CN112633579B - 一种基于域对抗的交通流迁移预测方法 - Google Patents

Abstract

本发明公开了一种基于域对抗的交通流迁移预测方法，包括：分别获取源域和目标域的历史交通流数据和外部环境因素；对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对历史交通流数据进行划分，得到时间序列集合；对源域和目标域的外部环境因素进行编码，得到外部环境因素的输入向量；对时间序列集合和外部环境因素的输入向量进行浅层特征提取，得到交通流时空特征分布图谱以及外部环境因素特征图谱；对时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到相似时空特征图谱和相似外部环境因素特征图谱；对相似时空特征图谱和相似外部环境因素特征图谱进行特征提取，并对深度特征进行特征融合，预测目标域的交通流。

Description

一种基于域对抗的交通流迁移预测方法

技术领域

本发明属于交通技术领域中的交通流预测问题，特别涉及一种基于域对抗的交通流迁移预测方法。

背景技术

近年来，许多国家和地区都在大力发展智能交通***，以期望对交通进行高效的管理。交通流预测是智能交通***的重要组成部分，可以帮助交通部门针对即将到来的交通高峰及时采取某些措施以缓解交通拥堵，也可以对污染物排放进行有效的估计。

交通流预测的主要任务是在给定历史交通流数据的情况下，预测未来一段时间内某一区域或某一特定道路上的车辆数量。现有的交通流预测方法主要分为参数模型方法和深度学***稳性假设，不能反映交通数据的非线性特性。随着越来越多的城市交通流量数据被收集和储存，深度学习在交通流预测领域受到越来越多的关注，例如一些方法将交通流预测视为时间序列分析问题，利用同一路段交通流的时间相关性来估计下一时刻的交通流。然而，深度学习模型方法为了获得更好的表现往往依赖大量的训练数据，对于一些缺乏数据的地区，一般难以取得比较良好的效果。

发明内容

本发明的目的在于克服上述背景技术中的不足，以对数据稀缺的目标域进行高精度的交通流预测。

为实现以上目的，采用一种基于域对抗的交通流迁移预测方法，利用源域向数据稀缺的目标域进行知识迁移，对目标域的交通流进行预测，包括如下步骤：

分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素；

对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合；

对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量；

对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱；

对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱；

对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流。

进一步地，在所述分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素之后，还包括：

对所述第一历史交通流数据和所述第二历史交通流数据进行插值和异常值处理，得到处理后的第一历史交通流数据和第二历史交通流数据。

进一步地，所述对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合，包括：

基于地理位置信息将所述源域和目标域进行栅格化处理，将所述源域和目标域分别划分成相同的H×W个栅格；

对于每一个栅格，根据交通流的时间分布特性，分别将所述第一历史交通流数据和第二历史交通流数据按照时间间隔划分成第一历史观测序列和第二历史观测序列；

根据临近性时间序列长度l_c，将第一历史观测序列和第二历史观测序列分别划分成和/>得到临近***通流序列/>

根据周期性时间序列长度l_p，将第一历史观测序列和第二历史观测序列分别划分成和/>得到周期***通流序列/> p^*是周期性时间片段的时间间隔；

根据趋势性时间序列长度l_r，将第一历史观测序列和第二历史观测序列分别划分成和/>得到趋势***通流序列/>r^*是趋势性时间片段的时间间隔。

进一步地，所述对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量，包括：

对所述第一外部环境因素和第二外部环境因素进行编码，获得所述外部环境因素的输入向量 是所述第一外部环境因素的输入向量，/>是所述第二外部环境因素的输入向量。

进一步地，所述对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱，包括：

将所述临近***通流序列H_c、所述周期***通流序列H_p以及所述趋势***通流序列H_r分别送入临近性分支网络、周期性分支网络和趋势性分支网络的特征提取模块进行浅层特征提取，分别得到临近***通流时空分布特征图谱周期***通流时空分布特征图谱/>和趋势***通流时空分布特征图谱/>

将所述外部环境因素的输入向量送入环境分支网络的特征提取模块进行浅层特征提取，得到外部环境因素特征图谱

进一步地，所述对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱，包括：

将所述特征图谱以及/>输入GRL层进行梯度反转，实现特征提取模块的参数关于域对抗损失函数L_d更新方向反向，得到新的特征图谱/>其中，θ_f是特征提取模块f_c，f_p，f_r，f_e的参数集合，f_c，f_p，f_r分别是临近性分支网络，周期性分支网络和趋势性分支网络特征提取模块的特征映射，f_e是环境分支网络的特征提取模块；

