[发明专利]交通时空序列单步预测方法、系统及存储介质

说明书

本发明公开了一种交通时空序列单步预测方法、系统及存储介质，使用3D卷积神经网络提取时空特征，未割裂时间特征和空间特征时之间的联系；同时，本发明将交通时空序列的多模态数据之间的影响纳入考虑范围，利用多任务学习提取各模态之间的关联，提高了预测精度。

技术领域

本发明涉及基于3D卷积神经网络和多任务学习的时空序列预测方法，特别 是一种交通时空序列单步预测方法、系统及存储介质。

背景技术

时空序列预测问题可包含交通预测、气象预测、人流预测等，本质上，这些 问题是相似的，都是根据历史序列预测未来一定时间范围内的相关时空状态。

时间序列方法，尤其是类ARIMA模型，最先被应用于时空序列预测。Hamed 等人(M.M.Hamed,H.R.Al-Masaeid,and Z.M.B.Said,“Short-term prediction of trafficvolume in urban arterials,”J.Transp.Eng.,vol.121,no.3,pp.249–254,1995.) 提出使用ARIMA模型来预测城市主干道的交通量。以此为始，研究人员将各种 ARIMA的变体(B.M.Williams,“Multivariate vehicular traffic flow prediction: evaluation ofARIMAX modeling,”Transp.Res.Rec.,vol.1776,no.1,pp.194–200, 2001)应用于交通方面的预测以提高预测性能。另一方面，机器学习方法也被广 泛应用于该领域，Wu等人(C.-H.Wu,J.-M.Ho,and D.-T.Lee,“Travel-time prediction with support vectorregression,”IEEE Trans.Intell.Transp.Syst.,vol.5, no.4,pp.276–281,2004.)将支持向量回归应用于行车时间预测，Zheng等人(W. Zheng,D.-H.Lee,and Q.Shi,“Short-term freeway traffic flow prediction:Bayesian combined neural networkapproach,”J.Transp.Eng.,vol.132,no.2,pp.114–121, 2006.)提出结合贝叶斯与神经网络的模型，对高速公路短期交通流进行预测。 Kuang等人(W.Zheng,D.-H.Lee,and Q.Shi,“Short-term freeway traffic flow prediction:Bayesian combined neural networkapproach,”J.Transp.Eng.,vol.132, no.2,pp.114–121,2006.)提出了一个两层模型，将代价敏感的贝叶斯网络和加 权k近邻模型相结合来预测交通事故的持续时间。这些方法侧重于交通数据的时 间相关性，而忽略了交通数据的空间相关性。然而，当前区域的交通状况不仅受 到相邻区域的影响，还可能会受到更远区域的影响。