本文是一篇计算机论文，本文构建了两个深度学习的交通流量预测模型：基于图注意力的多融合图网络动态时空交通流预测模型（DGAT）和基于多通道注意力的多融合图网络交通流预测模型（MFG-ECA）。并且经过两个真实数据集的验证，结果表明，本文所提出的交通流预测的准确性都有所提升，并且在数据变化拟合上也有良好的表现。
第一章 绪论
1.1研究背景与意义
交通系统，作为现代化城市标志之一，世界各地的数以亿计的人们的日常通勤和度假出行都离不开它，可见其重要性。近年来，智能交通系统（ITS）[1]为交通管理和控制贡献了巨大的力量，它对提高交通安全、缓解交通拥堵和提高交通效率等方面，发挥了重要的效用。精确的路网交通流量预测，为智能交通系统实施主动、高效的交通管理决策提供了重要信息。交通流量预测是通过大量的历史数据，分析和利用交通流量数据的内在相关性，进而预测道路交通状况的发展趋势，实现未来交通预测状况评估，为出行路线规划，拥堵风险评估，车辆调度分流等工作提供有利的支持。
交通流量数据广泛应用于交通流量分析研究之中，可以通过环路感应探测器、流动车量、远程微波设备、全球定位系统(GPS)、交通监控视频等设施获取。环路探测器以其成本低、覆盖面广、抗恶劣天气条件(如能见度差、风暴等)的鲁棒性等优点，广泛应用于交通数据采集任务中。交通流量预测，根据已经收集到的过去的交通流量数据，结合路网结构特征，时间特征信息等相关信息进而对交通路网中不同位置的未来交通流量作出预测，在智慧交通系统中发挥着重要的作用。随着城市化不断加快，人口飞速增长，交通系统变得日益复杂，随之而来的交通堵塞、交通事故也屡见不鲜。有效预测未来的交通流量趋势能够帮助交通调度者提前对出行车辆进行干预，这也是在智能交通管理中迫切需要解决的问题。准确有效的交通流量预测，在科技发展上能为智能交通系统提供有效的数据支持，在人们的日常生活中，能帮助人们更好的感知交通状况，提前做好出行的路线规划。从而达到缓解交通压力带来的道路拥堵等问题的作用。
..............................
1.2国内外研究现状
1.2.1 图网络研究现状
近年来，卷积神经网络（CNN）[2]取得了辉煌成绩，以其强大的建模能力，已经成为深度学习领域最具代表性的神经网络之一。传统的特征提取需要人工干预，卷积神经网络在这一方面取得了突破性的发展[3–5]。卷积神经网络广泛应用于机器翻译[6]、图像识别[7]和语音识别[8]等领域中，并给相关领域的预测性能带来巨大的提升。
虽然卷积神经网络能很好应用于欧几里得数据的特征学习中，以捕捉该数据的内在特性，但是随着数据关系越来越复杂，以图的形式表示的数据日益增多。深度学习虽然能有效学习到欧几里得数据的内在特征，但是却无法很好的适用于大量涌现的以图形形式表示的数据。在电子商务中，为了给用户提供高度的推荐，用户和产品之间复杂的关系不得不用图形表示，图形学习软件相比于卷积神经网络系统也更适合捕获这样复杂的图形关系。在化学中，分子之间的关系需要用图形形式表示，通过分析内在关系确定生物活性，进而才能发现并生产出有用的药物。引文网络中，引文与论文之间链接关系构建出图形网络，需要通过一定的方法将它们分类到不同的组中。图形数据让现有机器学习算法不堪重负。图存在不规则的可能性，图中的节点邻居数量可能不相同且图中无序节点的大小也存在不等的可能性，使得一些在图像域中很容易计算的重要操作（例如卷积），在图域中发挥作用却不大。现有机器学习算法认为节点之间彼此独立。但是图形数据中，通过内在关系（交通、引文）建立节点之间的关联信息。近年来，图形数据问题急需解决，引来很多相关领域研究者的关注和探索，一些处理图数据的新泛化和定义的重要操作应运而生。
..........................
