一种基于人工智能的城市时空特征挖掘方法和系统与流程

本技术涉及深度学习领域，尤其涉及一种基于人工智能的城市时空特征挖掘方法和系统。

背景技术：

1、随着城市化进程的不断加快与机动车保有量的持续激增，基于人工智能的智能交通系统在缓解交通压力、提升路网整体通行效率方面发挥着至关重要的作用。

2、在相关技术中，预先根据道路节点间的物理距离或相邻关系构建具有固定拓扑结构的静态路网图，随后利用图卷积网络在预先设定的固定感受野范围内提取路网的空间关联特征，并利用长短期记忆网络等时序模型沿着时间，将融合所得的时空特征用于交通信号的控制与调度。

3、然而，当局部路网遭遇恶劣天气或突发交通事故导致车流规律发生非线性突变时，依据历史常态规律进行特征融合会导致算法模型针对异构路网结构与突发交通场景的动态自适应能力不足，易在异常状况下输出失效的控制策略。

技术实现思路

1、本技术提供了一种基于人工智能的城市时空特征挖掘方法和系统，用于提高算法模型针对异构路网结构与突发交通场景的动态自适应性。

2、在本技术的第一方面提供了一种基于人工智能的城市时空特征挖掘方法，该方法包括：

3、获取目标区域内交通路网的时空关联数据以及道路连通关系以构建时空数据矩阵；将交通路网中的交叉口与道路连通关系分别映射为图节点与图边以构建动态路网图，并根据各个图节点的连通度数和局部聚类系数动态确定对应的图卷积感受野范围；基于时空数据矩阵和图卷积感受野范围提取动态路网图的空间特征向量，并对时空数据矩阵进行时序计算得到时间特征向量；对空间特征向量和时间特征向量进行加权融合计算得到初始时空特征向量；基于时空数据矩阵的宏观统计特征和初始时空特征向量确定当前交通场景类别，据此动态调整加权融合计算中的特征权重元素以重新计算得到目标时空特征向量；将目标时空特征向量输入预先训练的配时参数解码网络进行映射降维与量化计算，输出对应的交通信号配时策略。

4、在上述实施例中，通过动态确立图卷积感受野并融合双维时空特征，同时，在特征融合阶段引入场景类别作为条件以进行动态自适应权重调整，使得底层网络具备了针对异构路网结构与复杂交通场景的动态感知能力，从而提高了城市交通枢纽信号管控策略在非稳态环境下的准确性与鲁棒性。

5、结合第一方面的一些实施例，在一些实施例中，在将目标时空特征向量输入预先训练的配时参数解码网络进行映射降维与量化计算前，还包括：

6、从时空数据矩阵中提取发生异常突变的交叉口车流的实时微观异常散布特征以定位发生车流严重拥堵死锁的拓扑失效节点；对拓扑失效节点与其在动态路网图中相邻的连通节点之间的图边权重执行拓扑隔离处理以执行局部的图拓扑断连操作；基于实时微观异常散布特征表征的车流非正常绕行方向确定接收非正常绕行车流的周边次级分流节点，并在拓扑失效节点的邻接节点与周边次级分流节点间建立临时图边；获取临时图边对应的实时车流转移负荷参量并动态赋予边权重，将动态路网图更新为瞬态重构路网图；将瞬态重构路网图重新代入图卷积网络中执行二次空间特征提取得到反映车流极端绕行扩散规律的突变空间特征向量；将变异空间特征向量作为补偿项与初始时空特征向量进行特征融合得到针对突发非线性变异场景的深度修正时空特征向量，并以深度修正时空特征向量替换目标时空特征向量输入配时参数解码网络。

7、在上述实施例中，对突发交通事故或路网局部瘫痪等极端场景，通过在底层数学图谱中强制切断失效节点并建立临时绕行边，捕捉了车流在物理路网中的异常激波传导，确保了模型提取的时空特征不会被局部节点的错误数据带偏。

8、结合第一方面的一些实施例，在一些实施例中，根据实时车流转移负荷参量动态赋予边权重，将动态路网图更新为瞬态重构路网图，具体包括：

9、当识别到突发非线性变异场景伴随的实时气象监测数值超过预设的灾害预警阈值时，获取周边次级分流节点及临时图边对应区域的空间物理环境数据与实时气象演变序列；基于空间物理环境数据与实时气象演变序列进行环境受灾通行折损计算以计算得到临时图边对应物理路段的动态通行折损速率；根据动态通行折损速率构建通行约束惩罚机制并计算得到针对临时图边的环境阻抗系数；利用环境阻抗系数对实时车流转移负荷参量进行衰减修正得到融合环境约束的受限转移负荷参量；将受限转移负荷参量与设定的拓扑连通有效性阈值进行数值比对，若低于该阈值则对临时图边执行二次拓扑剪枝，若不低于该阈值则将受限转移负荷参量作为最终权重赋予临时图边以完成瞬态重构路网图的更新。

10、在上述实施例中，通过在图网络拓扑生成过程中融合恶劣气象阈值与物理环境演变序列，实现了对路网通行能力的物理级降维约束。基于环境致灾阻抗进行的二次拓扑剪枝操作，防止了ai算法在暴雨等灾害下将车流盲目导向环境高危区域，赋予了重构路网高度的安全合规性与物理现实合理性。

