CN113285721A - 一种面向稀疏移动感知数据的重构与预测算法 - Google Patents
一种面向稀疏移动感知数据的重构与预测算法 Download PDFInfo
- Publication number
- CN113285721A CN113285721A CN202110646063.4A CN202110646063A CN113285721A CN 113285721 A CN113285721 A CN 113285721A CN 202110646063 A CN202110646063 A CN 202110646063A CN 113285721 A CN113285721 A CN 113285721A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- reconstruction
- embedding
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
- H03M7/3062—Compressive sampling or sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及移动感知技术领域,具体涉及一种面向稀疏移动感知数据的重构与预测算法。
背景技术
随着智慧城市的发展,传感器被广泛部署在城市中来收集和提供城市数据。传统上,数据采集主要基于静态传感器,如地下感应线圈和摄像机。虽然静态传感器可以提供可靠的测量,但它们的成本较高,覆盖范围有限。随着传感设备和通信技术的发展,传感器可以部署在如无人机或汽车等移动设备上来收集城市数据,称之为移动感知。这种可移动的感知方式避免了在城市的各个角落部署昂贵的静态传感器,可以更有效地收集信息。
然而,所有这些感知方法都存在数据完整性问题:设备故障和传输错误会造成感知数据的丢失,称之为数据缺失;移动感知中设备分布不均匀、轨迹覆盖有限,在特殊情况下只能获取少量的有效感知数据,称之为数据稀疏。如果要达到比较好的实际应用效果,那么需要解决感知数据中的完整性问题。
传统机器学习技术对这一问题已有一定的研究,使用KNN、xgboost等方法根据最相关的数据对缺失值进行推测;一些方法采用矩阵分解的思路,通过梯度下降法学习时间低秩矩阵和空间低秩矩阵来表示时空特征,进而补全数据,对于时空数据间的相关性,也可以通过设置正则化规则来进行拟合。在实际应用中,如停车位推荐、驾驶路线推荐需要秒级的运算速度,而这些传统方法在数据更新时需要重新学习时空特征才能得到较好的数据重构效果,无法满足实时性要求。此外传统方法大多无法建模数据中复杂的非线性时空关系。
随着深度学习的发展,图卷积神经网络、图注意力神经网络等被用于解决感知数据中的完整性问题,但这些方法大多只能用于数据缺失时的插补,因此需求一种在完成上述工作的同时,对稀疏数据也能进行有效的重构和预测的方法。
发明内容
为了解决上述问题,本发明提供一种面向稀疏移动感知数据的重构与预测算法。
本发明为解决技术问题所采用的技术方案如下:
一种面向稀疏移动感知数据的重构与预测算法,包括如下步骤:
步骤一、通过处理空间上下文数据得到空间嵌入SE,通过处理时间上下文数据得到历史时间嵌入HE与未来时间嵌入FE,通过处理HE、SE和感知数据X得到时空嵌入STE;
本发明的有益效果是:
1、本发明一种面向稀疏移动感知数据的重构与预测算法,面向稀疏移动感知数据的重构和预测的同时,能够在数据缺失时插补。
2、本发明通过时空嵌入、时间空间上下文数据、学习数据中的时空特征,并采用双线性解码器一和双线性解码器二同时进行重构与预测,减少误差传播。
3、无需借助其他时空数据工作,通过学习数据中的时空特征,无需在数据更新时需要重新学习时空特征,便能够得到较好的数据重构效果和预测,最终达到秒级的重构、预测速度,能够满足实时性要求,从而满足现实场景中移动感知数据的应用需求。
附图说明
图1为本发明的一种面向稀疏移动感知数据的重构与预测算法的流程图。
图2为本发明的一种面向稀疏移动感知数据的重构与预测算法基于时空嵌入模块的步骤一的流程示意图。
图3为本发明的一种面向稀疏移动感知数据的重构与预测算法基于时空多注意力模块的步骤二的流程示意图。
图4为本发明的一种面向稀疏移动感知数据的重构与预测算法基于多任务编解码框架的步骤三的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。
首先对本发明一种面向稀疏移动感知数据的重构与预测算法的部分参量或名词等做出预定义,具体如下:
道路网络数据表示为加权有向图其中顶点V={v1,v2,…,vN}表示待感知位置集合,共N个待感知位置(在道路速度、路边停车位监测等任务中待感知位置为路段。在空气质量监测等任务中待感知位置为一片区域);ε表示顶点之间连通性的边的集合;表示加权邻接矩阵,表示N×N的矩阵,其中加权邻接矩阵的元表示某一顶点va与vb之间的接近度(例如,通过最短可达时间来测量),va与vb均属于V。
