基于機(jī)器學(xué)習(xí)的智慧交通出行技術(shù)規(guī)范

中國國際科技促進(jìn)會發(fā)布ICS35.240.99CCSL73團(tuán)體標(biāo)準(zhǔn)XTechnicalspecificationsforsmarttransportationbasedonmachinelearning(征求意見稿)在提交反饋意見時，請將您知道的相關(guān)專利連同支持性文件一并附上。IT/CIXXXX—XXXX 性引用文件 1 5基于機(jī)器學(xué)習(xí)的智慧交通出行技術(shù)框架 16數(shù)據(jù)采樣與預(yù)處理 27基于機(jī)器學(xué)習(xí)的特征學(xué)習(xí) 3 9基于機(jī)器學(xué)習(xí)的智慧出行應(yīng)用場景 8 T/CIXXXX—XXXX前言本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起草。請注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識別專利的責(zé)任。本文件由南方科技大學(xué)提出。本文件由中國國際科技促進(jìn)會歸口。本文件起草單位：南方科技大學(xué)、長春理工大學(xué)、中國第一汽車集團(tuán)有限公司、北京大學(xué)、華為技術(shù)有限公司、重慶大學(xué)、浪潮集團(tuán)有限公司、同濟(jì)大學(xué)、中國檢驗認(rèn)證集團(tuán)深圳有限公司、深圳市駿嘉科技發(fā)展有限公司、深圳市鎧碩達(dá)科技有限公司、深圳渾沌數(shù)字化實驗室科技有限公司、深圳樹米網(wǎng)絡(luò)科技有限公司、汕頭大學(xué)、吉林省卡思特科技有限公司、吉林省中云數(shù)訊股份有限公司、超智研發(fā)中心 (深圳)有限公司、碳獵研發(fā)中心(深圳)有限公司、深圳安視信息技術(shù)有限公司、蘇州奇盈半導(dǎo)體科技有限公司、維旭長電科技(深圳)有限公司。本文件主要起草人：宋軒、陳紀(jì)元、王宏俊、楊華民、王興山、趙衛(wèi)東、朱津萱、謝洪彬、張浩然、張家祺、馮德帆、宋歌、張嘉暉、李昊洋、吳季泫、陳孫兵、陳天樂、張凌宇、賈云健、張昕、宋小龍、劉妍、周時瑩、李長龍、孫宗姚、王中一、謝奕、高亮、陳欣、陳瑤、袁飛。1T/CIXXXX—XXXX基于機(jī)器學(xué)習(xí)的智慧交通出行技術(shù)規(guī)范1范圍本文件確立了基于機(jī)器學(xué)習(xí)的智慧交通出行技術(shù)規(guī)范，規(guī)定了數(shù)據(jù)采樣、預(yù)處理、流程邏輯、智能決策、智慧交通出行應(yīng)用以及性能評估指標(biāo)的要求。本文件適用于基于機(jī)器學(xué)習(xí)的智慧交通出行技術(shù)規(guī)范，適合以機(jī)器學(xué)習(xí)技術(shù)為基礎(chǔ)的智慧交通出行應(yīng)用。2規(guī)范性引用文件下列文件中的內(nèi)容通過文中的規(guī)范性引用而構(gòu)成本文件必不可少的條款。其中，注日期的引用文件，僅該日期對應(yīng)的版本適用于本文件；不注日期的引用文件，其最新版本(包括所有的修改單)適用于本文件。GB/T35295-2017信息技術(shù)大數(shù)據(jù)術(shù)語T/ZGCSC004-2022城市時空預(yù)測智能模型的數(shù)據(jù)要求3術(shù)語和定義GB/T35295-2017、T/ZGCSC004-2022界定的以及下列術(shù)語和定義適用于本文件。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。符合現(xiàn)實物理世界定義的距離評判標(biāo)準(zhǔn)。注意力機(jī)制attentionmechanism通過額外的神經(jīng)網(wǎng)絡(luò)參數(shù)控制網(wǎng)絡(luò)關(guān)注點的一種手段。