一种基于预训练模型的跨城市交通流预测方法技术

本发明专利技术涉及一种基于预训练模型的跨城市交通流预测方法，属于信息技术领域，包括：对数据源城市的长交通流序列进行切片，并将其作为预训练阶段的输入，预训练阶段通过采用掩码自动编码策略进行训练；对数据源城市的交通流序列进行预训练以生成段级表示，并从段级表示中学习数据源城市节点之间的依赖关系，得到一个包含数据源城市道路状况的离散依赖图；将目标城市中的交通流序列输入到时空预训练模型中并结合数据源城市训练得到的段级表示，得到最终的预测结果。本发明专利技术能够充分利用Transformer的并行计算优势，有效地从非常长期的历史交通数据中学习和生成段级表示源城市，为下游数据稀缺城市提供丰富的时空信息。

【技术实现步骤摘要】

本专利技术涉及信息，尤其涉及一种基于预训练模型的跨城市交通流预测方法。

技术介绍

1、随着城市的快速发展，交通预测扮演着越来越重要的角色，准确的交通预测能够有效处理日益增多的车辆和城市有限空间之间的矛盾；提高城市出行效率，加强对道路交通的实时管理，是智能交通系统的核心技术。智能交通系统能够极大地改善交通环境，它结合了物联网和智能算法，分别用于从多个来源收集数据和信息处理，以提高交通流的效率。

2、近年来，随着深度学习的不断发展，许多基于深度学习的算法在交通流预测领域取得了令人瞩目的成就。但不足的是，这些性能优异的模型存在不可忽视的问题。具体来说，这些方法的优异性能依赖于在实际应用中可能无法访问的大规模训练数据。在实践中，数据隐私原则和数据收集的高成本等问题不可忽视。

3、近年来，预训练模型因其强大的迁移学习能力引起了视觉领域的关注。mae使用去噪自动编码器来有效地预训练大型模型，而不需要大量带注释的数据。虽然预训练模型可以提高模型的泛化和鲁棒性，但在交通领域尚未得到广泛应用；而且，基于深度学习的方法往往依赖于大规模的训练数据，这些方本文档来自技高网...

【技术保护点】

1.一种基于预训练模型的跨城市交通流预测方法，其特征在于：所述预测方法包括：

2.根据权利要求1所述的一种基于预训练模型的跨城市交通流预测方法，其特征在于：所述步骤一包括：

3.根据权利要求2所述的一种基于预训练模型的跨城市交通流预测方法，其特征在于：所述A1步骤包括：

4.根据权利要求3所述的一种基于预训练模型的跨城市交通流预测方法，其特征在于：所述A2步骤包括：

5.根据权利要求4所述的一种基于预训练模型的跨城市交通流预测方法，其特征在于：所述A3步骤包括：

6.根据权利要求3所述的一种基于预训练模型的跨城市交通流预测方法，...

【技术特征摘要】

1.一种基于预训练模型的跨城市交通流预测方法，其特征在于：所述预测方法包括：

2.根据权利要求1所述的一种基于预训练模型的跨城市交通流预测方法，其特征在于：所述步骤一包括：

3.根据权利要求2所述的一种基于预训练模型的跨城市交通流预测方法，其特征在于：所述a1步骤包括：

4.根据权利要求3所述的一种基于预训练模型的跨城市交通流预...

【专利技术属性】
技术研发人员：鲜佳君，李泽权，杨丹，林之喆，周腾，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：