空间上下文数据空间上下文数据即空间信息,包括道路网络数据和兴趣点POI数据。感知数据为表示X中的一个顶点vi时间tj对应的感知数据,其中P代表输入的p个时刻P={t1,t2,...,tp},P表示历史时间。
重构与预测算法的任务为:给定空间上下文数据F与感知数据X,重构感知数据并预测未来一段时间Q的感知数据即预测未来的监测数据,也可称为预测未来一段时间的待感知数据,表示Y中顶点vi时间tC对应的预测感知数据,Q代表待预测的q个时刻,Q表示未来时间,Q={tp+1,tp+2,...,tp+q}。
上述的i、j、p、a、b、c、q均为正整数。
基于上述预定义,本发明一种面向稀疏移动感知数据的重构与预测算法,如图1,包括如下步骤:
步骤一、通过处理空间信息得到空间嵌入SE,通过处理时间信息得到历史时间嵌入HE与未来时间嵌入FE,通过处理历史时间嵌入HE、空间嵌入SE和感知数据X得到时空嵌入STE。
步骤一采用时空嵌入模块实现。我们使用时间信息和空间信息进行编码,生成用于时空关系建模的空间嵌入与时间嵌入,用于稀疏数据增强的时空混合嵌入。时间嵌入TE包括历史时间嵌入HE与未来时间嵌入FE。如图2,具体为:
步骤1.2、将每个时刻的时间信息(星期、日期、时间等)进行one-hot编码(一位有效编码)表示,编码后的时间信息送入两层的第二全连接层,得到历史时间嵌入与未来时间嵌入为历史时刻tj的时间嵌入,为未来时刻tc的时间嵌入;
也就是,历史时间P对应的时间信息为历史时间信息,对历史时间信息进行one-hot编码表示后送入两层的第二全连接层,得到历史时间嵌入HE;未来时间Q对应的时间信息为未来时间信息,对未来时间信息进行one-hot编码表示后送入两层的第二全连接层,得到未来时间嵌入FE。为了方便表述,我们用TE表示时间嵌入,包含历史时间嵌入HE和未来时间嵌入FE。
步骤二采用时空多注意力模块实现,多注意力模块包括空间多注意力模块、时间多注意力模块、迁移多注意力模块。在多注意力模块中,将时空嵌入中的相关关系映射到感知数据中,使用多注意机制来提取空间隐向量和时间隐向量。具体如图3所示,图3中的“输入”包括SE、TE、STE和X。
其中<·,·>表示内积运算,D表示与的维度(维度是指嵌入向量的维度,与的的维度均为D,例如D=64),表示k轮空间注意力(空间多注意力模块)中的非线性变换,n表示第n个非线性变换,步骤2.1中n取1、2、3。
其中,||表示连接运算,为k轮的各个历史时刻tr与顶点之间的相关系数,tr、tj均属于P、均表示历史时刻,tr用于tj的求和函数,r为正整数,k表示K轮中的第k轮,k为正整数,0<k<K,K轮表示K个并行的注意力机制,K为大于2的整数,K个并行的注意力机制得到K个结果,K个结果再连接到一起。
步骤2.2、根据空间嵌入SE、历史时间嵌入HE、时空嵌入STE和感知数据X,利用多头注意力机制提取历史时间隐向量。
迁移多注意力模块:为了完成预测任务,本发明设计了迁移多注意力模块,通过建立历史数据与未来时刻的联系来进行特征的提取。
步骤三、如图4,通过双线性解码器一对历史时间隐向量和空间隐向量输入进行重构,得到重构感知数据Xrec,通过双线性解码器二对未来时间隐向量和空间隐向量输入进行预测,得到未来时间的感知数据预测结果Y。本发明提出了一个多任务编解码框架,多任务编解码框架包括双线性解码器一和双线性解码器二。将历史时间隐向量和空间隐向量输入双线性解码器一进行重构,得到重构结果Xrec,将未来时间隐向量和空间隐向量输入双线性解码器二进行预测,得到预测结果Y。双线性解码器一负责重构任务,即负责将输入到其中的历史时间隐向量和空间隐向量进行重构得到重构感知数据Xrec。双线性解码器二负责预测任务,即负责将输入到其中的未来时间隐向量和空间隐向量进行预测得到未来时间的感知数据预测结果Y。在多任务编解码框架训练过程中提出自适应加权的Loss函数(即Loss{total})来改变重构任务Lossrec和预测任务Losspre之间的关系,训练开始,更关注能学习历史信息的重构任务,训练后期更关注于预测任务。
Loss{total}=mδ(t)*Lossrec+(1-mδ(t))*Losspre
其中,T′表示训练总轮数,t′表示训练轮数,mδ(t′)表示随训练轮数t′的重构任务权重,δ(t′)表示随训练轮数t′的重构任务,m表示设定的权重系数,表示重构任务的loss变化,表示预测任务的loss变化。
本发明一种面向稀疏移动感知数据的重构与预测算法的核心是设计和实现一种基于多注意力机制的图神经网络,主要用于解决面向稀疏移动感知数据的重构和预测问题,同时能够在数据缺失时插补。通过时空嵌入、时间空间上下文数据、学习数据中的时空特征,并采用双线性解码器一和双线性解码器二同时进行重构与预测,减少误差传播。无需借助其他时空数据工作,通过学习数据中的时空特征,无需在数据更新时需要重新学习时空特征,便能够得到较好的数据重构效果和预测,最终达到秒级的重构、预测速度,能够满足实时性要求,从而满足现实场景中移动感知数据的应用需求。
