CN109598939B - 一种基于多任务多视图学习模型的短时交通预测方法 - Google Patents

Abstract

本发明公开了一种基于多任务多视图学习模型的短时交通预测方法，包括如下步骤：步骤一，针对每个道路片段单独构建时空数据模型；步骤二，构建多核学习模型；步骤三，采用多任务多视图特征学习模型，构建目标函数；步骤四，引入粒子群算法，对步骤三获得的目标函数进行优化；步骤五，对于任意道路片段重复步骤一和步骤二以获得输入特征，将输入特征带入到优化后的目标函数，实现对任意道路片段进行短时交通预测。本方法实现了短时交通的高效预测，解决了时空异质性和模型的全局预测能力无法达到均衡的问题，解决了模型的参数优化问题，可以广泛应用于城市规划、人员流动调查、汽车导航、应急响应、时空可达性分析和交通污染建模。

Description

一种基于多任务多视图学习模型的短时交通预测方法

技术领域

本发明涉及一种短时交通预测方法，尤其涉及一种基于多任务多视图学习模型的短时交通预测方法，属于信息技术服务领域。

背景技术

随着传感器网络、移动定位、无线通讯、移动互联网、高性能计算与存储技术的不断发展与普及，出现了一系列带有位置标签的时间序列数据，称为时空数据。这些时空数据中蕴含着丰富且有用的信息和知识需要被自动挖掘，从而催生了时空数据挖掘技术的不断发展。交通作为一种典型的时空数据，成为时空建模技术的试验场，许多时空建模技术运用交通相关的应用。而时空短时交通预测作为时空数据挖掘家族中的一大类，在最近几年受到广泛的关注。

然而，在城市交通时空自相关和时空异质性的背景下，现有的时空短时交通预测模型依然存在诸多缺点：1)在建模过程中，现有方法将每个地理单元(道路片段或子区域)当作单独的预测任务，而忽略地理单元之间全局相关性，使得现有方法的合理性存在欠缺。2)受时空异质性的约束，现有时空建模方法需要针对每个地理单元单独建模，使得模型在训练完之后，得到一组预测模型的集合。并且，对于未经训练的地理单元，需要重新拟合参数，这就使得时空异质性和模型的全局预测能力无法达到均衡。3)现有时空预测模型在训练过程中，通常采用格网搜索的方法来确定模型的超参数。模型的训练时间通常随参数个数呈指数增长，并且难以确定最优的模型结构。为了解决以上的问题，本发明基于粒子群算法，整合多任务多视图特征学习模型实现了短时交通的高效预测。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于多任务多视图学习模型的短时交通预测方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于多任务多视图学习模型的短时交通预测方法，包括如下步骤：

步骤一，针对每个道路片段单独构建时空数据模型；

时空数据模型包含空间维度和时间维度，其中，空间维度表示影响目标道路片段的空间邻居的数目，时间维度表示影响当前时刻的历史交通条件的时间窗口长度；

利用互相关函数获取空间邻居以刻画空间维度，同时，按照时间顺序堆叠每个时间间隔的时空状态矩阵，则可得到三维的时空张量，包括时空邻近张量、时空周期张量和时空趋势张量，然后对构建的三个时空张量分别按照设定的历史天数，训练天数和测试天数进行划分，则可得到历史时空张量、训练时空张量、测试时空张量用于短时交通预测模型的构建，以表征每个道路片段所有历史时刻的交通条件，并最终获得时空邻近视图、时空周期视图、时空趋势视图；

步骤二，构建多任务多视图学习模型；

采用STKNN模型作为核函数，分别对步骤一获得的时空邻近视图、时空周期视图、时空趋势视图的结果进行预测，然后将每个视图的预测结果进行高层的语义映射，作为时空多任务多视图学习模型的输入特征；

步骤三，采用多任务多视图特征学习模型，构建目标函数；

根据步骤二得到的输入特征，同时将每个道路片段交通条件的预测当作一个任务，使得每个任务具有一致的特征维度，采用多任务多视图特征学习模型来学习任务之间的相关性和视图之间的一致性，同时限制所有道路片段选择一组共享特征，从而实现目标函数能对整个道路网络交通条件的同步预测；