4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:起點-終點(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(jī)制(Attention)RMSE：均方根誤差(RootMeanSquareError)MAPE：平均絕對百分比誤差(MeanAbsolutePercentageError)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)5基于機(jī)器學(xué)習(xí)的智慧交通出行技術(shù)框架2T/CIXXXX—XXXX以機(jī)器學(xué)習(xí)為基礎(chǔ)的智慧出行技術(shù)規(guī)范中包含了數(shù)據(jù)采樣層、數(shù)據(jù)處理層、機(jī)器學(xué)習(xí)層和智能決策層，具體見圖1。該規(guī)范符合現(xiàn)代技術(shù)的要求和常規(guī)流程，可以為與廣大人民群眾日常生活緊密相連的如規(guī)劃行程路線，選擇交通方式，避開擁堵地段等等應(yīng)用提供一個完整、統(tǒng)一、規(guī)范的標(biāo)準(zhǔn)，為智慧城市面臨的挑戰(zhàn)提供智能化和科學(xué)化的支持。圖1基于機(jī)器學(xué)習(xí)的智慧交通出行技術(shù)體系6數(shù)據(jù)采樣與預(yù)處理數(shù)據(jù)采樣來源6.1.1傳統(tǒng)交通數(shù)據(jù)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)。6.1.2開放數(shù)據(jù)如公交卡數(shù)據(jù)和車載GPS數(shù)據(jù)，具體為包括OD流和交通時間公交卡數(shù)據(jù)，其中應(yīng)包括車輛的位置、密集度和速度的車載GPS數(shù)據(jù)。6.1.3監(jiān)控設(shè)備數(shù)據(jù)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。6.1.4傳感器數(shù)據(jù)路邊傳感器數(shù)據(jù)、流動車輛傳感器數(shù)據(jù)和廣域傳感器數(shù)據(jù)。傳感器數(shù)據(jù)內(nèi)容應(yīng)與監(jiān)控設(shè)備的數(shù)據(jù)內(nèi)容相同。6.1.5APP數(shù)據(jù)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。6.1.6其他數(shù)據(jù)3T/CIXXXX—XXXX如智能電網(wǎng)，數(shù)據(jù)內(nèi)容應(yīng)包括用電量信息。數(shù)據(jù)預(yù)處理6.2.1軌跡壓縮為減輕通信、計算和數(shù)據(jù)存儲的成本損耗，對收集的軌跡進(jìn)行壓縮處理是常見的處理手段。軌跡壓縮任務(wù)可以選擇離線執(zhí)行，也可以在線執(zhí)行。離線時可采用道格拉斯-普克算法過擬合等算法；在線時可采用滑動窗口等算法。使用軌跡壓縮前需根據(jù)情況規(guī)定誤差范圍，并明確壓縮后的目標(biāo)數(shù)據(jù)量大小。注：道格拉斯-普克算法過擬合是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。6.2.2數(shù)據(jù)清洗數(shù)據(jù)清洗可分為四個子問題：數(shù)據(jù)缺失，數(shù)據(jù)噪聲，數(shù)據(jù)異常，和數(shù)據(jù)不均衡。a)數(shù)據(jù)缺失：數(shù)據(jù)缺失問題廣泛存在，早期的處理方法是用固定值或上下文均值進(jìn)行填充，現(xiàn)在多用RNN、HMM以及矩陣補(bǔ)全等機(jī)器學(xué)習(xí)方法填充。b)數(shù)據(jù)噪聲：指與原數(shù)據(jù)無關(guān)的額外數(shù)據(jù)，應(yīng)通過時域和頻域的濾波方法(如卡爾曼濾波，SG濾波法)來過濾噪聲。注1：卡爾曼濾波是一種利用線性系統(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(jìn)行最優(yōu)估計的算法。