交通预测方法、装置、电子设备及存储介质制造方法及图纸

技术编号:35344137 阅读:18 留言:0更新日期:2022-10-26 12:09
本发明专利技术提供一种交通预测方法、装置、电子设备及存储介质,其中方法包括:确定历史交通数据和历史交通数据的缺失位置矩阵;将历史交通数据和缺失位置矩阵输入至预测补全模型中,得到预测补全模型输出的预测结果;预测补全模型在初始模型中数据补全模块的权重参数的基础上,应用样本数据、样本缺失数据、样本数据期望值和样本缺失位置矩阵,对初始模型进行训练得到的;初始模型中数据补全模块的权重参数是基于样本数据、样本缺失数据和样本缺失位置矩阵预训练得到的,本发明专利技术提供的方法实现了预测模型中的预测模块和数据补全模块之间的信息交互,完成了端到端的预测,在提高即时性的同时,提高了预测结果的准确性。提高了预测结果的准确性。提高了预测结果的准确性。

【技术实现步骤摘要】
交通预测方法、装置、电子设备及存储介质


[0001]本专利技术涉及人工智能
,尤其涉及一种交通预测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着大数据和人工智能技术的发展,日益累积的交通大数据以及各种优异的深度学习算法为缓解交通拥堵以及改善交通污染提供了现实基础。然而,在现实交通场景中,受物理检测设备维护困难,以及数据传输、存储过程中可能存在的偶然因素(如数据丢失、错误等)的影响,所获得的交通数据往往数据质量较差,或存在着不同比例的数据缺失情况。
[0003]现有的方法在数据缺失场景下虽然能够取得较好的预测性能,但仍有以下几点不足:
[0004]第一,现有方法将数据补全视为一个独立的任务,在数据缺失场景下的交通预测被分为了数据补全和预测两个阶段,即时性较差;
[0005]第二,数据补全与预测任务之间未进行有效交互,会造成数据补全的误差进一步在预测任务中积累,给预测精度造成负面影响。

