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)的居民出行需求预测算法，能对未来多个时间片的出行需求做出准确预测。公告号为CN112801355B的中国专利技术专利公开了一种基于长短期时空数据多图融合时空注意力的数据预测方法，通过构建站点距离图、城市功能相似性图、站点邻接图进行多图融合卷积可捕获空间多重静态相关性，基于空间注意力机制获取空间动态相关性，能够推断未来时刻不同天气环境下各站点多步长客流。公开号为CN111626490A的中国专利技术专利公开了一种基于对抗学习的多任务城市时空预测方法，利用基于Seq2Seq生成对抗网络的多任务城市人流预测方法，将整个路网的城市人流数据建模成张量矩阵，加入对外部数据的考量，实现了对城市级别的多任务人流预测。
[0005]尽管现有的预测方法有效建模了历史城市时空数据中的时空相关性，其仍存在两个主要的局限性。一方面，在时域上，历史观测数据与未来预测间存在混杂因素。例如，在出租车需求预测任务中，区域的功能属性作为观测数据与未来预测的共因，在两者间建立虚假相关性。模型若在统一的参数空间下提取时域特征，则会生成偏向于表达频繁出现的需求量模式的时域表示，在数据稀疏区域上预测效果欠佳。另一方面，在空域上，现存方法缺乏对节点间潜在因果关系的挖掘。在图卷积的消息传递过程中，模型会在非因果关联节点间引入空域虚假相关性的影响，而为具有不同需求量模式的节点构建相似的空域特征，进而给出错误的预测。

技术实现思路

[0006]基于现有技术中的不足，本专利技术充分考虑了稳定的因果关系，提出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，从而有效减小了预测误差并提高了模型的鲁
棒性。
[0007]本专利技术的技术方案具体如下：一种基于混杂感知与因果去偏的城市时空数据预测方法，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（CADN），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。
[0008]优选的，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。
[0009]优选的，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。
[0010]优选的，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。
[0011]优选的，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N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。
[0012]优选的，所述时域因果去偏模块获得的时域因果特征如下：=BatchNorm其中，t表示第t个时段，BatchNorm表示批归一化操作，表示第k类区域第t个时段提取的时域因果特征，代表在节点维度上的矩阵拼接操作；其中，其中，其中，其中，
其中，表示sigmoid激活函数，、、、、和均为可学习权重，表示第k类区域第t个时段的历史城市时空数据，表示tanh激活函数，表示矩阵的逐元素乘法，表示第k类区域第t
‑
1个时段提取的时空因果特征，为初始化零矩阵。
[0013]优选的，所述空域因果传递模块包括基于因果传递矩阵构建的因果传递网络，将时域特征转化为符合因果关联的时空因果特征。
[0014]优选的，所述空域因果传递模块中的因果传递矩阵如下：其中，为第t个时段内所有区域的原因嵌入矩阵，为第t个时段内所有区域的结果嵌入矩阵，为第t个时段内的区域嵌入向量维度；第t个时段内的因果传递过程如下：其中，为可学习的权重矩阵；第t个时段内的时空因果特征提取如下：其中，中u={1,2}，为基于先验知识构建的距离图所对应的邻接矩阵，表示各区域间的距离关系，其中第i行，第j列的元素为区域i与区域j的距离，为基于先验知识构建的交互图所对应的邻接矩阵，表示各区域间的交互关系，其中第i行，第j列的元素为区域i到区域j的城市时空数据与区域i内城市时空数据的比值，i={1,2,
…
N}，j={1,2,
…
N}，且，是图卷积网络权重。
[0015]优选的，所述融合预测模块以多个串联的时空因果特征提取模块的输出为输入，利用堆叠的全连接层和Relu激活函数生成城市时空数据预测结果。
[0016]相比于现有技术，本专利技术的有益效果在于：（1）本专利技术提供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，该方法从城市时空数据的历史观测数据中估计了潜在的时域混杂因素，为消除时域虚假相关性提供了基础；（2）本专利技术提供的基于混杂感知与因果去偏的城市时空数据预测方法，利用因果干预消除了时域上的混杂偏倚，能够获取无偏的时域因果特征，有效地提升了预测的准确性；（3）本专利技术提供的基于混杂感知与因果去偏的城市时空数据预测方法，通过学习区域间的空间因果传递矩阵，并定义空间因果传递过程，消除了非因果关联节点间的空域虚假相关性，有效地提升了预测的准确性。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图可以更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，对于本领域普通技术人员本文档来自技高网...

【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：