CN114881308A - 基于元学习的网联车辆速度预测方法 - Google Patents

基于元学习的网联车辆速度预测方法 Download PDF

Info

Publication number
CN114881308A
CN114881308A CN202210440834.9A CN202210440834A CN114881308A CN 114881308 A CN114881308 A CN 114881308A CN 202210440834 A CN202210440834 A CN 202210440834A CN 114881308 A CN114881308 A CN 114881308A
Authority
CN
China
Prior art keywords
learning
meta
network
data
vehicle speed
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.)
Pending
Application number
CN202210440834.9A
Other languages
English (en)
Inventor
焦晓红
王振南
张亚辉
张婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202210440834.9A priority Critical patent/CN114881308A/zh
Publication of CN114881308A publication Critical patent/CN114881308A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于元学习的网联车辆速度预测方法，所述方法概括为：利用归一化方法对网联车辆驾驶数据进行预处理以及构建预测模型的学习任务集；结合元学习方法构建时间‑通道注意力卷积网络速度预测模型以提高预测模型的适应性；将上述基于元学习的网联车辆速度预测模型在大量的学习任务上展开学习并得到元学习器；将元学习器在新道路环境下通过少量数据进行几轮训练即可生成适应新环境的时间‑通道注意力卷积网络的参数并可达到很高的预测精度。