步骤四，引入粒子群算法，对步骤三获得的目标函数进行优化；

步骤五，对于任意道路片段重复步骤一和步骤二以获得输入特征，将输入特征带入到优化后的目标函数，实现对任意道路片段进行短时交通预测。

进一步地，步骤一种所述互相关函数ccf_u，l(φ)表示为公式I：

其中，φ表示时间延迟，时间延迟E表示期望值运算符，为道路片段u在时间间隔t的交通条件，表示道路片段l在时间间隔t的交通条件，表示道路片段l在时间间隔t+φ的交通条件，μ_u和μ_l分别为和的均值，为道路片段u的历史交通条件时间序列，为道路片段l的历史交通条件时间序列。

进一步地，步骤三中目标函数Π(W)表示为公式VII：

其中，表示使得目标函数Π(W)取最小值的权重矩阵W，y_l表示道路片段l预测值的真实值的特征向量，X_lw_l表示道路片段l的整体特征矩阵和道路片段l的权重向量之间的乘积，表示道路片段l的时空邻近视图的特征向量，表示道路片段l的时空周期视图的特征向量，表示道路片段l的时空趋势视图的特征向量，和分别表示任务l的时空邻近视图的权重、时空周期视图的权重、时空趋势视图的权重，表示2-范数，S_l，m为道路片段l和道路片段m之间的互相关系数，S_l，m的值越大，表明两个道路片段交通条件越相关，图的拉普拉斯正则项使得w_l和w_m更相似，因此可以自动编码空间相关性，w_l表示任务l的权重向量，w_m表示表示任务m的权重向量；用于增强模型的鲁棒性；||W||_2，1表示W的L_2，1范数，使得所有任务自动选择一组共享的决定性特征，可以通过计算W中每一行的L₂范数的和来获得；α，β，为耦合参数，用于调节不同视图不一致的强度，γ用于惩罚不同任务之间映射函数的不一致性，θ用于控制特征的稀疏性，μ为L₂范数正则化参数。

进一步地，步骤四中粒子群算法主要包括以下步骤：

1)设定迭代次数，种群规模，初始化所有粒子的位置和速度；

2)训练多任务模型，计算每个粒子的适应度值；

3)利用训练数据的MAPE误差指数作为适应度函数，根据粒子的适度值，确定个体极值位置和群体极值位置；

4)根据公式VIII和公式IX更新粒子的速度和位置；

公式VIII和公式IX如下所示：

其中，表示第k次迭代过程中第i个粒子的速度，表示第k+1次迭代过程中第i个粒子的速度，表示第k次迭代过程中第i个粒子的个体极值位置，表示第k次迭代过程中第i个粒子在搜索空间的位置，表示第k+1次迭代过程中第i个粒子在搜索空间的位置，G^k表示第k次迭代的种群极值位置，ω为惯性权重，c₁和c₂为加速度因子，r₁和r₂为[0，1]之间的随机数；

5)判断是否达到粒子群算法的终止条件，即是否达到最大迭代次数，如果未达到则返回步骤2)，根据更新的粒子速度和位置重新计算粒子的适应度值，更新个体极值和种群极值；如果达到，则以种群极值的位置作为多任务学习模型的最优参数集合。

本发明公开了一种基于多任务多视图学习模型的短时交通预测方法，可以帮助解决许多城市管理问题，包括城市规划、人员流动调查、汽车导航、应急响应、时空可达性分析和交通污染建模，具有非常广泛的应性。本发明的方法更加合理，克服了现有的时空短时交通预测模型所存在诸多缺陷，使时空异质性和模型的全局预测能力达到均衡，获得了最优的模型结构。

附图说明

图1为本发明的整体步骤流程图。

图2为本发明粒子群算法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，展现了本发明的整体步骤流程图，具体的为：

步骤一，针对每个道路片段单独构建时空数据模型；

时空数据模型包含空间维度和时间维度，其中，空间维度表示影响目标道路片段的空间邻居的数目，时间维度表示影响当前时刻的历史交通条件的时间窗口长度。因此，确定时空数据模型的关键在于如何选取合适的空间邻居和时间窗口长度。针对每个道路片段任意时刻的交通条件，可以同时利用时空邻近矩阵、时空周期矩阵、时空趋势矩阵来表示，从而表示交通条件的时空依赖性和时空异质性。