注2：SG濾波法是一種對窗口內(nèi)的數(shù)據(jù)進(jìn)行加權(quán)濾波的算法，在濾波平滑的同時，能夠更有效地保留信號的變化信息。息c)數(shù)據(jù)異常：指那些在時空度量下與空間或時間鄰域離群的數(shù)據(jù)，通常使用異常檢測算法(如概率密度估計法)來修復(fù)異常數(shù)據(jù)，并在計算異常分?jǐn)?shù)時需要明確異常分?jǐn)?shù)的計算公式與臨界值。注：概率密度估計法是通過對時間序列中的點進(jìn)行概率密度估計以確定異常變化點的方法。d)數(shù)據(jù)不均衡：包括數(shù)據(jù)在分布和標(biāo)簽中存在的不均衡，如不同路段車流量在數(shù)據(jù)分布上的不均衡，和人與車輛標(biāo)簽在數(shù)據(jù)標(biāo)簽上的不均衡。應(yīng)采取過采樣、欠采樣等采樣技術(shù)解決。6.2.3地圖匹配地圖匹配是將位置數(shù)據(jù)關(guān)聯(lián)到路網(wǎng)上的技術(shù)，是預(yù)處理中不可或缺的一步。地圖匹配目前包含以下兩大類技術(shù)：基于采樣點的技術(shù)和添加額外信息的技術(shù)。基于采樣點的技術(shù)包括點距離方法和路徑距離方法，添加額外信息的技術(shù)包括添加幾何、拓?fù)?、概率、模型等方法。在進(jìn)行地圖匹配步時，應(yīng)至少選用上述任一方法或類似的方法。6.2.4信息提取軌跡中針對信息的預(yù)處理包括停駐點識別和軌跡分割。停駐點識別通常通過時間信息確定，也可使用相應(yīng)的停駐點檢測算法。軌跡分割包括以時間信息、空間信息以及停駐點進(jìn)行分割。如果下游任務(wù)有此類需要，則在數(shù)據(jù)預(yù)處理中需要進(jìn)行此步驟。7基于機(jī)器學(xué)習(xí)的特征學(xué)習(xí)特征處理7.1.1特征處理必要性在機(jī)器學(xué)習(xí)中，特征預(yù)處理是指對原始數(shù)據(jù)進(jìn)行一系列處理步驟，以便于機(jī)器學(xué)習(xí)算法更好地處理數(shù)據(jù)。特征預(yù)處理的主要目的是為了提高模型的準(zhǔn)確性和性能，并且可以幫助避免模型過度擬合或欠擬合的問題。7.1.2z-score均值化z-score均值化是一種常見的特征縮放方法，也叫標(biāo)準(zhǔn)化(Standardization)，它將原始數(shù)據(jù)進(jìn)行線性變換，使得變換后的數(shù)據(jù)滿足均值為0，標(biāo)準(zhǔn)差為1的正態(tài)分布。這種方法可以使得不同特征的數(shù)據(jù)具有相同的尺度，從而方便機(jī)器學(xué)習(xí)算法處理。z-score均值化的具體方法是：對于每個特征，計算其所有樣本的均值和標(biāo)準(zhǔn)差，然后將該特征的每個樣本數(shù)值減去均值，再除以標(biāo)準(zhǔn)差。4T/CIXXXX—XXXX7.1.3線性歸一化線性歸一化(也稱為Min-MaxScaling)是一種常見的特征縮放方法，它將原始數(shù)據(jù)進(jìn)行線性變換，使得變換后的數(shù)據(jù)在一定范圍內(nèi)，通常是[0,1]或[-1,1]之間。這種方法可以使得不同特征的數(shù)據(jù)具有相同的尺度，從而方便機(jī)器學(xué)習(xí)算法處理。線性歸一化的具體方法是：對于每個特征，計算其所有樣本的最小值和最大值，然后將該特征的每個樣本數(shù)值減去最小值，再除以最大值和最小值之差。7.1.4標(biāo)簽編碼標(biāo)簽編碼(LabelEncoding)是一種常見的特征處理方法，它將分類變量(CategoricalVariables)轉(zhuǎn)換為數(shù)字，從而方便機(jī)器學(xué)習(xí)算法處理。具體來說，標(biāo)簽編碼將每個不同的分類值賦予一個唯一的整數(shù)標(biāo)簽。標(biāo)簽編碼的優(yōu)點是簡單易實現(xiàn)，適用于一些算法的輸入要求為數(shù)字的情況。