Description

基于元学习的网联车辆速度预测方法
技术领域
本发明涉及基于元学习的网联车辆速度预测方法，属于智能交通系统车辆速度预测技术领域。
背景技术
智能网联车辆的速度预测技术是推动新能源汽车和自动驾驶汽车发展必不可少的助力之一。网联环境下的车速预测方法可以有效地提高能量管理策略的燃油经济性及自动驾驶安全性，故其相关研究满足一定的市场需求。
网联环境下可以获得越来越多的交通和车辆信息，车速预测模型主要基于可以对大量数据进行建模的深度学习方法。然而基于深度学习的速度预测模型的预测精度往往需要通过大量学习来保证，且预测模型只有在遇到与训练数据库相似的驾驶情况下才能表现出良好的预测精度，而遇到变化较大的真实驾驶条件时可能会失去相应的良好性能。因此，考虑到预测模型的适应性，本发明提出一种应用于网联车辆速度预测的模型，该模型适应性好，可以在新道路环境下通过少量数据的学习达到很好的预测精度。
发明内容
本发明需要解决的技术问题是提供一种基于元学习的网联车辆速度预测方法，可以在新道路环境下通过少量数据的学习达到很好的预测精度，使智能网联车辆速度预测模型更快的适应新的道路交通环境。
为解决上述技术问题，本发明所采用的技术方案是：
基于元学习的网联车辆速度预测方法，利用归一化方法对网联车辆驾驶数据进行预处理以及构建预测模型的学习任务集；结合元学习方法构建时间-通道注意力卷积网络速度预测模型以提高预测模型的适应性；将所述基于元学习的网联车辆速度预测模型在大量的学习任务上展开学习并得到元学习器；将元学习器在新道路环境下通过少量数据进行几轮训练即可生成适应新环境的时间-通道注意力卷积网络的参数并可达到很高的预测精度；
具体步骤如下：
步骤1，采集网联车辆交通信息，对交通驾驶数据进行max-abs归一化预处理；选取预测模型的输入特征，构建学习任务集；
步骤2，构造时间-通道注意力卷积神经网络速度预测模型；
步骤3，构造基于元学习的网联车辆速度预测模型；
步骤4，利用大量学习任务数据集对基于元学习的网联车辆速度预测模型进行训练，获得元学习器；
步骤5，利用少量新任务的训练数据对元学习器进行训练，得到时间-通道注意力卷积神经网络模型的网络参数。
本发明技术方案的进一步改进在于：所述步骤1具体如下：
步骤1-1，在不同的交通道路环境中采集交通网联车辆信息；
步骤1-2，对原始数据X(t)进行max-abs归一化预处理，得到归一化数据X′(t)，其中max-abs可由下式表示：
Figure BDA0003613924230000021
式中，x∈X(t)，x′∈X′(t)；abs(X(t))表示原始数据的绝对值，max(·)表示数据中的最大值；
步骤1-3，选取预测模型的输入特征，包括本车速度、本车加速度、前车速度、前车加速和两车之前的距离；
步骤1-4根据不同道路的概率分布，从归一化后的数据中随机选择若干条交通道路数据，构成任务训练集和测试集；并多次选择单个任务，构成任务数据集。
本发明技术方案的进一步改进在于：所述步骤2具体如下：
步骤2-1，构造时间注意力单元TA：
Figure BDA0003613924230000031
ΦTA(V)＝fTA(V,α)
式中，V＝[v1,v2,…,vC]为TA单元的输入；α为时间注意力权值；softmax是一种激活函数；σ(·)和δ(·)分别表示Sigmoid和Selu激活函数；
Figure BDA0003613924230000032
和
Figure BDA0003613924230000033
分别是卷积层的权重和偏置参数；fTA(·)为特征图和其对应时间注意权重的元素乘法；ΦTA(·)表示TA模块；
步骤2-2，构造通道注意力单元CA：
Figure BDA0003613924230000034
Figure BDA0003613924230000035
Figure BDA0003613924230000036
Figure BDA0003613924230000037
Figure BDA0003613924230000038
ΦCA(V)＝fCA(V,β)
式中，
Figure BDA0003613924230000039
和
Figure BDA00036139242300000310
分别为最大池化MaxPool(·)和平均池化AvgPool(·)表征；
Figure BDA00036139242300000311
和
Figure BDA00036139242300000312
表示卷积层权重参数；
Figure BDA00036139242300000313
和
Figure BDA00036139242300000314
表示卷积层偏置参数；β为通道注意力掩码；fCA(·)为特征图和其对应的通道注意力权重的元素乘法；ΦCA(·)表示CA模块；
步骤2-3，构建TCAM模块：
VTA＝ΦTA(V)
VCA＝ΦCA(V)
Φ(V)＝WΦ*[VTA,VCA]+bΦ
Figure BDA00036139242300000315
Figure BDA00036139242300000316
式中，VTA和VCA分别表示TA和CA单元的输出；[·]表示特征拼接操作；MI和Mo表示TCAM模型的输入和输出；
Figure BDA0003613924230000041
和R(·)分别代表TCAM模块和残差分支；
Figure BDA0003613924230000042
和
Figure BDA0003613924230000043
分别表示在残差分支中卷积层的权值和偏置参数；
步骤2-4，构建CNN-TCAM网络：
CNN-TCAM网络由四个相同的卷积结构、一层Flatten层和一层Dense层构成；其中，每个卷积结构由一层一维卷积、一个TCAM模块和一层最大池化层依次连接而成。
本发明技术方案的进一步改进在于：所述步骤3中，将CNN-TCAM网络作为车速预测基础网络模型，MAML算法作为元学习算法，将两者融合一起构造基于元学习的网联车辆速度预测模型。
本发明技术方案的进一步改进在于：所述步骤4具体如下：
步骤4-1，初始化CNN-TCAM网络f的参数θ、MAML内层循环学习率α和外层循环学习率β；
步骤4-2，从任务集中随机选择一批任务T＝{T1,T2,…,Tbatch_size}；
步骤4-3，使用任务数据中的训练数据对CNN-TCAM网络进行训练，使每个任务Ti均会得到网络参数θi，计算公式如下:
Figure BDA0003613924230000044
式中，
Figure BDA0003613924230000045
为模型f的损失函数L的梯度；
步骤4-4，使用任务数据中的测试数据对CNN-TCAM网络中的参数θ进行更新，计算公式如下：
