基于域适应的跨模式交通流量预测方法

本发明属于模式分析，特别是一种基于域适应的跨模式交通流量预测方法。

背景技术：

1、随着智能交通系统的不断完善和发展，遍布各种交通工具的传感器所收集的城市数据(如车辆经纬度、行驶速度等)为智慧城市的构建提供了坚实的数据基础。同时随着智能手机的普及，海量的蜂窝数据以及gps数据使得城市计算得到更加深入的研究。基于海量的城市交通出行数据，可以从多个方面挖掘城市特征，并开发多种城市计算应用如流量预测、个性化推荐、交通拥堵预测等。

2、交通流量预测是城市计算的重要组成部分，在城市计算中发挥着至关重要的作用，目前受到了学者和城市规划人员的广泛关注，并且在这一方面已有很多研究和工作。但是，大部分工作仍囿于同一地区或城市。在区域数据资源丰富的情况之下，这种工作确实是具有显著效果的，同一区域内部在宏观上拥有非常高的相似性，无论是在地理空间特征、天气情况，还是路网分布、交通结构分布上，这是同一区域做机器学习的天然优势。相比之下，基于跨城市数据的交通流量预测工作并不是很充足。

3、由于部分城市在数据收集方面存在困难，且数据质量参差不齐，同时城市环境复杂多变且高度动态，如何利用那些数据量丰富的城市数据来有效辅助目标城市的流量预测，成为了一个既具挑战性又至关重要的问题。对于发展中城市区域的居民、城市规划者以及旅行者而言，准确的移动流量预测在缓解交通拥堵、降低能耗、提升市民生活质量等方面均发挥着举足轻重的作用。因此，能够开发出一种有效的跨模式交通流量数据预测方法，具有极大的实际应用价值和深远的社会意义。

技术实现思路

1、本发明的目的在于针对上述现有技术存在的问题，提供一种基于域适应的跨模式交通流量预测方法，利用迁移学习中域适应方法，结合神经网络技术，提出一种动态时空特征匹配方法来更充分地进行共享知识迁移，以做到更好地预测数据稀缺城市的移动出行流量。

2、实现本发明目的的技术解决方案为：一种基于域适应的跨模式交通流量预测方法，所述方法包括以下步骤：

3、步骤1，获取源城市区域s和目标城市区域t的数据，并进行预处理以消除噪声数据；

4、步骤2，将城市区域d划分成ld×wd的网格子区域r，并根据对应区域数据构建区域的张量及矩阵，包括出行流量张量xd、城市兴趣点数据矩阵poid、城市路网数据矩阵roadd；

5、步骤3，对出行流量张量进行数据增强，通过数据折叠的方法分别获得源城市区域s和目标城市区域t的共轭样本与

6、步骤4，利用源区域数据预训练流量预测模型θs，作为目标城市模型的预模型；

7、步骤5，利用多层过滤技术，根据源城市区域和目标城市区域的兴趣点特征和路网结构特征，获得空间的共享知识，将与目标城市区域不相似的源城市区域进行过滤；对每个目标城市子区域r，得到过滤后的区域集合setr；

8、步骤6，计算源城市区域和目标城市区域的交通流量的相似性，结合空间共享知识，对于每个目标城市区域，在每个时段匹配其最相似的源城市区域,得到最终的匹配矩阵mmatch；

9、步骤7，通过不断更新模型参数进行迁移学习，并训练针对目标城市区域的预测模型θt，从而对目标城市出行流量进行预测。

10、进一步地，步骤1中所述城市数据包括：

11、历史出行轨迹数据，包括出行轨迹的起止点的经纬度位置，以及对应的时间；

12、城市兴趣点数据，包括兴趣点名称、类别、位置；

13、路网结构数据，包括道路的等级和密度特征。

14、进一步地，步骤1中对数据进行预处理以消除噪声数据，具体包括：

15、步骤1-1，若某一条数据记录中的某一特征存在空值，将该条数据删除；

16、步骤1-2，对剩余的数据进行降维处理，删除其中的离群点数据；

17、步骤1-3，对剩余的数据进行归一化处理，并将天气温度数据处理成独热值数据。

18、进一步地，步骤2中所述出行流量张量xd、城市兴趣点数据矩阵poid、城市路网数据矩阵roadd，计算公式分别为：

19、

20、

21、

22、式中，xd表示区域d的出行流量张量，xr,t表示子区域r在t时刻的流量；poid表示区域d的兴趣点矩阵，poir表示子区域r的兴趣点数据；roadd表示区域d的路网结构矩阵，roadr表示子区域r的路网结构数据；rd是区域d的所有子区域r的集合，td表示时间集合，是矩阵的维度；所述区域d为源城市区域s或目标城市区域t。

23、进一步地，步骤3中共轭样本与的计算公式分别为：

24、

25、

26、式中，表示子区域r的出行流量张量xr的正样本，表示子区域r的出行流量张量xr的负样本，xr.max表示子区域r的流量张量的最大值，xr.min表示子区域r的流量张量的最小值。

