本發(fā)明屬于智能交通系統(tǒng)中的時(shí)空數(shù)據(jù)挖掘，具體涉及一種基于類粒度時(shí)空遷移的跨區(qū)域軌跡預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、its在交通路網(wǎng)中部署大量的傳感器以收集交通信號(hào)，通過(guò)這些拓?fù)浣煌ㄐ盘?hào)可以有效的訓(xùn)練交通模型，對(duì)未來(lái)的拓?fù)浣煌ㄐ盘?hào)進(jìn)行預(yù)測(cè)，從而實(shí)現(xiàn)對(duì)交通路網(wǎng)的全面感知與精準(zhǔn)調(diào)控。其中，拓?fù)浣煌ㄐ盘?hào)指的是交通路網(wǎng)中的交通軌跡、車流量、車速和道路占有率等等，它們以拓?fù)浣Y(jié)構(gòu)的形式存在?；谏疃葘W(xué)習(xí)的拓?fù)浣煌A(yù)測(cè)模型，旨在通過(guò)學(xué)習(xí)交通信號(hào)的時(shí)空依賴，聚合時(shí)空特征以實(shí)現(xiàn)交通預(yù)測(cè)，其成功的前提是交通路網(wǎng)具有充足的交通信號(hào)共模型訓(xùn)練。然而，在現(xiàn)實(shí)中，并非所有的區(qū)域都能提供足量的數(shù)據(jù)，這大大限制了模型的性能。遷移學(xué)習(xí)，旨在利用從源任務(wù)中學(xué)習(xí)到的知識(shí)來(lái)降低目標(biāo)任務(wù)的學(xué)習(xí)成本（即訓(xùn)練數(shù)據(jù)量）。基于遷移學(xué)習(xí)的拓?fù)浣煌A(yù)測(cè)模型，通常在數(shù)據(jù)充足的區(qū)域（即源區(qū)域）進(jìn)行訓(xùn)練，然后遷移至數(shù)據(jù)有限的區(qū)域（即目標(biāo)區(qū)域）進(jìn)行微調(diào)，從而目標(biāo)區(qū)域的交通預(yù)測(cè)，即跨區(qū)域的拓?fù)浣煌A(yù)測(cè)。先前方法在源區(qū)域預(yù)訓(xùn)練預(yù)測(cè)模型，將在驗(yàn)證集上表現(xiàn)最好的模型參數(shù)（或知識(shí)）遷移目標(biāo)區(qū)域。然而，這種方式?jīng)]有對(duì)源區(qū)域的知識(shí)進(jìn)行篩選，因?yàn)椴⒎撬械脑磪^(qū)域知識(shí)對(duì)目標(biāo)區(qū)域都是有益的。此外，該方法通過(guò)微調(diào)預(yù)訓(xùn)練模型以適應(yīng)目標(biāo)區(qū)域，這種方式難以保證模型能夠很好的適應(yīng)目標(biāo)區(qū)域的數(shù)據(jù)分布。綜上所述，如何遷移拓?fù)浣煌ㄐ盘?hào)的時(shí)空知識(shí)，構(gòu)建跨區(qū)域的交通預(yù)測(cè)方法是一個(gè)亟需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在解決現(xiàn)有技術(shù)的不足，提供了如下方案：

2、一種基于類粒度時(shí)空遷移的跨區(qū)域軌跡預(yù)測(cè)方法，包括以下步驟：

3、采集車輛的交通軌跡，并根據(jù)采樣時(shí)間戳將所述交通軌跡進(jìn)行分類，得到源區(qū)域數(shù)據(jù)和目標(biāo)區(qū)域數(shù)據(jù)，其中，所述源區(qū)域數(shù)據(jù)包括源區(qū)域歷史數(shù)據(jù)和源區(qū)域未來(lái)數(shù)據(jù)，所述目標(biāo)區(qū)域信號(hào)包括目標(biāo)區(qū)域歷史數(shù)據(jù)和目標(biāo)區(qū)域未來(lái)數(shù)據(jù)；

4、構(gòu)建初始軌跡預(yù)測(cè)模型，利用所述源區(qū)域數(shù)據(jù)和所述目標(biāo)區(qū)域數(shù)據(jù)對(duì)所述初始軌跡預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到軌跡預(yù)測(cè)模型，其中，所述初始軌跡預(yù)測(cè)模型包括：嵌入層、類粒度時(shí)空模塊、分布變換器和反嵌入層；

5、采集實(shí)時(shí)交通軌跡，并利用所述軌跡預(yù)測(cè)模型進(jìn)行交通軌跡預(yù)測(cè)，得到交通軌跡預(yù)測(cè)結(jié)果。

6、優(yōu)選的，得到所述源區(qū)域信號(hào)和所述目標(biāo)區(qū)域信號(hào)的方法包括：

7、采集所述交通軌跡，利用z-score對(duì)所述交通軌跡進(jìn)行預(yù)處理，得到預(yù)處理后數(shù)據(jù)；

8、根據(jù)所述采樣時(shí)間戳對(duì)所述預(yù)處理后數(shù)據(jù)進(jìn)行分類，得到所述源區(qū)域數(shù)據(jù)和所述目標(biāo)區(qū)域數(shù)據(jù)。

