【技术实现步骤摘要】
本专利技术涉及数据处理，特别涉及一种高效的参数共享城市时空数据预测方法。
技术介绍
1、时空预测模型是实现城市实时监控和管理的重要支撑技术，对提升城市运行效率和居民生活质量至关重要。目前，时空预测模型已被广泛应用于智能交通、天气预报、地震预警等实际应用中。例如，在智能交通系统中，及时预测将来的交通路况可以帮助城市交管部门平衡交通路网中交通流量，缓解城市交通拥堵现象。在天气预报系统中，提前预测未来降雨量可以帮助气象部门提升防灾减灾能力，降低降雨对城市的负面影响。
2、现有的时空预测模型可粗略分为统计学习模型、机器学习模型和深度学习模型。相较于统计学习模型和机器学习模型，深度学习模型凭借着捕捉复杂依赖关系能力成为当下主流的时空预测模型。近年来，相关学者提出了多种深度学习模型去提高时空预测任务的预测精度。从早期的循环神经网络模型到近期的时空图神经网络，时空预测模型的预测精度不断被刷新，在各个领域中的表现也越来越出色。然而，随着预测精度的提高，当下时空预测模型变得愈发复杂，给时空预测任务带来了新的挑战。过于复杂的预测模型不仅加大了模型的实现和调参难度，也浪费了大量的计算资源和存储资源。在真实场景中，准确高效的轻量化时空预测模型一直是学术界关注的重点，但存在的大多数预测模型仍然难以兼顾模型预测精度和模型轻量化之间的均衡。
3、针对上述挑战，本申请旨在不显著增加模型计算时间/模型参数规模的情况下获得可接受的预测精度。目前，部分学者针对模型轻量化已经做出了一些探索，并建立了少数的轻量化时空预测模型，但依然存在一些不足。
4、鉴于此，本申请提出了一种新颖的参数共享的膨胀卷积网络(parameter-shareddilated convolutional network，psdcn)用于时空预测任务。
技术实现思路
1、本专利技术为了弥补现有技术中的不足，提供了一种高效的参数共享城市时空数据预测方法。
2、一种高效的参数共享城市时空数据预测方法，其特征在于，包括以下步骤：
3、s1，准备阶段，构建psdcn模型；
4、s2，定义参数共享时间膨胀卷积算子和参数共享图扩散卷积算子，所述参数共享时间膨胀卷积算子为pstdc算子，所述参数共享图扩散卷积算子为psgdc算子；参数共享时间膨胀卷积算子和参数共享图扩散卷积算子在不显著增加模型计算时间和模型参数规模的情况下可以有效快速捕捉数据中的时空依赖关系；
5、s3，建立超参数之间的数学逻辑关系，缩小超参数的搜索空间，降低超参数的调参难度，减少试错的时间和资源投入，确保psdcn模型在时空预测任务中的优异表现；
6、s4，采用三种真实的时空数据集评估psdcn模型的性能，三种真实的时空数据集为pm2.5数据集、交通数据集、气温数据集，psdcn模型的性能包括预测精度、运行效率及模型参数量。
7、进一步的，为了更好地实现本专利技术，所述s1中的psdcn模型基于图结构构建，在图结构g＝(v，a)中，研究区域内的每个监测站点可抽象为节点vi∈v，监测站点vi与vj之间的关系可抽象为边aij∈a，监测站点vi在时间窗口t内采集到的时空数据可记录为一般而言，所有监测站点在所有时间窗口采集的时空数据组成矩阵其中n表示监测站点的总数，t表示时间窗口的总数；
8、psdcn模型为一个轻量化模型模型基于图结构g和矩阵x准确高效的预测将来的时空数据，具体如下公式
9、
10、式中：表示本文提出psdcn模型；表示psdcn模型需要输入的历史时空数据，p表示时间依赖步长；表示将来(预测)的时空数据，q表示预测步长；w表示psdcn模型中可学习的参数。
11、进一步的，为了更好地实现本专利技术，所述psdcn模型由多个共享参数模块组成，每一个共享参数模块又包含l个时空块，在模型的前向传播中，l个时空块共享同一组卷积核，并高效挖掘时空数据中的复杂非线性依赖关系；具体而言，时空块中的参数共享图膨胀卷积算子用于高效的挖掘数据中的空间依赖关系，时空块中的参数共享时间膨胀卷积算子用于高效的挖掘数据中的时间依赖关系。
