【技術實現步驟摘要】
本專利技術涉及交通流量預測領域，特別涉及基于細粒度知識遷移的交通流量預測方法和系統(tǒng)。
技術介紹
1、隨著交通運輸在國家經濟發(fā)展、城市運行和社會進步中的重要作用日益凸顯，如何實現高效的交通流量管理已成為各國面臨的關鍵挑戰(zhàn)。交通流量預測作為智能交通系統(tǒng)的重要組成部分，對緩解交通擁堵、優(yōu)化資源配置、提升出行效率以及制定科學合理的交通政策具有重要意義。近年來，隨著物聯網技術的快速發(fā)展，大量傳感器被廣泛部署在城市路網中，采集了豐富的交通數據。同時，大數據技術和深度學習技術的進步，為處理復雜的時空序列數據帶來了新的契機，深度學習模型在交通流量預測任務中展現了顯著的潛力。然而，由于不同地區(qū)的經濟發(fā)展水平和交通模式存在顯著差異，傳統(tǒng)深度學習模型通常依賴大量本地數據進行訓練，這在數據匱乏或標注困難的場景下面臨嚴峻挑戰(zhàn)。尤其是在經濟欠發(fā)達地區(qū)，由于缺乏高質量的大規(guī)模交通流量數據，深度學習技術的優(yōu)勢難以有效發(fā)揮，從而阻礙了智能交通的推廣和實施。針對這些問題，遷移學習技術通過將已有領域（源領域）的知識遷移到目標領域，為緩解數據稀缺問題提供了一種有效的解決方案。將遷移學習應用于交通流量預測任務中，不僅可以充分利用已有的交通數據資源，還能在數據有限或缺乏標注的情況下實現高精度預測，為交通管理提供更可靠的決策支持。
2、現有的基于遷移學習的交通流量預測方法通常采用以下流程：首先利用源城市充足的數據預訓練深度學習模型，然后將模型遷移到數據稀缺的目標城市并進行微調，以幫助目標城市從源城市中獲取有效知識，從而完成交通流量預測任務。例如，wang等人（w
3、為了解決上述方法存在的問題，亟需設計一種更加細粒度的知識遷移方法，以有效過濾源城市中的有害知識，同時將有用的知識精準遷移至目標城市的適當位置，從而提升交通流量預測的準確性和實用性。
技術實現思路
1、本專利技術的第一目的在于提供一種基于細粒度知識遷移的交通流量預測方法，相較于現有的城市級遷移方法，本專利技術引入更加細粒度的區(qū)域級知識遷移機制，通過構建源城市區(qū)域與目標城市區(qū)域之間的關聯，匹配城市間特征相似的區(qū)域，并在這些區(qū)域之間進行針對性的知識遷移。本方法能夠有效過濾源城市中的有害區(qū)域知識，并將有價值的知識遷移至目標城市的匹配區(qū)域，從而提升深度學習模型在目標城市交通流量預測中的表現。
2、為實現上述目的，本專利技術采用以下技術方案：
3、一種基于細粒度知識遷移的交通流量預測方法，包括：
4、將源城市和目標城市劃分為若干區(qū)域，分別提取區(qū)域的歷史交通流量數據、特征數據，所述區(qū)域的特征數據包含從區(qū)域衛(wèi)星圖數據中提取的特征和/或從區(qū)域poi數據中提取的特征；
5、對源城市和目標城市區(qū)域特征數據進行相似度匹配，獲得區(qū)域匹配組；
6、基于歷史交通流量數據分別提取源城市和目標城市的區(qū)域交通時空特征；
7、基于所述區(qū)域匹配組，在一對匹配的區(qū)域間通過對比域適應進行知識遷移，同時基于所述源城市的和目標城市的區(qū)域交通時空特征分別對源城市和目標城市的未來交通流量值進行預測；
8、對源城市、目標城市的用于預測未來交通流量值的模塊、以及知識遷移的模塊，基于交通流量預測損失和知識遷移損失進行聯合訓練；將待預測目標城市的歷史交通流量值輸入訓練好的模型，獲取模型預測的未來交通流量值。
9、作為一種優(yōu)選的實施方式，所述區(qū)域的歷史交通流量數據基于車輛軌跡數據構建，包括：
10、分別獲取源城市和目標城市的車輛軌跡數據，根據軌跡點的位置統(tǒng)計每個區(qū)域中存在的移動車輛數量，并按照時間片進行劃分，得到每個區(qū)域在各個時間步內的交通流量值。
