一种基于图神经网络的轨道交通瓶颈溯源与主动管控方法

本发明涉及轨道交通智能运维与主动管控，尤其是涉及一种基于图神经网络的轨道交通瓶颈溯源与主动管控方法。

背景技术：

1、城市轨道交通网络在高峰时段常因局部客流超限或运行扰动，形成通行瓶颈，并沿网络传播引发大面积延误。瓶颈的精准溯源和主动管控是保障网络运行稳定性的核心，然而当前技术手段仍面临如下挑战：

2、首先，传统基于统计指标（如区段饱和度、列车晚点分钟数）的瓶颈识别方法，依赖预设阈值，无法区分延误的“因”与“果”。一个节点的指标恶化可能是上游瓶颈传播所致，仅凭阈值会混淆源头瓶颈与被动受扰节点，导致管控资源错配。

3、其次，基于交通仿真推演的瓶颈溯源方法，需枚举可能的初始扰动位置并反复运行仿真，计算复杂度随网络规模指数上升，无法适应实时动态管控需求。并且仿真参数的校准本身存在偏差，影响溯源可信度。

4、近年来，图神经网络（gnn）在交通状态预测领域取得了进展，可以建模轨道交通网络的空间拓扑与时序依赖关系。但现有研究要么仅利用gnn进行预测而不涉及溯源，要么仅依据模型中的注意力权重等静态解释性指标来评估节点重要性。这些方法存在两方面的根本缺陷：其一，注意力权重反映的是模型内部的聚合偏好，而非节点对全网延误的边际因果贡献，物理意义模糊；其二，预测、溯源与管控三者相互割裂，管控效果的预估仍需依赖独立的仿真器或启发式规则，无法形成高效的在线闭环。

5、因此，迫切需要一种能够准确分离源头瓶颈与传播影响、且将预测、溯源与主动管控融合在统一可微分框架中的方法，以应对复杂网络下实时决策的挑战。

技术实现思路

1、本发明旨在解决现有技术中瓶颈溯源因果性不足、溯源与管控过程脱节的技术问题，提供一种基于图神经网络的轨道交通瓶颈溯源与主动管控方法，通过同一模型完成延误预测、瓶颈溯源和管控效果预估，实现从识别到决策的闭环。

2、本发明提供的技术方案如下：

3、一种基于图神经网络的轨道交通瓶颈溯源与主动管控方法，包括以下步骤：

4、s1.获取轨道交通网络的拓扑结构、实时运行数据及历史运行数据，构建表征网络动态运行状态的动态异构图序列；所述动态异构图中的节点对应车站或区段，节点特征至少包括实时客流密度、列车运行偏差和通过能力利用率，边对应物理连接关系，边特征至少包括区间计划运行时分。

5、s2.利用预先训练的时空图神经网络模型，提取所述动态异构图序列中的时空依赖特征，并预测未来预设时段内各节点的延误指标，形成网络延误状态预测。

6、s3.基于所述网络延误状态预测，计算每个节点对全网总延误的边际影响度；其中，所述边际影响度通过将所述时空图神经网络模型的输出对输入节点特征进行梯度反向传播而获得，并以所得梯度的范数作为节点的影响分数，进而根据影响分数的大小确定瓶颈节点。此步骤将图神经网络直接转化为因果归因工具，能够定量评估节点状态扰动对全网延误的边际传播效应。

7、s4.以所述瓶颈节点为对象，从预设管控措施集合中选取候选管控动作，通过调整对应瓶颈节点的输入特征并重新输入至所述时空图神经网络模型，获得实施候选管控动作后的网络延误预测值，在此基础上以最小化全网总延误为目标选取最优管控动作组合，形成主动管控方案。该步骤重用预测模型替代传统仿真器，实现高效的“what-if”分析。

8、进一步地，步骤s1中所述动态异构图序列的构建方式为：按固定时间窗口将连续时序数据切片，每个时间窗口生成一张图快照；相邻时间窗口的图快照之间，将同一节点的状态以时序边或序列化方式连接，构成时空图。所述节点特征向量还融合了该节点在过去若干个连续时间步的历史延误值，以显式引入延误传播的短时记忆效应，提升模型对传播动态的刻画能力。

