[發(fā)明專利]基于遷移學習的跨模態(tài)數(shù)據(jù)預測方法

有效

• 申請?zhí)枺?/td>: 202110045177.3
• 申請日: 2021-01-13
• 公開（公告）號: CN112863182B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設計）人: 顧晶晶;孫明
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N20/00
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 朱炳斐

本發(fā)明公開了一種基于遷移學習的跨模態(tài)數(shù)據(jù)預測方法，包括：獲取源城市和目標城市數(shù)據(jù)并進行預處理；將城市劃分成等大小的網(wǎng)格區(qū)域，并構建相應大小結構的城市數(shù)據(jù)張量；基于源城市數(shù)據(jù)預訓練深度網(wǎng)絡預測模型；通過計算源城市和目標城市的空間特征相關性進行不相似區(qū)域過濾；通過計算源城市和目標城市的流量特征的相關性進行相似區(qū)域匹配；通過優(yōu)化目標函數(shù)進行共享知識遷移并訓練最終的預測模型。本發(fā)明方法能夠更加充分地從數(shù)據(jù)豐富的城市學習共享知識并進行遷移，對于移動出行數(shù)據(jù)稀缺的城市，仍具有良好的預測效果。

技術領域

本發(fā)明屬于模式分析領域，特別是一種基于遷移學習的跨模態(tài)數(shù)據(jù)預測方法。

背景技術

測城市環(huán)境中的交通、移動流量一直以來對旅行者、當?shù)鼐用褚约俺鞘幸?guī)劃者都是同樣重要的。在傳統(tǒng)方法中，人們往往通過收集某一地區(qū)的歷史數(shù)據(jù)來預測移動流量，這些方法努力探索獲取大量的具有時空特征的歷史出行記錄，并且只能用于預測特定移動流量的未來趨勢模式。然而，不同地區(qū)之間的不平衡和差異發(fā)展以及不同的運輸方式阻礙了上述方法在現(xiàn)實世界中的應用。

隨著智能交通系統(tǒng)的發(fā)展，公共數(shù)據(jù)檢索基礎設施廣泛部署在大都市地區(qū)。相反，大多數(shù)發(fā)展中城市區(qū)域的數(shù)據(jù)收集情況仍然遭受數(shù)據(jù)質量低、數(shù)據(jù)特征稀疏和數(shù)據(jù)信息不完整的困擾。更糟糕的是，一般情況下往往無法收集足夠量的數(shù)據(jù)來預測許多欠發(fā)達地區(qū)的城市流量。為了解決數(shù)據(jù)短缺問題，目前已經(jīng)有很多跨域預測方法通過探索從源域到目標域的可轉移知識來預測流量。然而，即使采用現(xiàn)有的跨城市和跨模式的方法，跨城市流量預測問題仍然面臨著這樣的困境：數(shù)據(jù)收集系統(tǒng)的差異性和不平衡在空間和時間維度上導致數(shù)據(jù)不足。而且，也難以在不同的城市使用相同的方式收集運輸數(shù)據(jù)。因此，有必要結合跨城市知識和跨域知識，以實現(xiàn)高精度和低成本的城市流量預測。

由于部分城市數(shù)據(jù)的收集問題以及質量問題，同時城市處于復雜且高度動態(tài)的環(huán)境，如何利用數(shù)據(jù)量豐富的城市數(shù)據(jù)來輔助目標城市的流量預測問題具有一定的難度且十分重要。對于發(fā)展中城市區(qū)域的城市居民、城市規(guī)劃者以及旅行者來說，預測移動流量在緩解交通堵塞、降低能耗、提高市民生活質量等方面都是至關重要的。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對上述現(xiàn)有技術存在的問題，提供一種基于遷移學習的跨模態(tài)數(shù)據(jù)預測方法，利用遷移學習方法，結合神經(jīng)網(wǎng)絡技術，提出一種動態(tài)時空特征匹配方法來更充分地進行共享知識遷移，以做到更好地預測數(shù)據(jù)稀缺城市的移動出行流量。

實現(xiàn)本發(fā)明目的的技術解決方案為：一種基于遷移學習的跨模態(tài)數(shù)據(jù)預測方法，所述方法包括以下步驟：

步驟1，獲取源城市S和目標城市T的數(shù)據(jù)，并對數(shù)據(jù)進行預處理以消除噪聲數(shù)據(jù)；

步驟2，將城市D劃分成等大小(H×W)的網(wǎng)格區(qū)域r_i，并構建相應大小結構的城市數(shù)據(jù)張量：出行流量張量城市興趣點數(shù)據(jù)矩陣城市路網(wǎng)數(shù)據(jù)矩陣天氣環(huán)境數(shù)據(jù)張量

步驟3，利用源城市數(shù)據(jù)預訓練預測模型θ，作為目標城市模型的預模型；

步驟4，利用空間特征過濾技術，根據(jù)源城市和目標城市的興趣點特征以及路網(wǎng)結構特征，計算城市區(qū)域的空間特征相關性，將與目標城市區(qū)域不相似的源城市區(qū)域進行過濾；針對每個目標城市區(qū)域r，得到過濾后的區(qū)域集合set_r；

步驟5，利用動態(tài)時空特征匹配技術，計算源城市和目標城市的移動出行流量相關性，對于每個目標城市區(qū)域，在每個時段匹配其最相似的源城市區(qū)域，得到最終的匹配矩陣M_match；

步驟6，通過不斷更新模型參數(shù)進行遷移學習，并訓練目標城市模型的預測模型，對目標城市出行流量進行預測。