[发明专利]基于迁移学习的跨模态数据预测方法

说明书

本发明公开了一种基于迁移学习的跨模态数据预测方法，包括：获取源城市和目标城市数据并进行预处理；将城市划分成等大小的网格区域，并构建相应大小结构的城市数据张量；基于源城市数据预训练深度网络预测模型；通过计算源城市和目标城市的空间特征相关性进行不相似区域过滤；通过计算源城市和目标城市的流量特征的相关性进行相似区域匹配；通过优化目标函数进行共享知识迁移并训练最终的预测模型。本发明方法能够更加充分地从数据丰富的城市学习共享知识并进行迁移，对于移动出行数据稀缺的城市，仍具有良好的预测效果。

技术领域

本发明属于模式分析领域，特别是一种基于迁移学习的跨模态数据预测方法。

背景技术

测城市环境中的交通、移动流量一直以来对旅行者、当地居民以及城市规划者都是同样重要的。在传统方法中，人们往往通过收集某一地区的历史数据来预测移动流量，这些方法努力探索获取大量的具有时空特征的历史出行记录，并且只能用于预测特定移动流量的未来趋势模式。然而，不同地区之间的不平衡和差异发展以及不同的运输方式阻碍了上述方法在现实世界中的应用。

随着智能交通系统的发展，公共数据检索基础设施广泛部署在大都市地区。相反，大多数发展中城市区域的数据收集情况仍然遭受数据质量低、数据特征稀疏和数据信息不完整的困扰。更糟糕的是，一般情况下往往无法收集足够量的数据来预测许多欠发达地区的城市流量。为了解决数据短缺问题，目前已经有很多跨域预测方法通过探索从源域到目标域的可转移知识来预测流量。然而，即使采用现有的跨城市和跨模式的方法，跨城市流量预测问题仍然面临着这样的困境：数据收集系统的差异性和不平衡在空间和时间维度上导致数据不足。而且，也难以在不同的城市使用相同的方式收集运输数据。因此，有必要结合跨城市知识和跨域知识，以实现高精度和低成本的城市流量预测。

由于部分城市数据的收集问题以及质量问题，同时城市处于复杂且高度动态的环境，如何利用数据量丰富的城市数据来辅助目标城市的流量预测问题具有一定的难度且十分重要。对于发展中城市区域的城市居民、城市规划者以及旅行者来说，预测移动流量在缓解交通堵塞、降低能耗、提高市民生活质量等方面都是至关重要的。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种基于迁移学习的跨模态数据预测方法，利用迁移学习方法，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。

实现本发明目的的技术解决方案为：一种基于迁移学习的跨模态数据预测方法，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；

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；

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；

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。