公开(公告)号：CN115033421A

公开(公告)日：2022-09-09

申请号：CN202210235453.7

申请日：2022-03-11

Applicant: 福州大学

Inventor： 冯心欣 ,  张海涛 ,  凌慕瑶 ,  郑海峰

IPC: G06F11/14 ,  G06K9/62

Abstract: 本发明涉及一种基于时空张量鲁棒主成分分析的交通数据恢复方法，通过基于张量鲁棒主成分分析算法（TRPCA），结合交通数据时空相关性，提出时空张量鲁棒主成分分析算法（ST‑TRPCA），充分考虑交通数据的时空相关性，并加入相关时空约束来提高数据恢复的精度，进而引入张量分解和低秩表示，将低秩张量分解为两个张量的乘积；利用交替方向乘子法（ADMM）迭代求解，将复杂问题转化成多个子问题，每个子问题都有相应的封闭解。本发明有效提高数据恢复和异常检测的精度。

公开(公告)号：CN112562339A

公开(公告)日：2021-03-26

申请号：CN202011461804.3

申请日：2020-12-09

Applicant: 福州大学

Inventor： 冯心欣 ,  郑强 ,  张海涛 ,  郑海峰

IPC: G08G1/01 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于多任务图卷积网络的鲁棒性交通流预测方法。通过采用图卷积（Graph Convolutional Networks）结合时域卷积来提取交通数据的时空关系，并采用多任务学习MTL（Multi‑Task Learning）结构来增强模型的泛化能力以对抗交通数据缺失和异常。本发明设计了一种将图卷积与多任务学习相结合的多任务图卷积模型，可以使模型在数据异常情况下更加稳定地预测交通流。本发明所提出的模型具有多输出结构，可以同时输出三个任务。其中一个任务为输出目标时间段交通流数据，剩下两个任务是对同一个路网在不同时间段进行预测的辅助任务，分别为目标任务前15分钟时间段，目标任务后15分钟时间段。通过同时训练目标时间段及其早期和后期的交通流预测任务，可以实现模型参数的鲁棒性。

公开(公告)号：CN113240904B

公开(公告)日：2022-06-14

申请号：CN202110497806.6

申请日：2021-05-08

Applicant: 福州大学

Inventor： 冯心欣 ,  郑强 ,  张海涛 ,  郑海峰

IPC: G08G1/01 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于特征融合的交通流预测方法，包括如下步骤：步骤S1:获取历史交通数据，并进行时空相关性分析；步骤S2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取;步骤S3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；步骤S4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；步骤S5:将实时交通数据通过步骤S1‑S2处理后，输入最优的预测模型，得到预测的交通流量。本发明有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。

公开(公告)号：CN112562339B

公开(公告)日：2022-01-04

申请号：CN202011461804.3

申请日：2020-12-09

Applicant: 福州大学

Inventor： 冯心欣 ,  郑强 ,  张海涛 ,  郑海峰

IPC: G08G1/01 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于多任务图卷积网络的鲁棒性交通流预测方法。通过采用图卷积（Graph Convolutional Networks）结合时域卷积来提取交通数据的时空关系，并采用多任务学习MTL（Multi‑Task Learning）结构来增强模型的泛化能力以对抗交通数据缺失和异常。本发明设计了一种将图卷积与多任务学习相结合的多任务图卷积模型，可以使模型在数据异常情况下更加稳定地预测交通流。本发明所提出的模型具有多输出结构，可以同时输出三个任务。其中一个任务为输出目标时间段交通流数据，剩下两个任务是对同一个路网在不同时间段进行预测的辅助任务，分别为目标任务前15分钟时间段，目标任务后15分钟时间段。通过同时训练目标时间段及其早期和后期的交通流预测任务，可以实现模型参数的鲁棒性。

公开(公告)号：CN113240904A

公开(公告)日：2021-08-10

申请号：CN202110497806.6

申请日：2021-05-08

Applicant: 福州大学

Inventor： 冯心欣 ,  郑强 ,  张海涛 ,  郑海峰

IPC: G08G1/01 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于特征融合的交通流预测方法，包括如下步骤：步骤S1:获取历史交通数据，并进行时空相关性分析；步骤S2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取;步骤S3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；步骤S4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；步骤S5:将实时交通数据通过步骤S1‑S2处理后，输入最优的预测模型，得到预测的交通流量。本发明有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。