第二章 相关背景知识介绍
2.1交通流数据特性、路网结构和交通流量预测
2.1.1 交通流数据特性
交通流量数据是衡量特定时段交通拥堵状态的重要指标。精准的交通流量预测，对道路规划、车辆调度、通行时间以及出行安排等任务都具有重大作用。如何提高模拟交通流数据的内在变化特征，是提升交通预测性能不得不面对的问题。目前相关研究的热点与技术难点，仍是对交通流数据特征的有效利用。交通流数据通常呈现出以下特性：
（1） 时空相关性
通过观察图2.1可以发现，在同一时间步中一个节点的交通流很容易受到其相邻节点的影响，如上午9:15，由于物理距离的可达性，由于邻居节点B和E车辆的涌入，使得节点A车流量增大。同一个节点的交通流量大小与它上一个时间步的交通流大小具有很强的相关性，如9：15的节点A、E、F车流量受到9:10节点A、E、F车流量影响，9:10的节点A、E、F受到9:05的影响。而节点A在9:05受到邻居节点C和B的影响（C影响B，B影响A）。9:10节点A受到节点B、D、E、F的影响（D、F影响E，E影响A，A、B互相影响），并且该时刻的节点A还受到上一时刻的交通状况影响；9:15节点A的交通流受到邻居节点B和E以及9:10的交通流影响。因此，不同时间步，不同节点之间的交通流互相影响形成复杂的时空相关性。通过图2.2所示，空间上A点与B点空间距离相近，那么A和B点之间的交通流量是可能存在相互影响的；A点和C点之间的空间距离虽然比较远，但是由于二者在功能结构、道路岔口结构以及公共交通工具设施部署方面存在一定的相似性，A和C之间的交通数据也会存在一定程度的相似性。时间相关性上（图2.4所示）， 时刻A点的交通流量数据受到 时刻的流量影响，也可能与一天前或者一周前同一时刻的交通数据存在一定的相关性；交通数据具有很强的时空相关性，时间的推移影响着空间的变化进而再影响时间交通数据的变换。
计算机论文怎么写
............................
2.2注意力机制
注意力（Attention）机制的思想最早出现于九十年代视觉图像领域，2014年google mind团队在RNN模型上使用了attention机制来进行图像分类[66]，注意力机制正式被提出。随即，Bahdanau等人[67]在研究NLP时将attention机制注入其中，他们是第一个将attention机制应用到NLP领域中，使用类似attention的机制在机器翻译任务上，同时进行翻译和对齐。在基于RNN/CNN等神经网络模型中，attention机制被广泛应用。2017年，注意力机制因为google机器翻译团队发表的一篇论文[68]成为大家研究的热点，在这篇文章中大量使用了自注意力（self-attention）机制来学习文本表示并且取得良好的结果。
Attention机制来源于人类视觉注意力机制。人类通过视觉感知事物，会根据自己的需求聚焦于特定的某一部分，而不是整体感知。当人类观察到自己所需的一部分频繁出现于某个场景，人们会学习并归纳其中的规律，在出现类似的场景时，人类将利用自己所学习的特征将注意力集中于该部分上。
人们在观察事件的时候，并不倾向于一次处理全部场景；它有选择地把注意力聚焦于视野空间的特定部分，从而在需要情形下得到特定的讯息；并整合来自不同注视点的资讯，并形成内在场景的表示，用来引导眼睛的移动与策略的决定。
.............................
