【技术实现步骤摘要】
本申请涉及多任务城市交通时空预测，特别是涉及一种基于数据融合的时空多任务预测大模型的构建方法。
技术介绍
1、随着城市不断发展，城市计算成为可持续发展的关键学科。交通作为多模态城市应用的关键领域，在公共交通服务、交通推荐方面为人们的出行提供了极大便利。城市交通预测是交通领域的一个重要方向，对于城市规划、交通管理、出行决策等方面都具有重要意义。准确的交通预测能够帮助决策者作出更合理的决策，提高城市交通系统的效率和准确性。借助人工智能技术，可以准确迅速地对交通情况进行预测，为决策提供有效支持，这也是目前处理复杂问题的一个主流手段。
2、然而，城市交通预测也面临着多项挑战。首先，城市交通网络错综复杂，很难捕捉不同区域之间交通信息的相关性。其次，城市交通预测受多种不可控因素影响，如天气、交通事故等，这些不可控的因素给城市交通未来情况的预测带来了极大的困难。另外，城市交通数据多源异构，不同预测任务如交通流量预测、交通速度预测、乘车需求预测等任务需要的数据之间不具备强关联性，城市交通数据的共享特征难以被提取。传统的单一任务模型无法同时满足城市交通多任务的预测，需要更为综合、鲁棒的多任务模型，才能满足城市交通的综合预测。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够满足城市交通多任务预测需求的一种基于数据融合的时空多任务预测大模型的构建方法。
2、第一方面，本申请提供了一种基于数据融合的时空多任务预测大模型的构建方法。所述方法包括：
3、构建
4、构建输入嵌入模块，将融合后的数据集嵌入到高维空间的同时提取所述数据集的时间特征；
5、构建空间编码模块，提取所述数据集的空间特征；
6、构建基座大模型预测模块，进行推理预测；
7、设计多任务输出模块，对预测结果进行多任务拆分，得到时空多任务预测大模型的。
8、可选的，在本申请的一个实施例中，所述基于时间维度对原始数据集进行融合包括：
9、将每个原始数据集的时间步长度裁剪至原始数据集中的最短时间步。
10、可选的，在本申请的一个实施例中，所述基于空间维度对原始数据集进行融合包括：
11、将每个原始数据集的空间维度大小扩充至原始数据集中的最大区域数。
12、可选的，在本申请的一个实施例中，所述基于特征维度对原始数据集进行融合包括：
13、采用concat操作将原始数据集的特征进行拼接，得到融合数据集。
14、可选的，在本申请的一个实施例中，所述输入嵌入模块包括词向量嵌入层、位置编码层、时间嵌入层。
15、可选的，在本申请的一个实施例中，所述空间编码模块包括位置编码层和transformer编码器。
16、可选的，在本申请的一个实施例中，所述多任务输出模块基于mmoe多门控混合专家模型搭建。
17、第二方面，本申请还提供了一种基于数据融合的时空多任务预测大模型的构建装置。所述装置包括：
18、数据融合模块，用于构建数据融合模块，所述数据融合模块包括时序对齐子模块、区域融合子模块、特征拼接子模块，基于时间、空间、特征三个维度对原始数据集进行融合；
19、时间特征提取模块，用于构建输入嵌入模块，将融合后的数据集嵌入到高维空间的同时提取所述数据集的时间特征；
20、空间特征提取模块，用于构建空间编码模块，提取所述数据集的空间特征；
21、推理预测模块，用于构建基座大模型预测模块，进行推理预测；
22、多任务拆分模块，用于设计多任务输出模块，对预测结果进行多任务拆分，得到时空多任务预测大模型。
23、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述各个实施例所述方法的步骤。
24、第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个实施例所述方法的步骤。
25、上述一种基于数据融合的时空多任务预测大模型的构建方法，首先，构建数据融合模块，所述数据融合模块包括时序对齐子模块、区域融合子模块、特征拼接子模块，基于时间、空间、特征三个维度对原始数据集进行融合；之后，构建输入嵌入模块，将融合后的数据集嵌入到高维空间的同时提取所述数据集的时间特征；之后，构建空间编码模块，提取所述数据集的空间特征；之后，构建基座大模型预测模块，进行推理预测；最后，设计多任务输出模块，对预测结果进行多任务拆分，得到时空多任务预测大模型。也就是说，所构建的时空多任务预测大模型能够对多项数据集进行融合处理，同时采用基座大模型进行推理预测，设计mmoe多任务输出模块设计输出头，能够同时对多个任务进行预测，提高了模型的多任务预测能力，降低了计算成本和部署成本，在需要快速响应的城市交通综合场景中具有很大的优势。
本文档来自技高网...【技术保护点】
1.一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述基于时间维度对原始数据集进行融合包括：
3.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述基于空间维度对原始数据集进行融合包括：
4.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述基于特征维度对原始数据集进行融合包括：
5.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述输入嵌入模块包括词向量嵌入层、位置编码层、时间嵌入层。
6.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述空间编码模块包括位置编码层和Transformer编码器。
7.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述多任务输出模块基于MMoE多门控混合专家模型搭建。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述基于时间维度对原始数据集进行融合包括：
3.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述基于空间维度对原始数据集进行融合包括：
4.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述基于特征维度对原始数据集进行融合包括：
5.根据权利要求1所述的一种基于数据融合的时空多任务预测大模型的构建方法，其特征在于，所述输入嵌入模块包括词向量嵌入层、位置编码层、时间嵌入层。
6.根据权利要求1...
【专利技术属性】
技术研发人员：杜圣东，朱骏吉，胡节，罗皓楠，赵小乐，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：
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。