Figure BDA0003613924230000046
满足停止条件则训练结束得到元学习器，否则返回步骤4-2继续训练。
本发明技术方案的进一步改进在于：所述步骤5中在新的交通道路中，学习器通过少量的交通数据及几轮训练即可生成使CNN-TCAM网络适应新道路的网络参数。
由于采用了上述技术方案，本发明取得的技术进步是：
本发明能够在新道路环境下通过少量数据的学习达到很好的预测精度，使智能网联车辆速度预测模型更快的适应新的道路交通环境。
附图说明
图1是本发明基于元学习的网联车辆速度预测模型的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图对本发明展开进一步详细说明。应该理解，这些描述只是示例性的。
实施例：
本发明公开了一种基于元学习的网联车辆速度预测方法。所述方法概括为：利用归一化方法对网联车辆驾驶数据进行预处理以及构建预测模型的学习任务集；结合元学习方法构建时间-通道注意力卷积网络速度预测模型以提高预测模型的适应性；将上述基于元学习的网联车辆速度预测模型在大量的学习任务上展开学习并得到元学习器；将元学习器在新道路环境下通过少量数据进行几轮训练即可生成适应新环境的时间-通道注意力卷积网络的参数并可达到很高的预测精度。
具体工作流程如下：
步骤1，采集交通网联车辆信息，对数据进行max-abs归一化预处理。选取预测模型的输入特征并构建学习任务；
具体的，步骤1-1，在不同的交通道路环境中采集交通网联车辆信息；
步骤1-2，对原始数据X(t)进行max-abs归一化预处理，得到归一化数据X′(t)，max-abs可由以下公式表示：
Figure BDA0003613924230000061
式中，x∈X(t)，x′∈X′(t)；abs(X(t))表示原始数据的绝对值，max(·)表示数据中的最大值；
步骤1-3，选取预测模型的输入特征，包括本车速度、本车加速度、前车速度、前车加速和两车之前的距离；
步骤1-4，根据交通道路概率，从归一化的数据中随机选择若干条交通道路数据，构成一个任务的训练集和测试集，并多次选择单个任务构成任务数据集。
步骤2，构造时间-通道注意力卷积神经网络模型；
具体的，步骤2-1，构造时间注意力单元TA：
Figure BDA0003613924230000062
ΦTA(V)＝fTA(V,α)
式中，V＝[v1,v2,…,vC]为TA单元的输入；α为时间注意力权值；softmax是一种激活函数；σ(·)和δ(·)分别表示Sigmoid和Selu激活函数；
Figure BDA0003613924230000063
和
Figure BDA0003613924230000064
分别为卷积层权重和偏置参数；fTA(·)为特征图和其对应时间注意权重的元素乘法；ΦTA(·)表示TA模块；
步骤2-2，构造通道注意力单元CA：
Figure BDA0003613924230000065
Figure BDA0003613924230000066
Figure BDA0003613924230000067
Figure BDA0003613924230000068
Figure BDA0003613924230000069
ΦCA(V)＝fCA(V,β)
式中，
Figure BDA00036139242300000610
和
Figure BDA00036139242300000611
分别是最大池化MaxPool(·)和平均池化AvgPool(·)表征；
Figure BDA0003613924230000071
和
Figure BDA0003613924230000072
表示卷积层权重参数；
Figure BDA0003613924230000073
和
Figure BDA0003613924230000074
表示偏置参数；β为通道注意力掩码；fCA(·)为特征图和其对应的通道注意力权重的元素乘法；ΦCA(·)表示CA模块；
步骤2-3，构造TCAM模块：
VTA＝ΦTA(V)
VCA＝ΦCA(V)
Φ(V)＝WΦ*[VTA,VCA]+bΦ
Figure BDA0003613924230000075
Figure BDA0003613924230000076
式中，VTA和VCA分别表示TA和CA单元的输出；[·]表示特征拼接操作；MI和Mo表示TCAM模型输入和输出；
Figure BDA0003613924230000077
和R(·)分别代表TCAM模块和残差分支；
Figure BDA0003613924230000078
和
Figure BDA0003613924230000079
分别表示在残差分支中卷积层权值和偏置参数；
步骤2-4，构造CNN-TCAM网络：
CNN-TCAM网络由四个相同的卷积结构、一层Flatten层和一层Dense层构成。其中，每个卷积结构由一层一维卷积、一个TCAM模块和一层最大池化层依次连接而成。
步骤3，构造基于元学习的网联车辆速度预测模型；
具体的，将CNN-TCAM网络作为车速预测基础网络模型，MAML算法作为元学习算法，并将两者融合构建基于元学习的网联车辆速度预测模型。
步骤4，利用大量学习任务数据集对基于元学习的网联车辆速度预测模型进行训练，获得元学习器；
具体的，步骤4-1初始化CNN-TCAM网络f的参数θ、MAML内层循环学习率α和外层循环的学习率β；
步骤4-2从任务集中随机选着一批任务T＝{T1,T2,…,Tbatch_size}；
步骤4-3使用任务数据中的训练数据对CNN-TCAM网络进行训练，对于每一个任务Ti得到网络参数θi，计算公式如下:
Figure BDA0003613924230000081
式中，
Figure BDA0003613924230000082
为模型f的损失函数L的梯度；
步骤4-4使用任务数据中的测试数据对CNN-TCAM网络参数θ进行更新，计算公式如下：
Figure BDA0003613924230000083
满足停止条件则训练结束得到元学习器，否则返回步骤4-2继续训练。
步骤5，利用少量新任务的训练数据对元学习器进行训练，得到时间-通道注意力卷积神经网络模型的网络参数；
具体的，在新的交通道路中，学习器利用少量的交通数据通过几轮的训练可以生成使CNN-TCAM网络适应新道路的网络参数。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于元学习的网联车辆速度预测方法，其特征在于：利用归一化方法对网联车辆驾驶数据进行预处理以及构建预测模型的学习任务集；结合元学习方法构建时间-通道注意力卷积网络速度预测模型以提高预测模型的适应性；将所述基于元学习的网联车辆速度预测模型在大量的学习任务上展开学习并得到元学习器；将元学习器在新道路环境下通过少量数据进行几轮训练即可生成适应新环境的时间-通道注意力卷积网络的参数并可达到很高的预测精度；
