一种基于深度迁移学习的跨城市交通流量联合预测方法技术

本发明专利技术提出了一种新的深度知识迁移模型来研究时空数据的预测方法，包括三个部分：首先对城市进行区域的划分，用热力图表示城市车流量，把不同时间点的车流数据抽象成“图像帧”。然后采用ConvLSTM的方法，学习数据的空间依赖和时间依赖。最后利用条件最大平均差异测量不同时空数据的分布距离；通过引入条件最大平均差异以减小源域和目标域之间的差异，实现知识迁移的目的。本发明专利技术的提出首次同时使用了ConvLSTM和条件最大平均差异的方法，使用迁移学习的思想将其运用于城市车流预测，解决了相似或相关的城市由于数据不足导致的预测困难的问题，提高了预测的准确率，对未来城市的智慧交通系统的建设、交通规划、风险预测等方面具有重大意义。

A Joint Forecasting Method of Inter-city Traffic Flow Based on Deep Migration Learning

【技术实现步骤摘要】
一种基于深度迁移学习的跨城市交通流量联合预测方法
本专利技术提出了一种基于深度迁移学习的跨城市交通流量联合预测方法，涉及到智能交通领域，主要用于具有相似或相关分布但研究数据不足的城市的交通流预测，在智慧交通系统的建设、城市交通的规划、交通风险的预测，以及指挥交通调度方面具有重大意义。
技术介绍
交通是城市的脉搏，影响着数百万人的日常生活。新一代信息技术的应用使人类能以更加精细和动态的方式管理生产和生活的状态，通过把传感器嵌入和装备到全球每个角落的供电系统、供水系统、交通系统、建筑物和油气管道等生产生活系统的各种物体中，使其形成的物联网与互联网相连，实现人类社会与物理系统的集成，而后透过超级计算机和云计算将物联网集成起来，智慧城市的理念得以形成。然而未来智慧城市最根本的问题之一是如何建立一个高效的交通系统。在智慧城市的背景下，智能交通系统(ITS，IntelligentTransportationSystem)应运而生。ITS是将先进的信息技术、通讯技术、传感技术、控制技术及计算机技术等有效率地集成运用于整个交通运输管理体系，而建立起的一种在大范围内及全方位发挥作用的，实时、准确及高效的综合运输和管理系统。在大数据的时代背景下，一个常见的问题是并不能总是获得目标城市的大量数据，但是我们容易获得具有相同或相似分布的另一个城市的大量数据，为了解决这个问题，我们提出了基于深度迁移学习的模型。预测城市交通流量作为智能交通的重要组成部分，在城市交通管理、出租车调度等多个领域都具有重要的研究价值。传统的用于城市交通流量的预测算法有基于统计学，例如结合了泊松分布和ARMA的预测、基于网格的高斯混合模型；或者基于深度学习的如堆叠自动编码器、DeepST等。但是上述的方法都存在一定的局限性，首先都需要从大量的数据中学习，针对数据不足的城市并不能得到一个较好的预测结果；其次不能同时捕捉到时空数据集固有的时间依赖性和空间依赖性，使得数据并没有得到充分的利用。综上所述，现有的城市交通流量的预测方法往往需要大的数据集来学习知识，而且不能同时捕捉时空数据集固有的时间依赖性和空间依赖性。这些缺陷严重影响了在数据稀疏的城市中预测的准确度。
技术实现思路
专利技术目的：本专利技术的目的是针对现有技术的缺陷，提供一种基于深度迁移学习的跨城市交通流量联合预测方法，用于解决在
技术介绍
方面提出的几个缺陷问题。采用本专利技术公开的方法，可以有效利用交通数据流的时空相关性和迁移学习的知识来实现数据稀疏城市的交通流量预测，解决目标城市数据不足的问题，并且可以获得较高的预测精度。技术方案：一种基于深度迁移学习的跨城市交通流量联合预测方法，具体步骤如下：步骤一：数据预处理1)区域划分：根据经纬度将城市划分为一个m*n的网格图，将每个网格称为子区域，所有子区域组成一个集合R＝{r1，1，...ri，j，..rm*n}，其中ri，j代表位于网格图中第i行、第j列的子区域；2)交通流流入Inflow和流出Outflow：定义为时刻t的交通流轨迹，则对于时刻t子区域ri，j的Inflow、Outflow可以分别进行如下定义：其中是处的轨迹，最终将交通流的流入和流出组合成一个张量作为整个网络的输入。上述交通流的流入和流出组合成我们所需要的城市交通流历史数据张量，我们将某个时刻的交通流看作是图片的帧，将整体的交通流数据看作是一个视频。步骤二：训练ConvLSTM网络使用步骤一构建的数据充足的城市交通流历史数据张量训练ConvLSTM网络。模型和传统的LSTM相似，在ConvLSTM中，输入χ1，...，χt，cell输出C1，...，Ct，隐藏状态和门it，ft，ot均为3Dtensors，其中它的后两个维度是空间维度(行和列)。为了更好地理解输入和状态，我们可以把它们想象成空间网格上的向量。ConvLSTM通过其本地邻居的输入和过去状态来确定网格中某个单元的未来状态。ConvLSTM的公式如下：我们用表示ConvLSTM模型中的所有参数，用简单的经验误差表示预训练模型的损失函数：研究表明深度神经网络可以学习可迁移特征，这些特征用于域适应时在新的任务上表现出很好的泛化能力。然而由于深度特征随着网络层数的增加由一般到特殊转变，特征的可迁移能力在网络高层急剧下降，极大地增加了域之间的差异性。因此我们在训练后的ConvLSTM的基础上，进行知识的迁移。步骤三：知识迁移知识迁移部分我们使用了条件最大均值差异(ConditionalMaximumMeanDiscrepancy)，度量在再生希尔伯特空间中两个分布的距离，是一种核学习方法。它将分布之间的距离表示为特征的平均嵌入距离。它广泛应用于转移学习中，特别是用于匹配源域和目标域之间的数据分布的域适应。两个随机变量的距离为：其中k(.)是映射，用于把原变量映射到高维空间中。X，Y表示两种分布的样本，F表示映射函数集。基于两个分布的样本，通过寻找在样本空间上的映射函数K，求不同分布的样本在K上的函数值的均值，通过把两个均值作差可以得到两个分布对应于K的平均差异。寻找一个K使得这个平均差异有最大值，就得到了MMD。最后取MMD作为检验统计量，从而判断两个分布是否相同。如果这个值足够小，就认为两个分布相同，否则就认为它们不相同。更加简单的理解就是：求两堆数据在高维空间中的均值的距离。通过优化CMMD使得差异最小，就可以将其运用于数据稀疏的城市中交通流量的预测，从而实现了知识迁移的目的。整个网络包括两个部分，ConvLSTM部分和用于迁移的CMMD部分，同时考虑经验损失和基于多层分布匹配正则化器的CMMD，故最终的损失函数如下：有益效果：本专利技术针对数据稀疏城市的交通流量预测问题，提出了一种基于深度迁移学习的跨城市交通流量联合预测方法。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1)本专利技术首次利用基于深度迁移学习的数据稀疏城市交通流量预测方法，将整个路网的城市交通流数据建模成张量矩阵，实现了对城市级别的交通流量预测；2)使用ConvLSTM模型，把交通流数据看作图像，交通流数据序列看作视频，利用卷积运算和长短时记忆网络同时且有效的提取出数据的时空特征；3)解决了现有技术所存在的数据稀疏城市难以预测的问题，通过知识迁移技术，实现了针对数据稀疏城市交通预测的提升。附图说明图1是方法流程图；图2是ConvLSTM网络模型的内部结构图；具体实施方式下面结合附图，对本专利技术的技术方案做进一步的详细说明。基于深度迁移学习的数据稀疏城市交通流量预测方法如图1所示。建模后的数据输入到一个整个网络模型中，生成对未来一段时间的城市交通流的预测，输入数据为用于训练的历史交通流数据。具体来讲，本专利技术构造了如下数据作为输入：Xt：预测时间点之前n个时刻的交通流数据。Xt＝{xt|t＝1，...n}本专利技术公开的基于深度迁移学习的数据稀疏城市交通流量预测方法，其具体过程如下：步骤一：数据预处理1)区域划分：根据经纬度将城市划分为一个m*n的网格图，将每个网格称为子区域，所有子区域组成一个集合R＝{r1，1，...ri，j，..rm*n}，其中ri，j代表位于网格图中第i行、第j列的子区域；2)交通流流入Inflow和流出Outflow：定义为时刻t的交通流轨迹，本文档来自技高网...

