基于反事实时空图Transformer的交通韧性预测与干预方法及系统
本发明属于智能交通,尤其涉及基于反事实时空图transformer的交通韧性预测与干预方法及系统。
背景技术:
1、城市交通网络承担人员出行、物资运输与公共服务保障等功能,是城市基础设施体系的重要组成部分。随着城市规模持续扩大、出行需求不断增长,交通事故、特殊活动、极端天气、设施故障及公共卫生事件等干扰的发生频率随之增加。交通网络受到冲击后,若无法控制性能衰减并及时恢复,可能造成通行能力下降、经济损失及环境负荷增加。交通管理目标已从常规状态下的运行效率提升,逐步转向交通系统韧性保障。交通韧性主要指系统承受外部冲击、适应运行条件变化,并在一定时间内恢复至可接受性能水平的能力。
2、高分辨率交通传感器数据持续积累,推动深度学习方法在交通状态预测领域广泛应用。现有研究多利用图神经网络提取路网空间依赖,结合循环神经网络(rnn)或时间卷积网络刻画交通状态演化。dcrnn将扩散图卷积嵌入门控循环单元,stgcn联合图卷积与门控时间卷积开展时空建模,astgcn借助空间注意力和时间注意力调整不同节点与时间步的权重。graph wavenet通过自适应邻接矩阵发现物理拓扑之外的潜在空间联系,并采用扩张因果卷积学习长时序依赖。此外,近年来transformer架构也被引入交通预测领域,通过自注意力机制实现对长程时空依赖的建模。上述方法主要服务于常规交通预测,应用于交通韧性管理时仍有一定局限。
3、交通韧性分析需要描述系统从受扰、性能下降到逐步恢复的完整过程,预测时域通常达到60分钟或更长。循环神经网络按照时间顺序递归生成结果,前序误差会随预测步数增加逐渐传递,长时域预测稳定性容易下降。传统模型还较多依赖预先设定的道路连接关系。固定拓扑可以表达相邻路段之间的物理联系,却难以捕捉突发事件和大范围拥堵期间形成的动态远距离关联,异常交通状态下的空间依赖可能无法得到充分表征。
4、现有预测模型通常采用平均绝对误差(mae)或均方误差(mse)作为优化目标,重点控制全部时空位置上的平均误差。受该类损失函数影响,模型输出容易趋于平滑,对高峰拥堵、突发性退化及系统性能最低点的识别能力有限。极端状态虽然在样本中占比较低,却直接关系累计性能损失与恢复过程,是交通韧性评价的重要内容。仅依靠平均逐点误差,难以准确反映破坏事件造成的严重影响。
5、多数深度学习模型主要输出未来交通状态,缺少韧性损失测算、干预效果评价及策略优先级分析功能。预测结果难以直接说明需要优先干预的路段、适宜采取的调控措施及其可能产生的恢复效果。模型内部决策过程不够透明,也影响预测结论向交通管理措施转化。
6、数据驱动交通韧性研究目前多以历史中断事件为对象,通过事后分析识别路网薄弱环节并评价系统恢复过程。韧性三角是常用的量化方法,其通过计算系统从受到干扰到恢复期间的累计性能损失衡量交通韧性。现有技术往往分别开展交通状态预测与韧性评价,两者之间缺少直接联系,难以根据实时预测结果形成前瞻性干预依据。
7、反事实分析通过调整模型输入或控制条件,可以估计不同干预措施对交通运行结果的影响。相关研究已将可微模型用于交通信号优化和路网脆弱性分析,验证了交通条件变化与系统响应之间的量化关系。现有技术尚未有效整合长时域交通预测、韧性损失评价与反事实干预分析,难以测算上游流量调节对下游瓶颈恢复时间的影响,也无法准确比较重点路段干预对累计性能损失的改善程度。
8、综上所述,现有技术在扰动条件下仍存在长时域预测不稳定、缺少韧性感知训练目标,以及预测结果难以直接支撑干预决策等问题。为满足主动韧性管理需求,需要构建融合交通状态预测、韧性量化、干预效果评价和策略排序的一体化技术方案。
技术实现思路
1、本发明实施例的目的在于提供基于反事实时空图transformer的交通韧性预测与干预方法及系统,旨在解决上述背景技术中提出的问题。
2、本发明实施例是这样实现的,基于反事实时空图transformer的交通韧性预测与干预方法,包括以下步骤:
3、步骤1:获取目标交通网络的历史交通状态数据和道路物理拓扑;对历史交通状态数据按统一时间间隔聚合,对缺失值进行补齐,并基于训练集统计量进行z-score标准化;采用滑动窗口构造历史输入样本,使每个样本包含连续个历史时间步的交通状态;
4、步骤2:根据道路物理拓扑构建物理图,根据节点历史交通序列的皮尔逊相关系数构建潜在依赖图,并通过阈值去除弱关联,得到多模态空间表示;将交通特征与正弦位置编码、时间语义嵌入融合,生成初始时空表示;
5、步骤3:将输入时空图transformer编码器stgt,stgt包括个结构相同的编码层,每层包括并行的空间多头注意力子层和时间多头注意力子层,并连接逐位置前馈网络ffn,各子层采用残差连接与层归一化;空间多头注意力以多模态空间表示作为结构先验并构造复合空间掩码,所述时间多头注意力引入时间因果掩码;空间注意力输出和时间注意力输出经门控融合后,依次经ffn和输出层映射,得到未来个时间步的交通状态预测结果;
6、步骤4:基于计算系统性能函数、韧性损失、恢复时间和最大性能降幅,并采用由基础预测损失、韧性感知损失和峰值幅度损失构成的复合损失函数训练反事实感知时空图transformer框架cst-gt模型;
7、步骤5:冻结训练完成的cst-gt模型参数,将冻结后的模型作为交通网络的可微分数字孪生,基于预测韧性损失对历史交通状态数据的梯度计算节点干预优先级得分ips;
8、步骤6:针对候选干预节点构建反事实输入数据;
9、步骤7:将输入冻结后的cst-gt模型,得到反事实情景下的未来交通状态预测结果,重新计算韧性指标并与基准情景的韧性指标比较,输出干预方案的量化评价结果。
10、本发明实施例的另一目的在于,基于反事实时空图transformer的交通韧性预测与干预系统,基于上述方法,包括:
11、数据获取与预处理模块,用于获取历史交通状态数据及道路物理拓扑并完成预处理;
12、图构建与特征编码模块,用于构建物理图、潜在依赖图及多模态空间表示,并生成初始时空表示;
13、时空预测模块,用于通过时空图transformer编码器stgt输出未来个时间步的交通状态预测结果;
14、韧性评估与模型训练模块,用于计算韧性损失、恢复时间和最大性能降幅,并基于复合损失函数训练cst-gt模型;
15、干预优先级分析模块,用于在冻结cst-gt模型参数后计算各节点的干预优先级得分ips;
16、反事实情景构建模块,用于基于扰动和可行域构造反事实输入;
17、干预效果评估模块,用于比较基准情景与反事实情景的韧性指标并输出干预方案的量化评价结果。
18、本发明实施例提供的基于反事实时空图transformer的交通韧性预测与干预方法及系统,具有以下有益效果:
19、(1)多模态空间表示增强长距离依赖建模能力:通过皮尔逊相关系数构建潜在依赖图,识别物理上不直接相连但交通变化具有较强相关性的节点关系,与物理图共同形成多模态空间表示。该表示能够捕捉大范围拥堵期间形成的动态远距离空间关联,克服了传统模型仅依赖预设物理道路拓扑的局限。
20、(2)时空图transformer编码器提升长时域预测稳定性:采用空间多头注意力和时间因果掩码自注意力并行提取时空特征,通过门控机制自适应融合两类特征。时间transformer的自注意力结构可直接关联较远的历史状态,避免了rnn类模型在长时域预测中的误差累积问题,在60分钟预测任务中保持较好的预测稳定性。
21、(3)面向韧性的复合损失函数增强极端状态识别能力:在基础预测损失之外引入韧性感知损失和峰值幅度损失,使模型训练同时关注性能下降及恢复阶段,增强对最大性能降幅和恢复轨迹的刻画能力,克服了传统mae/mse损失导致预测结果趋于平滑的缺陷。
22、(4)基于梯度的干预优先级分析提供可量化决策依据:利用模型可微分特点,计算预测韧性损失相对于历史输入的梯度,形成节点级干预优先级得分ips,可识别对系统整体恢复影响较大的关键节点,为有限应急资源的空间配置提供定量依据。
23、(5)反事实干预分析实现方案实施前效果预评估:通过在历史输入上施加满足物理约束的可控扰动,构建反事实情景,比较干预前后韧性指标变化,可在措施实际实施前对不同干预方案进行定量比较和效果预评估。
24、(6)统一的端到端可微分框架整合全流程:将潜在空间依赖建模、时空transformer预测、韧性量化与反事实干预分析置于统一的可微分框架内,实现从交通状态预测到韧性评估再到干预决策的一体化计算。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com