具体步骤如下：
步骤1，采集网联车辆交通信息，对交通驾驶数据进行max-abs归一化预处理；选取预测模型的输入特征，构建学习任务集；
步骤2，构造时间-通道注意力卷积神经网络速度预测模型；
步骤3，构造基于元学习的网联车辆速度预测模型；
步骤4，利用大量学习任务数据集对基于元学习的网联车辆速度预测模型进行训练，获得元学习器；
步骤5，利用少量新任务的训练数据对元学习器进行训练，得到时间-通道注意力卷积神经网络模型的网络参数。
2.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤1具体如下：
步骤1-1，在不同的交通道路环境中采集交通网联车辆信息；
步骤1-2，对原始数据X(t)进行max-abs归一化预处理，得到归一化数据X′(t)，其中max-abs可由下式表示：
Figure FDA0003613924220000011
式中，x∈X(t)，x′∈X′(t)；abs(X(t))表示原始数据的绝对值，max(·)表示数据中的最大值；
步骤1-3，选取预测模型的输入特征，包括本车速度、本车加速度、前车速度、前车加速和两车之前的距离；
步骤1-4根据不同道路的概率分布，从归一化后的数据中随机选择若干条交通道路数据，构成任务训练集和测试集；并多次选择单个任务，构成任务数据集。
3.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤2具体如下：
步骤2-1，构造时间注意力单元TA：
Figure FDA0003613924220000021
ΦTA(V)＝fTA(V,α)
式中，V＝[v1,v2,…,vC]为TA单元的输入；α为时间注意力权值；softmax是一种激活函数；σ(·)和δ(·)分别表示Sigmoid和Selu激活函数；
Figure FDA0003613924220000022
和
Figure FDA0003613924220000023
分别是卷积层的权重和偏置参数；fTA(·)为特征图和其对应时间注意权重的元素乘法；ΦTA(·)表示TA模块；
步骤2-2，构造通道注意力单元CA：
Figure FDA0003613924220000024
Figure FDA0003613924220000025
Figure FDA0003613924220000026
Figure FDA0003613924220000027
Figure FDA0003613924220000028
ΦCA(V)＝fCA(V,β)
式中，
Figure FDA0003613924220000029
和
Figure FDA00036139242200000210
分别为最大池化MaxPool(·)和平均池化AvgPool(·)表征；
Figure FDA00036139242200000211
和
Figure FDA00036139242200000212
表示卷积层权重参数；
Figure FDA00036139242200000213
和
Figure FDA00036139242200000214
表示卷积层偏置参数；β为通道注意力掩码；fCA(·)为特征图和其对应的通道注意力权重的元素乘法；ΦCA(·)表示CA单元；
步骤2-3，构建TCAM模块：
VTA＝ΦTA(V)
VCA＝ΦCA(V)
Φ(V)＝WΦ*[VTA,VCA]+bΦ
Figure FDA0003613924220000031
Figure FDA0003613924220000032
式中，VTA和VCA分别表示TA和CA单元的输出；[·]表示特征拼接操作；MI和Mo表示TCAM模型的输入和输出；
Figure FDA0003613924220000033
和R(·)分别代表TCAM模块和残差分支；
Figure FDA0003613924220000034
和
Figure FDA0003613924220000035
分别表示在残差分支中卷积层的权值和偏置参数；
步骤2-4，构建CNN-TCAM网络：
CNN-TCAM网络由四个相同的卷积结构、一层Flatten层和一层Dense层构成；其中，每个卷积结构由一层一维卷积、一个TCAM模块和一层最大池化层依次连接而成。
4.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤3中，将CNN-TCAM网络作为车速预测基础网络模型，MAML算法作为元学习算法，将两者融合一起构造基于元学习的网联车辆速度预测模型。
5.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤4具体如下：
步骤4-1，初始化CNN-TCAM网络f的参数θ、MAML内层循环学习率α和外层循环学习率β；
步骤4-2，从任务集中随机选择一批任务T＝{T1,T2,…,Tbatch_size}；
步骤4-3，使用任务数据中的训练数据对CNN-TCAM网络进行训练，使每个任务Ti均会得到网络参数θi，计算公式如下:
Figure FDA0003613924220000036
式中，
Figure FDA0003613924220000041
为模型f的损失函数L的梯度；
步骤4-4，使用任务数据中的测试数据对CNN-TCAM网络中的参数θ进行更新，计算公式如下：
Figure FDA0003613924220000042
满足停止条件则训练结束得到元学习器，否则返回步骤4-2继续训练。
6.根据权利要求1所述的基于元学习的网联车辆速度预测方法，其特征在于：所述步骤5中在新的交通道路中，学习器通过少量的交通数据及几轮训练即可生成使CNN-TCAM网络适应新道路的网络参数。
CN202210440834.9A 2022-04-25 2022-04-25 基于元学习的网联车辆速度预测方法 Pending CN114881308A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210440834.9A CN114881308A (zh) 2022-04-25 2022-04-25 基于元学习的网联车辆速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210440834.9A CN114881308A (zh) 2022-04-25 2022-04-25 基于元学习的网联车辆速度预测方法

