买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京航空航天大学;中国移动通信集团北京有限公司

摘要：本发明属于时空数据挖掘领域，公开了一种基于时间引导的因果结构学习的城市时空数据预测方法。所述预测方法首先收集待预测地域内的城市时空数据，并以此构造标准数据集；接着构建基于时间引导的因果结构学习的预测模型，所述预测模型包括多个串联的增强时空因果特征提取模块和一个融合预测模块；采用标准数据集对所述预测模型完成训练；最后将训练好的预测模型应用于未来城市时空数据的预测。本发明的预测方法能够有效提升预测模型的精度、鲁棒性和泛化性。

主权项：1.一种基于时间引导的因果结构学习的城市时空数据预测方法，其特征在于，包括以下步骤：S1：收集待预测地域内的历史人流量，对历史人流量进行标准化处理，获得标准数据集；S2：构建基于时间引导的因果结构学习的预测模型，所述预测模型包括多个串联的增强时空因果特征提取模块和一个融合预测模块，每个增强时空因果特征提取模块包含一个因果去偏模块、一个时间引导的因果图学习器和一个跨时间片因果传递模块；S3：采用所述标准数据集对所述预测模型进行训练；S4：将训练好的预测模型应用于未来人流量的预测；所述S1中的标准化处理为：将待预测地域划分为N个子地域，统计各子地域内各时段的人流量；所述基于时间引导的因果结构学习的预测模型如下： 其中，为第t-1时段增强时空因果特征和第t时段增强时空因果特征的相关性模型，为预测器，表示第t时段人流量，表示第t+1时段预测的人流量；所述因果去偏模块由潜在混杂估计器部分和因果干预部分组成；其中，潜在混杂估计器部分通过构建分层矩阵将N个子地域分为具有不同混杂因素的区域，并通过并行的时域编码器提取各类区域的时空特征；因果干预部分将各类区域的时空特征分别通过独立的门控递归单元，并经后门调整公式生成无偏的时空因果特征；所述因果去偏模块包括以下模型： 其中，混杂因素C服从离散均匀分布，p表示混杂因素C共包含p类，即将N个子地域分为p类区域，，表示输入第i类区域第t-1时段人流量所对应的预测模型，其中，i=1,2,…p，表示第i类区域第t时段增强时空因果特征，表示第i类区域第t-1时段增强时空因果特征，表示第i类混杂因素，表示的共现概率；所述因果去偏模块提取的时空因果特征如下： 其中，表示第t时段的时空因果特征，表示批归一化操作，表示第i类区域第t时段提取的时空因果特征，i=1,2,…p，代表在节点维度上的矩阵拼接操作； 其中，表示第i类区域第t-1时段提取的增强时空因果特征，表示sigmoid激活函数，、、、、和均为可学习权重，表示第i类区域第t时段的人流量，表示tanh激活函数，为初始化零矩阵，表示时间位置嵌入层，表示第t时段时间位置信息，表示矩阵逐元素相乘；所述时间引导的因果图学习器生成因果传递矩阵，过程如下：（1）基于和构建所有区域的动态特征矩阵： 其中为第t时段所有区域的动态特征矩阵，为第t-1时段所有区域的动态增强特征矩阵，与均为投影矩阵；（2）基于和生成从第时段到第时段的跨时间片的因果传递矩阵；所述跨时间片因果传递模块中的因果传递过程如下：（1）其中，表示第t时段跨时间片因果传递模块的最终输出特征，表示ReLU激活函数，l表示第l层因果传递，L表示因果传递总层数，表示第层的输出特征，，表示第层网络参数权重，表示第层网络偏置；（2）生成增强时空因果特征： ；所述融合预测模块以多个串联的增强时空因果特征提取模块的输出为输入，利用堆叠的全连接层和Relu激活函数生成人流量预测结果： 其中，为第t+1时段预测人流量，、、和均为可学习的参数，为第Q时段内提取的增强时空因果特征。

全文数据：

权利要求：

百度查询： 北京航空航天大学 中国移动通信集团北京有限公司 基于时间引导的因果结构学习的城市时空数据预测方法