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

ICS35.240.99

CCSL73

团体标准

T/CI154—2023

深度学习驱动的智慧交通数据挖掘预测技

术规范

Deeplearningdrivendataminingandpredictivetechnologyspecificationfor

intelligenttraffic

2023-09-28发布2023-09-28实施

中国国际科技促进会发布

T/CI154—2023

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

I

T/CI154—2023

前言

本文件按照GB/T1.1—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。

II

T/CI154—2023

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/T5271.34-2006信息技术词汇第34部分:人工智能神经网络

GB/T34678-2017智慧城市技术参考模型

GB/T35295-2017信息技术大数据术语

GB/T37043-2018智慧城市术语

GB/T41867-2022信息技术人工智能术语

3术语和定义

GB/T5271.34-2006、GB/T34678-2017、GB/T35295-2017、GB/T37043-2018、GB/T41867-2022

界定的以及下列术语和定义适用于本文件。

3.1

邻接矩阵adjacentmatrix

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dilatedconvolution

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lossfunction

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-peuckeralgorithm

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kalmanfiltering

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(GlobalPositioningSystem)

APP：应用程序（Application）

OD:起止点(OriginDestination)

1

T/CI154—2023

HMM:隐马尔可夫模型(HiddenMarkovModel)

RNN：循环神经网络（RecurrentNeuralNetwork）

LSTM：长短期记忆网络（LongShort-TermMemory）

CNN：卷积神经网络（ConvolutionalNeuralNetwork）

Attention：注意力机制（Attention）

GCN：图卷积网络（GraphConvolutionalNetwork）

TCN：时间卷积网络（TemporalConvolutionalNetwork）

POI：兴趣点位置（PointofInterest）

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

6.1数据采样