12、进一步的，为了更好地实现本专利技术，所述psdcn模型的前向传播过程为：尽管psdcn模型由多个共享参数模块组成，但由于参数依赖模块的存在，psdcn模型仅需要一个参数共享模块即可应对大多数简单的时空预测任务；当仅有一个参数共享模块时，输入数据将依次通过卷积层、l个时空块、卷积层获得最终输出；具体而言，p个历史时空数据首先经过卷积层进行数据维度的提升，并获得第一个时空块的输入张量然后，张量依次通过l个时空块对数据的时空关系建模，获得最后一个时空块的输出张量最后，张量通过卷积层进行数据维度的降低，获得最终的预测结果psdcn模型的前向传播过程如下公式所示
13、
14、
15、式中：表示psdcn模型所需要的输入，p是历史依赖步长；表示psdcn模型的输出，q是预测步长；stblock是参数共享模块中的时空块函数；和表示第l个时空块的输入张量和输出张量，f是张量的数据维度；参数共享模块中共包括l个时空块，共享同一组可学习的参数wt和wg；在时空块中，pstdc和psgdc分别表示pstdc算子和psgdc算子，用于建模数据中的复杂的时空依赖关系；和是pstdc算子和psgdc算子的临时变量；conv表示卷积函数，用于维度对齐；relu表示激活函数；norm表示参数正则化函数。
16、进一步的，为了更好地实现本专利技术，以第l个时空块中的输入张量为例，所述pstdc算子计算方法如下：
17、
18、式中：表示第l个时空块中pstdc算子的输入张量，表示第l个时空块中节点vi在第t个时间窗口的状态；表示共享的时间卷积核，k表示卷积核的大小，表示共享的第k个卷积核；表示第l个时空块中pstdc算子的膨胀因子；⊙表示向量积；卷积核wt需要传入第l+1个时空块，用于第l+1个时空块中的pstdc算子的计算。
19、进一步的，为了更好地实现本专利技术，经第l个时空块中pstdc算子后，获得了张量基于张量进一步扩展经典图卷积算子在有限的参数规模下高效的挖掘数据中的空间依赖关系，提出轻量化的参数共享图膨胀卷积算子psgdc算子；为了提升预测模型的预测能力，基于图注意力架构设计psgdc算子的前向传播过程，具体如下公式
20、
21、
22、式中：表示第l个时空块中psgdc算子的输入张量，表示第l个时空块中节点vi在第t个时间窗口的状态；γjn表示节点vj对节点vn的影响权重；表示第l个时空块中psgdc算子的膨胀因子；是psgdc算子中共享的可学习参数；[·|·]表示向量连接函数；relu表示激活函数；exp表示指数函数；ws需要本文档来自技高网...
【技术保护点】
1.一种高效的参数共享城市时空数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的高效的参数共享城市时空数据预测方法，其特征在于：所述S1中的PSDCN模型基于图结构构建，在图结构G＝(V,A)中，研究区域内的每个监测站点可抽象为节点vi∈V，监测站点vi与vj之间的关系可抽象为边Aij∈A，监测站点vi在时间窗口t内采集到的时空数据可记录为一般而言，所有监测站点在所有时间窗口采集的时空数据组成矩阵其中n表示监测站点的总数，T表示时间窗口的总数；
3.根据权利要求2所述的高效的参数共享城市时空数据预测方法，其特征在于：所述PSDCN模型由多个共享参数模块组成，每一个共享参数模块又包含L个时空块，尽管PSDCN模型由多个共享参数模块组成，但由于参数依赖模块的存在，PSDCN模型仅需要一个参数共享模块即可应对大多数简单的时空预测任务；在模型的前向传播中，L个时空块共享同一组卷积核，并高效挖掘时空数据中的复杂非线性依赖关系；具体而言，时空块中的参数共享图膨胀卷积算子用于高效的挖掘数据中的空间依赖关系，时空块中的参数共享时间膨胀卷积算子用于高效的挖掘
