一种基于域对抗的交通流迁移预测方法

技术领域

本发明属于交通技术领域中的交通流预测问题，特别涉及一种基于域对抗的交通流迁移预测方法。

背景技术

近年来，许多国家和地区都在大力发展智能交通系统，以期望对交通进行高效的管理。交通流预测是智能交通系统的重要组成部分，可以帮助交通部门针对即将到来的交通高峰及时采取某些措施以缓解交通拥堵，也可以对污染物排放进行有效的估计。

交通流预测的主要任务是在给定历史交通流数据的情况下，预测未来一段时间内某一区域或某一特定道路上的车辆数量。现有的交通流预测方法主要分为参数模型方法和深度学习模型方法。参数模型方法如自回归滑动积分模型和卡尔曼滤波模型都依赖于平稳性假设，不能反映交通数据的非线性特性。随着越来越多的城市交通流量数据被收集和储存，深度学习在交通流预测领域受到越来越多的关注，例如一些方法将交通流预测视为时间序列分析问题，利用同一路段交通流的时间相关性来估计下一时刻的交通流。然而，深度学习模型方法为了获得更好的表现往往依赖大量的训练数据，对于一些缺乏数据的地区，一般难以取得比较良好的效果。

发明内容

本发明的目的在于克服上述背景技术中的不足，以对数据稀缺的目标域进行高精度的交通流预测。

为实现以上目的，采用一种基于域对抗的交通流迁移预测方法，利用源域向数据稀缺的目标域进行知识迁移，对目标域的交通流进行预测，包括如下步骤：

分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素；

对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合；

对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量；

对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱；

对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱；

对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流。

进一步地，在所述分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素之后，还包括：

对所述第一历史交通流数据和所述第二历史交通流数据进行插值和异常值处理，得到处理后的第一历史交通流数据和第二历史交通流数据。

进一步地，所述对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合，包括：

基于地理位置信息将所述源域和目标域进行栅格化处理，将所述源域和目标域分别划分成相同的H×W个栅格；

对于每一个栅格，根据交通流的时间分布特性，分别将所述第一历史交通流数据和第二历史交通流数据按照时间间隔划分成第一历史观测序列和第二历史观测序列；

根据临近性时间序列长度l

根据周期性时间序列长度l

根据趋势性时间序列长度l

进一步地，所述对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量，包括：

对所述第一外部环境因素和第二外部环境因素进行编码，获得所述外部环境因素的输入向量

进一步地，所述对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱，包括：

将所述临近性交通流序列H

将所述外部环境因素的输入向量送入环境分支网络的特征提取模块进行浅层特征提取，得到外部环境因素特征图谱

进一步地，所述对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱，包括：

将所述特征图谱

将经过梯度反转的特征图谱

计算域对抗损失L

进一步地，所述对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流，包括：

将特征提取模块提取到的特征图谱

将所述特征图谱

将临近性深度特征

将外部环境因素的深度特征X

进一步地，所述将临近性深度特征

其中，W

所述将外部环境因素的深度特征X

Y

其中，Y

进一步地，还包括：对网络参数进行优，具体为：

其中，θ

与现有技术相比，本发明存在以下技术效果：本发明提出的基于域对抗的交通流迁移学习方法旨在利用具有丰富数据的源城市向数据稀缺的目标城市进行知识迁移，以实现数据稀缺的目标城市的交通流深度学习预测。考虑到交通流与城市布局、天气变化等外部环境因素具有高度相关性，而地区间经济发展水平，城市布局，气候地理因素差别较大，从而导致不同城市间交通流的特征存在较大的差异，因此在现实中寻找和目标城市具有较高相似度的源城市并不容易。利用域对抗技术，可以对提取的特征进行特征分布对齐，从而克服源城市和目标城市之间的特征分布差异，使其具有相似的特征分布，实现源域到目标域的知识迁移。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1是一种基于域对抗的交通流迁移预测方法的流程图；

图2是基于域对抗的交通流迁移预测方法的网络模型示意图；

图3是预测误差热力图；

图4是真实值域预测曲线图。

具体实施方式

为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。

如图1至图2所示，本实施例公开了一种基于域对抗的交通流迁移预测方法，利用具有丰富数据的源域向数据稀缺的目标域进行知识迁移，以实现数据稀缺的目标域的交通流深度学习预测，对目标域的交通流进行预测，包括如下步骤S1至S6：

S1、分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素；

S2、对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合；

S3、对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量；

S4、对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱；

S5、对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱；

S6、对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流。

需要说明的是，本实施例中通过将交通流时序数据栅格化以捕获空间相关性，对外部环境因素编码以捕获对外部环境因素交通流量的干扰。通过域对抗操作，可以实现源域和目标域拥有相似的特征分布，在拥有少量交通流量数据的目标域上实现较高精度预测。

作为进一步优选的技术方案，在上述步骤S1：分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素之后，还包括：

对所述第一历史交通流数据和所述第二历史交通流数据进行插值和异常值处理，得到处理后的第一历史交通流数据和第二历史交通流数据。

需要说明的是，本实施例可从政府官方网站获取具有丰富数据的源域和仅有少量数据的目标域的历史交通流数据以及相应的外部环境因素，第一外部环境因素和第二外部环境因素应具有相同的数据类型，但时间跨度可以不一致。

相应地，上述步骤S2具体为：

对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对处理后的第一历史交通流数据和处理后的第二历史交通流数据进行划分，得到时间序列集合。

作为进一步优选的技术方案，上述步骤S2：对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合，具体包括如下步骤：

S21、基于地理位置信息将所述源域和目标域进行栅格化处理，将所述源域和目标域分别划分成相同的H×W个栅格；

S22、对于每一个栅格，根据交通流的时间分布特性，分别将所述第一历史交通流数据和第二历史交通流数据按照时间间隔Δt划分成第一历史观测序列和第二历史观测序列，Δt取1小时；

S23、根据临近性时间序列长度lc，将第一历史观测序列和第二历史观测序列分别划分成

S24、根据周期性时间序列长度l

S25、根据趋势性时间序列长度l

作为进一步优选的技术方案，上述步骤S3：对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量，具体为：

对所述第一外部环境因素和第二外部环境因素进行编码，获得所述外部环境因素的输入向量

需要说明的是，外部环境因素可以有天气，周末信息，时间点信息等，以仅考虑星期和是否为工作日对交通流量的影响为例，经过one-hot编码后，可以获得N×8的矩阵向量，N表示样本的实例数，具体为：一周有七天，加上一个是否是双休日的判断一共八个数据，周一就可以编码为10000001，周六表示00000100，前七位数据表示对应的周几，最后一位表示是否是工作日；天气可分为正常天气和恶劣天气两种，正常天气表示为10，恶劣天气就是01；同理时间点信息可以表示成长度为24的编码，几点钟对应的时间点就为1，凌晨3点就为000100000000000000000000。

作为进一步优选的技术方案，上述步骤S4：对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱，具体包括：

S41、将所述临近性交通流序列H

S42、将所述外部环境因素的输入向量送入环境分支网络的特征提取模块进行浅层特征提取，得到外部环境因素特征图谱

需要说明的是，周期性分支网络和趋势性分支网络的特征提取模块均有两层卷积层组成，考虑到临近性对目标预测时刻具有更大的影响，因此临近性分支网络的特征提取模块额外增加一层ConvLSTM层，由一层ConvLSTM层和两层卷积层组成。

经过特征提取模块的提取，得到临近性、周期性和趋势性的交通流时空分布特征图谱如下：

其中，f

需要说明的是，本实施例中设计外部环境因素特征提取模块f

作为进一步优选的技术方案，上述步骤S5：对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱，具体包括：

S51、将特征图谱

S52、将经过梯度反转的特征图谱

需要说明的是，将经过梯度反转的特征图谱

其中，域分类网络由三层全连接网络组成，L

L

d

作为进一步优选的技术方案，上述步骤S6：对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流，具体包括：

S61、将所述特征图谱

将特征图谱

S62、将未经梯度反转的特征图谱

对于外部环境因素特征图谱

S63、将临近性深度特征

其中，W

S64、将外部环境因素的深度特征X

Y

作为进一步优选的技术方案，对于预测损失函数L

L

作为进一步优选的技术方案，还包括：对网络参数进行优，具体为：

其中，θ

本实施例方案可以利用具有丰富历史交通流数据的源城市辅助仅有少量数据的目标城市进行较高精度的交通流预测，以下通过一具体事例进行说明：

图3中的图a是早晨六点交通流预测误差热力图，仅有少数区域出现比较大的误差，这是因为深夜交通流量较小，六点后明显增加，仅用少量交通流量数据难以准确预测早高峰的交通流量，图b是中午11点的预测误差热力图，可以看出几乎所有区域的预测误差都比较小，这是因为相对于早高峰变化的陡峭，中午交通流量变化相对比较平缓。

图4是利用72天源城市的历史数据和9天的目标城市历史数据，所得到的24小时内预测曲线和真实值变化曲线，预测值有较好的拟合性，可以看出本实施例方法的优越性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。