一种基于DTW动态规划算法的时空融合图生成方法

技术领域

本发明涉及时空数据集的时空融合图生成技术领域，特别是一种基于DTW动态规划算法的时空融合图生成方法。

背景技术

随着科技技术的快速发展，各个领域的数据正被广泛收集和存储，如何同时捕获时间相关性和空间相关性已成为研究热点。以往的研究大多数是利用两个分离的模块来分别捕获时间相关性和空间相关性，如果想要同时捕获时间相关性和空间相关性，首先要解决的就是如何将具有时间特征和空间特征的数据融合到一个图中。

以往针对时间特征的度量方法可以分为三种：(1)基于时间步的，如反应点时间相关性的欧几里得距离；(2)基于形状的，如根据趋势出现的动态时间规划；(3)基于变化的，如反应数据生成过程相关性的高斯混合模型，但是这样会限制时空特征学习的有效性和效率，无法得到令人满意的结果。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的同时捕获时间相关性和空间相关性中存在的问题，提出了本发明。

因此，本发明所要解决的问题在于如何同时捕获时间相关性和空间相关性。

为解决上述技术问题，本发明提供如下技术方案：一种基于DTW动态规划算法的时空融合图生成方法，其包括，接收生成请求；采集数据，形成原始数据集，并明确数据集中的特征与标签；将原始数据集进行标准化，将标准化后的数据集中的时间特征数据通过DTW动态时间规划生成时间元图TG，并将标准化之后的数据集中的空间特征数据生成空间元图SG，描述时间连通性的数据生成时间连通元图TC；将生成的时间元图TG，空间元图SG和时间连通元图TC中的两个组成主对角线矩阵和次对角线矩阵；对主对角线矩阵和次对角线矩阵进行处理，得到时空融合图F。

作为本发明所述基于DTW动态规划算法的时空融合图生成方法的一种优选方案，其中：将原始数据集进行标准化，标准化为将数据集中的数据按比例缩放，使数据属于[0,1]。

作为本发明所述基于DTW动态规划算法的时空融合图生成方法的一种优选方案，其中：标准化公式如下：

X′＝X-mean(X)/std(x)

其中X′是标准化的交通速度矩阵，X表示目标时间的参数，mean(X)和std(X)分别对应于历史时间序列的平均值和标准差。

作为本发明所述基于DTW动态规划算法的时空融合图生成方法的一种优选方案，其中：DTW动态时间规划过程中,使用fast-DTW算法，在处理较长时间序列时，为降低fast-DTW的复杂度，限制搜索长度T的计算步骤为：

给定两条长度为x和y的道路的时间序列，x序列长度为n，y序列长度为m，其中，i和j分别表示两个时间序列上的一点q计算两点间距离：

其中，l为变参数；当两点间的距离d>T时，限制搜索长度T：

ω

其中，T表示给定的时间步长，T为搜索长度；

当两点间的距离d≤T时,搜索长度正常，不做改变。

作为本发明所述基于DTW动态规划算法的时空融合图生成方法的一种优选方案，其中：生成的时空融合图F包括三个约束条件，三个约束条件包括：

主对角线上的元图必须是空间元图SG或时间元图TG；

次对角线上的矩阵一定不是零矩阵；

完全邻接矩阵是对称的。

作为本发明所述基于DTW动态规划算法的时空融合图生成方法的一种优选方案，其中：对主对角线矩阵和次对角线矩阵进行处理，处理的方式为，在主对角线矩阵和次对角线矩阵中采用使用递归与回溯相结合的方式选择一个矩阵进行求和。

作为本发明所述基于DTW动态规划算法的时空融合图生成方法的一种优选方案，其中：得到时空融合图F时，固定输出F的大小为2N×2N；

当时空融合图F不为2N×2N时，通过全连接层对该矩阵进行降维。

作为本发明所述基于DTW动态规划算法的时空融合图生成方法的一种优选方案，其中：主对角线上有四种选择，分别为[TG,TG]，[TG,SG]，[SG,SG]；所述次对角线上有三种选择，分别为TG、SG、TC。