在空间邻居选取方面，考虑到道路网络存在显著的异质性，不同的道路片段具有不同的空间邻居，因此，本发明针对每个道路片段构建时空数据模型。假设道路网络存在M条道路片段，TN为总的历史时间间隔长度，交通条件时间序列可表示为其中，表示维度为M×TN的实数集，表示第M个道路片段的历史交通条件时间序列，表示维度为TN的一维向量。道路片段的空间邻居可通过互相关函数来选取，假设为道路片段u的历史交通条件时间序列，定义道路片段u和l在时间延迟φ的互相关函数ccf_u，l(φ)为公式I所示：

其中，E表示期望值运算符，为道路片段u在时间间隔t的交通条件，表示道路片段l在时间间隔t的交通条件，表示道路片段l在时间间隔t+φ的交通条件，μ_u和μ_l分别为和的均值，为道路片段u的历史交通条件时间序列，为道路片段l的历史交通条件时间序列。

通过定义可以看到，互相关函数可看作关于时间延迟的函数，使得互相关函数取值最大的时间延迟值即为路段l(周围路段)对路段u(预测路段)影响的平均延迟时间ψ_l，ψ_l满足公式II：

其中，为当因变量ccf_u，l(φ)最大时求变量φ的函数。

当且仅当ψ_l在预测时间范围Δt内，才能对预测道路片段产生影响，即可被选为目标道路片段的空间邻居，形式化定义如公式III所示：

其中，表示针对所有满足条件0≤ψ_l≤Δt的道路片段，为道路片段u的空间邻居的集合，表示道路片段u的空间邻居个数。

在时间窗口选取方面，假设时间间隔t的时间邻近间隔的集合为TC，周期间隔的集合为TP，趋势间隔的集合为TQ，则TC＝{t-lc，t-(lc-1)，...，t-1}，TP＝{t-lp·p，t-(lp-1)·p，...，t-p}，TQ＝{t-lq·q，t-(lq-1)·q，...，t-q}，其中，lc为时间邻近间隔数，即取时间间隔t相邻的lc个时间间隔，lc＝|TC|；lp为时间周期间隔长度，lp＝|TP|，p为时间周期长度，p＝1表示取前一天时间间隔t的交通条件；lq为时间趋势间隔长度，lq＝|TQ|，q为时间趋势长度，q＝1表示取前一周时间间隔t的交通条件。

在获取了空间邻居和时间窗口，可得到道路片段u在时间间隔t的时空邻近矩阵时空周期矩阵时空趋势矩阵即每个道路片段任意时刻的交通条件利用三个时空状态矩阵同步表示，其中表示维度为lc×ln的实数矩阵，和采用类似的方式表示。在保证每个时间间隔能同时取到历史邻近时间序列、历史周期时间序列、历史趋势时间序列的前提下，按照时间顺序堆叠每个时间间隔的时空状态矩阵，则可得到三维的时空张量，包括时空邻近张量、时空周期张量和时空趋势张量。最后，我们对构建的三个时空张量分别按照设定的历史天数，训练天数和测试天数进行划分，则可得到历史时空张量、训练时空张量、测试时空张量用于短时交通预测模型的构建，以表征每个道路片段所有历史时刻的交通条件，并最终获得时空邻近视图、时空周期视图、时空趋势视图。

步骤二，构建多任务多视图学习模型；

在步骤一的基础上，本发明采用STKNN模型作为核函数分别对三个视图建模，然后将每个视图的预测结果进行高层的语义映射，作为时空多任务多视图学习模型的输入特征。假设道路片段u在时间间隔t的时空邻近矩阵为MC_u，t，通过和历史时空张量中的时空状态矩阵比较距离，选取K个距离最近的时空状态矩阵，对每个选取的时空状态矩阵的下一时刻的值进行整合，即可得到t+1时刻道路片段u的预测值。因此，此处的关键在于如何确定距离函数以及邻居的整合函数。