本发明能够学习复杂的时空关联:传统技术主要以线性方法为主,虽然在一定程度上学习了数据时域特征和空间特征,但是没有完全考虑时空数据中复杂的相关关系,本发明通过建立图网络,本发明通过多个注意力机制块来自适应学习时空关联,采用多任务编解码框架最小化空间和时间潜在向量嵌入期间的信息损失并通过自适应加权的多目标优化提高重构与预测精度。此外,相比与其他深度学习算法,本发明无需借助其他时空数据工作,仅依靠静态的路网数据、POI数据等就能完成重构与预测。
本发明提高了重构与预测效率:矩阵分解等传统方法在数据更新时需要重新学习时空特征,无法同时满足模型质量与时效性,本发明通过模块复用减小了模型复杂度,且可通过预训练来减少运算时间,达到秒级的运算效率。
本发明能够防止误差传播:在实际应用中,数据重构的少量误差,将导致后续预测中的误差传播。从长期来看,多步预测中每个时刻的小误差可能会放大,本发明直接对历史和未来数据建立联系,通过自适应的多任务编解码框架同时进行重构与预测,解决了误差传播问题。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
3.如权利要求2所述的一种面向稀疏移动感知数据的重构与预测算法,其特征在于,所述步骤一具体为:
步骤1.1、使用node2vec方法利用空间信息学习各个顶点的表示向量,各个顶点的表示向量与F连接,连接后通过两层第一全连接层得到SE;
步骤1.2、对每个时刻的时间信息进行one-hot编码,编码后的时间信息送入两层的第二全连接层,得到HE,编码后的时间信息与Q对应的时间上下文数据连接后送入两层的第二全连接层,得到FE。
步骤1.3、将HE和SE组合,组合后送入两层第三全连接层得到STE。
6.如权利要求4所述的一种面向稀疏移动感知数据的重构与预测算法,其特征在于,所述步骤二具体为:
8.如权利要求1所述的一种面向稀疏移动感知数据的重构与预测算法,其特征在于,所述步骤一通过时空嵌入模块实现,所述步骤二通过时空多注意力模块实现,所述步骤三通过多任务编解码框架实现,多任务编解码框架包括双线性解码器一和双线性解码器二。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646063.4A CN113285721B (zh) | 2021-06-10 | 2021-06-10 | 一种面向稀疏移动感知数据的重构与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646063.4A CN113285721B (zh) | 2021-06-10 | 2021-06-10 | 一种面向稀疏移动感知数据的重构与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113285721A true CN113285721A (zh) | 2021-08-20 |
CN113285721B CN113285721B (zh) | 2022-07-19 |
Family
ID=77284120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110646063.4A Active CN113285721B (zh) | 2021-06-10 | 2021-06-10 | 一种面向稀疏移动感知数据的重构与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113285721B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821929A (zh) * | 2021-09-24 | 2021-12-21 | 中南大学 | 基于时空注意力机制的高速路网站点流量预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763493A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市思迪信息技术股份有限公司 | 一种基于深度学习的推荐方法 |
CN108846384A (zh) * | 2018-07-09 | 2018-11-20 | 北京邮电大学 | 融合视频感知的多任务协同识别方法及系统 |
CN109933089A (zh) * | 2019-03-25 | 2019-06-25 | 北京邮电大学 | 基于最小化最大能量消耗的多无人机任务规划方法及装置 |
CN111814398A (zh) * | 2020-07-08 | 2020-10-23 | 国网河北省电力有限公司 | 一种基于图的融合时空注意力的地表太阳辐射度预测方法 |
-
2021