作为本发明所述基于DTW动态规划算法的时空融合图生成方法的一种优选方案，其中：将生成的时间元图TG，空间元图SG和时间连通元图TC选择两个组成主对角线矩阵和次对角线矩阵中，选择过程为，

将时间元图TG、空间元图SG和时间连通元图TC在2N×2N的图中，顺序遍历依次选取；

对选取的数据逐个进行实验，并计算实验误差；

对实验误差进行对比，选择误差最小的一组数据。

第二方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述方法的任一步骤。

本发明有益效果为：与现有技术相比，本发明提出的一种基于DTW动态规划算法的时空融合图生成方法，通过生成时间融合图将时间和空间相关性融合到一个图中，解决了现有方法存在的只能利用两个分离的模块来分别捕获时间和空间相关性的问题，减少了在捕获相关性时所需的内存空间，对搜索空间进行了限制，降低复杂度，极大的减少了对数据进行处理的计算量，在一定程度上提高了时空特征学习的有效性和效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为实施例1中基于DTW动态规划算法的时空融合图生成方法的流程图。

图2为实施例1中基于DTW动态规划算法的时空融合图生成方法的时空融合图生成模型。

图3为实施例2中基于DTW动态规划算法的时空融合图生成方法的对比效果图。

图4为实施例2中基于DTW动态规划算法的时空融合图生成方法的fast-DTW规整路径图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

实施例1

参照图1和图2，为本发明第一个实施例，该实施例提供了一种基于DTW动态规划算法的时空融合图生成方法，包括：

S1:接收生成请求。

S2:采集数据，形成原始数据集，明确数据集中的特征与标签。

S3:将S2中的数据集进行标准化。

进一步的，标准化为将数据集中的数据按比例缩放，使数据属于[0,1]内。

具体的，标准化公式如下：

X′＝X-mean(X)/std(x)

其中X′是标准化的交通速度矩阵，X表示目标时间的参数，mean(X)和std(X)分别对应于历史时间序列的平均值和标准差。

S4:将标准化之后的数据集中的时间特征数据通过DTW动态时间规划生成时间元图TG。

进一步的，为了细化投影路径，使用非常具体的约束运行受约束的DTW算法，但是为了更高的分辨率，我方选择使用fast-DTW算法，相比于传统算法，错误率更低。

具体的，根据算法1生成时间图，算法1的具体过程为：

输入：时间序列

初始化W，重置为零矩阵TDL：

输出：权重矩阵W和

进一步的，在处理现实世界较长时间序列时，使用fast-DTW算法，在处理较长时间序列时，为降低fast-DTW的复杂度，限制搜索长度T的计算步骤为：

给定两条长度为x和y的道路的时间序列，x序列长度为n，y序列长度为m，其中，i和j分别表示两个时间序列上的一点q计算两点间距离：

其中，l为变参数；当两点间的距离d>T时，限制搜索长度T：

ω

其中，T表示给定的时间步长，T为搜索长度；

当两点间的距离d≤T时,搜索长度正常，不做改变。

进一步的，根据算法1生成时间图：最后新的时空融合图F有三个约束条件假设，三个约束条件假设为：

主对角线上的元图必须是空间元图(SG)或时间元图(TG)。

进一步的，主对角线上的元图必须是空间元图(SG)或时间元图(TG)是经过实验验证，只有在该情况下的误差会降到相对最低。

次对角线上的矩阵一定不是零矩阵。

完全邻接矩阵是对称的。

S5:将标准化之后的数据集中的空间特征数据根据与目标地点的距离生成空间元图SG，描述时间连通性的数据生成时间连通元图TC。

S6:将生成好的时间元图TG，空间元图SG和时间连通元图TC选择两个组成主对角线矩阵和次对角线矩阵。

进一步的，选择的过程为：将时间元图TG、空间元图SG和时间连通元图TC在2N×2N的图中，顺序遍历依次选取；对选取的数据逐个进行实验，并计算实验误差；对实验误差进行对比，选择误差最小的一组数据。

