基于三维全连接融合的时序数据预测方法及模型训练方法

专利主权项内容

1.一种模型训练的方法，其特征在于，包括：获取各对象在各历史时刻的历史状态数据，所述各对象包括预设区域内的各交通路口，所述历史状态数据包括所述预设区域内的各交通路口的交通流量相关数据；将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据以及所述各对象在各历史时刻对应的时间特征数据和状态程度特征数据；通过所述目标模型将所述状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，以得到所述各对象在各历史时刻对应的融合特征数据；将所述各对象在各历史时刻对应的融合特征数据输入到所述目标模型的数据关联层，使得所述目标模型以对所述融合特征数据中的状态特征数据，时间特征数据以及状态程度特征数据进行数据关联为目标，对所述融合特征数据进行处理，生成所述各对象在各历史时刻对应的关联特征数据，其中，所述数据关联层包含有状态数据关联层，时间数据关联层，以及状态程度数据关联层，将所述融合特征数据发送到所述目标模型的状态数据关联层，使得所述目标模型以状态特征数据为标准，对所述融合特征数据进行映射处理，得到第一映射数据，将所述第一映射数据发送到所述目标模型的状态程度数据关联层，使得所述目标模型以状态程度特征数据为标准，对所述第一映射数据进行映射处理，得到第二映射数据，将所述第二映射数据发送到所述目标模型的时间数据关联层，使得所述目标模型以时间特征数据为标准，对所述第二映射数据进行映射处理，得到所述融合特征数据对应的关联特征数据，其中，所述第一映射数据是以所述融合特征数据中的状态特征数据为标准，对所述融合特征数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的，所述第二映射数据是以所述融合特征数据中的状态程度特征数据为标准，对所述第一映射数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的，所述关联特征数据是以所述融合特征数据中的时间特征数据为标准，对所述第二映射数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的；通过所述目标模型根据所述各对象在各历史时刻对应的关联特征数据，进行数据预测，以得到所述各对象在设定时段对应的预测结果数据；以最小化所述预测结果数据与所述各对象在设定时段对应的实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练，所述目标模型用于对各交通路口的交通流量相关数据进行预测。