7.1.5獨熱編碼獨熱編碼(One-HotEncoding)是一種常見的特征處理方法，用于將分類變量(CategoricalVariables)轉(zhuǎn)換為數(shù)字，以便機(jī)器學(xué)習(xí)算法處理。獨熱編碼的優(yōu)點是可以處理分類變量，并且不會引入任何順序偏差。此外，在某些機(jī)器學(xué)習(xí)算法中，獨熱編碼也可以改善模型的性能。7.1.6時間特征組合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(jìn)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(zhǔn)確有用的時間特征。7.1.7額外特征嵌入現(xiàn)實世界中，還有各種其他信息可以作為額外特征嵌入到特征緯度，如興趣點位置(POI)、天氣、經(jīng)緯度、區(qū)域類型等。學(xué)習(xí)策略7.2.1集中學(xué)習(xí)策略集中學(xué)習(xí)策略(CentralizedLearningStrategy)是一種機(jī)器學(xué)習(xí)模型訓(xùn)練的策略，它是在一個中央服務(wù)器上進(jìn)行的，其中所有的數(shù)據(jù)都被集中在同一地點，并由該服務(wù)器處理和存儲。在這種情況下，模型可以訪問所有數(shù)據(jù)，并使用更多的數(shù)據(jù)進(jìn)行訓(xùn)練，從而提高模型的準(zhǔn)確性和性能。集中學(xué)習(xí)策略的主要優(yōu)點是可以更好地保護(hù)數(shù)據(jù)隱私，因為數(shù)據(jù)不需要離開服務(wù)器且數(shù)據(jù)可以被加密或脫敏，以減少泄露敏感信息的風(fēng)險。7.2.2聯(lián)邦學(xué)習(xí)策略聯(lián)邦學(xué)習(xí)策略(FederatedLearningStrategy)是一種分散式學(xué)習(xí)策略，它允許多個設(shè)備或數(shù)據(jù)所有者在本地訓(xùn)練模型，并將本地模型的更新上傳到中央服務(wù)器以進(jìn)行全局模型的訓(xùn)練。在這個過程中，所有數(shù)據(jù)都保留在本地設(shè)備上，不需要將其上傳到中央服務(wù)器，從而保護(hù)數(shù)據(jù)隱私。聯(lián)邦學(xué)習(xí)在移動設(shè)備和物聯(lián)網(wǎng)等場景中具有廣泛的應(yīng)用前景。7.2.3遷移學(xué)習(xí)策略遷移學(xué)習(xí)(TransferLearning)是一種利用已經(jīng)訓(xùn)練好的模型來解決新的問題的機(jī)器學(xué)習(xí)策略。它的基本思想是將一個已經(jīng)在一個任務(wù)上學(xué)習(xí)好的模型(源領(lǐng)域)應(yīng)用到另一個相關(guān)任務(wù)中(目標(biāo)領(lǐng)域)來提高目標(biāo)領(lǐng)域的學(xué)習(xí)效果。遷移學(xué)習(xí)的優(yōu)勢在于可以利用已有的模型來減少新模型的訓(xùn)練時間和資源成本，同時可以提高模型的準(zhǔn)確性和泛化能力。此外，遷移學(xué)習(xí)還可以解決數(shù)據(jù)集稀缺的問題，特別是在一些小樣本學(xué)習(xí)的場景中。7.2.4元學(xué)習(xí)策略元學(xué)習(xí)(Meta-Learning)是一種學(xué)習(xí)如何學(xué)習(xí)的機(jī)器學(xué)習(xí)策略。它的基本思想是通過學(xué)習(xí)多個任務(wù)的共性和差異，來提高模型在新任務(wù)上的學(xué)習(xí)能力。元學(xué)習(xí)可以分為兩種類型：基于模型的元學(xué)習(xí)和5T/CIXXXX—XXXX基于優(yōu)化的元學(xué)習(xí)。元學(xué)習(xí)的優(yōu)勢在于可以通過學(xué)習(xí)多個任務(wù)的共性和差異，來提高模型的泛化能力和學(xué)習(xí)效率。