本发明属于智能交通，尤其是涉及一种基于元学习的时空交通流量预测方法和介质。
背景技术：
1、作为智慧城市建设的关键工作，交通流量预测可以为城市规划以及交通管理提供辅助，也可以提前为公共安全应急管理发出预警，对于提高交通效率和公共安全具有重要意义。然而，城市交通流量具有复杂和多样的时空关系，给城市交通预测带来了极大的挑战。
2、近年来，基于深度学习的交通流量预测模型表现较为出色，rnn、gru和lstm等深度神经网络在交通流量预测任务中得到了广泛的应用，例如，中国发明专利cn112489426b公开了一种基于图卷积神经网络的城市交通流量时空预测方案，该方法通过构建和训练基于gcn图卷积网络和gru门控循环单元的st-gcn网络模型，得到有历史流量数据路口的预测流量，再通过adjacent-similar算法，对于无历史流量数据的路口，根据其相邻路口的预测流量得到其预测流量，对于“孤岛”路口，寻找其相似路口并用相似路口的预测流量作为该路口的预测流量，为无历史流量数据路口的流量预测提供了新的解决思路。但现有方法大多忽略了不同区域之间流量差异性，无法很好捕获细粒度时空特征。因此，需要设计一种交通流量预测方法，进一步提高交通流量预测结果的准确性和可靠性。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于元学习的时空交通流量预测方法和介质，进一步提高交通流量预测结果的准确性和可靠性。
2、本发明的目的可以通过以下技术方案来实现：
3、一种基于元学习的时空交通流量预测方法，包括以下步骤：
4、获取目标区域的历史交通流量，输入基于元学习的时空交通流量预测模型，得到目标区域的预测交通流量；
5、其中，所述基于元学习的时空交通流量预测模型包括编码器和解码器，所述编码器用于获取历史交通流量，编码并转化为隐藏状态向量输入所述解码器，解码获得预测交通流量，所述编码器和所述解码器的参数基于根据目标区域交通图提取的边元特性和节点元特性生成；
6、所述编码器和所述解码器的结构相同，包括多个st-block，每个st-block包括meta gcn子模块与meta temporal attention子模块，所述meta gcn子模块用于根据所述边元特性和所述节点元特性提取空间特征，所述meta temporal attention子模块用于根据所述节点元特性提取时序特征，每个st-block提取的空间特征和时序特征通过门限融合机制进行融合。
7、进一步地，目标区域的交通图包括边特性和节点特性，所述边特性包括空间距离和路网密度，所述节点特性包括poi信息和gps信息。
8、进一步地，所述meta gcn子模块包括m层堆叠的mix-hop gcn，第m层mix-hop gcn的输出基于上一层mix-hop gcn的输出和其所在第l个st-block的输入获得。
9、进一步地，第m层mix-hop gcn的输出的表达式如下：
10、
11、其中，分别为第m层、第m-1层mix-hop gcn的输出，θ1、θ2、b1、b2为可学习参数，a为邻接矩阵，w为特征增强矩阵，σ为比例系数，δ为激活函数，sl为第l个st-block的输入。
12、进一步地，所述激活函数δ为tanh函数。
13、进一步地，所述特征增强矩阵w的表达式如下：
14、
15、其中，为全连接层，nmc为节点元特性，n为交通图的节点数量，d为预设维度。
16、进一步地，所述邻接矩阵a包括边基于所述边元特性的边元特性邻接矩阵aemc、基于所述节点元特性的节点元特性邻接矩阵anmc和自适应邻接矩阵aadp。
17、进一步地，所述节点元特性经过两组全连接层分别得到源节点嵌入ne1和目标节点嵌入ne2，将所述源节点嵌入ne1和所述目标节点嵌入ne2相乘，得到所述节点元特性邻接矩阵anmc。
18、进一步地，所述门限融合机制的表达式如下：
19、
20、其中，为第l个st-block的输出，为比例系数，为节点vi在第l个st-block被meta gcn子模块提取的空间特征，为节点vi在第l个st-block被metatemporal attention子模块提取的时序特征，为第l个st-block的输入。
21、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法。
22、与现有技术相比，本发明具有以下有益效果：
23、1、本发明将目标区域的历史交通流量输入基于元学习的时空交通流量预测模型，得到预测交通流量，其中，基于元学习的时空交通流量预测模型包括编码器和解码器，编码器和解码器的参数基于根据目标区域交通图提取的边元特性和节点元特性生成，编码器和解码器的结构相同，包括多个st-block，每个st-block包括meta gcn子模块与metatemporal attention子模块，分别用于根据边元特性、节点元特性提取空间特征和根据节点元特性提取时序特征，可以有效的反映出每个节点独特的时空特性，提高交通流量预测结果的准确性和可靠性。
24、2、本发明将每个st-block提取的空间特征和时序特征通过门限融合机制进行融合，调节空间特征与时序特征的流入比例，可以有效减少信息冗余，从而可以使用全连接的方式进行多级特征融合，提高交通流量预测结果的准确性和可靠性。
1.一种基于元学习的时空交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于元学习的时空交通流量预测方法，其特征在于，目标区域的交通图包括边特性和节点特性，所述边特性包括空间距离和路网密度，所述节点特性包括poi信息和gps信息。
3.根据权利要求1所述的一种基于元学习的时空交通流量预测方法，其特征在于，所述meta gcn子模块包括m层堆叠的mix-hop gcn，第m层mix-hop gcn的输出基于上一层mix-hop gcn的输出和其所在第l个st-block的输入获得。
4.根据权利要求3所述的一种基于元学习的时空交通流量预测方法，其特征在于，第m层mix-hop gcn的输出的表达式如下：
5.根据权利要求4所述的一种基于元学习的时空交通流量预测方法，其特征在于，所述激活函数δ为tanh函数。
6.根据权利要求4所述的一种基于元学习的时空交通流量预测方法，其特征在于，所述特征增强矩阵w的表达式如下：
7.根据权利要求4所述的一种基于元学习的时空交通流量预测方法，其特征在于，所述邻接矩阵a包括基于所述边元特性的边元特性邻接矩阵aemc、基于所述节点元特性的节点元特性邻接矩阵anmc和自适应邻接矩阵aadp。
8.根据权利要求7所述的一种基于元学习的时空交通流量预测方法，其特征在于，所述节点元特性经过两组全连接层分别得到源节点嵌入ne1和目标节点嵌入ne2，将所述源节点嵌入ne1和所述目标节点嵌入ne2相乘，得到所述节点元特性邻接矩阵anmc。
9.根据权利要求1所述的一种基于元学习的时空交通流量预测方法，其特征在于，所述门限融合机制的表达式如下：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
