[发明专利]基于多层树状长短期记忆网络的大规模数据时空预测方法

说明书

一种基于多层树状长短期记忆网络的大规模数据时空预测方法，首先对原始城市规模感知数据进行归一化、线性插值法填补缺失的数据预处理；然后通过对同一位置数据的信息熵、不同位置数据的互信息和冗余度数据分析，获取感知数据时间和空间相关性，从而确定每个地点上的数据自身的时间周期性以及任一地点数据和其余哪些位置数据在空间上最具相关性；再利用多通道奇异谱分析算法对短期数据进行重构，生成训练集用于训练基于深度学习的预测模型；在在线预测阶段，对预处理后的大规模城市感知数据，利用训练好的预测模型实现预测。本发明解决数据规模大和质量低的问题，大大提高预测准确度。

技术领域

本发明涉及的是一种神经网络应用领域的技术，具体是一种基于多层树状长短期记忆 网络的针对城市规模交通、分类垃圾数据的时空预测方法。

背景技术

智慧城市和物联网技术的发展，催生如智能交通系统、城市环境监测一系列应用。这 些应用从大规模的历史数据中提取特征，预测数据未来的时空趋势，对城市的发展具有重要 意义。现有的时空预测技术主要可以分为基于数学分析的方法和基于深度学习的方法。基于 数学分析的方法特点是计算量小，运行成本低，但是无法有效的处理城市级别的大规模数据； 除此之外，该方法不能捕捉复杂的非线性时空相关性，因此预测的准确率较低。基于深度学 习的方法对数据的质量要求严格，城市规模数据中的数据时间短、噪声和缺失现象都限制深 度学习方法的应用；且该方法通常无法同时提取数据的时间和空间的特征，导致预测结果不 准确，而且计算大规模的数据也会增加该方法训练和运行的成本。

发明内容

本发明针对现有技术的数据处理规模小、对数据质量要求高、无法充分提取数据的时 空相关性的缺陷和不足，提出一种基于多层树状长短期记忆网络的大规模数据时空预测方法， 利用大规模数据本身存在的时空相关性，通过信息熵计算和多通道奇异谱分析重构数据，进 而使用动态的多层树状长短期记忆神经网络进行训练，解决数据规模大和质量低的问题，大 大提高预测准确度。

本发明是通过以下技术方案实现的：

本发明涉及一种基于多层树状长短期记忆网络的大规模数据时空预测方法，首先对原 始城市规模感知数据进行归一化、线性插值法填补缺失的数据预处理；然后通过对同一位置 数据的信息熵、不同位置数据的互信息和冗余度数据分析，获取感知数据时间和空间相关性， 从而确定每个地点上的数据自身的时间周期性以及任一地点数据和其余哪些位置数据在空间 上最具相关性；再利用多通道奇异谱分析(MSSA)算法对短期数据进行重构，生成训练集用于 训练基于深度学习的预测模型；在在线预测阶段，对预处理后的大规模城市感知数据，利用 训练好的预测模型实现预测。

所述的原始城市规模感知数据是指：智慧城市应用中产生的多个位置上的时间序列数 据，例如，城市每个路段的每半小时的平均通行速度、车流密度，城市每个垃圾站点每天干、 湿、可回收、有害垃圾的量、城市噪音监测数据、城市空气污染监测数据。原始感知数据主 要包含不同位置上按照某种采集频率获取的相应感知数据时间序列，序列的长短根据系统开 始采集的时间可能较短。

所述的线性插值，即对于某一时刻缺失的数据，将其填充为前后时刻数据的平均数。