元學(xué)習(xí)可以幫助模型快速適應(yīng)新任務(wù)，并且可以在樣本數(shù)量較少的情況下完成學(xué)習(xí)。7.2.5對比學(xué)習(xí)策略對比學(xué)習(xí)(ContrastiveLearning)是一種無監(jiān)督的機(jī)器學(xué)習(xí)策略，它通過將同一樣本的不同視圖或不同樣本的相似性進(jìn)行比較，來學(xué)習(xí)數(shù)據(jù)的表示。對比學(xué)習(xí)可以分為兩種類型：基于相似性的對比學(xué)習(xí)和基于差異性的對比學(xué)習(xí)。對比學(xué)習(xí)的優(yōu)勢在于可以在無監(jiān)督的情況下學(xué)習(xí)數(shù)據(jù)的表示，從而可以減少數(shù)據(jù)標(biāo)注的工作量。對比學(xué)習(xí)可以通過比較同一樣本的不同視圖或不同樣本之間的相似性或差異性，來學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和語義信息，從而可以提高模型的泛化能力和魯棒性。7.2.6多路學(xué)習(xí)策略多路學(xué)習(xí)(Multi-TaskLearning)是一種機(jī)器學(xué)習(xí)策略，旨在通過讓模型同時學(xué)習(xí)多個相關(guān)的任務(wù)來提高模型的泛化能力和效果。傳統(tǒng)的機(jī)器學(xué)習(xí)算法通常只能解決一個任務(wù)，而多路學(xué)習(xí)則可以在同一個模型中同時解決多個任務(wù)。多路學(xué)習(xí)的優(yōu)勢在于可以將相關(guān)任務(wù)之間的共同點和差異點進(jìn)行學(xué)習(xí)和利用，從而可以提高模型的泛化能力和效果，同時減少數(shù)據(jù)標(biāo)注的工作量，節(jié)省時間和成本。學(xué)習(xí)方法7.3.1支持向量機(jī)支持向量機(jī)(SupportVectorMachine,SVM)是一種經(jīng)典的監(jiān)督學(xué)習(xí)算法，廣泛應(yīng)用于分類、回歸和異常檢測等領(lǐng)域。SVM的基本思想是在特征空間中構(gòu)造一個最優(yōu)超平面，將不同類別的樣本分開。具體來說，SVM在訓(xùn)練數(shù)據(jù)中尋找一個超平面，使得在超平面上離它最近的樣本點到該超平面的距離最大，這個距離被稱為“間隔”(margin)。這個過程可以轉(zhuǎn)化為求解一個二次規(guī)劃問題，可以使用各種優(yōu)化算法進(jìn)行求解。7.3.2隨機(jī)森林隨機(jī)森林(RandomForest)是一種基于決策樹的集成學(xué)習(xí)算法，可以用于分類、回歸和特征選擇等任務(wù)。隨機(jī)森林是由多棵決策樹組成的集成模型。在隨機(jī)森林中，每棵決策樹的訓(xùn)練數(shù)據(jù)是從原始數(shù)據(jù)集中隨機(jī)采樣得到的，同時每個節(jié)點的特征也是從原始特征集合中隨機(jī)選擇一部分特征進(jìn)行評估，這樣可以減少決策樹的過擬合風(fēng)險。在隨機(jī)森林中，最終的分類結(jié)果是由所有決策樹的結(jié)果投票決定的。7.3.3梯度提升樹梯度提升樹(GradientBoostingTree)是一種基于決策樹的集成學(xué)習(xí)算法，通過將多棵決策樹相加來提高模型的預(yù)測能力。與隨機(jī)森林不同，梯度提升樹是一種序列化的算法，每棵樹都是在上一棵樹的殘差基礎(chǔ)上構(gòu)建的。在梯度提升樹中，每棵樹的訓(xùn)練數(shù)據(jù)是根據(jù)上一棵樹的預(yù)測結(jié)果和真實值之間的殘差來計算的。每棵樹都是在減小上一棵樹的殘差的基礎(chǔ)上構(gòu)建的，因此最終的預(yù)測結(jié)果是所有樹的結(jié)果之和。7.3.4Adaboost樹AdaBoost樹(AdaptiveBoostingTree)是一種集成學(xué)習(xí)模型，通過多個弱分類器的組合來構(gòu)建一個強(qiáng)分類器。