一种基于混杂感知与因果去偏的城市时空数据预测方法技术

本发明专利技术属于智能城市技术领域，公开了一种基于混杂感知与因果去偏的城市时空数据预测方法。该方法构建了基于混杂感知与因果去偏的深度学习模型（CADN），将历史城市时空数据经过预处理转化为各区域分时段观测数据，输入深度学习模型，对各区域未来城市时空数据进行预测。本发明专利技术的深度学习模型将输入的历史观测数据经时域因果去偏模块提取无偏的时域因果特征，再经过空域因果传递模块提取无偏的时空因果特征，最后经融合预测器输出预测结果。本发明专利技术对于城市中的时空数据预测准确性高，具有鲁棒性。棒性。棒性。

【技术实现步骤摘要】
一种基于混杂感知与因果去偏的城市时空数据预测方法


[0001]本专利技术属于智能城市
，尤其涉及一种基于混杂感知与因果去偏的城市时空数据预测方法。

技术介绍

[0002]智慧城市是利用物联网、云计算等技术，为城市规划、建设、管理提供一种新型的城市建设方式。城市中的时空数据包含了时间特征和空间特征，可以反映城市的变化状态，时间特征反映了对象随时间变化的状态，空间特征则反映了对象的地理位置、几何特征以及空间关系等。
[0003]预测城市时空数据并从中挖掘出有用的知识，是利用数据创造价值的重要途径。它可以帮助解决现代城市发展过程中面临的诸多问题，如交通拥堵、空气污染、能耗增加等等，从而提升城市运行效率，因此，城市时空数据的准确预测是现代城市通向智能化的重要一步。
[0004]在时空数据预测这个前沿领域，深度学习技术给时空数据建模预测提供了全新的研究方向。公开号为CN112785077A的中国专利技术专利公开了一种基于时空数据的出行需求预测方法，利用基于方向角的隐马尔科夫模型对车辆轨迹进行地图匹配，并提出基于门控扩散单元(GDU)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混杂感知与因果去偏的城市时空数据预测方法，其特征在于，包括以下步骤：S1：收集历史城市时空数据，并进行预处理，获得标准数据训练集；S2：构建基于混杂感知与因果去偏的深度学习模型，所述深度学习模型包括多个串联的时空因果特征提取模块以及一个和融合预测模块，每个时空因果特征提取模块包含一个时域因果去偏模块和一个空域因果传递模块；S3：采用S1得到的标准数据训练集对深度学习模型完成训练；S4：利用训练好的深度学习模型对城市时空数据进行预测。2.根据权利要求1所述的城市时空数据预测方法，其特征在于，所述城市时空数据包括：出租车需求量、公交车负载量或地铁客流量。3.根据权利要求1所述的城市时空数据预测方法，其特征在于，所述S1中的预处理为：将待预测地域划分为N个区域，统计各区域内分时段的城市时空数据。4.根据权利要求3所述的城市时空数据预测方法，其特征在于，所述时域因果去偏模块包括潜在混杂估计器部分和因果干预部分；其中，潜在混杂估计器部分通过构建分层矩阵将标准数据分为具有不同混杂因素的聚簇；因果干预部分将各聚簇分别通过独立的门控递归单元，并通过后门调整公式生成无偏的时域特征。5.根据权利要求4所述的城市时空数据预测方法，其特征在于，所述时域因果去偏模块中历史城市时空数据X和预测城市时空数据Y的相关性模型如下：其中，混杂因素C服从离散均匀分布，p表示混杂因素C共包含p类，即将多个区域分为p类，，表示输入第k类区域历史城市时空数据所对应的预测模型，其中，k=1,2,
…
p，表示第k类区域的时域提取模型，表示第k类区域的时域特征，表示第k类混杂因素，表示的共现概率。6. 根据权利要求5所述的城市时空数据预测方法，其特征在于，所述时域因果去偏模块获得的时域因果特征如下...

【专利技术属性】
技术研发人员：邓攀，刘俊廷，裴赟昶，赵宇，汪慕澜，
申请(专利权)人：北京市西城区科学技术和信息化局北京市西城区大数据管理局，
类型：发明
国别省市：