以时空邻近矩阵为例，由于道路片段的交通条件采用时空状态矩阵来表示，因此，本发明分别在时间和空间维度构造权重矩阵，通过权重欧几里得距离函数来计算不同时刻时空状态矩阵之间的距离。其基本思想是：在时间维度，与预测时间越近，分配的权重越大；在空间维度，与预测道路片段的空间越相关，其权重越大。时空权重矩阵形式化如公式IV所示：

d_p＝||WT_u·MC_u，t·WS_u-WT_u·MC_u，p·WS_u||₂

其中，WT_u和WS_u分别表示道路片段u的时间和空间权重矩阵，wt_u，i和ws_u，i分别表示权重矩阵第i个对角线元素，ti表示时间间隔t的邻近时间序列集合的第ti个时间间隔。v_si表示道路片段u的空间邻居的集合中的第si个空间邻居。MC_u，t为道路片段u在时间间隔t的时空邻近矩阵，MC_u，p表示道路片段u的第p个历史邻近时空状态矩阵，d_p为第p个历史邻近时空状态矩阵和t时间间隔的时空状态矩阵之间的距离。

最后，利用高斯权重函数为每个候选邻居的下一时刻的交通条件分配权重，分配的策略是与当前时间间隔的时空状态矩阵距离越近，则分配更大的权重。以时空邻近矩阵为例，权重分配函数定义为公式V：

其中，表示道路片段u在t+1时刻的预测值，上标C表示时空邻近性。为时空邻近张量中道路片段u的第k个候选邻居下一时刻的交通条件，ω_u，k为道路片段u的第k个候选邻居的权重，d_k为第k个候选邻居与道路片段u之间的距离，a为高斯权重参数。采用和时空邻近张量类似的方式，可分别得到时空周期张量、时空趋势张量中道路片段u在时间间隔t+1的预测结果和上标p和q分别表示时空周期性和时空趋势性。

步骤三，采用多任务多视图特征学习模型，构建目标函数；

通过步骤2得到时空邻近视图、时空周期视图、时空趋势视图所有训练和测试时间间隔的预测结果。本发明将三个视图的预测结果映射为高层的语义特征，利用异质的时空语义特征构建目标函数的输入，同时将每个道路片段交通条件的预测当作一个任务，使得每个任务具有一致的特征维度。采用多任务多视图特征学习模型来学习任务之间的相关性和视图之间的一致性，同时限制所有道路片段选择一组共享特征，从而实现整个道路网络交通条件的同步预测。具体实施方案如下：

假设道路片段l的时空邻近视图的特征向量为其中N_l为道路片段l的样本数，表示维度为N_l的实数向量，对应道路片段l第i个样本的时空邻近预测值即类似的，表示道路片段l的时空周期视图的特征向量，表示道路片段l的时空趋势视图的特征向量，分别表示道路片段l的第i个样本的时空周期预测值和趋势预测值道路片段l预测值的真实值的特征向量为将单个视图的特征向量整合到一起，可得到道路片段l的整体特征矩阵为

不同的视图从不同的层面刻画了道路片段的交通条件，因此每个视图具有不同的权重。假设时空邻近视图的权重为时空周期视图的权重为时空趋势视图的权重为为了简化处理，采用线性映射的方式，得到每个视图的权重贡献值，即将多个单视图整合到一起，使得视图之间相互补充来获取增强的知识，从而得到每个任务整合的预测值f_l(X_l)，即式子VI所示：

其中，表示任务l的权重向量，和分别表示任务l的时空邻近视图的权重、时空周期视图的权重、时空趋势视图的权重。表示M个任务的权重矩阵，X_lw_l表示道路片段l的整体特征矩阵和道路片段l的权重向量之间的乘积。由于此处无法获取到不同视图对整体预测结果贡献值的先验知识，因此采用平均的方式来得到整合的预测值。

考虑到不同的视图从不同的方面(例如邻近性、周期性、趋势性)描述相同道路片段的内在特征，每个视图的预测结果应该尽可能的相近，即保持视图之间的一致性。因此，采用正则化项来增强单个视图的学习能力，引入使得邻近视图的预测结果和周期视图的预测结果尽可能接近，从而提高预测模型的精度，其中，α为耦合参数，用于调节不同视图不一致的强度，M表示道路网络存在的道路片段的数目，表示2-范数。另一方面，考虑到道路片段通过路网有机的连接在一起，道路片段的交通条件受其直接或间接上下游道路片段交通条件的影响，两个道路片段之间的交通条件越相关，其交通模式越具有相似性，因此，我们引入基于图的拉普拉斯正则项来抓取道路片段l的全局时空相关性，使得具有相似交通模式的道路片段的交通条件具有较小的偏差，如所示。另外，w_l中的第i个元素表示第l个任务的第i个特征的重要性，我们限制所有道路片段选择一组共同的特征集合来特征化任务之间的相关性，也就是说，所有任务基于一组共同的特征子集，可以通过引入Lasso惩罚项来达到这一目标。采用最小二乘损失函数，多任务多视图特征学习模型的目标函数Π(W)可形式化为一个监督的学习框架，如式子VII所示：