在AdaBoost樹模型中，每個弱分類器的訓(xùn)練數(shù)據(jù)都是根據(jù)前一個弱分類器的錯誤率來確定的，即對錯誤分類的樣本進(jìn)行加權(quán)，以使得下一個弱分類器能夠更加關(guān)注這些難分類的樣本。7.3.5聚類算法聚類算法是一種無監(jiān)督學(xué)習(xí)算法，它將相似的樣本歸為一類，不同的樣本歸為不同的類別。聚類算法主要用于探索數(shù)據(jù)的內(nèi)部結(jié)構(gòu)，尋找數(shù)據(jù)中的模式和規(guī)律，以及幫助人們理解數(shù)據(jù)的本質(zhì)特征。常見的聚類算法有以下幾種：a)K均值聚類算法：將數(shù)據(jù)集分成K個簇，每個簇由與其它樣本距離最近的點組成；b)層次聚類算法：將樣本逐層劃分成簇，形成一個樹形結(jié)構(gòu)，可以按照需要截取不同的簇；c)密度聚類算法：根據(jù)數(shù)據(jù)點的密度來進(jìn)行聚類，同一簇內(nèi)的點密度要大于一定閾值，不同簇之間的密度要有明顯差異；6T/CIXXXX—XXXXd)均值漂移聚類算法：基于樣本點密度的梯度方向不斷迭代，直到所有樣本點都收斂到密度最大的點上；e)DBSCAN聚類算法：基于樣本點的密度，將樣本點分為核心點、邊界點和噪聲點，并通過核心點的連通性來劃分簇。7.3.6EM算法EM算法(Expectation-MaximizationAlgorithm)是一種常見的統(tǒng)計學(xué)習(xí)方法，用于解決含有隱變量的概率模型的參數(shù)估計問題。其基本思想是，通過對數(shù)據(jù)進(jìn)行觀察，得到數(shù)據(jù)的概率分布，從而推斷出模型的參數(shù)。EM算法分為兩步，分別是Expectation步驟和Maximization步驟。7.3.7卷積神經(jīng)網(wǎng)絡(luò)由于交通網(wǎng)絡(luò)無法使用二維矩陣表達(dá)，許多研究者將不同時刻的城市交通網(wǎng)絡(luò)轉(zhuǎn)換成圖像格式，因而使得卷積神經(jīng)網(wǎng)絡(luò)得以被用來提取每個時間片下網(wǎng)格數(shù)據(jù)中不同網(wǎng)格區(qū)域中的空間特征。與現(xiàn)實世界相同，每個網(wǎng)格與周邊網(wǎng)格有所相連，周邊網(wǎng)格的位置根據(jù)網(wǎng)格劃分?jǐn)?shù)據(jù)的經(jīng)緯度來決定。根據(jù)特定的周邊區(qū)域順序與距離，不同位置的訓(xùn)練權(quán)重在卷積神經(jīng)網(wǎng)絡(luò)計算的過程中被體現(xiàn)出來。7.3.8循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN和它的變體LSTM，GRU等神經(jīng)網(wǎng)絡(luò)被設(shè)計以應(yīng)對序列數(shù)據(jù)。為了提取交通數(shù)據(jù)中的非線性特征，循環(huán)神經(jīng)網(wǎng)絡(luò)可以從長時間序列中提取多時間步長周期的特征信號并且支持針對其中隱藏特征傳遞單元，遺忘單元等各個組合構(gòu)件進(jìn)行改造。循環(huán)神經(jīng)網(wǎng)絡(luò)的可塑性極高，支持跟各種其他方法論組合出新的模塊，因而至今都在繼續(xù)迭代。7.3.9注意力神經(jīng)網(wǎng)絡(luò)注意力機(jī)制是一種類似于人類視覺系統(tǒng)的模式識別機(jī)制，可以用來指導(dǎo)神經(jīng)網(wǎng)絡(luò)在處理輸入序列或圖像時的關(guān)注度和權(quán)重。注意力機(jī)制的主要思想是在處理輸入序列或圖像時，網(wǎng)絡(luò)能夠有選擇性地將注意力集中在相關(guān)的部分，而忽略無關(guān)的部分，從而提高模型的準(zhǔn)確性和效率?；谶@種思想，注意力神經(jīng)網(wǎng)絡(luò)(AttentionNeuralNetwork)就應(yīng)運而生。它是一種基于注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模型，可以將注意力機(jī)制引入到神經(jīng)網(wǎng)絡(luò)的各個層級中，使得網(wǎng)絡(luò)能夠有選擇地關(guān)注輸入的不同部分，以此提高模型的表現(xiàn)能力。