9、作为优选，时间窗口宽度与滑动步长可根据运营特征调整：平峰时段可设置10-15分钟窗口、5分钟步长，高峰时段可缩短至5分钟窗口、2分钟步长，以保证对状态变化的捕捉灵敏度。

10、步骤s2中所述时空图神经网络模型采用图卷积网络（gcn）与门控循环单元（gru）的级联结构，但不限于该特定组合，任何可同时建模空间依赖与时间依赖的图神经网络（如graphsage结合transformer、时域图注意力网络等）均可作为替代。图卷积网络捕获每个时间步下节点间的空间依赖关系，门控循环单元沿着时间轴建模节点状态的时序演化。模型最终通过全连接层输出未来多个时间步每个节点的预测延误值（例如晚点秒数）。

11、在一种优选的实施方式中，图卷积的邻接矩阵并非仅采用0-1物理连接，而是融合区间客流相关度进行加权：连接权值由区间计划运行时分与历史同期客流相关系数的归一化乘积构成，从而在拓扑基础上增强了相关性强的节点对之间的信息传递。

12、模型训练以历史延误真实值为监督信号，采用掩码均方误差损失函数（只对存在历史真实值的节点计算损失），利用adam等优化器进行参数学习。

13、步骤s3的核心创造在于利用梯度传播进行全局归因，具体实现如下：对于当前输入图快照序列，执行模型前向传播，得到未来某指定预测时刻h的全网总延误l（例如所有节点的预测晚点值之和）。将l视为标量输出，保持模型参数不变，利用自动微分机制计算l关于输入层每个节点特征向量f_i的偏导数，得到梯度向量。反映了该节点当前状态的微小改变将如何影响全网总延误，梯度的绝对值越大，其边际影响越强。计算各节点的梯度l2范数=，作为该节点在时刻h的瓶颈影响分数。为消除单时刻扰动，可将预测时段内多个时刻的影响分数按权重（如指数衰减）加权平均，得到综合瓶颈影响值。最后，采用自适应阈值，如将所有节点综合影响值的均值加上两倍标准差作为上限，将高于该阈值的节点识别为瓶颈节点。自适应阈值能够排除整体网络状态波动对判定结果的干扰。

14、步骤s4在获得瓶颈节点集合后，构建管控动作候选集。候选管控动作至少包括：调整发车频率、限流强度和跳站方案中的一种或多种。每种动作被编码为节点特征向量的变化因子：发车频率调整对应改变对应区间或车站的通过能力利用率特征；限流强度调整对应修改客流密度特征（如进站量）；跳站则涉及改变图拓扑的连接关系和区间运行时分特征。

15、将调整后的节点特征重新输入已训练好的时空图神经网络模型，在不需要重新训练和不依赖外部仿真器的情况下，快速计算出实施该候选管控动作后的新全网总延误预测值。

16、为了在组合动作空间中高效搜索，可采用基于影响分数的贪心策略：按瓶颈节点综合影响值从大到小排序，依次对每一瓶颈节点尝试其离散动作集中所有合法动作，每步选取使全网总延误降低幅度最大的动作并固化特征修改，再处理下一个节点，直到遍历完所有瓶颈节点或总延误不再减少。该策略大幅缩减搜索空间，可在线运行。

17、上述方案构成了一种基于同一可微分图神经网络模型的预测—归因—决策闭环，实现了瓶颈的因果性溯源与主动管控的实时衔接。

18、本发明的技术效果和优点：

19、本发明将延误预测、因果溯源与主动管控决策闭环于同一可微分图神经网络框架内，通过模型输出对输入特征的梯度反向传播定量计算各节点对全网总延误的边际影响分数，物理意义明确，能够准确区分源头瓶颈与被动受扰节点，解决了传统方法因果性不足、阈值判定混淆成因与结果的问题；管控效果预估直接复用已训练的时空预测模型，无需依赖独立仿真器，在秒级完成从溯源到最优管控组合生成的在线闭环决策，显著提升了复杂网络动态环境下的实时响应能力；同时，动态异构图序列与历史状态记忆机制能够捕捉延误传播的时变非线性特性，自适应阈值和可调时间窗口使方法在平峰、高峰及突发事件下均能稳定发挥作用，具备突出的工程适应性和可扩展性。