一种基于迁移对比学习的城市交通流量预测方法和设备技术

本发明专利技术公开了一种基于迁移对比学习的城市交通流量预测方法和设备，方法包括预测模块、源数据对比学习模块和目标数据对比学习模块；预测模块基于源城市数据和目标城市数据进行迁移学习，即首先利用编码器捕获输入数据特征，然后采用三维卷积层和MMD来进行迁移学习，最后通过注意力机制同时引入外部因素进行预测；两个对比学习模块基于增强处理前数据相对于增强处理后的正对和负对数据的相关性，尽可能提高与正对数据的相似性，减少与负对数据的相似性，实现采用对比学习自监督地学习目标数据和源数据的特征来辅助预测目标城市交通流量。本发明专利技术综合迁移学习和对比学习的优点，提高交通流量综合预测模型的泛化能力，进一步提高预测精度。高预测精度。高预测精度。

【技术实现步骤摘要】
一种基于迁移对比学习的城市交通流量预测方法和设备


[0001]本专利技术主要涉及城市计算和智能交通领域，具体涉及一种基于迁移对比学习的城市交通流量预测方法和设备，主要研究基于两个城市的私家车运动数据进行城市功能区交通流量变化预测。

技术介绍

[0002]近年来，城市的发展带来很多问题，其中一个问题就是车辆过多带来的交通问题。建模寻找城市交通流量变化规律不仅对交通管理至关重要，而且对能源消耗、城市增长、城市规划、卫生防疫等问题的研究也至关重要。
[0003]目前城市交通流预测主要采用深度学习方法，然而，基于深度学习的方法通常需要大量的训练数据。然而，在实际应用中，由于数据收集机制(如低采样率)、数据隐私问题和低城市开发水平等各种原因，时空数据可能会很稀缺。由于训练数据不足，它们的表现可能会显著下降。此外，这些模型是专门为一种特定的数据类型设计的，很难推广到处理其他类型的时空数据。
[0004]因此，提出能够解决数据稀缺问题的城市交通流预测模型是十分必要的。

技术实现思路

[0005]针对目前城市交通流预测存在的数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移对比学习的城市交通流量预测方法，其特征在于，包括：步骤1，获取源城市和目标城市在预设历史时间段内的时空交通流量数据，其中源城市的时空交通流量数据的数据量稠密，目标城市的时空交通流量数据的数据量稀疏；步骤2，将源城市和目标城市的时空交通流量数据分别作为源数据和目标数据；步骤3，对源数据和目标数据进行增强处理，分别得到源增强数据和目标增强数据；步骤4，使用编码器分别对源数据、目标数据、源增强数据和目标增强数据进行编码；步骤5，将编码的源数据和目标数据输入预测模块，利用最大平均偏差MMD在二者卷积的过程中进行调节，将源数据的知识迁移到目标数据中，最后通过注意力机制并引入外部因素来进行预测输出，得到第一个损失函数；步骤6，将编码的源数据和源增强数据输入源数据对比学习模块，对二者进行非线性变换，最大化正对相似度同时最小化负对相似度来自监督学习源数据的特征，得到第二个损失函数；步骤7，将编码的目标数据和目标增强数据输入目标数据对比学习模块，对二者进行非线性变换，最大化正对相似度同时最小化负对相似度来自监督学习目标数据的特征，得到第三个损失函数；步骤8，整合三个损失函数得到总损失函数，并通过总损失函数训练由编码器、预测模块和两个对比学习模块构成的整体模型；步骤9，获取源城市和目标城市当前的时空交通流量数据，利用训练得到的编码器对其进行编码，再利用训练得到的预测模块预测目标城市未来的交通流量。2.根据权利要求1所述的城市交通流量预测方法，其特征在于，所述时空交通流量数据，是从城市私家车的GPS和OBD数据中提取停留点数据并统计交通流量得到，具体地：从城市私家车的GPS和OBD数据中提取停留点数据，所述停留点数据至少包括经纬度信息和时间戳；将源城市和目标城市划分为m
×
n的网格地图，每个网格被定义为一个单元区域，所有的网格组成一个单元区域集R＝{r
1,1
,
…
,r
i,j
,
…
,r
m,n
}，其中r
i,j
是指网格地图的第i行第j列的单元区域；将一天24小时均匀划分为k个时间戳，基于停留点数据统计源城市和目标城市每个单元区域k个时间戳的车辆交通流量，将t时间戳的网格地图每个单元区域的车辆交通流量用矩阵X
t
∈R
m
×
n
表示，将当天k个时间戳的车辆交通流量数据表示为三维张量设置统计天数为d天，d天的车辆交通流量序列可以表示为四维张量将统计天数多的源城市的表示为四维张量的交通流量序列，记为源城市的时空交通流量数据将统计天数少的目标城市的表示为四维张量的交通流量序列，记为目标城市的时空交通流量数据3.根据权利要求1所述的城市交通流量预测方法，其特征在于，对源数据和目标数据进行数据增强操作的方式包括：输入输入掩蔽、短期移位操作、长期移位操作；(1)输入掩蔽：
(2)短期移位操作：(3)长期移位操作：其中，表示城市在t时间戳第i行第j列的单元区域交通流量大小，表示对进行增强操作后的交通量大小；V～U(0,1)是一个随机矩阵，r是一个设定的0和1范围内的随机数，λ和α均表示0和1范围内的参数。4.根据权利要求1所述的城市交通流量预测方法，其特征在于，所述编码器由CNN和LSTM堆叠而成，CNN用于捕获时空交通流量数据的空间相关性，LSTM用于捕获时空交通流量数据的时间相关性；所述编码器对源数据目标数据源增强数据和目标增强数据编码分别表示为：编码分别表示为：编码分别表示为：编码分别表示为：式中，CNNLSTM表示编码器，分别为和经过编码器编码后的输出。5.根据权利要求1所述的城市交通流量预测方法，其特征在于，步骤5中所述的预测模块包括两部分：卷积迁移学习部分和注意力机制预测输出部分；首先进入卷积迁移学习部分，通过...

【专利技术属性】
技术研发人员：肖竹，张天儒，蒋洪波，曾凡仔，刘代波，
申请(专利权)人：湖南大学深圳研究院，
类型：发明
国别省市：