本發明涉及智慧交通，具體涉及一種基于狀態空間模型與圖注意力網絡的交通流預測方法。
背景技術：
1、隨著城市化進程的不斷加速與智能交通系統(intelligent?transportationsystem,?its)的快速發展，交通流量預測已成為提升城市交通管理效率、緩解交通擁堵、優化出行體驗的關鍵技術之一。交通流數據作為一種典型的時空序列數據，在時間維度上表現出強烈的非線性、周期性與隨機性，在空間維度上則呈現出多尺度、多層次的依賴關系，不僅受局部鄰接路段的影響，還可能涉及跨區域的遠程交互效應。因此，如何精準建模交通流中的復雜時空依賴關系，成為當前智能交通領域亟待解決的核心科學問題。
2、傳統的交通預測方法往往將時間建模與空間建模分離處理，導致難以刻畫二者相互影響與共同驅動的真實機理，從而限制了預測精度提升。此外，現有基于圖神經網絡的方法多局限于局部鄰域的消息傳遞，對遠程空間依賴的建模能力不足，導致在預測長時序交通狀態和跨區域擁堵傳播時表現受限。近年來，盡管深度學習方法，例如，循環神經網絡、圖卷積網絡和transformer等在交通預測中取得一定進展，但其在計算效率、長序列建模和全局空間感知方面仍存在明顯瓶頸。
技術實現思路
1、本發明針對在傳統的交通預測方法在時空交互缺失與空間感知局限方面的雙重約束，提供了一種基于狀態空間模型與圖注意力網絡的交通流預測方法、設備及存儲介質，實現了復雜交通場景下的交通流精準預測。
2、本發明通過下述技術方案實現。
3、第一方面，提供了一種基于狀態空間模型與圖注意力網絡的交通流預測方法，所述方法包括：
4、獲取路網中多個交通節點的歷史交通流數據，并將所述歷史交通流數據以帶權圖結構表示，所述帶權圖結構包括：節點集合、節點之間的邊集合、加權鄰接矩陣；
5、基于所述歷史交通流數據和所述路網，利用狀態空間模型與圖注意力網絡，構建交通流預測模型；
6、獲取待預測歷史交通流數據，并輸入至所述交通流預測模型，以得到未來目標時間范圍內的交通流預測結果。
7、在一些實施例中，基于所述歷史交通流數據和所述路網，利用狀態空間模型與圖注意力網絡，構建交通流預測模型，包括：
8、對所述歷史交通流數據進行標準化處理以及特征增強處理；
9、基于所述路網的實際連接關系生成靜態鄰接矩陣和通過可學習的節點嵌入矩陣構建可學習鄰接矩陣，并基于所述靜態鄰接矩陣和所述可學習鄰接矩陣，生成鄰接矩陣；
10、從標準化處理以及特征增強處理后的歷史交通流數據中，通過所述狀態空間模型提取時序特征，通過所述圖注意力網絡提取空間特征，并基于所述鄰接矩陣，進行多輪時序特征與空間特征交互，以得到最終時序特征與最終空間特征；
11、對所述最終時序特征和所述最終空間特征進行整合，并基于整合的特征，利用多層感知機，構建所述交通流預測模型。
12、在一些實施例中，對所述歷史交通流數據進行標準化處理以及特征增強處理，包括：
13、對所述歷史交通流數據，利用z-score函數，進行標準化處理；
14、對所述標準化處理后的歷史交通流數據，進行特征增強處理，其中，所述特征增強處理包括：采用單向門控循環單元從標準化后的序列中提取基礎時序特征、對歷史交通流數據中的交通節點添加拉普拉斯映射位置編碼、對歷史交通流數據進行時間嵌入。
15、在一些實施例中，基于所述路網的實際連接關系生成靜態鄰接矩陣和通過可學習的節點嵌入矩陣構建可學習鄰接矩陣，并基于所述靜態鄰接矩陣和所述可學習鄰接矩陣，生成鄰接矩陣，包括：
16、基于所述路網的實際連接關系，構建距離矩陣，并對所述距離矩陣進行高斯核歸一化、稀疏化處理、和自連接與對稱性處理，以生成所述靜態鄰接矩陣；
17、通過可學習的節點嵌入矩陣構建動態鄰接矩陣，并對所述動態鄰接矩陣進行歸一化處理，以生成所述可學習鄰接矩陣；
18、將所述靜態鄰接矩陣與所述可學習鄰接矩陣進行加權融合和對稱化處理，以得到所述鄰接矩陣，其中，所述鄰接矩陣表示為：
19、；
20、其中，為靜態鄰接矩陣；為可學習鄰接矩陣；為可學習的融合權重參數；表示標準化處理。
