【技术实现步骤摘要】
本专利技术涉及交通流数据插补与预测，特别是涉及一种基于多任务预训练微调范式的交通流数据插补与预测方法。
技术介绍
1、对未来交通流态势进行准确预测，合理规划交通流运行，成为缓解交通拥堵的重要途径之一。
2、然而，传统的交通流预测方法往往无法有效应对数据缺失的情况，这限制了它们在实际场景中的应用。数据缺失可能由于各种原因产生，如传感器故障、网络通信问题或数据采集不完整等。
技术实现思路
1、为了解决上述现有技术存在的问题，本专利技术的目的是提供一种基于多任务预训练微调范式的交通流数据插补与预测方法，旨在提高模型对数据缺失的鲁棒性，提交交通流预测的准确性，以更好的帮助交通管理者规划交通流的运行并减少交通拥堵。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于多任务预训练微调范式的交通流数据插补与预测方法，包括：
4、获取交通流数据；分析提取交通流数据的时间特征和空间特征；
5、数据缺失模式归类：根据所述数据缺失模式对所述交通流数据进行归类；所述数据缺失模式包括：完全随机缺失模式、点位缺失模式和时间戳缺失模式；
6、通过归类结果对所述交通流数据进行相应掩码，生成带有缺失值的扰动数据，利用所述扰动数据训练混合模型；所述混合模型包括：插补子模型和交通流预测子模型；
7、在训练所述混合模型过程中，依次进行对比学习和自适应学习，并进一步微调模型参数，获取最优混合模型，利用所述最优混合模型进行交通流数据
8、可选地，预设所述完全随机缺失模式包括：
9、
10、其中，xij表示在第i个节点和第j个时间步的数值，表示随机屏蔽后的交通流值，uij表示在0到1的区间内服从均匀分布的随机数，rrm表示决定删除掉数值比例的超参数，rm表示随机缺失函数。
11、可选地，预设所述点位缺失模式包括：
12、
13、其中，xi:∈rn表示在第i个节点的完整交通流数据，表示经过节点缺失模式干扰后的数据，rnm表示确定节点缺失比例的超参数，nm表示点位缺失函数。
14、可选地，预设所述时间戳缺失模式包括：
15、
16、其中，xi:j,u:v∈rn×t表示从第i个节点到第j个节点以及从第u个时间戳到第v个时间戳的连续完整交通流矩阵，表示经过块状缺失后的矩阵，rbm表示确定时间戳缺失比例的超参数，bm表述块状缺失函数。
17、可选地，利用所述扰动数据训练混合模型包括：
18、将所述扰动数据输入至所述训练混合模型的编码器，提取所述扰动数据中的时空关联性；所述编码器包括：扩张因果卷积模块和图卷积模块；
19、将具备时空关联性的扰动数据输入所述插补子模型，对所述扰动数据进行数据重建，输出插补结果；所述插补子模型包括：多层感知器；
20、将所述插补结果输入混合模型的解码器，即所述交通流预测子模型，对所述插补结果进行交通流预测。
21、可选地，对所述插补结果进行交通流预测包括：
22、
23、其中，是有缺失的数据，fθ是编码器，是隐藏表示，grup(*)是用于预测任务的解码器，是预测值，其值应尽可能接近实际未来的交通流量值y。
24、可选地，利用所述对比学习训练所述混合模型包括：
25、通过两层多层感知机参数化的推断模型进行对比学习训练所述混合模型：
26、利用在线网络和目标网络将目标周期数据在目标特征维进行叠加，利用多个由缺失数据模式生成的掩码和基于叠加后的目标周期数据的投影梯度下降算法，生成增强的噪声，根据所述噪声，获取模型的周期性输入数据；
27、通过所述周期性输入数据，训练所述混合模型，学到相同输入在不同缺失模式下的相似性。
28、可选地，利用所述自适应学习训练所述混合模型包括：
29、基于距离的邻接矩阵、语义邻接矩阵和两个节点嵌入矩阵建立自适应图；所述自适应图表示交通网络的空间关联性；所述自适应图包括：距离图、语义图和参数化图；
30、根据所表示的交通网络的空间关联性训练所述混合模型。
31、可选地，微调所述模型参数包括：
32、微调所述插补子模型包括：
33、
34、其中，λ1表示梯度更新的步长，θ'p表示θ与θp的组合，表示θ'p的下降梯度，fθ()表示模型的编码器，grup表示用于预测的解码器，表示生成的掩码数据，yi表示目标值，表示模型的重构损失；
35、微调所述交通流预测子模型包括：
36、
37、其中，θ'r表示θ和θr的组合，λ2表示梯度更新的步长，表示θ'r的下降梯度，表示模型的重构损失，grur表示用于重构的解码器，fθ()表示模型的编码器，表示生成的掩码数据，yi表示目标值。
38、本专利技术的有益效果为：
39、本专利技术采用多任务预训练微调范式来解决传统方法在数据缺失方面的限制；在预训练阶段，模型通过模拟不同缺失模式下的数据干扰，并同时学习多个任务，以获取具有泛化性的特征表示；随后，在微调阶段，将预训练阶段学到的特征迁移到特定的数据缺失模式下，以完成数据插补或预测任务。本专利技术具有较高的训练效率和良好的模型泛化性能，在不同的数据缺失模式下能够实现精准的交通流插补和预测。
40、本专利技术保证模型对数据缺失有足够的鲁棒性，帮助模型学习鲁棒的隐层表征，只经过短时间的微调，模型可以迁移到在特定的缺失模式和任务上并具有良好的模型表现。有助于拓展真实场景中的交通流插补和预测任务的应用。
41、本专利技术采用了多任务预训练微调范式，以应对不同的数据缺失模式。在预训练阶段，模型通过模拟不同缺失模式下的数据干扰，并同时学习多个任务，以获取具有泛化性的特征表示，在微调阶段，预训练阶段学到的特征表示被迁移到特定的数据缺失模式下，以完成数据插补或预测任务。相较于传统方法，本专利技术不仅在不同的数据缺失模式下能够实现精准的交通流预测，而且具有较高的训练效率和良好的模型泛化性能。因此，本专利技术在解决交通拥堵问题上具有重要的应用前景和社会意义。
本文档来自技高网...【技术保护点】
1.一种基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，预设所述完全随机缺失模式包括：
3.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，预设所述点位缺失模式包括：
4.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，预设所述时间戳缺失模式包括：
5.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，利用所述扰动数据训练混合模型包括：
6.根据权利要求5所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，对所述插补结果进行交通流预测包括：
7.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，利用所述对比学习训练所述混合模型包括：
8.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，利用所述自适
9.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，微调所述模型参数包括：
...【技术特征摘要】
1.一种基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，预设所述完全随机缺失模式包括：
3.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，预设所述点位缺失模式包括：
4.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，预设所述时间戳缺失模式包括：
5.根据权利要求1所述的基于多任务预训练微调范式的交通流数据插补与预测方法，其特征在于，利用...
【专利技术属性】
技术研发人员：欧居尚，李振龙，曲彦菘，李章熇，
申请(专利权)人：四川警察学院，
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。