其中，表示使得目标函数Π(W)取最小值的权重矩阵W，y_l表示道路片段l预测值的真实值的特征向量，X_lw_l表示道路片段l的整体特征矩阵和道路片段l的权重向量之间的乘积，表示道路片段l的时空邻近视图的特征向量，表示道路片段l的时空周期视图的特征向量，表示道路片段l的时空趋势视图的特征向量，和分别表示任务l的时空邻近视图的权重、时空周期视图的权重、时空趋势视图的权重，表示2-范数，S_l，m为道路片段l和道路片段m之间的互相关系数，S_l，m的值越大，表明两个道路片段交通条件越相关，图的拉普拉斯正则项使得w_l和w_m更相似，因此可以自动编码空间相关性，w_l表示任务l的权重向量，w_m表示表示任务m的权重向量；用于增强模型的鲁棒性；||W||_2，1表示W的L_2，1范数，使得所有任务自动选择一组共享的决定性特征，可以通过计算W中每一行的L₂范数的和来获得；α，β，为耦合参数，用于调节不同视图不一致的强度，γ用于惩罚不同任务之间映射函数的不一致性，θ用于控制特征的稀疏性，μ为L₂范数正则化参数。

由于存在非平滑的L_2，1norm项，因此多任务多视图特征学***滑的凸优化问题，可采用FISTA、AGD等算法来解决这一问题。

步骤四，引入粒子群算法，对目标函数进行优化；

时空多任务多视图学习模型的包括多个需要调整的正则化参数，例如α，β，γ，θ，μ，合理的参数设置在一定程度上会影响预测模型的精度，因此，本发明引入粒子群算法(PSO)来自动优化预测模型的目标函数，得到时空多任务多视图特征学习模型的最优参数集合，同时加快模型的训练速度。

假设在可解空间中有存在np个粒子组成的种群Z＝(Z₁，Z₂...，Z_np)，每个粒子利用位置、速度和适应度值来特征化。为第i个粒子在搜索空间中的位置，代表极值优化问题的一个潜在最优解，分别对应多任务多视图学习模型目标函数的正则化参数α，β，γ，θ，μ，例如loc_i，α表示第i个粒子的正规化参数α在搜索空间的位置，loc_i，β，loc_i，γ，loc_i，θ，loc_i，μ均采用类似的表示方法。为第i个粒子在搜索空间的速度，v_i，α表示第i个粒子的正规化参数α在搜索空间的速度，v_i，β，v_i，γ，v_i，θ，v_i，μ均采用类似的表示方法。为个体极值位置，p_i，α表示第i个粒子的正规化参数α的极值位置，p_i，β，p_i，γ，p_i，θ，p_i，μ均采用类似的表示方法。种群极值位置为g_α表示正规化参数α在种群中的极值位置，g_β，g_γ，g_θ，g_μ均采用类似的表示方法。利用训练数据的MAPE误差指数作为适应度函数，用于判断粒子的优劣程度，粒子每更新一次就重新计算一次适应度值。每个粒子以一定的速度在求解空间中运动，通过更新个体极值Pbest和群体极值Gbest来更新个体的位置和速度。在每一次迭代过程，粒子的位置和速度更新分别如公式VIII和公式IX所示：

其中，表示第k次迭代过程中第i个粒子的速度，表示第k+1次迭代过程中第i个粒子的速度，表示第k次迭代过程中第i个粒子的个体极值位置，表示第k次迭代过程中第i个粒子在搜索空间的位置，表示第k+1次迭代过程中第i个粒子在搜索空间的位置，G^k表示第k次迭代的种群极值位置，ω为惯性权重，c₁和c₂为加速度因子，r₁和r₂为[0，1]之间的随机数。粒子群算法(PSO算法)的流程图如图2所示，主要包括以下5个步骤：