21、在一些實施例中，從標準化處理以及特征增強處理后的歷史交通流數據中，通過所述狀態空間模型提取時序特征，通過所述圖注意力網絡提取空間特征，并基于鄰接矩陣，進行多輪時序特征與空間特征交互，以得到最終時序特征和最終空間特征，包括：
22、將標準化處理以及特征增強處理后的歷史交通流數據作為初始輸入；
23、通過所述狀態空間模型，從所述歷史交通流數據中提取時序特征；
24、將可學習的節點嵌入矩陣擴展至與數據批次對齊，以確定鄰接矩陣；
25、通過所述圖注意力網絡，利用確定的鄰接矩陣和時序特征，從所述歷史交通流數據中提取空間特征；
26、將初始輸入與提取的空間特征進行融合，作為新一輪輸入；
27、通過所述狀態空間模型，基于所述新一輪輸入，更新時序特征；
28、通過所述圖注意力網絡，利用確定的鄰接矩陣和更新的時序特征，更新空間特征，返回步驟：將初始輸入與提取的空間特征進行融合，作為新一輪輸入，直至獲取所述最終時序特征和所述最終空間特征。
29、在一些實施例中，在多輪時序特征與空間特征交互的最后一輪迭代中，還包括：采用將交通節點序列化方式，對所述圖注意力網絡輸出的局部空間特征進行全局增強與自適應融合，其中，采用將交通節點序列化方式，對所述圖注意力網絡輸出的局部空間特征進行全局增強與自適應融合，包括：
30、將所述多輪時序特征與空間特征交互的最后一輪中，所述圖注意力網絡輸出的局部空間特征映射到適合所述狀態空間模型處理的低維特征空間；
31、將映射到適合所述狀態空間模型處理的低維特征空間的局部空間特征轉換為適合所述狀態空間模型處理的長序列格式，以得到序列化特征；
32、利用所述狀態空間模型的狀態空間機制捕捉所述序列化特征中的全局空間依賴關系，實現對局部空間特征的全局增強與信息整合；
33、將經過所述狀態空間模型處理后的序列化特征恢復為原始帶權圖結構的交通節點特征格式，以得到增強的全局特征；
34、通過門控機制，將增強的全局特征與原始的局部空間特征進行自適應融合，以平衡局部細節與全局上下文。
35、在一些實施例中，對所述最終時序特征和所述最終空間特征進行整合，并基于整合的特征，利用多層感知機，構建所述交通流預測模型，包括：
36、將所述最終時序特征與所述最終空間特征進行沿特征維度的拼接，以得到拼接特征；
37、將所述拼接特征投影到統一的語義空間，以進行融合與降維；
38、采用多層感知機將融合與降維的拼接特征映射為標準化尺度下的交通流量預測值；
39、對所述標準化尺度下的交通流預測值進行反標準化處理，并基于反標準化處理的預測值計算模型的損失函數，直至所述損失函數滿足預設訓練結束條件，確定所述交通流預測模型。
40、第二方面，提供了一種基于狀態空間模型與圖注意力網絡的交通流預測設備，所述設備包括：
41、數據獲取模塊，用于：獲取路網中多個交通節點的歷史交通流數據，并將所述歷史交通流數據以帶權圖結構表示，所述帶權圖結構包括：節點集合、節點之間的邊集合、加權鄰接矩陣；
42、交通流預測模型構建模塊，用于：基于所述歷史交通流數據和所述路網，利用狀態空間模型與圖注意力網絡，構建交通流預測模型；
43、交通流預測模塊，用于：獲取待預測歷史交通流數據，并輸入至所述交通流預測模型，以得到未來目標時間范圍內的交通流預測結果設備。
44、第三方面，提供了一種基于狀態空間模型與圖注意力網絡的交通流預測設備，所述設備包括：
45、至少一個處理器；
46、至少一個存儲器，所述至少一個存儲器被耦合到所述至少一個處理器并且存儲用于由所述至少一個處理器執行的指令，所述指令在由所述至少一個處理器執行時實現以上任一項所述的方法。
47、第四方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有指令，所述指令在被計算機執行時，使所述計算機執行以上任一項所述的方法。
48、本發明與現有技術相比，具有如下的優點和有益效果：通過迭代式雙向交互機制，實現時空特征的耦合表征；同時，在空間路徑中引入局部空間圖注意力網絡與全局空間選擇性狀態空間模型的雙分支協同，以同時捕捉局部精細關聯與全局遠程依賴，突破了現有方法在時空交互缺失與空間感知局限方面的雙重瓶頸，為復雜交通場景下的精準預測提供新的解決方案。