[发明专利]基于迁移学习的跨模态数据预测方法

权利要求书

1.一种基于迁移学习的跨模态数据预测方法，其特征在于，所述方法包括以下步骤：

步骤1，获取源城市S和目标城市T的数据，并对数据进行预处理以消除噪声数据；

步骤2，将城市D划分成等大小(H×W)的网格区域r_i，并构建相应大小结构的城市数据张量：出行流量张量城市兴趣点数据矩阵城市路网数据矩阵天气环境数据张量步骤2中所述出行流量张量城市兴趣点数据矩阵城市路网数据矩阵天气环境数据张量的计算公式分别为：

式中，表示城市D的出行流量张量，x_r,t表示区域r在t时刻的流量；表示城市D的兴趣点矩阵，poi_r表示区域r的兴趣点数据；表示城市D的路网结构矩阵，road_r表示区域r的路网结构数据；表示城市D的天气环境数据张量，wea_r,t表示区域r在t时刻的天气环境数据，R_D表示城市D的所有区域r的集合，表示时间集合，W_D、H_D分别表示对城市D划分网格后长和宽方向上的网格数量，T_l表示交通流量数据和天气温度数据的时间跨度；

步骤3，利用源城市数据预训练预测模型θ，作为目标城市模型的预模型；具体包括：

步骤3-1，构建预测模型θ，该模型包括依次连接的输入层、第一时空处理模块、第二时空处理模块、全连接层和输出层；

其中，每个时空处理模块中，包括依次连接的时间卷积层、空间卷积层、时空卷积层；所述时间卷积层采用M个1*1*3大小的滤波器对输入数据进行卷积操作，得到M通道的输出张量，空间卷积层采用M个3*3*1大小的滤波器对时间卷积层的输出张量进行卷积操作，得到M通道的输出张量；第一时空处理模块中的时空卷积层采用2M个3*3*3大小的滤波器对空间卷积层的输出张量进行卷积操作，得到2M通道的输出张量；第二时空处理模块中的时空卷积层采用M/2个3*3*3大小的滤波器对空间卷积层输出张量进行卷积，得到M/2通道的输出张量；

所述全连接层采用3*3*6大小的滤波器在时间维度上对第二时空处理模块的输出张量进行全连接操作，并通过输出层输出；

步骤3-2，通过源城市数据构建预测模型θ的输入数据，公式如下：

式中，X_S为源城市的出行流量张量，POI_S为源城市中的兴趣点数据矩阵，Road_S为源城市中的路网数据矩阵，Wea_S为源城市中的天气环境数据张量，为张量和矩阵的拼接操作，X_input为模型的输入数据；

步骤3-3，将输入数据X_input通过神经网络模型即所述预测模型θ进行前向传播，得到预测损失；

其中，由第i个滤波器生成的第j个通道上的卷积神经元张量的(x,y,z)元素计算如下：

式中，为滤波器与上一层神经网络的输出张量的m通道的(p,q,v)位置所连接的参数，P_i和Q_i为空间维度上的滤波器的尺寸，V_i为时间维度上的滤波器的尺寸，为上一层神经网络的输出张量在(x+p,y+q,z+v)位置的元素值在第i-1层神经网络的m通道的元素值在i-1层m通道的元素值，b_ij为滤波器的i的偏置值；

损失函数如下：

式中，ε_t,r为t时刻区域r的流量真实值，为t时刻区域r的流量预测值，N为数据样本数量；

步骤3-4，重复执行步骤3-1至步骤3-3，依据每次计算得到的损失函数值进行参数优化直至达到预设迭代次数或优化目标，得到训练后的预模型，作为目标城市模型的预模型；

步骤4，利用空间特征过滤技术，根据源城市和目标城市的兴趣点特征以及路网结构特征，计算城市区域的空间特征相关性，将与目标城市区域不相似的源城市区域进行过滤；针对每个目标城市区域r，得到过滤后的区域集合set_r；计算公式为：

A_poi＝{corr(poi_r,poi_r′)∣r′∈R_S,r∈R_T}

A_road＝{corr(road_r,road_r′)∣r′∈R_S,r∈R_T}

式中，corr(poi_r,poi_r′)为目标城市区域r和源城市区域r′的兴趣点的Pearson相关性，corr(road_r,road_r′)为目标城市区域r和源城市区域r′的路网结构特征的Pearson相关性，分别为基于兴趣点特征和路网结构特征的区域相关性矩阵，W_S、H_S分别表示对源城市S划分网格后长和宽方向上的网格数量，W_T、H_T分别表示对目标城市T划分网格后长和宽方向上的网格数量；set_r为源城市中具有与目标区域相似空间特征的区域集合；和分别为目标城市区域r与源城市区域r′的兴趣点和路网结构相关性；和分别为源城市中所有区域与目标城市区域r之间的兴趣点相关性和道路结构相关性，和分别为城市区域间兴趣点相关性和道路结构相关性的平均值，R_S和R_T分别为源城市和目标城市的所有区域的集合；

步骤5，利用动态时空特征匹配技术，计算源城市和目标城市的移动出行流量相关性，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M_match；具体包括：

步骤5-1，计算源城市和目标城市的移动出行流量相关性：

式中，corr(x_r,t,x_r′,t)表示目标城市区域r和源城市区域r′在时间集合上的流量的Pearson相关性，A_flow为两城市区域间的流量相关性矩阵；

步骤5-2，利用动态时空特征匹配技术为每个目标城市进行区域匹配：

式中，为源城市区域r^*和目标区域r的流量相关性，为目标城市区域r与set_r中的源城市区域的最大流量相关性，M_match为最终的区域匹配矩阵；

步骤6，通过不断更新模型参数进行迁移学习，并训练目标城市模型的预测模型，对目标城市出行流量进行预测，具体包括：

步骤6-1，利用预模型θ提取源城市和目标城市的区域潜在特征：利用预模型θ的前两层神经网络即时间卷积层、空间卷积层对源城市和目标城市的输入数据进行计算，提取城市区域的特征表示，描述城市的时间依赖性和空间依赖性；

步骤6-2，构建目标函数：

其中，

式中，分别为目标城市区域r和它对应的匹配区域r′的潜在特征，ρ为目标城市区域r和它对应的匹配区域r′的流量相关性，y_r,t为目标城市区域r在t时刻的真实流量值，y'_r,t为目标城市区域r在t时刻的预测流量值；w为在最小化迁移损失和预测损失之间进行权衡的权重，θ_T为目标城市预测模型，loss_trans为进行共享知识迁移的损失函数，loss_pre为预测部分的损失函数；

通过反向传播减小预测值和真实值的误差更新预模型的参数，获得训练后的目标城市预测模型θ_T；

步骤6-3，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，将得到的结果输入到目标城市预测模型θ_T中，得到人群流量预测结果。