11、结合第一方面的一些实施例，在一些实施例中，基于时空数据矩阵的宏观统计特征和初始时空特征向量确定当前交通场景类别，具体包括：

12、对时空数据矩阵进行低维度的宏观交通与环境统计要素提取，获取表征显式物理状态的宏观统计特征矩阵以作为宏观统计特征；将宏观统计特征矩阵与初始时空特征向量进行跨维度的特征通道拼接，生成融合显隐式特征的联合表征向量；将联合表征向量输入预设的特征分类算法进行分类识别以确定当前交通场景类别。

13、在上述实施例中，采用跨维度特征拼接机制，将低维的显式物理统计数据直接越级注入到高维的ai隐式数学推演向量中，避免了单一图神经网络在面对突发异常事件时产生特征提取偏差，提升了复杂交织条件下的交通灾害场景识别准确率。

14、结合第一方面的一些实施例，在一些实施例中，将宏观统计特征矩阵与初始时空特征向量进行跨维度的特征通道拼接，生成融合显隐式特征的联合表征向量，具体包括：

15、提取宏观统计特征矩阵的多维时空波动评估参量；若多维时空波动评估参量超过设定的模态置信度安全阈值则判定当前显式物理数据受环境干扰发生模态失真；计算发生模态失真的宏观统计特征矩阵与初始时空特征向量之间的特征空间映射差异度以量化跨模态特征冲突程度；基于跨模态特征冲突程度构建动态自适应的特征隔离掩膜，利用特征隔离掩膜对宏观统计特征矩阵中的高噪冲突通道进行自适应权重抑制；将经过权重抑制后的宏观统计特征矩阵与初始时空特征向量进行跨维度的特征通道拼接以生成联合表征向量。

16、在上述实施例中，在执行显隐特征拼接前，设置了异常噪点数据检测与自适应抑制机制，解决了恶劣气象导致前端传感器失效而引发的风险。通过构建软门控掩膜精准隔离受污染的高噪通道，增强了算法模型针对前端物理数据严重降级时的抗干扰免疫力与跨模态泛化能力。

17、结合第一方面的一些实施例，在一些实施例中，将交通路网中的交叉口映射为图节点，将道路连通关系映射为图边以构建动态路网图，具体包括：

18、获取道路连通关系对应的道路等级系数以及历史车流传导率；按照预设比例对道路等级系数与历史车流传导率进行加权求和计算，得到图边的权重以完成动态路网图的构建。

19、在上述实施例中，通过综合考量静态的基建物理道路等级与动态的历史车流传导率来初始化节点间的图边权重，构建了兼顾交通硬性约束与车流软性演进规律的初始底层图谱，提升了空间特征提取的仿真保真度。

20、结合第一方面的一些实施例，在一些实施例中，对时空数据矩阵进行时序计算得到时间特征向量，具体包括：

21、将时空数据矩阵输入预设的双向时序神经网络；沿着时间序列的正向计算维度提取时空数据矩阵的历史依赖上下文特征，并沿着时间序列的反向计算维度提取逆向时序演变特征；将历史依赖上下文特征与逆向时序演变特征进行拼接计算，得到代表车流双向波动规律的时间特征向量。

22、在上述实施例中，利用深度双向时序建模技术，在正向捕获历史状态规律的同时兼顾了逆向时序上下文的推演关联，避免了传统单向时序网络容易产生的信息遗忘盲区，为下游图谱处理提供了更为立体且全面的时间序列特征底座。

23、第二方面，本技术实施例提供了一种基于人工智能的城市时空特征挖掘系统，该基于人工智能的城市时空特征挖掘系统包括：一个或多个处理器和存储器；该存储器与该一个或多个处理器耦合，该存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令，该一个或多个处理器调用该计算机指令以使得该基于人工智能的城市时空特征挖掘系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

24、第三方面，本技术实施例提供一种包含指令的计算机程序产品，当上述计算机程序产品在基于人工智能的城市时空特征挖掘系统上运行时，使得上述基于人工智能的城市时空特征挖掘系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

25、第四方面，本技术实施例提供一种计算机可读存储介质，包括指令，当上述指令在基于人工智能的城市时空特征挖掘系统上运行时，使得上述基于人工智能的城市时空特征挖掘系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

26、可以理解地，上述第二方面提供的基于人工智能的城市时空特征挖掘系统、第三方面提供的计算机程序产品和第四方面提供的计算机存储介质均用于执行本技术实施例所提供的基于人工智能的城市时空特征挖掘方法。因此，其所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。

27、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

28、1、本技术通过动态确立图卷积感受野并融合双维时空特征，同时，在特征融合阶段引入场景类别作为条件以进行动态自适应权重调整，使得底层网络具备了针对异构路网结构与复杂交通场景的动态感知能力，从而提高了城市交通枢纽信号管控策略在非稳态环境下的准确性与鲁棒性。

29、2、本技术对突发交通事故或路网局部瘫痪等极端场景，通过在底层数学图谱中强制切断失效节点并建立临时绕行边，捕捉了车流在物理路网中的异常激波传导，确保了模型提取的时空特征不会被局部节点的错误数据带偏。

30、3、本技术通过在图网络拓扑生成过程中融合恶劣气象阈值与物理环境演变序列，实现了对路网通行能力的物理级降维约束。基于环境致灾阻抗进行的二次拓扑剪枝操作，防止了ai算法在暴雨等灾害下将车流盲目导向环境高危区域，赋予了重构路网高度的安全合规性与物理现实合理性。