9、優(yōu)選的，所述嵌入層包括全連接層和線性整流函數(shù)：

10、，

11、，

12、其中，表示全連接層，x1表示全連接層的輸入，w1表示全連接層的權(quán)重，b1表示全連接層的偏差，relu表示線性整流函數(shù)，x2表示線性整流函數(shù)的輸入，max表示取最大值；

13、所述嵌入層用于將所述源區(qū)域歷史數(shù)據(jù)和所述目標(biāo)區(qū)域歷史數(shù)據(jù)映射為高維特征：

14、，

15、，

16、式中，表示源區(qū)域歷史數(shù)據(jù)映射的源區(qū)域高維特征，表示源區(qū)域，表示源區(qū)域歷史數(shù)據(jù)，表示目標(biāo)區(qū)域歷史數(shù)據(jù)映射的目標(biāo)區(qū)域高維特征，表示目標(biāo)區(qū)域，表示目標(biāo)區(qū)域歷史數(shù)據(jù)。

17、優(yōu)選的，所述類粒度時(shí)空模塊包括：類粒度空間塊和類粒度時(shí)間塊；

18、所述類粒度空間塊由可遷移自適應(yīng)圖庫(kù)、空間聚合層和門控線性單元構(gòu)成，所述類粒度時(shí)間塊由可學(xué)習(xí)圖庫(kù)、時(shí)間聚合層和門控線性單元構(gòu)成；

19、所述空間聚合層與所述門控線性單元、所述時(shí)間聚合層與所述門控線性單元的數(shù)據(jù)處理方法包括：

20、，

21、式中，表示數(shù)據(jù)處理函數(shù)，ai表示從可遷移自適應(yīng)圖庫(kù)/可學(xué)習(xí)圖庫(kù)中選取的圖的鄰接矩陣，i表示圖索引，x4表示輸入，w4,1和w4,2表示權(quán)重參數(shù)，表示逐元素相乘，sigmoid表示激活函數(shù)；

22、所述類粒度時(shí)空模塊在源區(qū)域和目標(biāo)區(qū)域的前向傳播包括：

23、，

24、，

25、式中，m表示層數(shù)索引，表示前向傳播輸出的源區(qū)域數(shù)據(jù)，表示輸入為源區(qū)域數(shù)據(jù)時(shí)可學(xué)習(xí)圖庫(kù)輸出圖的鄰接矩陣，表示輸入為源區(qū)域數(shù)據(jù)時(shí)可遷移自適應(yīng)圖庫(kù)輸出圖的鄰接矩陣，表示源區(qū)域數(shù)據(jù)的時(shí)間戳，表示輸入的源區(qū)域數(shù)據(jù)，表示源區(qū)域，s表示類粒度空間塊，表示前向傳播輸出的目標(biāo)區(qū)域數(shù)據(jù)，表示輸入為目標(biāo)區(qū)域數(shù)據(jù)時(shí)可學(xué)習(xí)圖庫(kù)輸出圖的鄰接矩陣，表示輸入為目標(biāo)區(qū)域數(shù)據(jù)時(shí)可遷移自適應(yīng)圖庫(kù)輸出圖的鄰接矩陣，表示輸入的目標(biāo)區(qū)域數(shù)據(jù)，p表示類索引，表示目標(biāo)區(qū)域，t表示類粒度時(shí)間塊。

26、優(yōu)選的，所述分布變換器包括：協(xié)變量分布變換器和標(biāo)簽分布變換器，所述協(xié)變量分布變換器和所述標(biāo)簽分布變換器的結(jié)構(gòu)相同，均由分布變換器空間塊和分布變換器時(shí)間塊構(gòu)成；

27、所述分布變換器空間塊由自適應(yīng)圖庫(kù)、空間聚合層和門控線性單元構(gòu)成，所述分布變換器時(shí)間塊由可學(xué)習(xí)圖庫(kù)、時(shí)間聚合層和門控線性單元構(gòu)成；

28、所述協(xié)變量分布變換器用于改變所述目標(biāo)區(qū)域數(shù)據(jù)的協(xié)變量分布，所述協(xié)變量分布變換器的計(jì)算方法包括：

29、，

30、式中，表示數(shù)據(jù)處理函數(shù)，表示協(xié)變量分布變換器的輸出，表示協(xié)變量分布變換器中可學(xué)習(xí)圖庫(kù)輸出圖的鄰接矩陣，表示協(xié)變量分布變換器中自適應(yīng)圖庫(kù)輸出圖的鄰接矩陣，表示目標(biāo)區(qū)域歷史數(shù)據(jù)映射的目標(biāo)區(qū)域高維特征，為協(xié)變量分布變換器的輸入，表示目標(biāo)區(qū)域數(shù)據(jù)的時(shí)間戳，c表示協(xié)變量分布變換器，s表示類粒度空間塊，t表示類粒度時(shí)間塊，表示目標(biāo)區(qū)域；