- 2021-06-10 CN CN202110646063.4A patent/CN113285721B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763493A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市思迪信息技术股份有限公司 | 一种基于深度学习的推荐方法 |
CN108846384A (zh) * | 2018-07-09 | 2018-11-20 | 北京邮电大学 | 融合视频感知的多任务协同识别方法及系统 |
CN109933089A (zh) * | 2019-03-25 | 2019-06-25 | 北京邮电大学 | 基于最小化最大能量消耗的多无人机任务规划方法及装置 |
CN111814398A (zh) * | 2020-07-08 | 2020-10-23 | 国网河北省电力有限公司 | 一种基于图的融合时空注意力的地表太阳辐射度预测方法 |
Non-Patent Citations (1)
Title |
---|
DONG ZHAO等: "COUPON: A Cooperative Framework for Building Sensing Maps in Mobile Opportunistic Networks", 《IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821929A (zh) * | 2021-09-24 | 2021-12-21 | 中南大学 | 基于时空注意力机制的高速路网站点流量预测方法及系统 |
CN113821929B (zh) * | 2021-09-24 | 2022-08-02 | 中南大学 | 基于时空注意力机制的高速路网站点流量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113285721B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469094B (zh) | 一种基于多模态遥感数据深度融合的地表覆盖分类方法 | |
CN110363716B (zh) | 一种基于条件生成对抗网络复合降质图像高质量重建方法 | |
CN110309732B (zh) | 基于骨架视频的行为识别方法 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN111832570A (zh) | 一种图像语义分割模型训练方法及系统 | |
CN110223234A (zh) | 基于级联收缩扩张的深度残差网络图像超分辨率重建方法 | |
CN113177882A (zh) | 一种基于扩散模型的单帧图像超分辨处理方法 | |
CN112258526A (zh) | 一种基于对偶注意力机制的ct肾脏区域级联分割方法 | |
CN110992414B (zh) | 一种基于卷积神经网络的室内单目场景深度估计的方法 | |
KR20220070326A (ko) | 비디오 코딩을 위한 변형 가능한 콘볼루션에 의한 예측 프레임 생성 | |
CN112866694A (zh) | 联合非对称卷积块和条件上下文的智能图像压缩优化方法 | |
CN113313644A (zh) | 一种基于残差双注意力网络的水下图像增强方法 | |
CN112991350A (zh) | 一种基于模态差异缩减的rgb-t图像语义分割方法 | |
CN112651360B (zh) | 一种小样本下骨架动作识别方法 | |
CN113285721B (zh) | 一种面向稀疏移动感知数据的重构与预测方法 | |
CN111340543A (zh) | 一种基于注意力机制的细粒度打车需求预测方法 | |
CN111260919A (zh) | 交通流量预测方法 | |
CN111709947B (zh) | 一种双流沟通和全局信息引导的显著物体图像检测方法 | |
CN116051936B (zh) | 基于时空分离外部注意力的叶绿素浓度有序补全方法 | |
CN116403103A (zh) | 基于四维生成对抗网络的遥感图像分析及蓝藻水华预测方法 | |
CN116205962A (zh) | 基于完整上下文信息的单目深度估计方法及系统 | |
CN112766099B (zh) | 一种从局部到全局上下文信息提取的高光谱影像分类方法 | |
CN108769674A (zh) | 一种基于自适应层次化运动建模的视频预测方法 | |
CN116863379A (zh) | 基于时空自注意力单步扰动的视频预测防御方法 | |
CN110460463A (zh) | 基于深度神经网络的服务质量预测方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |