融合高阶意图语义与深度注意力机制的行程时间预测方法

摘要: 本发明涉及智慧交通与交通大数据处理,特别涉及一种融合高阶意图语义与深度注意力机制的行程时间预测方法。背景技术:1、行程时间是衡量交通通行效率的重要指标,对于准确...
融合高阶意图语义与深度注意力机制的行程时间预测方法

本发明涉及智慧交通与交通大数据处理,特别涉及一种融合高阶意图语义与深度注意力机制的行程时间预测方法。

背景技术:

1、行程时间是衡量交通通行效率的重要指标,对于准确掌握路网交通的运行状态、帮助交通管理部门均衡路网流量、缓解交通拥堵以及提高交通通行效率具有关键作用。现有的行程时间预测模型多基于车辆的基础时空轨迹与道路拓扑结构进行建模。

2、然而,传统的行程时间预测模型(如基于物理距离的基础树模型)在常规路况下表现尚可,但在复杂的城市路网中存在明显缺陷。现有模型过度依赖“欧氏物理距离”与基础时空特征,无法有效捕捉出行者的深层动机(如通勤、商务、休闲等)。当面临极端拥堵、节假日出行或特殊区域调度时,这种“物理距离依赖”极易导致模型陷入“长尾误差”,表现为对少数极端晚点极值的预测能力极差。此外,海量网约车等轨迹数据通常存在严重的长尾分布失衡(即工作日及核心区样本绝对占优),底层轨迹数据由于缺乏高层语义标签,使得下游预测模型产生数据偏见,无法满足现代智慧交通系统对高精度、动态路径规划的需求。

3、因此,亟待设计一种融合高阶意图语义与深度注意力机制的行程时间预测方法及系统,克服传统模型对物理距离的过度依赖,并有效处理交通数据的长尾分布问题。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足,提供一种融合高阶意图语义与深度注意力机制的行程时间预测方法,以解决现有技术在实际道路条件下因忽视出行者意图、数据长尾失衡而导致行程时间预测存在较大长尾误差的问题。

2、为实现上述目的,按照本发明的一个方面,提供了一种融合高阶意图语义与深度注意力机制的行程时间预测方法,包括以下步骤:

3、s1:获取城市路网的多源异构交通数据并构建多维时空特征序列;所述多源异构交通数据包括轨迹序列数据与兴趣点空间分布数据;

4、s2:对所述多维时空特征序列进行长尾偏差消除处理,获取均衡化的特征空间数据;

5、s3:将所述均衡化的特征空间数据输入至预先训练的出行意图推断模型,获取底层物理特征对应的多个类别的高阶意图语义标签;

6、s4:将所述高阶意图语义标签作为全局先验信息,与路径空间特征进行级联融合,构建多维融合特征矩阵;

7、s5:将所述多维融合特征矩阵输入至预设的深度注意力预测网络中,通过特征级注意力机制对融合特征进行动态权重分配,输出行程时间预测结果。

8、优选的,步骤s1中,所述多源异构交通数据包括海量车辆轨迹数据以及城市兴趣点空间分布数据;并基于所述多源异构交通数据构建多维时空特征序列,具体包括:提取轨迹序列数据的运动学特征,构建空间拓扑关联信息,并结合所述兴趣点空间分布数据,构建包含距离、时间、空间和日历属性的四维时空特征桶。

9、优选的,步骤s2中,对所述多维时空特征序列进行长尾偏差消除处理,包括如下步骤:

10、统计各多维时空特征序列的样本容量分布;应用逆频重采样策略对所述多维时空特征序列进行均衡化处理,以削减头部冗余样本并提升稀疏类别特征的样本覆盖度。

11、优选的,步骤s3中,所述出行意图推断模型为集成学习分类模型,获取底层物理特征对应的多个类别的高阶意图语义标签,具体包括:

12、s31:基于改进的重力模型与所述兴趣点空间分布数据,计算目标区域的预设兴趣点类别空间吸引力指数;

13、s32:将所述空间吸引力指数以及所述均衡化的特征空间数据输入至所述集成学习分类模型,输出包括生产办公、休闲娱乐在内的离散语义类别的概率分布,并提取最大概率类别作为高阶意图语义标签。

14、优选的,步骤s32中,所述集成学习分类模型采用目标函数进行迭代优化,所述目标函数的表达式为:

15、

16、其中,表示模型在迭代优化过程中需要学习的参数集合;为多分类交叉熵损失函数,用于衡量预测意图与真实标签的偏差;表示第个轨迹样本对应的高阶出行意图真实标签;表示分类器对第个轨迹样本输出的高阶出行意图预测值;表示第棵基础决策树的结构与叶节点预测分数的函数映射;为第棵决策树的正则化项,其中为控制叶子节点分裂难度的惩罚系数,为第棵决策树的叶子节点总数,为l2正则化惩罚项的权重衰减系数,为第棵决策树各叶子节点的输出权重向量。

17、优选的,步骤s5中所述深度注意力预测网络为深度表格网络,所述通过特征级注意力机制对融合特征进行动态权重分配,输出行程时间预测结果,包括如下步骤:

18、s51:通过所述深度表格网络的稀疏序贯注意力机制,捕获不同意图语义下的交通流微观特征异质性影响;

19、s52:基于所述高阶意图语义标签与微观路网特征的非线性映射关系,输出行程时间回归预测值。

20、优选的,步骤s51中,所述深度表格网络通过序贯注意力掩码实现对高阶意图语义的主动筛选,其掩码生成公式为:

21、

22、其中,为第步的特征掩码,表示前一决策步即第步更新传递的先验尺度因子,用于记录各特征在历史步骤中的使用频率,防止单一特征被过度重复利用;表示第个决策步中执行特定映射的特征处理网络函数;为前一步处理后的特征信息;

23、并且通过门控线性单元进行非线性映射,其计算过程为:

24、

25、其中,表示门控线性单元对输入进行特征变换后输出的非线性映射结果向量;表示输入至该门控线性单元的局部特征向量;分别表示神经网络结构中用于特征线性变换与门控信号生成的可学习权重矩阵;、分别表示与上述权重矩阵相对应的可学习偏置项向量;表示激活函数。

26、优选的,所述深度注意力预测网络的训练过程采用联合损失函数进行参数优化,所述联合损失函数的表达式为:

27、

28、其中,为深度注意力预测网络在训练过程中的联合损失函数;第一项为均方误差损失项,第二项为稀疏熵正则化损失项;为当前训练批次中的轨迹样本总数;为训练批次中单个样本的索引序号;为模型对第个样本输出的行程时间预测值;为第个样本对应的行程时间真实值;为控制模型特征选取稀疏度的熵正则化惩罚系数;为深度表格网络设置的决策步总数;为决策步的迭代序号;为输入特征矩阵的维度总数;为特征维度的索引序号;为在第个决策步中分配给第维特征的注意力掩码权重值;为防止对数运算出现数学未定义而引入的极小正常数。

29、按照本发明的另一方面,提供了一种融合高阶意图语义与深度注意力机制的行程时间预测系统,采用了上述方法,其包括:

30、特征构建模块,用于获取城市路网的多源异构交通数据,并构建多维时空特征序列;

31、均衡采样模块,用于对所述多维时空特征序列进行长尾偏差消除处理,获取均衡化的特征空间数据;

32、语义推断模块,用于将所述均衡化的特征空间数据输入至预先训练的出行意图推断模型,获取高阶意图语义标签;

33、特征融合模块,用于将所述高阶意图语义标签作为全局先验信息与路径空间特征进行级联融合,构建多维融合特征矩阵;

34、深度预测模块,用于将所述多维融合特征矩阵输入至预设的深度注意力预测网络中,通过特征级注意力机制输出行程时间预测结果。

35、按照本发明的另一方面,一种计算机设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述一种融合高阶意图语义与深度注意力机制的行程时间预测方法的步骤。

36、总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的一种融合高阶意图语义与深度注意力机制的行程时间预测方法主要具有以下有益效果:

37、1.特征工程层面的创新:本发明提出基于逆频重采样的多维时空特征均衡化处理方法,有效消除了多源轨迹数据的长尾分布失衡。在保持空间区域宏观结构不变的前提下,大幅削减了同质化的短途冗余订单,并主动提升了“节假日”等相对稀缺语义类别的覆盖度,实现了数据的“宏观保真”与“微观提纯”,为下游任务提供了高质量的基底。

38、2.算法架构层面的创新:首次将离线的出行目的作为高阶意图语义标签注入预测模型,打破了传统预测对欧氏物理空间的过度依赖。

39、3.预测性能层面的显著提升:依托tabnet的稀疏序贯注意力机制对高阶语义进行动态权重分配,相较于传统的集成树模型,本发明能够有效吸收并抑制由极端拥堵或特殊事件导致的长尾异常极值,预测误差(mae)显著下降,提高了智能交通系统的预测鲁棒性与可靠性。