31、所述標(biāo)簽分布變換器用于改變所述目標(biāo)區(qū)域數(shù)據(jù)的標(biāo)簽分布，所述標(biāo)簽分布變換器的計(jì)算方法包括：

32、，

33、式中，表示標(biāo)簽分布變換器的輸出，表示標(biāo)簽分布變換器中可學(xué)習(xí)圖庫(kù)輸出圖的鄰接矩陣，表示標(biāo)簽分布變換器中自適應(yīng)圖庫(kù)輸出圖的鄰接矩陣，表示標(biāo)簽分布變換器的輸入，l表示標(biāo)簽分布變換器，m表示類粒度時(shí)空模塊的層數(shù)。

34、優(yōu)選的，所述反嵌入層用于將高維數(shù)據(jù)特征映射為所述交通軌跡預(yù)測(cè)結(jié)果。

35、優(yōu)選的，對(duì)所述初始軌跡預(yù)測(cè)模型進(jìn)行訓(xùn)練的方法包括：

36、利用所述源區(qū)域數(shù)據(jù)對(duì)所述初始軌跡預(yù)測(cè)模型在源區(qū)域中進(jìn)行預(yù)訓(xùn)練，使所述初始軌跡預(yù)測(cè)模型掌握源區(qū)域的知識(shí)；

37、利用所述源區(qū)域數(shù)據(jù)和所述目標(biāo)區(qū)域數(shù)據(jù)使所述初始軌跡預(yù)測(cè)模型進(jìn)入適應(yīng)階段，將源區(qū)域與目標(biāo)區(qū)域的分布對(duì)齊；

38、對(duì)完成預(yù)訓(xùn)練和適應(yīng)的所述初始軌跡預(yù)測(cè)模型進(jìn)行微調(diào)得到所述軌跡預(yù)測(cè)模型。

39、本發(fā)明還提供了一種基于類粒度時(shí)空遷移的跨區(qū)域軌跡預(yù)測(cè)系統(tǒng)，所述預(yù)測(cè)系統(tǒng)應(yīng)用上述任一項(xiàng)所述的預(yù)測(cè)方法，包括：數(shù)據(jù)處理模塊、模型構(gòu)建模塊和預(yù)測(cè)模塊；

40、所述數(shù)據(jù)處理模塊用于采集車輛的交通軌跡，并根據(jù)采樣時(shí)間戳將所述交通軌跡進(jìn)行分類，得到源區(qū)域數(shù)據(jù)和目標(biāo)區(qū)域數(shù)據(jù)，其中，所述源區(qū)域數(shù)據(jù)包括源區(qū)域歷史數(shù)據(jù)和源區(qū)域未來(lái)數(shù)據(jù)，所述目標(biāo)區(qū)域信號(hào)包括目標(biāo)區(qū)域歷史數(shù)據(jù)和目標(biāo)區(qū)域未來(lái)數(shù)據(jù)；

41、所述模型構(gòu)建模塊用于構(gòu)建初始軌跡預(yù)測(cè)模型，利用所述源區(qū)域數(shù)據(jù)和所述目標(biāo)區(qū)域數(shù)據(jù)對(duì)所述初始軌跡預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到軌跡預(yù)測(cè)模型，其中，所述初始軌跡預(yù)測(cè)模型包括：嵌入層、類粒度時(shí)空模塊、分布變換器和反嵌入層；

42、所述預(yù)測(cè)模塊用于采集實(shí)時(shí)交通軌跡，并利用所述軌跡預(yù)測(cè)模型進(jìn)行交通軌跡預(yù)測(cè)，得到交通軌跡預(yù)測(cè)結(jié)果。

43、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

44、本發(fā)明根據(jù)交通數(shù)據(jù)的周期特性，對(duì)源區(qū)域數(shù)據(jù)和目標(biāo)區(qū)域數(shù)據(jù)分別進(jìn)行分類，從而對(duì)源區(qū)域的知識(shí)進(jìn)行劃分；設(shè)計(jì)cgstm，可以在一個(gè)模塊中學(xué)習(xí)源區(qū)域各個(gè)數(shù)據(jù)類的時(shí)空知識(shí)；設(shè)計(jì)圖選擇器，通過(guò)分析源區(qū)域數(shù)據(jù)類和目標(biāo)區(qū)域數(shù)據(jù)類的關(guān)聯(lián)度，為目標(biāo)區(qū)域數(shù)據(jù)類選擇合適的時(shí)空知識(shí)；設(shè)計(jì)可遷移自適應(yīng)圖，通過(guò)遷移構(gòu)建空間圖的能力而不是空間依賴本身，實(shí)現(xiàn)拓?fù)浣煌ㄐ盘?hào)的空間知識(shí)遷移；設(shè)計(jì)dt以改變目標(biāo)區(qū)域的協(xié)變量分布和標(biāo)簽分布，在協(xié)變量分布對(duì)齊的基礎(chǔ)上設(shè)計(jì)標(biāo)簽分布對(duì)齊，以提高模型在目標(biāo)區(qū)域的適應(yīng)能力。