[发明专利]一种基于深度迁移学习的跨城市交通流量联合预测方法

摘要

本发明提出了一种新的深度知识迁移模型来研究时空数据的预测方法，包括三个部分：首先对城市进行区域的划分，用热力图表示城市车流量，把不同时间点的车流数据抽象成“图像帧”。然后采用ConvLSTM的方法，学习数据的空间依赖和时间依赖。最后利用条件最大平均差异测量不同时空数据的分布距离；通过引入条件最大平均差异以减小源域和目标域之间的差异，实现知识迁移的目的。本发明的提出首次同时使用了ConvLSTM和条件最大平均差异的方法，使用迁移学习的思想将其运用于城市车流预测，解决了相似或相关的城市由于数据不足导致的预测困难的问题，提高了预测的准确率，对未来城市的智慧交通系统的建设、交通规划、风险预测等方面具有重大意义。

主权项

1.一种基于深度迁移学习的跨城市交通流量联合预测方法，其主要技术特征包括如下步骤：(1)预处理观测到的数据：基于经纬度将城市划分为一个m*n的方格，用r_i，j表示位于第i行、第j列的方格，定义t时刻r_i，j区域车流的流入Inflow和流出Outflow：其中是处的轨迹，最终将车流的流入和流出组合成一个张量作为整个网络的输入；(2)问题定义：●输入：给定两个相关或相似分布的时空数据集{D1，D2}(例如城市中的自行车流量、出租车流量)，其中D1数据量充裕但D2数据稀疏。D1是一组时空数据样本D1＝{d₁₁，d₁₂，…，d_1t}，其中d_1t是时间t时的数据矩阵，表示t时刻在r_ij位置的时空数据。●输出：将学习的知识从D1迁移到D2，及D1、D2上的预测数据{d_1T，d_2T}^T＝{t+m}。(3)ConvLSTM：对于一般的序列数据建模，LSTM作为一种特殊的RNN结构，在以往的各种研究中已经被证明是稳定而强大的，可以对长期依赖关系进行建模。在ConvLSTM中，输入χ₁，…，χ_t，cell输出C₁，…，C_t，隐藏状态和门i_t，f_t，o_t均为3D tensors，其中它的后两个维度是空间维度(行和列)。为了更好地理解输入和状态，我们可以把它们想象成空间网格上的向量。ConvLSTM通过其本地邻居的输入和过去状态来确定网格中某个单元的未来状态。ConvLSTM的公式如下：(4)采用知识迁移的方法，是在预训练的ConvLSTM的基础上采用CMMD的思想，其中ConvLSTM是基于LSTM的改进，CMMD是MMD方法的改进，整个网络的目标函数分为经验损失和基于多层分布匹配正则化器的CMMD两个部分，如下：其中λ是平衡经验损失和CMMD的一个参数。