27、进一步地，步骤4所述利用源区域数据预训练流量预测模型θs，作为目标城市模型的预模型，具体包括：

28、步骤4-1，通过源城市区域数据构建模型的输入数据xinpiut，公式如下：

29、

30、其中，是源城市区域s的出行流量张量的正样本，是源城市区域s的出行流量张量的负样本，pois是源城市区域s中的兴趣点矩阵，roads是源城市区域s中的路网信息矩阵，是张量和矩阵的拼接操作；

31、步骤4-2，将所述输入数据xinpiut通过卷积神经网络模型进行前向传播，得到预测损失；

32、其中，损失函数如下：

33、

34、其中，et,r为t时刻子区域r的流量真实值，为t时刻子区域r的流量预测值，n为数据样本数量，为损失函数值；

35、步骤6-3，重复执行步骤6-1至步骤6-2，对每次计算得到的损失函数值进行参数优化直至满足预设要求，最终训练得到预模型。

36、进一步地，步骤5中具体利用空间特征过滤技术对源区域进行过滤，计算公式为：

37、apoi＝{corr(poir,poir’)|r’∈rs,r∈rt}

38、

39、

40、

41、式中，corr(poir,poir’)为目标城市子区域r和源城市子区域r’的兴趣点的pearson相关性，corr(roadr,roadr’)为目标城市子区域r和源城市子区域r’的路网结构特征的pearson相关性，apoi和aroad分别是基于兴趣点特征和路网结构特征的区域相关性矩阵；set_poir是源城市区域中具有与目标城市区域相似poi特征的区域集合，set_roadr是源城市区域中具有与目标城市区域相似poi和路网结构特征的区域集合；和分别是源城市子区域r′和目标城市子区域r的兴趣点、路网相关性；和分别是源城市中所有区域与目标城市子区域r之间的相关性，和分别是城市区域间兴趣点相关性和道路结构相关性的平均值；rs和rt分别是源城市和目标城市的所有子区域r的集合。

42、进一步地，步骤6具体包括：

43、步骤6-1，计算源城市区域和目标城市区域的流量相关性：

44、aflow＝{corr(xr,t,xr’,t)|r∈rt,r’∈set_roadr,t∈td}

45、其中，corr(xr,t,xr’,t)表示源城市子区域r和目标城市子区域r’在时间集合td上的流量的pearson相关性，aflow是两城市区域间的流量相关性矩阵；

46、步骤6-2，使用动态时空特征匹配技术为每个目标城市进行区域匹配：

47、

48、其中，是源城市子区域r'和目标子区域r的流量相关性，是目标城市子区域r与set_roadr中的源城市子区域的流量相关性绝对值的最大值，是最终的区域匹配矩阵。

49、进一步地，步骤6还包括：

50、若目标域对于源域呈现负相关性，则将目标域的正样本与负样本在子区域级上进行对调，具体公式如下：

51、

52、其中r∈rt,分别表示t时刻目标城市子区域r对应的正样本和负样本，代表与目标城市子区域r在t时刻匹配到的源城市子区域r'。

53、进一步地，步骤7所述通过不断更新模型参数进行迁移学习，并训练针对目标城市区域的预测模型θt，从而对目标城市出行流量进行预测，具体包括：

54、步骤7-1，利用预模型θs提取源城市区域和目标城市区域的区域潜在特征

55、步骤7-2，构建如下所示的目标函数，代表模型对于迁移学习和流量预测的损失：

56、

57、

58、

59、其中，

60、

61、

62、

63、式中，ρ是目标城市子区域r和其对应的匹配区域r'的流量相关性，和分别是目标城市子区域r和源城市子区域r'在t时刻的正样本的潜在特征表示，和分别是目标城市子区域r和源城市子区域r'在t时刻的负样本的潜在特征表示，yr,t是目标城市子区域r在t时刻的真实流量，是目标城市子区域r在t时刻的用正样本为输入、预模型为正模型获得的预测流量，是目标城市子区域r在t时刻的用负样本为输入、预模型为负模型获得的预测流量；w1和w2分别是正模型和负模型在迁移损失和预测损失之间的权重，w是共轭模型在正模型和负模型的损失权重，lossmatch是对于共享知识进行迁移时的损失，losstarget是对目标域少量样本直接预测的损失；

64、通过反向传播减小预测值和真实值的误差更新模型参数，由此获得训练后的预测模型θt；

65、步骤7-3，针对待预测移动出行流量的目标城市，执行步骤1至步骤2，并结合训练后的预测模型θt，得到人群流量预测结果。

66、本发明与现有技术相比，其显著优点为：

67、1)本发明通过数据折叠的处理方法进行数据增强，达到了即便城市数据较为稀缺依然能够精准地预测城市的移动流量。

68、2)本发明利用多层区域匹配算法，能获得子区域上更加精细的数据迁移效果。

69、3)本发明通过共轭样本与共享知识的融合、协同训练，面对城市发展不均衡以及数据源多样化的问题，可以有效地实施迁移学习策略，进而达到了将负迁移的影响降到最低的目的。

70、4)总体上，本发明通过基于域适应的跨模式交通流量预测方法，解决了交通数据异构、数据量稀缺、难以进行数据迁移的问题。

71、下面结合附图对本发明作进一步详细描述。