第三章 基于图注意力的多融合图网络动态时空交通流预测 ............................... 21
3.1模型简介 .................................. 21
3.1.1多融合时空注意力模块MF-GAT-BLOCK ...................................... 22
3.1.2 全连接层（模型预测输出） ....................................... 22
第四章 基于多通道注意力的多融合图网络交通流预测模型 .................................... 31
4.1模型简介 .......................................... 31
4.1.1 多融合时空图卷积模块MF-ST-BLOCK ................................. 32
4.1.2 全连接层（模型预测输出） ................................. 35
第五章 总结与展望 ....................................... 42
5.1总结 .......................................... 42
5.2展望 ........................................... 43
第四章 基于多通道注意力的多融合图网络交通流预测模型
4.1模型简介
如图2.2所示，空间上A点与B点空间距离相近，那么A和B点之间的交通流量是可能存在相互影响的；A点和C点之间的空间距离虽然比较远，但是由于二者在功能结构、道路岔口结构以及公共交通工具设施部署方面存在一定的相似性，A和C之间的交通数据也会存在一定程度的相似性。在时间相关性上（图2.4所示），t时刻A点的交通流量数据受到t1时刻的流量影响，也可能与一天前或者一周前同一时刻的交通数据存在一定的相关性；交通数据具有很强的时空相关性，时间的推移影响着空间的变化进而再影响时间交通数据的变换。同时从图2.3中可以观察到交通数据不是一成不变的，存在着很强的非线性动态变化性，在第三章中，我们考虑空间结构的动态变化性并且为了让模型更加专注于重要特征的学习，引入图注意力机制，以捕获相关信息。然而，分析图2.3，我们发现交通流数据的变化随着时间维度的变化呈现出的非线性变化性。我们设想，从时间维度捕获非线性动态变化性，学习时间维度重要的交通流数据特征，或许会能获取更好的结果，基于此，本章构建了基于多通道注意力的多融合图网络交通流预测模型（MFG-ECA）。
计算机论文参考
图4.1(a)，为本章提出的基于多通道注意力的多融合图网络交通流预测模型（MFG-ECA）的模型图，用以建模预测目标的时空相关性、时空数据动态变化性和其他相关性（由平均速度，平均占道率，交通流量等交通数据得以体现的道路岔口结构、公共交通工具设施部署、地区功能属性相关性）。在分析以上相关性特点的基础上，本章提出的基于多通道注意力的多融合图网络交通流预测模型分别包括：ECA模块，用以捕获复杂的非线性动态变化性；MF-GCN模块（图4.1(b)）综合考虑路网距离、道路岔口结构、公共交通工具设施部署、地区功能属性等的相关特性，捕获复杂的潜在图结构信息，再通过TimeCNN模块再次捕获时空信息，结合残差网路防止重要信息的丢失；最后再经过一层ReLU激活函数层。各个模块的融合形成MFG-ECA-BLOCK，叠加多个MFG-ECA-BLOCK，最后经过一层卷积神经网络层（CNN），获得MFG-ECA模型以学习复杂的时空相关信息，获得预测输出。
...............................
第五章 总结与展望
5.1总结
经过数千年的发展和演进，城市在完善的网络海量数据资源、多领域业务流程集成、通信基础设施等信息化和数字化建设的基础上，正朝着更加智能化的方向发展。不同角色扮演者在复杂城市系统的细分领域中不断探索和发展，而交通，城市的核心动脉正是有这些参与者的耕耘，才有了智慧交通生态系统如今的发展。在数据决策的时代，智慧交通根据硬件采集到的人类活动、公共交通、路网等海量数据重点打大数据精准决策平台，为政策的制定以及人们的出行决策提供更加可靠的参考。准确的流量预测是智慧交通不可或缺的一部分。
道路网络中复杂的空间依赖性、非线性动态变化性（道路条件变化或者重大突发性事件等因素）、相关数据信息难以获取（道路岔口结构、公共交通设施、地区功能属性等），一系列困难挑战仍待解决。为了提供交通流量预测的准确性，本文构建多属性融合的图神经网络模块，更多地捕获交通流量预测中复杂的空间依赖信息。并在此基础上构建了两个深度学习的交通流量预测模型：基于图注意力的多融合图网络动态时空交通流预测模型（DGAT）和基于多通道注意力的多融合图网络交通流预测模型（MFG-ECA）。并且经过两个真实数据集的验证，结果表明，本文所提出的交通流预测的准确性都有所提升，并且在数据变化拟合上也有良好的表现。
参考文献（略）