技术实现思路

[0006]本专利技术提供一种交通预测方法、装置、电子设备及存储介质,用以解决现有技术中交通数据缺失场景下交通预测即时性差且预测精度低的缺陷。
[0007]本专利技术提供一种交通预测方法,包括:
[0008]确定历史交通数据和所述历史交通数据的缺失位置矩阵;
[0009]将所述历史交通数据和所述缺失位置矩阵输入至预测补全模型中,得到所述预测补全模型输出的预测结果;
[0010]所述预测补全模型在初始模型中数据补全模块的权重参数的基础上,应用样本数据、样本缺失数据、样本数据期望值和样本缺失位置矩阵,对所述初始模型进行训练得到的;所述初始模型中数据补全模块的权重参数是基于所述样本数据、所述样本缺失数据和所述样本缺失位置矩阵预训练得到的。
[0011]根据本专利技术提供的一种交通预测方法,所述预测补全模型的训练步骤,包括:
[0012]确定所述初始模型;所述初始模型包括数据补全模块和预测模块;
[0013]基于所述样本数据、所述样本缺失数据、所述样本数据期望值和所述样本缺失位置矩阵对所述数据补全模块进行预训练,得到所述数据补全模块的权重参数;
[0014]基于所述权重参数、所述样本数据、所述样本缺失数据、所述样本数据期望值和所述样本缺失位置矩阵,对所述数据补全模块和所述预测模块进行联合训练,得到所述预测补全模型。
[0015]根据本专利技术提供的一种交通预测方法,所述对所述数据补全模块和所述预测模块进行联合训练,包括:
[0016]基于联合训练损失函数,对所述数据补全模块和所述预测模块进行联合训练;所述联合训练函数是以所述样本数据期望值和所述预测模块输出的所述样本数据的初始预测结果之间的差异,以及所述样本缺失数据和所述数据补全模块输出的所述样本数据的补全数据之间的差异构建的。
[0017]根据本专利技术提供的一种交通预测方法,所述初始预测结果的获取步骤,包括:
[0018]基于所述样本数据和所述样本数据的补全数据,确定样本重建数据;
[0019]基于所述样本重建数据和各时间粒度,确定所述各时间粒度对应的样本重构数据;
[0020]基于所述各时间粒度对应的样本重构数据,确定样本融合特征;
[0021]基于所述样本融合特征,确定得到所述初始预测结果。
[0022]根据本专利技术提供的一种交通预测方法,所述基于所述各时间粒度对应的样本重构数据,确定样本融合特征,包括:
[0023]对所述各时间粒度对应的样本重构数据进行时空特征提取,得到所述各时间粒度对应的样本时空特征;
[0024]基于所述各时间粒度对应的样本时空特征及自适应权重,确定样本时空融合特征;
[0025]基于所述样本时空融合特征和外部因素特征,确定所述样本融合特征;所述外部因素特征包括天气因素特征,和/或,时段因素特征。
[0026]根据本专利技术提供的一种交通预测方法,所述基于所述样本数据、所述样本缺失数据、所述样本数据期望值和所述样本缺失位置矩阵对所述数据补全模块进行预训练,得到所述数据补全模块的权重参数,包括:
[0027]确定所述样本数据、所述样本缺失数据和所述样本缺失位置矩阵;
[0028]对所述样本数据进行时空特征提取,并基于得到的所述样本数据对应的样本时空特征,对所述样本数据进行补全,得到所述样本数据对应的补全数据;
[0029]基于所述样本数据对应的补全数据、所述样本缺失数据和所述样本缺失位置矩阵,确定补全模块损失,并基于所述补全模块损失,对所述数据补全模块的参数进行迭代更新,得到所述数据补全模块的权重参数。
[0030]根据本专利技术提供的一种交通预测方法,所述样本数据、所述样本缺失数据和所述样本缺失位置矩阵确定步骤如下:
[0031]确定原始交通数据;
[0032]从所述原始交通数据中随机删除各预设比例数量的交通数据,得到所述各预设比例数量对应的样本数据和所述各预设比例数量对应的样本缺失数据;
[0033]基于所述原始交通数据时空位置和所述各预设比例数量对应的样本缺失数据在所述原始交通数据中的时空位置,确定所述各预设比例数量对应的样本缺失位置矩阵;
[0034]基于所述各预设比例数量对应的样本数据、所述各预设比例数量对应的样本缺失数据和所述各预设比例数量对应的样本缺失位置矩阵,确定所述样本数据、所述样本缺失数据和所述样本缺失位置矩阵。
[0035]本专利技术还提供一种交通预测装置,包括:
[0036]确定模块,用于确定历史交通数据和所述历史交通数据的缺失位置矩阵;
[0037]预测模块,用于将所述历史交通数据和所述缺失位置矩阵输入至预测补全模型中,得到所述预测补全模型输出的预测结果;
[0038]所述预测补全模型在初始模型中数据补全模块的权重参数的基础上,应用样本数据、样本缺失数据、样本数据期望值和样本缺失位置矩阵,对所述初始模型进行训练得到的;所述初始模型中数据补全模块的权重参数是基于所述样本数据、所述样本缺失数据和所述样本缺失位置矩阵预训练得到的。
[0039]本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述交通预测方法。
[0040]本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述交通预测方法。
[0041]本专利技术还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述交通预测方法。
[0042]本专利技术提供的交通预测方法、装置、电子设备及存储介质,通过以数据补全模型为基础训练得到的预测补全模型,对根据历史交通数据进行预测,得到预测结果,实现了预测补全模型端到端的预测过程,并且在预测补全模型训练的过程中会依据输出的初始预测结果更新预测补全网络模型的初始模型的参数,实现了预测补全模型中的预测模块和数据本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种交通预测方法,其特征在于,包括:确定历史交通数据和所述历史交通数据的缺失位置矩阵;将所述历史交通数据和所述缺失位置矩阵输入至预测补全模型中,得到所述预测补全模型输出的预测结果;所述预测补全模型在初始模型中数据补全模块的权重参数的基础上,应用样本数据、样本缺失数据、样本数据期望值和样本缺失位置矩阵,对所述初始模型进行训练得到的;所述初始模型中数据补全模块的权重参数是基于所述样本数据、所述样本缺失数据和所述样本缺失位置矩阵预训练得到的。2.根据权利要求1所述的交通预测方法,其特征在于,所述预测补全模型的训练步骤,包括:确定所述初始模型;所述初始模型包括数据补全模块和预测模块;基于所述样本数据、所述样本缺失数据、所述样本数据期望值和所述样本缺失位置矩阵对所述数据补全模块进行预训练,得到所述数据补全模块的权重参数;基于所述权重参数、所述样本数据、所述样本缺失数据、所述样本数据期望值和所述样本缺失位置矩阵,对所述数据补全模块和所述预测模块进行联合训练,得到所述预测补全模型。3.根据权利要求2所述的交通预测方法,其特征在于,所述对所述数据补全模块和所述预测模块进行联合训练,包括:基于联合训练损失函数,对所述数据补全模块和所述预测模块进行联合训练;所述联合训练函数是以所述样本数据期望值和所述预测模块输出的所述样本数据的初始预测结果之间的差异,以及所述样本缺失数据和所述数据补全模块输出的所述样本数据的补全数据之间的差异构建的。4.根据权利要求3所述的交通预测方法,其特征在于,所述初始预测结果的获取步骤,包括:基于所述样本数据和所述样本数据的补全数据,确定样本重建数据;基于所述样本重建数据和各时间粒度,确定所述各时间粒度对应的样本重构数据;基于所述各时间粒度对应的样本重构数据,确定样本融合特征;基于所述样本融合特征,确定得到所述初始预测结果。5.根据权利要求4所述的交通预测方法,其特征在于,所述基于所述各时间粒度对应的样本重构数据,确定样本融合特征,包括:对所述各时间粒度对应的样本重构数据进行时空特征提取,得到所述各时间粒度对应的样本时空特征;基于所述各时间粒度对应的样本时空特征及自适应权重,确定样本时空融合特征;基于所述样本时空融合特征和外部因素特征,确定所述样本融合特征;所述外部因素特征包括天气因素特征,和/或,时段因素特征。6.根据权利要...

【专利技术属性】
技术研发人员:吕宜生魏泽兵陈薏竹王晓王飞跃
申请(专利权)人:中国科学院自动化研究所
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1