【技术保护点】
1.一种基于深度迁移学习的跨城市交通流量联合预测方法，其主要技术特征包括如下步骤：(1)预处理观测到的数据：基于经纬度将城市划分为一个m*n的方格，用ri，j表示位于第i行、第j列的方格，定义t时刻ri，j区域车流的流入Inflow和流出Outflow：

【技术特征摘要】
1.一种基于深度迁移学习的跨城市交通流量联合预测方法，其主要技术特征包括如下步骤：(1)预处理观测到的数据：基于经纬度将城市划分为一个m*n的方格，用ri，j表示位于第i行、第j列的方格，定义t时刻ri，j区域车流的流入Inflow和流出Outflow：其中是处的轨迹，最终将车流的流入和流出组合成一个张量作为整个网络的输入；(2)问题定义：●输入：给定两个相关或相似分布的时空数据集{D1，D2}(例如城市中的自行车流量、出租车流量)，其中D1数据量充裕但D2数据稀疏。D1是一组时空数据样本D1＝{d11，d12，…，d1t}，其中d1t是时间t时的数据矩阵，表示t时刻在rij位置的时空数据。●输出：将学习的知识从D1迁移到D2，及D1、D2上的预测数据{d1T，d2T}T＝{t+m}。(3)ConvLSTM：对于一般的序列数据建模，LSTM作为一种特殊的RNN结构，在以往的各种研究中已经被证明是稳定而强大的，可以对长期依赖关系进行建模。在ConvLSTM中，输入χ1，…，χt，cell输出C1，...

【专利技术属性】
技术研发人员：王森章，尹成语，缪浩，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32