公开(公告)号：CN113128783A

公开(公告)日：2021-07-16

申请号：CN202110490225.X

申请日：2021-05-06

Applicant: 大连理工大学

Inventor： 申彦明 ,  李非凡 ,  齐恒 ,  尹宝才

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于计算机数据分析领域，提供了一种基于图迁移学习的交通预测方法，能够从训练样本充足的源域上高效地迁移知识到训练样本不足的目标域上，并提高基于图卷积神经网络的交通预测模型在小样本情形下的预测性能。本发明的方法可以帮助提高基于图数据的交通预测模型在小样本情形下的预测准确度。本发明的方法通过引入空间聚类和时间聚类正则项，将时空模式匹配与预测准确度进行权衡，以数据驱动的方式完成目标域与源域中节点时空模式相似性的匹配，从而达到减小负迁移的效果，并大幅减少了以往方法在时空模式匹配过程中的计算开销。

公开(公告)号：CN113128783B

公开(公告)日：2024-12-06

申请号：CN202110490225.X

申请日：2021-05-06

Applicant: 大连理工大学

Inventor： 申彦明 ,  李非凡 ,  齐恒 ,  尹宝才

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/045 ,  G06N3/096 ,  G06F18/23

Abstract: 本发明属于计算机数据分析领域，提供了一种基于图迁移学习的交通预测方法，能够从训练样本充足的源域上高效地迁移知识到训练样本不足的目标域上，并提高基于图卷积神经网络的交通预测模型在小样本情形下的预测性能。本发明的方法可以帮助提高基于图数据的交通预测模型在小样本情形下的预测准确度。本发明的方法通过引入空间聚类和时间聚类正则项，将时空模式匹配与预测准确度进行权衡，以数据驱动的方式完成目标域与源域中节点时空模式相似性的匹配，从而达到减小负迁移的效果，并大幅减少了以往方法在时空模式匹配过程中的计算开销。