将经过梯度反转的特征图谱 作为域分类器f_d的输入，获得域类别的判断；

计算域对抗损失L_d，根据域对抗损失L_d对域分类器和特征提取模块的参数进行更新，梯度反转和域分类操作构成域对抗，使特征提取模块提取到源域和目标域相似的特征图谱 以及/>

进一步地，所述对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流，包括：

将特征提取模块提取到的特征图谱 分别输入深度特征模块/>进行卷积操作，获得临近性深度特征/>周期性深度特征/>以及趋势性深度特征/>

将所述特征图谱输入外部环境因素深度特征提取模块/>进行特征提取，得到外部环境因素的深度特征X_e；

将临近性深度特征周期性深度特征/>以及趋势性深度特征/>进行前端融合，得到交通流时空序列X_st；

将外部环境因素的深度特征X_e经过Reshape层后与交通流时空序列进行后端融合，并利用tanh激活函数输出t时刻所述目标域的交通流预测结果。

进一步地，所述将临近性深度特征周期性深度特征/>以及趋势性深度特征进行前端融合，得到交通流时空序列X_st，具体为：

其中，W_c，W_p，W_r分别是待优化的学习参数；

所述将外部环境因素的深度特征X_e经过Reshape层后与交通流时空序列进行后端融合，并利用tanh激活函数输出t时刻所述目标域的交通流预测结果，具体为：

Y_pred＝tanh(X_e+X_st)

其中，Y_pred是所述目标域的交通流预测结果。

进一步地，还包括：对网络参数进行优，具体为：

其中，θ_f是{f_c，f_p，f_r，f_e}的参数集合，θ_d是域对抗过程的参数集合，θ_y是以及前后端融合的参数集合，μ为域对抗损失与预测损失的平衡系数，α为神经网络学习率。

与现有技术相比，本发明存在以下技术效果：本发明提出的基于域对抗的交通流迁移学***，城市布局，气候地理因素差别较大，从而导致不同城市间交通流的特征存在较大的差异，因此在现实中寻找和目标城市具有较高相似度的源城市并不容易。利用域对抗技术，可以对提取的特征进行特征分布对齐，从而克服源城市和目标城市之间的特征分布差异，使其具有相似的特征分布，实现源域到目标域的知识迁移。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1是一种基于域对抗的交通流迁移预测方法的流程图；

图2是基于域对抗的交通流迁移预测方法的网络模型示意图；

图3是预测误差热力图；

图4是真实值域预测曲线图。

具体实施方式

为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。

如图1至图2所示，本实施例公开了一种基于域对抗的交通流迁移预测方法，利用具有丰富数据的源域向数据稀缺的目标域进行知识迁移，以实现数据稀缺的目标域的交通流深度学习预测，对目标域的交通流进行预测，包括如下步骤S1至S6：

S1、分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素；

S2、对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合；

S3、对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量；

S4、对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱；

S5、对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱；

S6、对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流。

需要说明的是，本实施例中通过将交通流时序数据栅格化以捕获空间相关性，对外部环境因素编码以捕获对外部环境因素交通流量的干扰。通过域对抗操作，可以实现源域和目标域拥有相似的特征分布，在拥有少量交通流量数据的目标域上实现较高精度预测。

作为进一步优选的技术方案，在上述步骤S1：分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素之后，还包括：

对所述第一历史交通流数据和所述第二历史交通流数据进行插值和异常值处理，得到处理后的第一历史交通流数据和第二历史交通流数据。

需要说明的是，本实施例可从政府官方网站获取具有丰富数据的源域和仅有少量数据的目标域的历史交通流数据以及相应的外部环境因素，第一外部环境因素和第二外部环境因素应具有相同的数据类型，但时间跨度可以不一致。

相应地，上述步骤S2具体为：

对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对处理后的第一历史交通流数据和处理后的第二历史交通流数据进行划分，得到时间序列集合。

作为进一步优选的技术方案，上述步骤S2：对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合，具体包括如下步骤：

S21、基于地理位置信息将所述源域和目标域进行栅格化处理，将所述源域和目标域分别划分成相同的H×W个栅格；

S22、对于每一个栅格，根据交通流的时间分布特性，分别将所述第一历史交通流数据和第二历史交通流数据按照时间间隔Δt划分成第一历史观测序列和第二历史观测序列，Δt取1小时；