7.3.10TransformerTransformer類模型不僅在計算機(jī)視覺和自然語言處理中火熱發(fā)展，交通數(shù)據(jù)挖掘預(yù)測領(lǐng)域中同樣衍生出許多變體模型。集成了多頭注意力機(jī)制，注意力計算，編碼器解碼器和反向回饋層的Transformer架構(gòu)，可以在其中各個組件中改造或者加入串并聯(lián)方式的其他特征提取單元。7.3.11圖卷積神經(jīng)網(wǎng)絡(luò)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)只能處理歐式數(shù)據(jù)類型，而交通路網(wǎng)本質(zhì)上也是非歐式的圖關(guān)系，為處理非歐式數(shù)據(jù)計算設(shè)計的圖卷積網(wǎng)絡(luò)非常適合各類交通數(shù)據(jù)挖掘問題。圖卷積計算方法主要有譜域圖卷積和空域圖卷積。譜域圖卷積的定義為通過從圖信號處理的角度引入濾波器來定義圖卷積，其中圖卷積運算被解釋為從圖信號中去除噪聲。空域圖卷積的定義為通過圖卷積公式從鄰居節(jié)點聚合節(jié)點特征。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：a)單圖卷積：最初始發(fā)展出的譜域圖卷積或者空域圖卷積版本；b)多圖卷積：多種鄰接矩陣作為圖的空間表示，多個圖卷積模塊提取特征后聚合特征；c)自適應(yīng)圖卷積：固有的鄰接矩陣作為交通數(shù)據(jù)的空間表示并不可靠，因而使用可學(xué)習(xí)的學(xué)習(xí)策略來重新學(xué)習(xí)鄰接矩陣，進(jìn)而輸入到圖卷積網(wǎng)絡(luò)中提取空間特征；d)圖注意力網(wǎng)絡(luò)：為了防止固有鄰接矩陣中錯誤信息對特征提取過程造成負(fù)面干擾，使用注意力機(jī)制去學(xué)習(xí)不受固有鄰接矩陣影響的注意力分?jǐn)?shù)，排除固有鄰接矩陣的噪聲的同時，也使得長遠(yuǎn)距離的圖節(jié)點也有機(jī)會參與到空間特征提取過程中；e)動態(tài)自適應(yīng)多圖卷積：集成了多圖策略，自適應(yīng)學(xué)習(xí)策略和圖卷積的一種綜合體；7T/CIXXXX—XXXXf)偏微分圖卷積：上述各類圖卷積僅僅是考慮的空間層面的影響，未考慮到不同時間片的狀態(tài)影響。引入偏微分使得不同時間片的圖卷積操作可以上下文呼應(yīng)，使得圖卷積也變得可以持續(xù)學(xué)習(xí)。7.3.12圖生成神經(jīng)網(wǎng)絡(luò)圖生成神經(jīng)網(wǎng)絡(luò)(GraphGenerativeNeuralNetwork)是一類基于深度學(xué)習(xí)的圖生成模型，用于生成符合特定條件的圖結(jié)構(gòu)。與傳統(tǒng)的圖生成方法相比，圖生成神經(jīng)網(wǎng)絡(luò)能夠自動學(xué)習(xí)特征表示和生成規(guī)則，不需要手工設(shè)計特征和生成算法，因此具有很大的靈活性和適用性。圖生成神經(jīng)網(wǎng)絡(luò)主要包括基于圖神經(jīng)網(wǎng)絡(luò)和基于變分自編碼器(VariationalAutoencoder,VAE)的兩類模型?；趫D神經(jīng)網(wǎng)絡(luò)的模型是一種基于圖卷積網(wǎng)絡(luò)(GraphConvolutionalNetwork,GCN)的圖生成模型，基于VAE的模型是一種基于概率模型的圖生成模型。評價指標(biāo)7.4.1RMSE均方根誤差該指標(biāo)對應(yīng)于平方誤差的預(yù)期值，公式見(1)。2RMSEy,=x1yi?i…………………(1)該指標(biāo)對應(yīng)于平方誤差的預(yù)期值，公式見(1)。2式中：yi——預(yù)測值；yi——預(yù)測值；N——預(yù)測節(jié)點個數(shù)。