【技术实现步骤摘要】
本专利技术属于模式分析，特别是一种基于域适应的跨模式交通流量预测方法。
技术介绍
1、随着智能交通系统的不断完善和发展，遍布各种交通工具的传感器所收集的城市数据(如车辆经纬度、行驶速度等)为智慧城市的构建提供了坚实的数据基础。同时随着智能手机的普及，海量的蜂窝数据以及gps数据使得城市计算得到更加深入的研究。基于海量的城市交通出行数据，可以从多个方面挖掘城市特征，并开发多种城市计算应用如流量预测、个性化推荐、交通拥堵预测等。
2、交通流量预测是城市计算的重要组成部分，在城市计算中发挥着至关重要的作用，目前受到了学者和城市规划人员的广泛关注，并且在这一方面已有很多研究和工作。但是，大部分工作仍囿于同一地区或城市。在区域数据资源丰富的情况之下，这种工作确实是具有显著效果的，同一区域内部在宏观上拥有非常高的相似性，无论是在地理空间特征、天气情况，还是路网分布、交通结构分布上，这是同一区域做机器学习的天然优势。相比之下，基于跨城市数据的交通流量预测工作并不是很充足。
3、由于部分城市在数据收集方面存在困难，且数据质量参差不齐，同时城市环境复杂多变且高度动态，如何利用那些数据量丰富的城市数据来有效辅助目标城市的流量预测，成为了一个既具挑战性又至关重要的问题。对于发展中城市区域的居民、城市规划者以及旅行者而言，准确的移动流量预测在缓解交通拥堵、降低能耗、提升市民生活质量等方面均发挥着举足轻重的作用。因此，能够开发出一种有效的跨模式交通流量数据预测方法，具有极大的实际应用价值和深远的社会意义。
<
1、本专利技术的目的在于针对上述现有技术存在的问题，提供一种基于域适应的跨模式交通流量预测方法，利用迁移学习中域适应方法，结合神经网络技术，提出一种动态时空特征匹配方法来更充分地进行共享知识迁移，以做到更好地预测数据稀缺城市的移动出行流量。
2、实现本专利技术目的的技术解决方案为：一种基于域适应的跨模式交通流量预测方法，所述方法包括以下步骤：
3、步骤1，获取源城市区域s和目标城市区域t的数据，并进行预处理以消除噪声数据；
4、步骤2，将城市区域d划分成ld×wd的网格子区域r，并根据对应区域数据构建区域的张量及矩阵，包括出行流量张量xd、城市兴趣点数据矩阵poid、城市路网数据矩阵roadd；
5、步骤3，对出行流量张量进行数据增强，通过数据折叠的方法分别获得源城市区域s和目标城市区域t的共轭样本与
6、步骤4，利用源区域数据预训练流量预测模型θs，作为目标城市模型的预模型；
7、步骤5，利用多层过滤技术，根据源城市区域和目标城市区域的兴趣点特征和路网结构特征，获得空间的共享知识，将与目标城市区域不相似的源城市区域进行过滤；对每个目标城市子区域r，得到过滤后的区域集合setr；
8、步骤6，计算源城市区域和目标城市区域的交通流量的相似性，结合空间共享知识，对于每个目标城市区域，在每个时段匹配其最相似的源城市区域,得到最终的匹配矩阵mmatch；
9、步骤7，通过不断更新模型参数进行迁移学习，并训练针对目标城市区域的预测模型θt，从而对目标城市出行流量进行预测。
10、进一步地，步骤1中所述城市数据包括：
11、历史出行轨迹数据，包括出行轨迹的起止点的经纬度位置，以及对应的时间；
12、城市兴趣点数据，包括兴趣点名称、类别、位置；
13、路网结构数据，包括道路的等级和密度特征。
14、进一步地，步骤1中对数据进行预处理以消除噪声数据，具体包括：
15、步骤1-1，若某一条数据记录中的某一特征存在空值，将该条数据删除；
16、步骤1-2，对剩余的数据进行降维处理，删除其中的离群点数据；
17、步骤1-3，对剩余的数据进行归一化处理，并将天气温度数据处理成独热值数据。
18、进一步地，步骤2中所述出行流量张量xd、城市兴趣点数据矩阵poid、城市路网数据矩阵roadd，计算公式分别为：
19、
20、
21、
22、式中，xd表示区域d的出行流量张量，xr,t表示子区域r在t时刻的流量；poid表示区域d的兴趣点矩阵，poir表示子区域r的兴趣点数据；roadd表示区域d的路网结构矩阵，roadr表示子区域r的路网结构数据；rd是区域d的所有子区域r的集合，td表示时间集合，是矩阵的维度；所述区域d为源城市区域s或目标城市区域t。
23、进一步地，步骤3中共轭样本与的计算公式分别为：
24、
25、
26、式中，表示子区域r的出行流量张量xr的正样本，表示子区域r的出行流量张量xr的负样本，xr.max表示子区域r的流量张量的最大值，xr.min表示子区域r的流量张量的最小值。