4.根据权利要求3所述的高效的参数共享城市时空数据预测方法，其特征在于：所述PSDCN模型的前向传播过程为：当仅有一个参数共享模块时，输入数据将依次通过卷积层、L个时空块、卷积层获得最终输出；具体而言，p个历史时空数据首先经过卷积层进行数据维度的提升，并获得第一个时空块的输入张量然后，张量依次通过L个时空块对数据的时空关系建模，获得最后一个时空块的输出张量最后，张量通过卷积层进行数据维度的降低，获得最终的预测结果
5.根据权利要求1所述的高效的参数共享城市时空数据预测方法，其特征在于：以第l个时空块中的输入张量Hl为例，所述PSTDC算子计算方法如下：
6.根据权利要求5所述的高效的参数共享城市时空数据预测方法，其特征在于：经第l个时空块中PSTDC算子后，获得了张量基于张量进一步扩展经典图卷积算子在有限的参数规模下高效的挖掘数据中的空间依赖关系，提出轻量化的参数共享图膨胀卷积算子PSGDC算子；为了提升预测模型的预测能力，基于图注意力架构设计PSGDC算子的前向传播过程，具体如下公式
7.根据权利要求1所述的高效的参数共享城市时空数据预测方法，其特征在于：所述S3为，在PSDCN模型构建过程中，引入了多个超参数，包括历史依赖步长p，时空块的个数L，隐藏层的维度f，时间卷积核的大小K，PSTDC算子中的膨胀因子PSGDC算子中的膨胀因子过多的超参数将会加大模型的校准难度，因此提出超参数依赖组件去建立超参数之间的依赖关系，减少模型超参数的校准数量；
8.根据权利要求7所述的高效的参数共享城市时空数据预测方法，其特征在于：所述PSDCN模型通过前p个时间窗口的时空数据预测将来的q个时间窗口的时空数据在模型优化过程中，采用均方误差优化预测值与真值之间的损失，具体如下公式
9.根据权利要求8所述的高效的参数共享城市时空数据预测方法，其特征在于：所述PSDCN模型的训练过程如下，首先，从时空矩阵构建PSDCN模型的训练实例，接下来，使用超参数依赖组件确定时空块的数量，然后，计算每个时空块的扩张因子，并迭代获得预测结果，最后，通过优化误差损失获得所提出的PSDCN模型。
...【技术特征摘要】
1.一种高效的参数共享城市时空数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的高效的参数共享城市时空数据预测方法，其特征在于：所述s1中的psdcn模型基于图结构构建，在图结构g＝(v,a)中，研究区域内的每个监测站点可抽象为节点vi∈v，监测站点vi与vj之间的关系可抽象为边aij∈a，监测站点vi在时间窗口t内采集到的时空数据可记录为一般而言，所有监测站点在所有时间窗口采集的时空数据组成矩阵其中n表示监测站点的总数，t表示时间窗口的总数；
3.根据权利要求2所述的高效的参数共享城市时空数据预测方法，其特征在于：所述psdcn模型由多个共享参数模块组成，每一个共享参数模块又包含l个时空块，尽管psdcn模型由多个共享参数模块组成，但由于参数依赖模块的存在，psdcn模型仅需要一个参数共享模块即可应对大多数简单的时空预测任务；在模型的前向传播中，l个时空块共享同一组卷积核，并高效挖掘时空数据中的复杂非线性依赖关系；具体而言，时空块中的参数共享图膨胀卷积算子用于高效的挖掘数据中的空间依赖关系，时空块中的参数共享时间膨胀卷积算子用于高效的挖掘数据中的时间依赖关系。
4.根据权利要求3所述的高效的参数共享城市时空数据预测方法，其特征在于：所述psdcn模型的前向传播过程为：当仅有一个参数共享模块时，输入数据将依次通过卷积层、l个时空块、卷积层获得最终输出；具体而言，p个历史时空数据首先经过卷积层进行数据维度的提升，并获得第一个时空块的输入张量然后，张量依次通过l个时空块对数据的时空关系建模，获得最后一个时空块的输出张量最后，张量通过卷积层进行数据维度的降低，获得最终的预...
【专利技术属性】
技术研发人员：王培晓，张恒才，程诗奋，陆锋，
申请(专利权)人：中国科学院地理科学与资源研究所，
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。