基于选择性状态空间模型的多尺度交通流预测方法及系统

本发明涉及交通流预测与人工智能，具体为基于选择性状态空间模型的多尺度交通流预测方法及系统。

背景技术：

1、交通流预测是智能交通系统的核心任务之一，在缓解城市交通压力、减少交通拥堵方面发挥着至关重要的作用。通过对历史交通数据的分析与建模，准确预估未来的交通状态，能够为城市交通规划、交通运行管理以及相关公共服务提供有效的决策支撑。

2、随着智慧城市建设的推进，交通数据呈现出高频、海量且时空关联复杂的特征。高精度的预测结果不仅能够帮助交通管理部门优化路网资源配置、提升交通运行效率，还能为公众提供精准的出行规划参考，从而降低社会出行成本。因此，如何利用先进的深度学习技术，从复杂的交通序列中高效地提取时空依赖关系并捕捉多尺度的时间模式，已成为当前智能交通领域研究的热点与难点。

3、在现有的交通流预测方案中，主要采用的方法架构包括循环神经网络、图神经网络以及基于注意力机制的网络架构。循环神经网络及其变体受限于递归结构，无法实现高效的并行计算，且在处理长距离时间依赖时极易出现梯度消失问题。图神经网络虽然引入了空间建模，但高度依赖预先定义的邻接矩阵来刻画路网结构，且大多仅通过统计学上的相关性权重来表示节点间的联系，缺乏对交通流方向性、守恒性等物理守恒约束的考量，导致预测结果常出现不符合实际物理规律的虚假流量汇集或扩散现象。而基于注意力机制的网络架构虽然具备较强的全局相关性建模能力，但其核心机制的计算复杂度随序列长度呈平方级增长，在处理超长历史观测序列时计算资源消耗巨大，且在建模过程中易引入冗余的噪声信息，干扰关键时间模式的识别，同时通常采用单一时间尺度建模，难以兼顾交通流在不同分辨率下的动态变化。

4、近年来提出的选择性状态空间模型凭借其近线性计算复杂度和高效的内容选择机制，为时间序列建模提供了新的范式。该类模型通过引入硬件感知的离散化策略与动态参数化机制，克服了传统序列建模方法在计算资源消耗与长程依赖捕获之间的矛盾，能够在大规模历史观测数据中高效地过滤冗余噪声并提取关键时序特征。

5、现有交通流预测技术在应对复杂多变的预测任务时仍存在建模灵活性缺失的问题，其通常采用单一的时间分辨率或预设的固定建模路径，难以根据输入数据的时域特性自适应地调整感知范围，无法精准捕捉交通序列中交织的瞬时随机波动与长程周期规律；同时，由于现有模型缺乏有效的双向感知结构，且其动态参数生成机制过度依赖于当前时刻的局部输入，导致模型难以对历史全局上下文信息进行深度整合，无法充分挖掘不同变量节点之间的双向上下文关联，进而在复杂场景下限制了长程时序依赖关系的建模深度，直接影响了预测精度与泛化稳定性；因此，如何使模型在具备自适应多尺度路径选择能力与双向变量关联感知能力的同时，实现对全局上下文的有效关联建模，已成为当前交通预测领域亟待攻克的关键技术问题。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出基于选择性状态空间模型的多尺度交通流预测方法及系统，以有效克服现有交通流预测技术中存在的时域建模尺度固定、自适应路径缺乏动态感知能力及全局上下文关联建模不足等技术缺陷。

2、为实现上述目的，本发明提供本发明的基于选择性状态空间模型的多尺度交通流预测方法，包括：对原始多变量交通流序列进行变量解耦与线性令牌化处理，构建沿时间维度展开的独立特征表示；构建多尺度时间补丁集合，并在不同时间分辨率下形成候选建模路径，对不同尺度的时间特征块执行线性投影，获得高维隐空间的多尺度特征嵌入；基于选择性状态空间算子构建路径路由机制，对各尺度路径进行动态评分与稀疏筛选，生成自适应路径权重；对被激活路径中的多尺度特征嵌入执行双向选择性状态空间编码，以提取变量节点间的全局依赖关系；对多路径输出特征进行加权聚合与层级堆叠融合，得到统一综合表征；基于所述综合表征生成未来交通流预测结果。