27、进一步地，步骤4所述利用源区域数据预训练流量预测模型θs，作为目标城市模型的预模型，具体包括：
28、步骤4-1，通过源城市区域数据构建模型的输入数据xinpiut，公式如下：
29、
30、其中，是源城市区域s的出行流量张量的正样本，是源城市区域s的出行流量张量的负样本，pois是源城市区域s中的兴趣点矩阵，roads是源城市区域s中的路网信息矩阵，是张量和矩阵的拼接操作；
31、步骤4-2，将所述输入数据xinpiut通过卷积神经网络模型进行前向传播，得到预测损失；
32、其中，损失函数如下：
33、
34、其中，et,r为t时刻子区域r的流量真实值，为t时刻子区域r的流量预测值，n为数据样本数量，为损失函数值；
35、步骤6-3，重复执行步骤6-1至步骤6-2，对每次计算得到的损失函数值进行参数优化直至满足预设要求，最终训练得到预模型。
36、进一步地，步骤5中具体利用空间特征过滤技术对源区域进行过滤，计算公式为：
37、apoi＝{corr(poir,poir’)|r’∈rs,r∈rt}
38、
39、
40、
41、式中，corr(poir,poir’)为目标城市子区域r和源城市子区域r’的兴趣点的pearson相关性，corr(roadr,roadr’)为目标城市子区域r和源城市子区域r’的路网结构特征的pearson相关性，apoi和aroad分别是基于兴趣点特征和路网结构特征的区域相关性矩阵；set_poir是源城市区域中具有与目标城市区域相似poi特征的区域集合，set_roadr是源城市区域中具有与目标城市区域相似poi和路网结构特征的区域集合；和分别是源城市子区域r′和目标城市子区域r的兴趣点、路网相关性；和分别是源城市中所有区域与目标城市子区域r之间的相关性，和分别是城市区域间兴趣点相关性和道路结构相关性的平均值；rs和rt分别是源城市本文档来自技高网...
【技术保护点】
1.一种基于域适应的跨模式交通流量预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤1中所述城市数据包括：
3.根据权利要求1所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤1中对数据进行预处理以消除噪声数据，具体包括：
4.根据权利要求1所述的基于迁移学习的跨模态数据预测方法，其特征在于，步骤2中所述出行流量张量XD、城市兴趣点数据矩阵POID、城市路网数据矩阵RoadD，计算公式分别为：
5.根据权利要求1所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤3中共轭样本与的计算公式分别为：
6.根据权利要求5所述的基于迁移学习的跨模态数据预测方法，其特征在于，步骤4所述利用源区域数据预训练流量预测模型θS，作为目标城市模型的预模型，具体包括：
7.根据权利要求5所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤5中具体利用空间特征过滤技术对源区域进行过滤，计算公式为：
8.根据权利要求7所述的基于域
9.根据权利要求8所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤6还包括：
10.根据权利要求8所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤7所述通过不断更新模型参数进行迁移学习，并训练针对目标城市区域的预测模型θT，从而对目标城市出行流量进行预测，具体包括：
...【技术特征摘要】
1.一种基于域适应的跨模式交通流量预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤1中所述城市数据包括：
3.根据权利要求1所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤1中对数据进行预处理以消除噪声数据，具体包括：
4.根据权利要求1所述的基于迁移学习的跨模态数据预测方法，其特征在于，步骤2中所述出行流量张量xd、城市兴趣点数据矩阵poid、城市路网数据矩阵roadd，计算公式分别为：
5.根据权利要求1所述的基于域适应的跨模式交通流量预测方法，其特征在于，步骤3中共轭样本与的计算公式分别为：
6.根据权利要求5所述的基于迁移学...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。