S23、根据临近性时间序列长度lc，将第一历史观测序列和第二历史观测序列分别划分成和/>得到临近***通流序列

S24、根据周期性时间序列长度l_p，将第一历史观测序列和第二历史观测序列分别划分成和/>得到周期***通流序列/> p^*是周期性时间片段的时间间隔；

S25、根据趋势性时间序列长度l_r，将第一历史观测序列和第二历史观测序列分别划分成和/>得到趋势***通流序列/>r^*是趋势性时间片段的时间间隔。

作为进一步优选的技术方案，上述步骤S3：对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量，具体为：

对所述第一外部环境因素和第二外部环境因素进行编码，获得所述外部环境因素的输入向量 是所述第一外部环境因素的输入向量，/>是所述第二外部环境因素的输入向量。

需要说明的是，外部环境因素可以有天气，周末信息，时间点信息等，以仅考虑星期和是否为工作日对交通流量的影响为例，经过one-hot编码后，可以获得N×8的矩阵向量，N表示样本的实例数，具体为：一周有七天，加上一个是否是双休日的判断一共八个数据，周一就可以编码为10000001，周六表示00000100，前七位数据表示对应的周几，最后一位表示是否是工作日；天气可分为正常天气和恶劣天气两种，正常天气表示为10，恶劣天气就是01；同理时间点信息可以表示成长度为24的编码，几点钟对应的时间点就为1，凌晨3点就为000100000000000000000000。

作为进一步优选的技术方案，上述步骤S4：对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱，具体包括：

S41、将所述临近***通流序列H_c、所述周期***通流序列H_p以及所述趋势***通流序列H_r分别送入临近性分支网络、周期性分支网络和趋势性分支网络的特征提取模块进行浅层特征提取，分别得到临近***通流时空分布特征图谱周期***通流时空分布特征图谱/>和趋势***通流时空分布特征图谱/>

S42、将所述外部环境因素的输入向量送入环境分支网络的特征提取模块进行浅层特征提取，得到外部环境因素特征图谱

需要说明的是，周期性分支网络和趋势性分支网络的特征提取模块均有两层卷积层组成，考虑到临近性对目标预测时刻具有更大的影响，因此临近性分支网络的特征提取模块额外增加一层ConvLSTM层，由一层ConvLSTM层和两层卷积层组成。

经过特征提取模块的提取，得到临近性、周期性和趋势性的交通流时空分布特征图谱如下：

其中，f_c，f_p，f_r分别是临近性分支网络，周期性分支网络和趋势性分支网络特征提取模块的特征映射； 分别是临近性时间片段、周期性时间片段和趋势性时间片段经过卷积提取后的特征图，然后该输出分别被馈送到对应的域对抗模块以实现特征对齐。

需要说明的是，本实施例中设计外部环境因素特征提取模块f_e，用于对源城市和目标城市的外部环境因素进行特征提取，外部环境因素的特征提取模块由两层全连接层组成，经过映射得到

作为进一步优选的技术方案，上述步骤S5：对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱，具体包括：

S51、将特征图谱 以及/>输入GRL层(Gradient Reversal Layer)进行梯度反转，在反向传播过程中翻转梯度上的符号，实现特征提取模块的参数关于域对抗损失函数L_d更新方向反向。θ_f是特征提取模块f_c，f_p，f_r，f_e的参数集合，经过GRL层的操作后，θ_f关于域对抗损失L_d的梯度更新方向反转，GRL层只改变输入数据的梯度方向，只在参数更新时起到作用。

S52、将经过梯度反转的特征图谱作为域分类器f_d的输入，获得域类别的判断，计算域对抗损失L_d，根据域对抗损失L_d对域分类器和特征提取网络的参数进行更新。

需要说明的是，将经过梯度反转的特征图谱作为作为域分类器f_d的输入，从而获得域类别的判断，域分类器判断数据来自源域还是目标域，输出相应的域类别标签，同时计算分类误差，根据分类误差更新特征提取模块和域分类模块的参数。只有当分类器无法判断数据来源的时候，才能说明源域和目标域特征图谱拥有足够高的相似度。域分类网络的作用在于尽可能地区分数据是来自源域还是目标域，特征提取模块的作用是寻找一个合适的高维映射，在高维特征空间中源域和目标域的分布可以被区分。然而由于GRL层对输入特征的梯度进行反转操作，因此特征提取网络起到了相反的效果，即寻求一个合适的特征映射，使源域和目标域在高维特征空间内的特征分布尽可能相似，从而特征提取模块和域分类模块构成对抗关系。梯度反转和域分类操作构成域对抗，最终目的是特征提取模块提取到源域和目标域相似的特征图谱/> 以及/>

