[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

说明书

本发明公开了一种基于多任务多视图学习模型的短时交通预测方法，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；步骤二，构建多核学习模型；步骤三，采用多任务多视图特征学习模型，构建目标函数；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。本方法实现了短时交通的高效预测，解决了时空异质性和模型的全局预测能力无法达到均衡的问题，解决了模型的参数优化问题，可以广泛应用于城市规划、人员流动调查、汽车导航、应急响应、时空可达性分析和交通污染建模。

技术领域

本发明涉及一种短时交通预测方法，尤其涉及一种基于多任务多视图学习模型的短时交通预测方法，属于信息技术服务领域。

背景技术

随着传感器网络、移动定位、无线通讯、移动互联网、高性能计算与存储技术的不断发展与普及，出现了一系列带有位置标签的时间序列数据，称为时空数据。这些时空数据中蕴含着丰富且有用的信息和知识需要被自动挖掘，从而催生了时空数据挖掘技术的不断发展。交通作为一种典型的时空数据，成为时空建模技术的试验场，许多时空建模技术运用交通相关的应用。而时空短时交通预测作为时空数据挖掘家族中的一大类，在最近几年受到广泛的关注。

然而，在城市交通时空自相关和时空异质性的背景下，现有的时空短时交通预测模型依然存在诸多缺点：1)在建模过程中，现有方法将每个地理单元(道路片段或子区域)当作单独的预测任务，而忽略地理单元之间全局相关性，使得现有方法的合理性存在欠缺。2)受时空异质性的约束，现有时空建模方法需要针对每个地理单元单独建模，使得模型在训练完之后，得到一组预测模型的集合。并且，对于未经训练的地理单元，需要重新拟合参数，这就使得时空异质性和模型的全局预测能力无法达到均衡。3)现有时空预测模型在训练过程中，通常采用格网搜索的方法来确定模型的超参数。模型的训练时间通常随参数个数呈指数增长，并且难以确定最优的模型结构。为了解决以上的问题，本发明基于粒子群算法，整合多任务多视图特征学习模型实现了短时交通的高效预测。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于多任务多视图学习模型的短时交通预测方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于多任务多视图学习模型的短时交通预测方法，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；