1)设定迭代次数，种群规模，初始化所有粒子的位置和速度；

2)训练多任务模型，计算每个粒子的适应度值；

3)利用训练数据的MAPE误差指数作为适应度函数，根据粒子的适度值，确定个体极值位置和群体极值位置；

4)根据公式VIII和公式IX更新粒子的速度和位置；

5)判断是否达到PSO算法的终止条件，即是否达到最大迭代次数，如果未达到则返回步骤2)，根据更新的粒子速度和位置重新计算粒子的适应度值，更新个体极值和种群极值；如果达到，则以种群极值的位置作为多任务学习模型的最优参数集合。

步骤五，通过步骤四对目标函数进行了优化，因此。可应用于对任意道路片段进行短时交通预测，即对于任意道路片段重复步骤一和步骤二以获得输入特征，将输入特征带入到优化后的目标函数，实现对任意道路片段进行短时交通预测。

本发明公开了一种基于多任务多视图学习模型的短时交通预测方法，针对每个道路片段，利用时空邻近矩阵、时空周期矩阵、时空趋势矩阵来表示任意时刻的交通条件，从而表示交通条件的时空依赖性和时空异质性；利用一组核函数分别得到时空邻近视图、时空周期视图、时空趋势视图的预测结果，进一步将每个视图的预测结果当作高层的语义特征；将每个道路片段的预测当作一个任务，通过约束学习任务保持任务之间的相关性和视图之间的一致性，使得预测模型可以抓取道路网络的全局时空相关性以及增强其预测能力。同时，限制所有道路片段选择一组共享的特征来实现所有道路片段的同步预测；考虑到时空多任务多视图学习模型中包含多个超参数，进一步引入粒子群算法来求解优化问题，得到时空多任务学习模型的最优参数集合，同时加快模型的训练速度。本发明同步考虑道路网络存在的时空依赖性、时空异质性、预测任务之间的全局时空相关性以及多个视图之间的一致性，利用多任务多视图学习模型实现了短时交通的高效预测；通过统一的时空建模框架，利用异质的时空数据模型构建预测模型的输入特征，解决了时空异质性和模型的全局预测能力无法达到均衡的问题；将粒子群算法应用于时空多任务多视图模型，解决了模型的参数优化问题。通过以上策略，从而实现短时交通的高效预测。

本发明具有以下有益效果：

利用互相关函数来构造时空邻近视图、时空周期视图、时空趋势视图来分别刻画每个道路片段的交通条件，从而刻画交通条件的时空依赖性和时空异质性；基于多核学习的思想，每个视图分别对应一个核函数，从而得到每个视图的预测结果。这组预测结果被当作高层次的语义特征映射来构造时空多任务多视图学习模型的输入特征矩阵；构建统一的时空多任务多视图模型，通过在目标函数中增加一组正则项来保证任务之间的相关性以及视图之间的一致性，使得预测模型具备全局预测能力且可以抓取道路网络的全局时空相关性；引入粒子群算法来优化目标函数的参数选择，使得预测模型具有最优的模型结构以及加快模型的训练速度。本发明可以帮助解决许多城市管理问题，包括城市规划、人员流动调查、汽车导航、应急响应、时空可达性分析和交通污染建模。

上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (4)

1.一种基于多任务多视图学习模型的短时交通预测方法，其特征在于：所述短时交通预测方法包括如下步骤：

步骤一，针对每个道路片段单独构建时空数据模型；

时空数据模型包含空间维度和时间维度，其中，空间维度表示影响目标道路片段的空间邻居的数目，时间维度表示影响当前时刻的历史交通条件的时间窗口长度；

利用互相关函数获取空间邻居以刻画空间维度，同时，按照时间顺序堆叠每个时间间隔的时空状态矩阵，则可得到三维的时空张量，包括时空邻近张量、时空周期张量和时空趋势张量，然后对构建的三个时空张量分别按照设定的历史天数，训练天数和测试天数进行划分，则可得到历史时空张量、训练时空张量、测试时空张量用于短时交通预测模型的构建，以表征每个道路片段所有历史时刻的交通条件，并最终获得时空邻近视图、时空周期视图、时空趋势视图；