11、作為一種優(yōu)選的實施方式，利用訓練好的圖像特征提取網絡對衛(wèi)星圖進行特征提取，所述圖像特征提取網絡由殘差網絡和多層感知機組成；
12、所述圖像特征提取網絡的訓練方式為：
13、獲取區(qū)域衛(wèi)星圖，對區(qū)域衛(wèi)星圖數據集中的任意一張圖片，在數據集中尋找與其地理距離最近的另一張圖片作為正樣本，數據集中除去這兩張圖片外的所有圖片為負樣本；
14、將衛(wèi)星圖輸入殘差網絡進行特征提取，提取結果輸入多層感知機用以將特征投影至統(tǒng)一的特征空間，投影后的特征用于對比學習損失函數的計算，完成圖像特征提取網絡的訓練。
15、作為一種優(yōu)選的實施方式，所述從區(qū)域poi數據中提取的特征為基于區(qū)域poi種類數、每種poi的數量對區(qū)域poi數據進行編碼獲取的編碼值，包括：
16、基于區(qū)域poi種類數n，構建長度為n的數值，對數值中的每一位，按照對應種類poi的數量進行賦值，獲取區(qū)域poi編碼值。
17、作為一種優(yōu)選的實施方式，對于同時包含從區(qū)域衛(wèi)星圖數據中提取的特征和從區(qū)域poi數據中提取的特征的數據，將衛(wèi)星圖特征數據和poi數據進行標準化處理后連接，獲取代表區(qū)域的特征數據。
18、作為一種優(yōu)選的實施方式，利用共享參數的cnn-lstm網絡對源城市、目標城市提取所述區(qū)域的交通時空特征。在該網絡中，交通流量數據首先經過cnn（convolutionalneural?network，卷積神經網絡）模塊來提取不同區(qū)域間的空間依賴。之后，將c本文檔來自技高網...
【技術保護點】
1.一種基于細粒度知識遷移的交通流量預測方法，其特征在于，包括，
2.根據權利要求1所述的方法，其特征在于，所述區(qū)域的歷史交通流量數據基于車輛軌跡數據構建，包括：
3.根據權利要求1所述的方法，其特征在于，利用訓練好的圖像特征提取網絡對衛(wèi)星圖進行特征提取，所述圖像特征提取網絡由殘差網絡和多層感知機組成；
4.根據權利要求1所述的方法，其特征在于，所述從區(qū)域POI數據中提取的特征為基于區(qū)域POI種類數、每種POI的數量對區(qū)域POI數據進行編碼獲取的編碼值，包括：
5.根據權利要求1所述的方法，其特征在于，對于同時包含從區(qū)域衛(wèi)星圖數據中提取的特征和從區(qū)域POI數據中提取的特征的數據，將衛(wèi)星圖特征數據和POI數據進行標準化處理后連接，獲取代表區(qū)域的特征數據。
6.根據權利要求1所述的方法，其特征在于，利用共享參數的CNN-LSTM網絡對源城市、目標城市提取所述區(qū)域的交通時空特征。
7.根據權利要求1所述的方法，其特征在于，所述通過對比域適應進行知識遷移的方式包括：
8.根據權利要求1所述的方法，其特征在
9.根據權利要求1所述的方法，其特征在于，所述知識遷移損失基于交叉熵損失表征；
10.一種基于細粒度知識遷移的交通流量預測系統(tǒng)，其特征在于，包括，
...【技術特征摘要】
1.一種基于細粒度知識遷移的交通流量預測方法，其特征在于，包括，
2.根據權利要求1所述的方法，其特征在于，所述區(qū)域的歷史交通流量數據基于車輛軌跡數據構建，包括：
3.根據權利要求1所述的方法，其特征在于，利用訓練好的圖像特征提取網絡對衛(wèi)星圖進行特征提取，所述圖像特征提取網絡由殘差網絡和多層感知機組成；
4.根據權利要求1所述的方法，其特征在于，所述從區(qū)域poi數據中提取的特征為基于區(qū)域poi種類數、每種poi的數量對區(qū)域poi數據進行編碼獲取的編碼值，包括：
5.根據權利要求1所述的方法，其特征在于，對于同時包含從區(qū)域衛(wèi)星圖數據中提取的特征和從區(qū)域poi數據中提取的特征...
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。