其中，域分类网络由三层全连接网络组成，L_d选用二分类交叉熵：

L_d＝-(d₀×log(z₀)+(1-d₀)×log(1-z₀))

d₀取0，表示源域；d₀取1，表示目标域；z₀表示域分类器输出为源域的概率，1-z₀表示域分类器输出为目标域的概率，×表示乘号，提取到的源域和目标域的特征图谱进行域对抗操作，以实现特征对齐，从而弥合源域和目标域之间的特征分布差异。

作为进一步优选的技术方案，上述步骤S6：对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流，具体包括：

S61、将所述特征图谱 分别输入深度特征模块/>进行卷积操作，获得临近性深度特征/>周期性深度特征/>以及趋势性深度特征/>具体为：

将特征图谱 分别输入深度特征模块/>进行卷积操作，获得临近性，周期性，趋势性的深度提取特征/>其中，临近性，周期性，趋势性的深度特征模块均由单层卷积构成，目的是基于交通流的临近性，周期性，趋势性，实现对具有相似分布的源域和目标域交通流特征的深度挖掘：

S62、将未经梯度反转的特征图谱输入外部环境因素深度特征提取模块/>进行特征提取，得到外部环境因素的深度特征X_e，具体为：

对于外部环境因素特征图谱利用单层全连接网络作为外部环境因素深度特征提取模块/>进行特征提取，目的是获得外部环境因素对于预测结果的影响，由此得到外部环境因素的深度特征X_e：

S63、将临近性深度特征周期性深度特征/>以及趋势性深度特征/>进行前端融合，得到交通流时空序列X_st，具体为：

其中，W_c，W_p，W_r分别是待优化的学习参数。

S64、将外部环境因素的深度特征X_e经过Reshape层后与交通流时空序列进行后端融合，并利用tanh激活函数输出t时刻所述目标域的交通流预测结果Y_pred是，具体为：

Y_pred＝tanh(X_e+X_st)。

作为进一步优选的技术方案，对于预测损失函数L_y采用MSE损失函数，因此得到总的损失函数：

L_total＝L_y+μL_d。

作为进一步优选的技术方案，还包括：对网络参数进行优，具体为：

其中，θ_f是{f_c，f_p，f_r，f_e}的参数集合，θ_d是域对抗过程的参数集合，θ_y是以及前后端融合的参数集合，μ为域对抗损失与预测损失的平衡系数，α为神经网络学习率。

本实施例方案可以利用具有丰富历史交通流数据的源城市辅助仅有少量数据的目标城市进行较高精度的交通流预测，以下通过一具体事例进行说明：

图3中的图a是早晨六点交通流预测误差热力图，仅有少数区域出现比较大的误差，这是因为深夜交通流量较小，六点后明显增加，仅用少量交通流量数据难以准确预测早高峰的交通流量，图b是中午11点的预测误差热力图，可以看出几乎所有区域的预测误差都比较小，这是因为相对于早高峰变化的陡峭，中午交通流量变化相对比较平缓。

图4是利用72天源城市的历史数据和9天的目标城市历史数据，所得到的24小时内预测曲线和真实值变化曲线，预测值有较好的拟合性，可以看出本实施例方法的优越性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于域对抗的交通流迁移预测方法，其特征在于，利用源域向数据稀缺的目标域进行知识迁移，对目标域的交通流进行预测，包括：