通过以上对方法主对角线矩阵和次对角线矩阵进行选取，能够有效减少实验的误差，增强数据的精确性。

进一步的，主对角线上有四种可能的选择，分别是[TG,TG]，[TG,SG]，[SG,SG]。

更进一步的，在次对角线上也有三种可能的选择，分别是TG、SG、TC，其中TC表示描述时间连通性的时间连通元图。

S7:在主对角线矩阵和次对角线矩阵中使用递归与回溯相结合的方式进行求和操作，得到生成的时空融合图F。

进一步的，生成时空融合图的过程为：

当F的大小固定为2N×2N时，不需要做高维的矩阵的运算，可以减少内内存占用量。

当F的大小不为2N×2N时，通过全连接层对该矩阵进行降维，降维后再进行计算。

本实施例还提供一种计算机设备，适用于基于DTW动态规划算法的时空融合图生成方法的情况，包括：

存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，对上述实施例提出的基于DTW动态规划算法的时空融合图生成方法进行运算和存储。

本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的基于DTW动态规划算法的时空融合图生成方法。

本实施例提出的存储介质与上述实施例提出的基于DTW动态规划算法的时空融合图生成方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

实施例2

参照图3和图4及表1，为本发明第二个实施例，在第一个实施例的基础之上，为了验证其有益效果，提供了实验数据及与传统方案的对比说明。

具体的，采集数据：实验数据来源于洛杉矶高速公路，是通过环路检测器从洛杉矶高速公路实时收集的，每30秒实时收集一次的数据集，并且流量数据每3分钟从原始数据聚合一次，即每小时的原始数据中有20个点

其次，数据集的时间范围是2022/3/1-2022/3/7，传感器的数量有207个。

具体的，将数据集进行标准化，标准化公式为：X′＝X-mean(X)/std(X)，其中X′是标准化的交通速度矩阵。

其中，mean(X)和std(X)分别对应于历史时间序列的平均值和标准差，X表示目标时间的参数。

进一步的，将数据进行输入，得出输出结果的时间，将本发明提出的基于DTW动态规划算法与其他算法进行对比，得出3组测试数据及平均结果如下：

表1 fast-DTW动态规划算法与其他算法结果时间对比

从表1的结果可以看出，fast-DTW算法的平均处理时间要少于常规的学习算法，在减少生成时空融合图时间方面有明显的提升，表明相比于常规算法，DTW算法能够更有效的提取数据的时空特征，且计算难度相较于现有技术更低，也能有效减少计算机内存占用问题，加快处理速度。

对fast-DTW算法的对比实验结果如图3所示，深色区域为搜索长度T定义的快速DTW搜索区域，虽然我方的fast-dtw算法与dtw在总体上的趋势是一致的，但是我方通过限制搜索路径的长度，使得搜索路径限制在对角线上下T个时间步内，且通过限制条件过滤掉不满足相似性要求的序列，使得我方曲线在一段时间内呈现扭曲路径，减少了DTW算法的运行次数。

所以我方基于以上的限制条件，使得在生成时间图的时候复杂度降低。

进一步的，DTW效果线性图如图4所示，展示了我方方法在18个周期内的规整路径图，表明了我方在较低分辨率下具有很小距离的扭曲路径，并能通过局部调整扭曲路径来优化较低分辨率投影的扭曲距离，通过限制搜索路径的长度，使得我方路径存在于设定区域内，减少了对大幅度的多组数据的处理难度。

参数：将算法的搜索长度“T”设置为15，即时间步长，与原始数据集中的15个点为一个循环。TG的稀疏度为0.01。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。