[发明专利]一种基于多任务多视图学习模型的短时交通预测方法

权利要求书

1.一种基于多任务多视图学习模型的短时交通预测方法，其特征在于：所述短时交通预测方法包括如下步骤：

步骤一，针对每个道路片段单独构建时空数据模型；

时空数据模型包含空间维度和时间维度，其中，空间维度表示影响目标道路片段的空间邻居的数目，时间维度表示影响当前时刻的历史交通条件的时间窗口长度；

利用互相关函数获取空间邻居以刻画空间维度，同时，按照时间顺序堆叠每个时间间隔的时空状态矩阵，则可得到三维的时空张量，包括时空邻近张量、时空周期张量和时空趋势张量，然后对构建的三个时空张量分别按照设定的历史天数，训练天数和测试天数进行划分，则可得到历史时空张量、训练时空张量、测试时空张量用于短时交通预测模型的构建，以表征每个道路片段所有历史时刻的交通条件，并最终获得时空邻近视图、时空周期视图、时空趋势视图；

步骤二，构建多任务多视图学习模型；

采用STKNN模型作为核函数，分别对步骤一获得的时空邻近视图、时空周期视图、时空趋势视图的结果进行预测，然后将每个视图的预测结果进行高层的语义映射，作为时空多任务多视图学习模型的输入特征；

步骤三，采用多任务多视图特征学习模型，构建目标函数；

根据步骤二得到的输入特征，同时将每个道路片段交通条件的预测当作一个任务，使得每个任务具有一致的特征维度，采用多任务多视图特征学习模型来学习任务之间的相关性和视图之间的一致性，同时限制所有道路片段选择一组共享特征，从而实现目标函数能对整个道路网络交通条件的同步预测；

步骤四，引入粒子群算法，对步骤三获得的目标函数进行优化；

步骤五，对于任意道路片段重复步骤一和步骤二以获得输入特征，将输入特征带入到优化后的目标函数，实现对任意道路片段进行短时交通预测。

2.根据权利要求1所述的基于多任务多视图学习模型的短时交通预测方法，其特征在于：步骤一种所述互相关函数ccf_u，l(φ)表示为公式Ⅰ：

其中，φ表示时间延迟，时间延迟E表示期望值运算符，为道路片段u在时间间隔t的交通条件，表示道路片段l在时间间隔t的交通条件，表示道路片段l在时间间隔t+φ的交通条件，μ_u和μ_l分别为和的均值，为道路片段u的历史交通条件时间序列,为道路片段l的历史交通条件时间序列。

3.根据权利要求1所述的基于多任务多视图学习模型的短时交通预测方法，其特征在于：步骤三中目标函数П(W)表示为公式Ⅶ：

其中，表示使得目标函数∏(W)取最小值的权重矩阵W，y_l表示道路片段l预测值的真实值的特征向量，X_lw_l表示道路片段l的整体特征矩阵和道路片段l的权重向量之间的乘积，表示道路片段l的时空邻近视图的特征向量，表示道路片段l的时空周期视图的特征向量，表示道路片段l的时空趋势视图的特征向量，和分别表示任务l的时空邻近视图的权重、时空周期视图的权重、时空趋势视图的权重，表示2-范数，S_l，m为道路片段l和道路片段m之间的互相关系数，S_l，m的值越大，表明两个道路片段交通条件越相关，图的拉普拉斯正则项使得w_l和w_m更相似，因此可以自动编码空间相关性，w_l表示任务l的权重向量，w_m表示表示任务m的权重向量；用于增强模型的鲁棒性；||W||_2，1表示W的L_2，1范数，使得所有任务自动选择一组共享的决定性特征，可以通过计算W中每一行的L₂范数的和来获得；α，β，为耦合参数，用于调节不同视图不一致的强度，γ用于惩罚不同任务之间映射函数的不一致性，θ用于控制特征的稀疏性，μ为L₂范数正则化参数。

4.根据权利要求1所述的基于多任务多视图学习模型的短时交通预测方法，其特征在于：步骤四中粒子群算法主要包括以下步骤：

1)设定迭代次数，种群规模，初始化所有粒子的位置和速度；

2)训练多任务模型，计算每个粒子的适应度值；

3)利用训练数据的MAPE误差指数作为适应度函数，根据粒子的适度值，确定个体极值位置和群体极值位置；

4)根据公式Ⅷ和公式Ⅸ更新粒子的速度和位置；

所述公式Ⅷ和公式Ⅸ如下所示：

其中，表示第k次迭代过程中第i个粒子的速度，表示第k+1次迭代过程中第i个粒子的速度，表示第k次迭代过程中第i个粒子的个体极值位置，表示第k次迭代过程中第i个粒子在搜索空间的位置，表示第k+1次迭代过程中第i个粒子在搜索空间的位置，G^k表示第k次迭代的种群极值位置，ω为惯性权重，c₁和c₂为加速度因子，r₁和r₂为[0,1]之间的随机数；

5)判断是否达到粒子群算法的终止条件，即是否达到最大迭代次数，如果未达到则返回步骤2),根据更新的粒子速度和位置重新计算粒子的适应度值，更新个体极值和种群极值；如果达到，则以种群极值的位置作为多任务学习模型的最优参数集合。