ICS 35.240.99 CCS L 73 团体 标准 T/CI 154—2023 深度学习驱动的智慧交通数据挖掘预测技 术规范 Deep learning driven data mining and predictive technology specificatio n for intelligent traffic 2023 - 09 - 28发布 2023 - 09 - 28实施 中国国际科技促进会 发布 全国团体标准信息平台 T/CI 154 —2023 I 目次 前言 ................................ ................................ ................. II 1 范围 ................................ ................................ ............... 1 2 规范性引用文件 ................................ ................................ ..... 1 3 术语和定义 ................................ ................................ ......... 1 4 缩略语 ................................ ................................ ............. 1 5 智慧交通数据挖掘预测技术 ................................ ........................... 2 6 数据采样与预处理 ................................ ................................ ... 2 7 基于深度学习的挖掘算法 ................................ ............................. 3 8 智慧交通应用场景 ................................ ................................ ... 6 9 数据挖掘预测性能评估指标 ................................ ........................... 7 全国团体标准信息平台 T/CI 154 —2023 II 前言 本文件按照 GB/T 1.1 —2020《标准化工作导则 第1部分：标准化文件的结构和起草规则》的规定 起草。 请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。 本文件由南方科技大学提出。 本文件由中国国际科技促进会归口。 本文件起 草单位：南方科技大学、长春理工大学、中国第一汽车集团有限公司、北京大学、华为技 术有限公司、浪潮集团有限公司、同济大学、 天津大学、 华南理工大学、北京交通大学、重庆大学、 北 京嘀嘀无限科技发展有限公司 、北京高科中创科学技术中心、 西南交通大学 、桂林电子科技大学 、中国 检验认证集团深圳有限公司、深圳市骏嘉科技发展有限公司、深圳市铠硕达科技有限公司、深圳浑沌数 字化实验室科技有限公司、深圳树米网络科技有限公司、汕头大学、吉林省卡思特科技有限公司、吉林 省中云数讯股份有限公司、超智研发中心（深圳）有限公司、碳猎研发 中心（深圳）有限公司、深圳安 视信息技术有限公司、苏州奇盈半导体科技有限公司、维旭长电科技（深圳）有限公司。 本文件主要起草人： 宋 轩、 尹 渡、 张博渊、 邓捷文、 邓锦亮、 张凌宇、 胡清华、张智军、 金 一、 李浥东、贾云健、 滕 飞、吴国斌、梁 舰、王 涛、张 昕、宋小龙、刘 妍、周时莹、李长龙、孙 宗姚、王中一、谢 奕、高 亮、陈 欣、陈 瑶、袁 飞。 全国团体标准信息平台 T/CI 154 —2023 1 深度学习驱动的智慧交通数据挖掘预测技术规范 1 范围 本文件规定了智慧交通数据挖掘预 测技术的数据采样、数据预处理、挖掘算法，描述了智慧交通应 用场景，提出了数据挖掘预测性能评估指标要求。 本文件适用于基于深度学习的智慧交通数据挖掘预测。 2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。 其中， 注日期的引用文件， 仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本 文件。 GB/T 5271.34 -2006 信息技术 词汇 第34部分:人工智能 神经网络 GB/T 34678 -2017 智慧城市 技术参考模型 GB/T 35295-2017 信息技术 大数据 术语 GB/T 37043 -2018 智慧城市 术语 GB/T 41867 -2022 信息技术 人工智能 术语 3 术语和定义 GB/T 5271.34 -2006、GB/T 34678 -2017、GB/T 35295 -2017、GB/T 37043 -2018、GB/T 41867 -2022 界定的以及下列术语和定义适用于本文件。 3.1 邻接矩阵 adjacent matrix 用以表示交通图数据中不同节点的空间相关性权重的二维正方形矩阵。 3.2 欧式 euclidean 符合现实物理世界定义的距离评判标准。 3.3 膨胀卷积 dilated convolution 具有存在间隙的内核的卷积，为时间卷积网络的重要组成部分。 3.4 损失函数 loss function 算法模型输出和观测结果 之间的概率分布差异。 3.5 道格拉斯 -普克算法 douglas-peucker algorith m 将曲线近似表示为一系列点，并减少点的数量的一种算法。 3.6 卡尔曼滤波 kalman filtering 一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。 4 缩略语 下列缩略语适用于本文件 。 GPS: 全球定位系统 (Global Positioning System) APP：应用程序 （Application ） OD: 起止点(Origin Destination) 全国团体标准信息平台 T/CI 154 —2023 2 HMM: 隐马尔可夫模型 (Hidden Markov Model) RNN：循环神经网络（ Recurrent Neural Network ） LSTM：长短期记忆网络（ Long Short -Term Memory ） CNN：卷积神经网络（ Convolutional Neural Network ） Attention ：注意力机制（ Attention ） GCN：图卷积网络（ Graph Convolutional Network ） TCN：时间卷积网络 （Temporal Convolutional Network） POI：兴趣点位置（ Point of Interest ） 5 智慧交通数据挖掘预测技术 深度学习驱动的智慧交通挖掘预测技术规范中包含了数据采样层、数据处理层、挖掘算法层、应用 场景层，具体见图 1。从智慧城市自身出发，首先通过各类传感器在城市间进行数据采集，并对此进行 妥善的数据处理，利用先进的深度学 习算法对预处理好的数据进行特征提取，挖掘规律，并最终根据城 市中的实际应用场景提供重要的算法支撑。 完整的规范与标准能够为智慧城市的建设和优化提供交通数 据采集、预处理、挖掘算法计算特征、根据场景输出高精度高可靠性的解决方案，以此给智慧城市各个 层面所面临的挑战与困难提供智能化和科学化的赋能支撑。 图1 深度学习驱动的智慧交通挖掘预测架构 6 数据采样与预处理 数据采样来源 6.1 6.1.1 传统交通数据 全国团体标准信息平台 T/CI 154 —2023 3 包括控制信号数据和路网数据等已结构化的数据。 6.1.2 开放数据 如公交卡数据和车载 GPS数据，具体为包括 OD流和交通时间公交卡数据，其中应包括 车辆的位置、 密集度和速度的车载 GPS数据。 6.1.3 监控设备数据 数据形式为视频，数据内容应包括车辆的位置、密集度和速度，还有对车辆的识别。 6.1.4 传感器数据 路边传感器数据、流动车辆传感器数据和广域传感器数据。传感器数据内容应与监控设备的数据内 容相同。 6.1.5 APP数据 包括了出行软件数据和社交媒体数据，其中社交媒体数据即在社交媒体中发布的地理信息。 6.1.6 其他数据 如天气数据、节假日数据等。 数据预处理 6.2 6.2.1 轨迹压缩 为减轻通信、计算和数据存储的成本损耗，对收集的轨迹进行压缩处理是常见的处理手段。轨迹压 缩任务可以选择离线执行，也可以在线执行。离线时可采用 Douglas-Peu