7.4.2MAPE平均絕對百分比誤差MAPEy,=xMAPEy,=x1yii………(2)式中：yi——預(yù)測值；yi——預(yù)測值；N——預(yù)測節(jié)點個數(shù)。7.4.3KL離散度KL=xxPKL=xxPx(logPx?logQ(x))……(3)式中：P(x)——P在x處的概率密度函數(shù)；Q(x)——Q在x處的概率密度函數(shù)。7.4.4交叉熵交叉熵是一種用來衡量兩個概率分布之間相似度的度量方法。通常用來衡量分類模型的預(yù)測結(jié)果與真實標(biāo)簽之間的差異，公式見(4)。CE=?xxPxlogQx………(4)真實標(biāo)簽之間的差異，公式見(4)。式中：P(x)——P在x處的概率密度函數(shù)；Q(x)——Q在x處的概率密度函數(shù)。7.4.5精確率8T/CIXXXX—XXXX該指標(biāo)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(5)。P=TP/(TP+FP)……(5)式中：TP——預(yù)測正樣本正確；FP——預(yù)測正樣本錯誤。7.4.6召回率該指標(biāo)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(6)。R=TP/(TP+FN)……(6)式中：TP——預(yù)測正樣本正確；FN——預(yù)測負(fù)樣本錯誤8智能決策以個人習(xí)慣決策在智能決策中，個人習(xí)慣可以作為一種重要的決策依據(jù)。個人習(xí)慣是指在個人日常生活、工作中形成的一種習(xí)慣性的行為方式或思維方式，是個人經(jīng)驗、知識、情感等的綜合反映。個人習(xí)慣作為一種重要的決策依據(jù)，在智能決策中具有重要的應(yīng)用價值，可以提高決策的準(zhǔn)確性和個性化程度。例如，在路線規(guī)劃時，我們可以通過收集用戶歷史行駛數(shù)據(jù)來學(xué)習(xí)他們的個人偏好，包括他們喜歡的道路類型、行駛速度等。這些信息可以用于個性化路徑規(guī)劃，幫助用戶更好地滿足自己的需求。以資源分配決策以資源分配決策在智慧決策中是一種常用的策略，資源多的地方通常更受用戶的青睞。例如在規(guī)劃地鐵出行的場景中，座位(空間)即是資源，智慧決策可以根據(jù)機(jī)器學(xué)習(xí)算法的預(yù)測結(jié)果，選擇人流更少的路線以給予用戶舒適的出行體驗。以時間長短決策以出行損耗時間長度為決策指標(biāo)。以距離遠(yuǎn)近決策以出行路線遠(yuǎn)近為決策指標(biāo)。以最小損耗決策以最小損耗決策是另一種較為常見的決策選擇，損耗的定義是多種多樣的，比如出行中花費的金錢也為損耗。比如，在為用戶推薦從A城市到B城市的交通工具搭配上，我們可以利用機(jī)器學(xué)習(xí)模型預(yù)測的未來價格波動，計算出最小金錢損耗的搭配給予用戶參考。9基于機(jī)器學(xué)習(xí)的智慧出行應(yīng)用場景路徑規(guī)劃路徑規(guī)劃是旅游者準(zhǔn)備行程的重要步驟。雖然用戶可以搜索相關(guān)的旅游指南和游記，但它們提供的信息通常是非結(jié)構(gòu)化的，并且因人而異。在這種情況下，非常需要一種自動的、交互式的旅游路線規(guī)劃服務(wù)，以根據(jù)用戶的喜好來規(guī)劃定制的旅行。推薦旅游路線的流行方法是找到與給定背景相似的現(xiàn)有旅行，如空間鄰近性、文本相關(guān)性和照片。例如，可以利用現(xiàn)有的出行，通過將熱點區(qū)域與路線聯(lián)系起來構(gòu)建一個旅游網(wǎng)絡(luò)，然后通過交通流量檢測算法從網(wǎng)絡(luò)中發(fā)現(xiàn)熱門路線。9T/CIXXXX—XXXX實時導(dǎo)航智慧出行可以通過傳感器、GPS等技術(shù)，實時監(jiān)測交通狀況，并且通過機(jī)器學(xué)習(xí)技術(shù)對未來可能情況進(jìn)行預(yù)測，為用戶提供最快、最安全的路線導(dǎo)航。例如，可以通過觀測現(xiàn)有車流量并計算未來可能發(fā)生擁堵的路段，從而引導(dǎo)用戶提前