步骤二，构建多任务多视图学习模型；

采用STKNN模型作为核函数，分别对步骤一获得的时空邻近视图、时空周期视图、时空趋势视图的结果进行预测，然后将每个视图的预测结果进行高层的语义映射，作为时空多任务多视图学习模型的输入特征；

步骤三，采用多任务多视图特征学习模型，构建目标函数；

根据步骤二得到的输入特征，同时将每个道路片段交通条件的预测当作一个任务，使得每个任务具有一致的特征维度，采用多任务多视图特征学习模型来学习任务之间的相关性和视图之间的一致性，同时限制所有道路片段选择一组共享特征，从而实现目标函数能对整个道路网络交通条件的同步预测；

步骤四，引入粒子群算法，对步骤三获得的目标函数进行优化；

步骤五，对于任意道路片段重复步骤一和步骤二以获得输入特征，将输入特征带入到优化后的目标函数，实现对任意道路片段进行短时交通预测。

2.根据权利要求1所述的基于多任务多视图学习模型的短时交通预测方法，其特征在于：步骤一种所述互相关函数ccf_u，l(φ)表示为公式Ⅰ：

其中，φ表示时间延迟，时间延迟E表示期望值运算符，为道路片段u在时间间隔t的交通条件，表示道路片段l在时间间隔t的交通条件，表示道路片段l在时间间隔t+φ的交通条件，μ_u和μ_l分别为和的均值，为道路片段u的历史交通条件时间序列,为道路片段l的历史交通条件时间序列。

3.根据权利要求1所述的基于多任务多视图学习模型的短时交通预测方法，其特征在于：步骤三中目标函数П(W)表示为公式Ⅶ：

其中，表示使得目标函数∏(W)取最小值的权重矩阵W，y_l表示道路片段l预测值的真实值的特征向量，X_lw_l表示道路片段l的整体特征矩阵和道路片段l的权重向量之间的乘积，表示道路片段l的时空邻近视图的特征向量，表示道路片段l的时空周期视图的特征向量，表示道路片段l的时空趋势视图的特征向量，和分别表示任务l的时空邻近视图的权重、时空周期视图的权重、时空趋势视图的权重，表示2-范数，S_l，m为道路片段l和道路片段m之间的互相关系数，S_l，m的值越大，表明两个道路片段交通条件越相关，图的拉普拉斯正则项使得w_l和w_m更相似，因此可以自动编码空间相关性，w_l表示任务l的权重向量，w_m表示表示任务m的权重向量；用于增强模型的鲁棒性；||W||_2，1表示W的L_2，1范数，使得所有任务自动选择一组共享的决定性特征，可以通过计算W中每一行的L₂范数的和来获得；α，β，为耦合参数，用于调节不同视图不一致的强度，γ用于惩罚不同任务之间映射函数的不一致性，θ用于控制特征的稀疏性，μ为L₂范数正则化参数。

4.根据权利要求1所述的基于多任务多视图学习模型的短时交通预测方法，其特征在于：步骤四中粒子群算法主要包括以下步骤：

1)设定迭代次数，种群规模，初始化所有粒子的位置和速度；

2)训练多任务模型，计算每个粒子的适应度值；

3)利用训练数据的MAPE误差指数作为适应度函数，根据粒子的适度值，确定个体极值位置和群体极值位置；

4)根据公式Ⅷ和公式Ⅸ更新粒子的速度和位置；

所述公式Ⅷ和公式Ⅸ如下所示：

其中，表示第k次迭代过程中第i个粒子的速度，表示第k+1次迭代过程中第i个粒子的速度，表示第k次迭代过程中第i个粒子的个体极值位置，表示第k次迭代过程中第i个粒子在搜索空间的位置，表示第k+1次迭代过程中第i个粒子在搜索空间的位置，G^k表示第k次迭代的种群极值位置，ω为惯性权重，c₁和c₂为加速度因子，r₁和r₂为[0,1]之间的随机数；

5)判断是否达到粒子群算法的终止条件，即是否达到最大迭代次数，如果未达到则返回步骤2),根据更新的粒子速度和位置重新计算粒子的适应度值，更新个体极值和种群极值；如果达到，则以种群极值的位置作为多任务学习模型的最优参数集合。