一种基于深度学习的时空关联性交通流量预测方法

本发明涉及智能交通预测技术领域，具体涉及一种基于深度学习的时空关联性交通流量预测方法，包括以下步骤：S1：实时采集交通流量数据和相关的外部环境数据，并建立初始交通网络拓扑结构；S2：计算每个节点的动态权重；S3：根据S2中的节点权重变化，动态调整交通网络中各边的权重，以更新交通网络拓扑结构；S4：对交通节点之间的空间依赖关系进行特征提取，同时提取交通流量数据的时间演化特征；S5：构建自适应时空融合模型；S6：进行交通流量预测，并优化自适应时空融合模型参数；本发明，通过动态融合时空特征并自适应调整模型参数，有效提高了交通流量预测的精度和实时性，增强了模型在复杂动态交通场景下的适应性和泛化能力。