Publications (1)

Publication Number Publication Date
CN114881308A true CN114881308A (zh) 2022-08-09

Family

ID=82671997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210440834.9A Pending CN114881308A (zh) 2022-04-25 2022-04-25 基于元学习的网联车辆速度预测方法

Country Status (1)

Country Link
CN (1) CN114881308A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724433A (zh) * 2024-02-07 2024-03-19 东北大学 基于多通道分布式深度集成预测的冷轧生产前馈控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724433A (zh) * 2024-02-07 2024-03-19 东北大学 基于多通道分布式深度集成预测的冷轧生产前馈控制方法
CN117724433B (zh) * 2024-02-07 2024-04-19 东北大学 基于多通道分布式深度集成预测的冷轧生产前馈控制方法

Similar Documents

Publication Publication Date Title
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
CN104536412B (zh) 基于指标预报和解相似度分析的光刻工序动态调度方法
CN111899510A (zh) 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN110442143B (zh) 一种基于组合多目标鸽群优化的无人机态势数据聚类方法
Shao et al. The Traffic Flow Prediction Method Using the Incremental Learning‐Based CNN‐LTSM Model: The Solution of Mobile Application
CN113065074A (zh) 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法
CN113537580B (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
CN117237559B (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
Hu et al. Driver identification using 1D convolutional neural networks with vehicular CAN signals
CN111967087A (zh) 基于神经网络的网联车辆决策控制模型建立及评估方法
CN115952424A (zh) 一种基于多视图结构的图卷积神经网络聚类方法
Huo et al. Cooperative control for multi-intersection traffic signal based on deep reinforcement learning and imitation learning
CN114881308A (zh) 基于元学习的网联车辆速度预测方法
CN115511145A (zh) 一种基于子图网络和对比学习的化合物性质预测方法
Sheng et al. Personalized recommendation of location-based services using spatio-temporal-aware long and short term neural network
Oliveira et al. Intelligent Transportation: Application of Deep Learning techniques in the search for a sustainable environment
CN114240687A (zh) 一种适用于综合能源系统的能源托管效率分析方法
Matsui et al. Peak load forecasting using analyzable structured neural network
CN117116048A (zh) 基于知识表示模型和图神经网络的知识驱动交通预测方法
CN117236492A (zh) 基于动态多尺度图学习的交通需求预测方法
CN116824270A (zh) 一种基于注意力机制改进的小样本车型识别方法
CN114418606B (zh) 基于时空卷积网络的网约车订单需求预测方法
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质

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