2023深度學(xué)習(xí)驅(qū)動的智慧交通數(shù)據(jù)挖掘預(yù)測技術(shù)規(guī)范

深度學(xué)習(xí)驅(qū)動的智慧交通數(shù)據(jù)挖掘預(yù)測技術(shù)規(guī)范II目 次1圍 12范引文件 13語定義 14略語 15慧通據(jù)掘技術(shù) 26據(jù)樣預(yù)理 27于度習(xí)挖法 38慧通用景 69據(jù)掘測能指標 7PAGEPAGE8深度學(xué)習(xí)驅(qū)動的智慧交通數(shù)據(jù)挖掘預(yù)測技術(shù)規(guī)范范圍本文件適用于基于深度學(xué)習(xí)的智慧交通數(shù)據(jù)挖掘預(yù)測。（GB/T5271.34-2006信息技術(shù)詞匯第34部分:人工智能神經(jīng)網(wǎng)絡(luò)GB/T34678-2017智慧城市技術(shù)參考模型GB/T35295-2017信息技術(shù)大數(shù)據(jù)術(shù)語GB/T37043-2018智慧城市術(shù)語GB/T41867-2022信息技術(shù)人工智能術(shù)語GB/T5271.34-2006、GB/T34678-2017、GB/T35295-2017、GB/T37043-2018、GB/T41867-2022界定的以及下列術(shù)語和定義適用于本文件。3.1鄰接矩陣adjacentmatrix用以表示交通圖數(shù)據(jù)中不同節(jié)點的空間相關(guān)性權(quán)重的二維正方形矩陣。3.2歐式euclidean符合現(xiàn)實物理世界定義的距離評判標準。3.3膨脹卷積dilatedconvolution具有存在間隙的內(nèi)核的卷積，為時間卷積網(wǎng)絡(luò)的重要組成部分。3.4損失函數(shù)lossfunction算法模型輸出和觀測結(jié)果之間的概率分布差異。3.5douglas-peuckeralgorithm將曲線近似表示為一系列點，并減少點的數(shù)量的一種算法。3.6卡爾曼濾波kalmanfiltering一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法。縮略語下列縮略語適用于本文件。GPS:全球定位系統(tǒng)(GlobalPositioningSystem)APP：應(yīng)用程序（Application）OD:起止點(OriginDestination)HMM:隱馬爾可夫模型(HiddenMarkovModel)RNN：循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork）LSTM：長短期記憶網(wǎng)絡(luò)（LongShort-TermMemory）CNN：卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork）Attention：注意力機制（Attention）GCN：圖卷積網(wǎng)絡(luò)（GraphConvolutionalNetwork）TCN：時間卷積網(wǎng)絡(luò)（TemporalConvolutionalNetwork）POI：興趣點位置（PointofInterest）圖1深度學(xué)習(xí)驅(qū)動的智慧交通挖掘預(yù)測架構(gòu)包括控制信號數(shù)據(jù)和路網(wǎng)數(shù)據(jù)等已結(jié)構(gòu)化的數(shù)據(jù)。GPSODGPS數(shù)據(jù)形式為視頻，數(shù)據(jù)內(nèi)容應(yīng)包括車輛的位置、密集度和速度，還有對車輛的識別。APP包括了出行軟件數(shù)據(jù)和社交媒體數(shù)據(jù)，其中社交媒體數(shù)據(jù)即在社交媒體中發(fā)布的地理信息。如天氣數(shù)據(jù)、節(jié)假日數(shù)據(jù)等。Douglas-PeuckerRNN、HMM交通數(shù)據(jù)的空間關(guān)系復(fù)雜，也使得圖卷積網(wǎng)絡(luò)從普通構(gòu)造逐漸發(fā)展演變出多種變體：元學(xué)習(xí)將空間上的不同節(jié)點視作元學(xué)習(xí)中的不同單元，不同節(jié)點之間相互影響相互促進特征的學(xué)習(xí)。RNN時間卷積網(wǎng)絡(luò)TCN本質(zhì)上是堆疊的多層CNN層，不同于RNN等循環(huán)神經(jīng)網(wǎng)絡(luò)需要等待時間片一個個計算特征，TCN可以并行計算所有時間步的數(shù)據(jù)特征，而后通過膨脹卷積堆疊連接，加速計算速度的同時也保持有較長的感受野，可以輸入任意步長的時間序列。RNNCNN，Attention堆疊類架構(gòu)指的是堆疊的門控卷積，在因果卷積連接上下層時可以加入各種變體單元如GCN，GatedCNN，Attention等，因此可以作為框架來包含其他時空模塊和方法策略。TransformerTransformerTransformer有部分交通預(yù)測場景會存在地區(qū)A數(shù)據(jù)充足，地區(qū)B不充足的情況，使用遷移學(xué)習(xí)架構(gòu)在城市A中預(yù)訓(xùn)練得到模型，然后切換到地區(qū)B使用地區(qū)B的數(shù)據(jù)繼承訓(xùn)練或微調(diào)。為了充分利用歷史數(shù)據(jù)中的有用信息，將年、月、星期、日、小時、分鐘、秒、節(jié)假日/工作日等時間日期特征進行編碼組合，聯(lián)合交通特征輸入到模型中，幫助模型挖掘出更準確有用的時間特征。受LSTM重大事故可能對乘客造成致命傷害，并在道路網(wǎng)絡(luò)上造成長時間延誤。因此，了解事故的主要原因監(jiān)控攝像頭已廣泛部署在城市道路上，產(chǎn)生大量圖像和視頻。大量數(shù)據(jù)造就了更加安全精準的交通隨著國內(nèi)電動車載具的發(fā)展，公共充電站需求日益增大，戰(zhàn)略性地部署充電站和充電點成為城市規(guī)室外廣告牌是否有效取決于他的內(nèi)容設(shè)計，可見性以及放置的地理位置。其中地理位置被認為是最在一個智慧城市中，商店選址不再僅僅依賴人的經(jīng)驗和直覺。首先，我們可以利用大數(shù)據(jù)技術(shù)，收該指標為對絕對誤差損失的預(yù)期值，公式見（1）。 ????(??,?)=1??

|??

??|

··························································(1)9.2

式中：????——預(yù)測值；????——預(yù)測節(jié)點個數(shù)。均方誤差

????=1?? ??，（2）。 ????(??,?)=1??

(??

??)2

························································(2)9.3

式中：????——預(yù)測值；????——預(yù)測節(jié)點個數(shù)。均方根誤差

????=1?? ??該指標對應(yīng)于平方誤差的預(yù)期值，公式見（3）。 ????(,?)=√1??

(??

??)2

······················································(3)9.4

式中：????——預(yù)測值；???——預(yù)測節(jié)點個數(shù)。平均絕對百分比誤差

????=1?? ??該指標是對相對誤差損失的預(yù)期值，也即是絕對誤差和真值的百分比，公式見（4）。 ????(??,?)=1??|??????|··(4)9.5

式中：????——預(yù)測值；???——預(yù)測節(jié)點個數(shù)。分位數(shù)損失

????=1

|????|表示概率分布預(yù)測給出的分位數(shù)，公式見（5）。

=1∑????

(1?

??|+??

??|??

??|··(5)式中：????——預(yù)測值；??

??

??=1??????

??

?????? ?? ???——預(yù)測節(jié)點個數(shù)；??——分位數(shù)水平。（6）。?∞ ????????(????,????)=∫∞[????(??)?????(??)]2????················································(6)?∞式中：????——預(yù)測分布的概率分布函數(shù)；????——真實值的概率分布函數(shù)。精確率該指標是分類器預(yù)測的正樣本中預(yù)測正確的比例，取值范圍為[0,1]，取值越大，模型預(yù)測能力越好。公式見（7）。 ??= ????????+????

············································································(7)式中：????——????召回率該指標是分類器所預(yù)測正確的正樣本占所有正樣本的比例，取值范圍為[0,1]，取值越大，模型預(yù)測能力越好。公式見（8）。 ??= ????????+????

············································································(8)式中：????????F1（9）。