天被指定为测试集，其余时间按8:2的比例分为训练集和验证集。最大值和最小值的归一化用于将输出缩放为[?1,1]。使用PyTorch实现了所提出的模型和基线，并在配备128GB内存和24GBGPU内存的RTX4090GPU上进行了训练。模型的超参数设置如下：学习率为0.0005、200个训练周期（提前停止周期设置为30）、使用L1损失函数和自动学习率衰减。[0085] 其次，为了评估本实施例的效果，采用以下使用较为广泛插补方法作为基准模型：[0086] 1）HA：历史平均值模型，使用历史平均值作为相应时期的预测值。[0087] 2）ARIMA:自回归综合移动平均法是一种广泛采用的时间序列预测模型，可应用历史信息预测未来。[0088] 3）ConvLSTM：卷积LSTM网络利用LSTM单元中每个门的卷积运算来取代矩阵乘法，可以通过卷积运算捕捉可变维度数据中的基本空间特征。[0089] 4）ST?ResNet：框架利用卷积单元和残差网络对时变数据的动态进行有效建模，并提取多种尺度的空间依赖关系。[0090] 5）STDN：采用了流量门控机制和循环过渡注意力机制，以解决动态空间依赖性和长期周期性时间变化问题。[0091] 6）SA?ConvLSTM：引入了自注意力记忆模块，以提取大规模空间依赖特征。[0092] 7）STGSP：利用全局空间语义信息，通过表征学习方法系统地提取城市流特征。[0093] （1）实验结果：[0094] 基于三个指标，表1对三种数据集（TaxiBJ、BikeNYC和TaxiNYC）中的各种方法进行了比较分析：RMSE、MAE和MAPE，数值越低表示预测准确性越高。总体而言，在所有三个数据集上，所提出的DSTACN方法都优于所有其他方法，表明它具有最高的预测准确性。这表明，与其他模型相比，DSTACN能更有效地捕捉复杂的时空依赖关系。[0095][0096] HA和ARIMA在所有数据集和指标中都表现较差，这是因为这些模型相对简单，不能很好地捕捉复杂的时空模式。ST?ResNet、STDN、SA?ConvLSTM和STGSP等先进方法的性能有所提高，这表明了在预测中考虑时空依赖性的重要性。分析表明，DSTACN模型在预测城市交通数据集的交通流量方面具有优势：与STGSP相比，DSTACN的RMSE改进了11.98%，MAE降低了8.41%，在所有评估指标上都凸显了其较高的精度。SA?ConvLSTM在大幅降低了数据集的MAE和MAPE指标。然而，DSTACN以最低的RMSE和MAPE领先，在RMSE方面比STGSP降低了8.6%。在纽约市出租车数据集中，STDN和STGSP的表现都很好。然而，DSTACN在所有数据集和指标的整体有效性上都超越了这些模型。例如，DSTACN的RMSE和MAE分别为17.63和10.26，与STGSP的RMSE18.76和MAE10.51相比，准确率分别降低了6.02%和2.38%。[0097] 这些结果凸显了DSTACN相对于基线方法的明显优势，图5、6中的可视化效果则进一步证明了这一点。此外，图4中还展示了所提方法的预测结果与实况之间的比较。该对比展示了所提方法生成的预测结果以及网格中节点（8,26）的真实流量数据。通过观察放大的子图，可以明显看出DSTACN在预测高峰交通流量和总体趋势方面都表现出了更高的准确性。这种直观的表现形式强调了DSTACN在捕捉交通流模式复杂动态方面的有效性。[0098] （2）消融实验：[0099] DSTACN实验的消融研究结果总结于表2。通过从DSTACN架构中分离出特定的子模块，对不同的变体进行了测试，以了解它们的独特贡献。然后在taxiBJ数据集上分析了每个变体的评估指标RMSE。[0100][0101] 结果发现，DSTACN的每个子模块都发挥着不可或缺的作用，尽管它们的功能贡献大小不一。缺失动态卷积和可变形卷积的模块的性能下降最为明显，RMSE增加了15.84%。[0102] 动态时间注意力通过在不同时间维度上精确定位关键时间点，弥补了卷积神经网络缺乏时间依赖性的缺陷。动态注意力卷积和动态时间注意力使模型能够自适应地关注相关的空间和时间特征，增强了捕捉数据中复杂时空模式的能力。因此，去掉其中任何一个组件都会削弱模型从输入数据中学习的能力。[0103] （3）参数与模型结构实验：[0104] 在图7中进行的分析阐明了在不同模型层，采用自适应卷积对RMSE指标的影响。结果表明，随着更多的自适应卷积层被纳入到架构中，精确度会逐步提高。值得注意的是，在所有三个层中部署自适应卷积可获得最佳精度。此外，在只有一个层可以利用自适应卷积的情况下，将其纳入最后的卷积层可以获得最有利的性能。[0105] 如图8所示，随着动态卷积核数量的增加，DSTACN模型的RMSE呈下降趋势，但卷积核数量超过4个后RMSE变化缓慢。出现这种现象的原因是，当大量的卷积核进行动态卷积而赋予模型更强的表示能力时，由于需要同时训练多个卷积内核和注意力机制，优化过程变得极具挑战性，从而增加了模型过度拟合的可能性。[0106] 以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

专利地区：四川

专利申请日期：2024-07-31

专利公开日期：2024-10-18

专利公告号：CN118587893B