S1：分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素；

S2：对源域和目标域进行栅格化，并根据源域和目标域的交通流变化特征分别对第一历史交通流数据和第二历史交通流数据进行划分，得到时间序列集合；

S21：基于地理位置信息将所述源域和目标域进行栅格化处理，将所述源域和目标域分别划分成相同的H×W个栅格；

S22：对于每一个栅格，根据交通流的时间分布特性，分别将所述第一历史交通流数据和第二历史交通流数据按照时间间隔划分成第一历史观测序列和第二历史观测序列；

S23：根据临近性时间序列长度l_c，将第一历史观测序列和第二历史观测序列分别划分成和/>得到临近***通流序列/>

S24：根据周期性时间序列长度l_p，将第一历史观测序列和第二历史观测序列分别划分成和/>得到周期***通流序列/>p^*是周期性时间片段的时间间隔；

S25：根据趋势性时间序列长度l_r，将第一历史观测序列和第二历史观测序列分别划分成和/> 得到趋势***通流序列/>r^*是趋势性时间片段的时间间隔:；

S3：对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量；

S4：对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱；

S5：对交通流时空特征分布图谱以及外部环境因素特征图谱进行域对抗操作，得到源域和目标域在高维特征空间的相似时空特征图谱和相似外部环境因素特征图谱；

S51：将所述特征图谱以及/>输入GRL层进行梯度反转，实现特征提取模块的参数关于域对抗损失函数L_d更新方向反向，得到新的特征图谱/>其中，θ_f是特征提取模块f_c,f_p,f_r,f_e的参数集合，f_c,f_p,f_r分别是临近性分支网络，周期性分支网络和趋势性分支网络特征提取模块的特征映射，f_e是环境分支网络的特征提取模块；

S52：将经过梯度反转的特征图谱作为域分类器f_d的输入，获得域类别的判断；

S53：计算域对抗损失L_d，根据域对抗损失L_d对域分类器和特征提取模块的参数进行更新，梯度反转和域分类操作构成域对抗，使特征提取模块提取到源域和目标域相似的特征图谱 以及/>

S6：对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流。

2.如权利要求1所述的基于域对抗的交通流迁移预测方法，其特征在于，在所述分别获取源域的第一历史交通流数据和第一外部环境因素，目标域的第二历史交通流数据和第二外部环境因素之后，还包括：

对所述第一历史交通流数据和所述第二历史交通流数据进行插值和异常值处理，得到处理后的第一历史交通流数据和第二历史交通流数据。

3.如权利要求1所述的基于域对抗的交通流迁移预测方法，其特征在于，所述对第一外部环境因素和第二外部环境因素进行编码，得到外部环境因素的输入向量，包括：

对所述第一外部环境因素和第二外部环境因素进行编码，获得所述外部环境因素的输入向量 是所述第一外部环境因素的输入向量，/>是所述第二外部环境因素的输入向量。

4.如权利要求3所述的基于域对抗的交通流迁移预测方法，其特征在于，所述对时间序列集合和外部环境因素的输入向量进行浅层特征提取，分别得到交通流时空特征分布图谱以及外部环境因素特征图谱，包括：

将所述临近***通流序列H_c、所述周期***通流序列H_p以及所述趋势***通流序列H_r分别送入临近性分支网络、周期性分支网络和趋势性分支网络的特征提取模块进行浅层特征提取，分别得到临近***通流时空分布特征图谱周期***通流时空分布特征图谱和趋势***通流时空分布特征图谱/>

将所述外部环境因素的输入向量送入环境分支网络的特征提取模块进行浅层特征提取，得到外部环境因素特征图谱

5.如权利要求1所述的基于域对抗的交通流迁移预测方法，其特征在于，所述对相似时空特征图谱和相似外部环境因素特征图谱进行深度特征提取，并对得到的深度特征进行特征融合，预测目标域的交通流，包括：

将所述特征图谱 分别输入深度特征模块/>进行卷积操作，获得临近性深度特征/>周期性深度特征/>以及趋势性深度特征/>

将所述特征图谱输入外部环境因素深度特征提取模块/>进行特征提取，得到外部环境因素的深度特征X_e；

将临近性深度特征周期性深度特征/>以及趋势性深度特征/>进行前端融合，得到交通流时空序列X_st；

将外部环境因素的深度特征X_e经过Reshape层后与交通流时空序列进行后端融合，并利用tanh激活函数输出t时刻所述目标域的交通流预测结果。

6.如权利要求5所述的基于域对抗的交通流迁移预测方法，其特征在于，所述将临近性深度特征周期性深度特征/>以及趋势性深度特征/>进行前端融合，得到交通流时空序列X_st，具体为：

其中，W_c,W_p,W_r分别是待优化的学习参数；

所述将外部环境因素的深度特征X_e经过Reshape层后与交通流时空序列进行后端融合，并利用tanh激活函数输出t时刻所述目标域的交通流预测结果，具体为：

Y_pred＝tanh(X_e+X_st)

其中，Y_pred是所述目标域的交通流预测结果。

7.如权利要求5所述的基于域对抗的交通流迁移预测方法，其特征在于，还包括：对网络参数进行优化，具体为：

其中，θ_f是{f_c，f_p，f_r，f_e}的参数集合，θ_d是域对抗过程的参数集合，θ_y是以及前后端融合的参数集合，μ为域对抗损失与预测损失的平衡系数，α为神经网络学习率。