【技术实现步骤摘要】
本专利技术属于交通流量预测，尤其涉及一种数据知识联合驱动的交通流量预测方法。
技术介绍
1、城市道路交通流量预测是一个经典的时空序列预测问题，它需要对包含时间依赖性和空间依赖性的时空大数据进行分析和建模。城市时间序列不仅具有复杂的空间关系，还呈现出动态演化和多模态发展的特点，并受到不确定性和突变性等外部因素的影响。如何深入分析城市交通流量序列数据的高维、非线性、时间关系和动态变化规律，并在此基础上构建合理有效的数据挖掘方法，是当前研究的一个热点问题。
2、随着计算机硬件技术的进步，获取强大的算力和存储空间成本变得越来越低，神经网络模型越来越庞大，模型效果也越来越好。但是，有学者认为神经网络不应该只靠硬件来支撑，如果能在深度学习中加入现有的科学知识，就可以用更少的资源得到更高精度的结果，提高经济效率。一般来说，知识可以从以下几个方面融入：在数据预处理时加入额外知识；在机器学习模型构建时结合知识；在模型优化时用知识设计合适的惩罚和激励等。然而这些方法大多属于数据驱动的模型，其预测精度依赖于训练数据的真实性与多样性，未能与知识结合...
【技术保护点】
1.一种数据知识联合驱动的交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的数据知识联合驱动的交通流量预测方法，其特征在于，所述步骤S1包括以下步骤：
3.根据权利要求2所述的数据知识联合驱动的交通流量预测方法，其特征在于，所述交通路网关系中邻接矩阵的表达式如下：
4.根据权利要求1所述的数据知识联合驱动的交通流量预测方法，其特征在于，所述S2包括以下步骤：
5.根据权利要求4所述的数据知识联合驱动的交通流量预测方法，其特征在于，所述步骤S202包括以下步骤：
6.根据权利要求5所述的数据...
【技术特征摘要】
1.一种数据知识联合驱动的交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的数据知识联合驱动的交通流量预测方法，其特征在于，所述步骤s1包括以下步骤：
3.根据权利要求2所述的数据知识联合驱动的交通流量预测方法，其特征在于，所述交通路网关系中邻接矩阵的表达式如下：
4.根据权利要求1所述的数据知识联合驱动的交通流量预测方法，其特征在于，所述s2包括以下步骤：
5.根...
【专利技术属性】
技术研发人员：胡节，王语雁，杜圣东，李天瑞，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：
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。