3、优选的，所述变量解耦与线性令牌化处理包括：对输入交通流张量执行可逆归一化，并通过维度变换将时间维与变量维进行重排，使各变量在时间轴上形成相互独立的序列表示，从而实现通道间解耦建模。

4、优选的，所述多尺度时间补丁集合通过预设多个不同尺度的时间窗口对输入序列进行非重叠切分获得，各尺度对应不同时间分辨率，用于刻画交通流的多尺度演化特征。

5、优选的，所述路径路由机制通过对各尺度特征进行动态建模以生成路径响应，并在评分过程中引入随机扰动以提升路径选择的灵活性；在此基础上，对不同尺度路径进行自适应筛选与调度，抑制冗余路径参与计算，并生成对应的动态路径权重；

6、优选的，所述双向选择性状态空间编码包括：分别沿变量维度对输入特征执行正向与反向的状态空间建模，并对两方向输出进行融合，以构建变量节点间的双向上下文依赖关系。

7、优选的，所述多路径特征融合包括：对各激活路径输出的特征进行时间维对齐与拼接，并结合动态路径权重执行加权聚合；将融合结果输入多层自适应建模结构进行逐层堆叠处理，并通过残差连接保留原始输入信息，以获得高阶特征表示。

8、基于选择性状态空间模型的多尺度交通流预测系统，包括：令牌化处理模块，用于实现变量解耦与时间序列线性表征；门控路由模块，用于生成多尺度路径权重并执行稀疏选择；特征编码模块，用于通过堆叠双向状态空间结构提取变量节点间的全局依赖关系；融合建模模块，用于实现多路径特征加权与层级堆叠；预测输出模块，用于生成交通流预测结果。

9、本发明与现有技术相比的优点在于：

10、本发明的基于选择性状态空间模型的多尺度交通流预测方法及系统，基于变量解耦的线性令牌化表征与时域转置预处理，消除跨通道早期干扰并保留节点独立演化模式；执行多尺度时间补丁化特征分割与非重叠切片处理，生成具备异构时间分辨率的特征块集合；利用基于选择性状态空间算子的自适应路径路由与随机扰动评分注入，实现计算资源的动态感知与稀疏路径的自适应调度；采用双向感知的选择性状态空间编码结构进行变量维度建模，在维持线性复杂度的前提下建立全域上下文关联；实施多尺度特征加权聚合、稀疏调度算子协同及残差融合，生成集成多分辨率信息的统一综合表征；执行线性投影映射、维度还原与可逆反归一化处理，实现端到端优化及物理尺度预测。本发明通过构建基于选择性扫描机制的自适应多尺度建模架构，兼具线性计算复杂度的全域依赖捕捉能力、基于变量解耦的节点独立演化特征提取能力以及针对异构时域补丁的动态路径调度能力，能够有效弥补现有技术中建模尺度固定、自适应路径缺乏动态感知能力以及全局上下文关联建模开销过大的技术缺陷，显著提高了交通流预测的准确性与效率。

1.基于选择性状态空间模型的多尺度交通流预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于：所述s1中，通过时域转置实现变量解耦与通道独立建模，避免因时间维度优先带来的干扰，从而确保后续的补丁划分与线性投影仅针对单一节点的时间序列独立进行，有效保留了各节点独特的演化特征，并降低空间干扰对时域建模准确性的影响；包括以下步骤：

3.根据权利要求1所述的方法，其特征在于：所述s2包括：

4.根据权利要求1所述的方法，其特征在于：所述s3包括：

5.根据权利要求1所述的方法，其特征在于：所述s4中，针对被激活的各尺度建模路径，通过双向选择性状态空间结构实现各变量节点间的双向关联建模，其操作步骤为：

6.根据权利要求1所述的方法，其特征在于：s5包括：

7.根据权利要求1所述的方法，其特征在于，s6包括：

8.基于选择性状态空间模型的多尺度交通流预测系统，其特征在于，包括：