[发明专利]基于自适应多任务深度学习的城市路网行程时间估计方法

权利要求书

1.一种基于自适应多任务深度学习的城市路网行程时间估计方法，其特征在于，包括如下步骤：

1)、获取路网信息及影响路段上车辆行程时间的特征参数；

2)、通过堆叠的降噪稀疏自编码器实现单个时段内路段行程时间估计的单任务学习；

3)、将若干个时段的路段行程时间估计结合在同一个深度多任务学习模型之中；

上述步骤3)所述将若干时段的路段行程时间估计结合在同一个深度多任务学习模型之中的具体方法为：

实现

其中，W表示多任务深度学习的模型参数；是第i个路段行程时间影响因素的特征向量，是第j个时间段内第i个路段观测到的行程时间，j＝1,2,…,T；i＝1,2,…,N；f^j(x_i；W)是对应于输入x_i的第j个任务的输出，L:是一个损失函数，c_j是单个任务的权重；第二项λΩ(W)是一个正则化项，用以惩罚W的复杂度，其中λ＞0是正则化参数；

4)、通过程序自动调节多任务学习模型中各任务所占权重；

5)、在模型中应用缺失标签数据，建立最小化模型输出与路段行程时间观测值之间的误差训练模型，估计城市路网中各路段的通行时间。

2.根据权利要求1所述的基于自适应多任务深度学习的城市路网行程时间估计方法，其特征在于，步骤1)所述路网信息包括整个城市路网的路段数量、长度和节点数量；所述影响路段上车辆行程时间的特征参数包括路段特征、环境特征和空间相关特征。

3.根据权利要求1所述的基于自适应多任务深度学习的城市路网行程时间估计方法，其特征在于，步骤2)中实现单任务学习，步骤具体包括：

201、通过降噪稀疏自编码器获取原始输入中的数据特征；

202、最小化重构误差其中的第一项是基于经验的损失项，N是样本数，x_i表示第i个路段行程时间影响因素的特征向量，是x_i与之间的重构误差，第二项是控制稀疏的正则项，其中β是稀疏性惩罚权重，H是隐层的神经元数量，ρ是恒定的稀疏参数，是训练集中隐层神经元j的稀疏度，KL(·)是Kullback-Leibler差异，或称KL距离，定义如下：

203、逐层训练模型。

4.根据权利要求3所述的基于自适应多任务深度学习的城市路网行程时间估计方法，其特征在于，所述损失函数L为平方损失函数。

5.根据权利要求3所述的基于自适应多任务深度学习的城市路网行程时间估计方法，其特征在于，步骤4)所述调节多任务学习模型中各任务所占权重具体步骤包括：

通过最小化单任务损失函数的线性加权和来实现最小化多任务损失函数，所述多个任务总的损失函数为

结合贝叶斯模型，将上述最优化问题转化为如下优化问题：

其中σ_j是对应于第j个任务的高斯分布的标准差，L_j(W)是第j个任务的损失函数，末项为正则项。

6.根据权利要求5所述的基于自适应多任务深度学习的城市路网行程时间估计方法，其特征在于，步骤5)所述在模型中应用缺失标签数据的具体步骤包括：

构建最小化模型

其中a_ji'表示第i'个样本对于第j个任务是否有标签，定义为：

a_ji'＝0表示第i'个样本对于第j个任务没有标签，即没有观测值；

标准化每个任务的损失为：

用表示第j个任务的平均估计损失，上式转化为：

将其作为所提出的自适应权重的深度多任务学习模型，估计城市路网中各路段的通行时间；其中，末项是正则项。

7.根据权利要求6所述的基于自适应多任务深度学习的城市路网行程时间估计方法，其特征在于，所述自适应权重的深度多任务学习模型的末项选用l₂范数。