公开(公告)号：CN108417029B

公开(公告)日：2020-11-06

申请号：CN201810141263.2

申请日：2018-02-11

Applicant: 东南大学

Inventor： 陈淑燕 ,  唐坤 ,  张斌

IPC: G08G1/01

Abstract: 本发明公开了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，属于智能交通技术领域。首先提取影响路段行程时间的特征，然后以降噪稀疏自编码器为元件构建由多个特征学习层组成的深度网络，逐层学习输入的特征表示；最后，使用基于概率的方法对行程时间的不确定性建模，构建多任务的回归层，由最小化模型输出与观测值之间的误差，使模型自动调整各个任务的权重。本发明克服了现有方法存在的浅层网络难以描述城市路网中复杂非线性的行程时间、需要人为调整联合学习任务权重以及只能利用具有完整任务标签的数据等缺陷，提高了行程时间估计的效率，在城市路网行程时间估计中具有重要的现实意义。

公开(公告)号：CN108417029A

公开(公告)日：2018-08-17

申请号：CN201810141263.2

申请日：2018-02-11

Applicant: 东南大学

Inventor： 陈淑燕 ,  唐坤 ,  张斌

IPC: G08G1/01

CPC classification number: G08G1/0125

Abstract: 本发明公开了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，属于智能交通技术领域。首先提取影响路段行程时间的特征，然后以降噪稀疏自编码器为元件构建由多个特征学习层组成的深度网络，逐层学习输入的特征表示；最后，使用基于概率的方法对行程时间的不确定性建模，构建多任务的回归层，由最小化模型输出与观测值之间的误差，使模型自动调整各个任务的权重。本发明克服了现有方法存在的浅层网络难以描述城市路网中复杂非线性的行程时间、需要人为调整联合学习任务权重以及只能利用具有完整任务标签的数据等缺陷，提高了行程时间估计的效率，在城市路网行程时间估计中具有重要的现实意义。