[发明专利]基于跨模态数据融合的未知目标特征建模与需求预测方法

说明书

本发明公开了一种基于跨模态数据融合的未知目标特征建模与需求预测方法，包括：跨模态数据获取与预处理；构建描述跨模态的设施间关系的异构图结构；构造以未知目标设施为中心，其余节点为其他多模态设施的异构子图结构；采用关系图神经网络模型计算除中心节点以外的其他节点的高阶特征表示；提取未知目标设施的节点特征表示；提取时间相关性，将每个时间片段的目标设施的节点特征表示作为循环神经网络模型输入，预测未来目标设施的需求情况。本发明针对规划新建设施设备时，预测新设施可能效益的需求，融合现有相关的多种类设施设备数据，构造所规划的目标设施的特征表示形式，建立一种未知目标特征建模方法，并能应用于后续的时序需求预测任务。

技术领域

本发明属于模式分析领域，特别涉及一种基于跨模态数据融合的未知目标特征建模与需求预测方法。

背景技术

随着全球城市化的加速发展，世界各地的城市规划机构开始将数字化视为解决城市问题的有效方案。据联合国估计，到2050年，全世界近66％的人口将居住在城市里。在这种背景下，智慧城市(Smart Cities，SC)的概念应运而生。智慧城市使用技术和数据来提高城市服务的效率，将城市感知、数据管理、数据分析和服务提供等联系起来，减少资源消耗和成本，不仅能够缓解诸如空气污染、能源浪费、交通堵塞等“大城市病”，更影响人们吃住行游购娱等日常生活，从而在不经意间持续地改善着人们的生活水平、城市运营系统和生活环境。

随着智慧城市概念的不断发展成熟和信息、通信等技术的快速革新，基于智慧城市的各种应用系统不断产生大规模的数据，在近些年的研究中，城市数据被认为是智慧城市部署中的重要资产。由于传感器和移动终端等智能产品的普及和空前的发展，如何综合利用这些海量、多源、异构的城市数据服务于城市居民出行模式分析，并对城市发展与基础设施建设给出指导性需求预测是当今的一个重要课题。

在城市计算方法中，研究人员使用的大数据全部来自不同的来源，例如气象站、出租车传感器、道速速度传感器等。此外，城市大数据显示不同的表示形式，例如文本、数字和符号。一方面，如何感知、获取和管理这些大数据是一个挑战。另一方面，如何分析和挖掘这些大数据的价值是另一个重大挑战。显然，如何高效利用具有多类特征的城市大数据是城市计算中亟待解决的关键问题。

在如今的信息化网络中，随着各种各样的设备(传感器和移动设备)和应用程序的日益成熟，数据可以从不同的领域以及不同的特征提取器中获得，因此数据呈现多源性且越来越常见。但是，由于不同源的数据描述了不同的数据观点，单独来看，单一源数据往往是不完整的，无法很好的反映多源数据的结构特征。由于共享单车等新兴交通方式的出现，滴滴打车等网约车等新型交通模式的兴起，在极大方便了人们出行的同时，也更能反映用户出行的特性和习惯。因此，联合使用交通和用户多源移动轨迹数据进行出行模式学习，对交通管理、文化推荐、商业推荐等应用变得更加有意义。在智慧城市计算研究领域中，单源数据存在数据收集不完善且只反映用户单一活动模式等问题，所以往往导致用户行为模式挖掘不充分，建模不完备。然而，随着智慧城市发展，用户在不同场景下的出行数据得到了有效收集。

随着机器学习与数据挖掘领域的发展，面向城市计算的交通预测研究已经取得了长足的进步。根据预测方法所使用的基本模型来分，这些方法可以大致分为如下两类：基于传统方法的流量预测和基于深度学习的流量预测。基于传统方法的流量预测主要包括经典统计方法和机器学习方法。但是基于传统机器学习的模型性能在挖掘复杂的时空模式相关性方面仍然能力不足，因为这些方法通常需要领域专家人工添加额外的特征，因此在这类方法中，特征工程的效果通常对预测结果的影响较大。模型很难直接从原始数据特征中学习数据的潜在模式用于流量预测。而基于深度学习方法的出现使得人工智能模型在交通预测领域展现出巨大的潜力。深度学习研究如何学习一个多层次结构模型来将原始输入直接映射到预期输出。一般来说，深度学习模型会堆叠基本的神经元结构，并以层的形式形成深度架构，并将整个网络进行端到端(End-to-End)的训练。