【技术实现步骤摘要】
Conference on ArtificialIntelligence,2017.)利用残差神经网络、基于参数矩阵的融合机制和外部信息来 提高预测人群流动的性能。这些研究更多地关注交通数据的空间相关性。而对于 时间相关性的建模,只是简单的将CNN通过神经网络提取的特征进行融合,并 没有充分利用时间相关性。
[0005]另一方面,RNN及其变体,即LSTM和GRU在序列任务中的成功使得许 多研究者基于它们来预测时空序列。Zhao等人(Z.Zhao,W.Chen,X.Wu,P.C.Y. Chen,and J.Liu,“LSTM network:a deep learning approach for short
‑
term trafficforecast,”IET Intell.Transp.Syst.,vol.11,no.2,pp.68
–
75,2017.)提出采用级联 LSTM,其中横向维度表示时域的变化,纵向维度表示不同观测点的指标,结合 起点
‑
终点的相关矩阵,获取时空相关性,用于预测交通流。Xu等人(J.Xu,R. Rahmatizadeh,L.and D.Turgut,“Real
‑
time prediction of taxi demand usingrecurrent neural networks,”IEEE Trans.Intell.Transp.Syst.,vol.19,no.8,pp. 2572
–
2581,2017.)利用LSTM和混合密 ...
【技术保护点】
【技术特征摘要】
1.一种交通时空序列单步预测方法,其特征在于,包括以下步骤:1)获取原始交通时空数据,并对所述原始交通时空数据进行预处理,得到三个时间片段X
closeness
、K
period
及X
trend
;2)将所述三个时间片段按模态分别拆分为2)将所述三个时间片段按模态分别拆分为和共计3n份子数据,将所述分别对应输入到三个第一3D卷积神经网络中,得到3n个时空特征张量拉伸为向量x1,x2,...,x
3n
;n为数据的模态;3)按时间顺序,将所述3n个向量x1,x2,...,x
3n
分别作为3n个LSTM的输入,得到输出h1,h2,...,h
3n
,利用h1,h2,...,h
3n
得到基于注意力机制的LSTM的输出s1,s2,...,s
3n
;将s1,s2,...,s
3n
重塑为一个三维张量X0,将X0作为第二3D卷积神经网络的输入,将第二3D卷积神经网络的输出拉伸为向量4)获取外部信息,将所述外部信息处理为向量,并获取该向量在t时刻的特征向量5)拼接g
t
和e
t
,得到q
t
,将q
t
送至全连接神经网络,得到最终的输出,即t时刻的时空序列X
t
。2.根据权利要求1所述的交通时空序列单步预测方法,其特征在于,步骤1)中,对所述原始交通时空数据进行预处理的具体实现过程包括:第一步,获取原始交通时空数据,所述原始交通时空数据包含ID、事件发生时间、事件发生地点的经度和纬度;第二步,设定经度跨度λ
lng
和纬度跨度λ
lat
;将城市划分为I
×
J个大小一致的网格,其中其中grid(i,j)表示第i行、第j列的网格;i<I且j<J;P
A
(lng
A
,lat
A
)为A点坐标,即城市最西南角的坐标;P
B
(lng
B
,lat
B
)为B点坐标,即城市最东北角的坐标;设λ
time
为单位时间长度,t
start
为原始交通时空数据的起始时间点,t
end
为原始数据的最后一个时间点,根据公式将所述原始交通时空数据按时间分为T个部分;第三步,生成时空序列X
1:T
=[X1,X2,X3,...,X
T
‑1,X
T
];其中X
t
代表第t个时间段内的时空序列状况,1≤t≤T,由n
×
I
×
J个网格组成,n代表数据的模态,通过统计J个网格组成,n代表数据的模态,通过统计内事件发生的次数确定X
1:T
中每个网格即grid(i,j)的值。3.根据权利要求2所述的交通时空序列单步预测方法,其特征在于,步骤1)中,三个时间片段X
closeness
、X
period
及X
trend
的获取过程包括:邻近时间戳其中0<L
c
<T,C代表临近时间戳序列的长度,C为常数,X
closeness
表示与预测目标X
t
最邻近的L
c
个时间戳的序列;周期时间戳其中L
p
为参数且0≤L
p
<T
‑
24/λ
time
,P代表周期时间戳序列的长度,X
period
表示与预测目标X
t
相距24小时的L
p
个时间戳的序列;趋势时间戳其中L
t
为参数且0≤L
t
<T
‑
24*7/
λ
time
,X
trend
...
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。