基于大语言模型与多流解耦的交通流预测方法及系统

摘要: 本发明涉及人工智能与智能交通系统(its)交叉,尤其涉及一种基于大语言模型与多流解耦的交通流预测方法及系统。背景技术:1、准确的交通流预测是实现城市交通调度、拥...
基于大语言模型与多流解耦的交通流预测方法及系统

本发明涉及人工智能与智能交通系统(its)交叉,尤其涉及一种基于大语言模型与多流解耦的交通流预测方法及系统。

背景技术:

1、准确的交通流预测是实现城市交通调度、拥堵控制和路线诱导的核心前提。目前,该领域的主流技术方案主要依赖于深度学习中的时空图神经网络(如 stgcn、graphwavenet、agcrn 等)。这些现有模型通常将被监测的路网抽象为图结构数据,并通过堆叠图卷积网络(gcn)来捕获交通路网的空间拓扑依赖,同时利用一维卷积(1d-cnn)、循环神经网络(rnn)或自注意力机制来捕获交通流量随时间演进的时间依赖特征,最终以端到端的方式输出未来的交通流量预测值。

2、尽管现有的时空预测模型取得了一定成效,但在实际复杂的工业部署场景中仍存在以下显著缺陷:

3、第一,缺乏对极端天气的跨模态感知能力。现有模型大多仅依赖纯数值型的历史车流数据进行外推。当遭遇台风、暴雪等恶劣天气时,交通流规律会发生强烈的非线性突变,现有模型由于无法理解外部气象语义,往往导致预测出现严重滞后与失真。

4、第二,时空特征高度纠缠与显存溢出风险。为了捕获长程的空间依赖,现有模型大多采用参数庞大的可学习图卷积权重矩阵。在大规模城市路网中,这种沉重的特征聚合方式极易导致计算过载和显存溢出,难以在资源受限的边缘设备上部署。

5、第三,时间建模易受高频噪声干扰且计算复杂度高。真实交通流中充斥着由短期突发扰动引起的局部毛刺噪声。现有模型在进行时间维度的特征映射时,全连接层的参数量通常呈级增长,不仅加剧了过拟合风险,还无法有效滤除高频噪声以提纯宏观演进趋势。

6、第四,框架固化,缺乏通用兼容性。现有的网络架构多为深度耦合的黑盒模型,一旦训练完成,很难对其内部模块进行轻量化改造或针对特定死角进行二次增强,无法作为通用插件适配不断更新的前沿基线大模型。

技术实现思路

1、本发明提供一种基于大语言模型与多流解耦的交通流预测方法及系统,以克服上述技术问题。

2、为了实现上述目的,本发明的技术方案是:

3、一种基于大语言模型与多流解耦的交通流预测方法,具体包括以下步骤:

4、s1:获取目标物理交通路网所对应的原始交通数据与气象文本数据序列;根据所述目标物理交通路网获取道路邻接矩阵;根据原始交通数据获取历史交通特征张量;

5、s2:基于预置的大语言模型对气象文本数据序列,进行深度语义编码以获取气象语义嵌入向量;基于跨模态特征门控调制根据气象语义嵌入向量与历史交通特征张量,获取交通调制序列特征;

6、s3:构建交通流预测模型;且所述交通流预测模型包括基线骨干网络预测模块、异构多流解耦模块、自适应门控重耦合模块、交通流残差修正量获取模块以及输出层;

7、所述基线骨干网络预测模块包括基线骨干网络编码器与对应的预测输出模块;所述基线骨干网络编码器用于基于道路邻接矩阵对交通调制序列特征,进行交通流周期性规律与空间依赖的特征提取,获取隐藏状态特征;所述预测输出模块用于根据隐藏状态特征输出交通基准流量预测结果;

8、所述异构多流解耦模块用于根据隐藏状态特征结合道路邻接矩阵,获取交通空间流特征与交通时间流特征;

9、所述自适应门控重耦合模块用于根据交通空间流特征与交通时间流特征,获取动态融合门控特征;基于动态融合门控特征对交通空间流特征与交通时间流特征进行自适应门控重耦合,获取强化隐藏状态特征;

10、所述交通流残差修正量获取模块用于基于将强化隐藏状态特征映射至与交通基准流量预测结果相同的预测目标维度,以得到与基线骨干网络预测模块输出维度对齐的交通流残差修正量;

11、所述输出层用于基于交通流残差修正量结合交通基准流量预测结果,获取多流解耦的交通流预测结果;

12、s4:基于道路邻接矩阵结合交通调制序列特征,对构建的交通流预测模型进行模型训练,获取最优交通流预测模型;根据最优交通流预测模型实现基于大语言模型与多流解耦的交通流预测过程。

13、进一步的,所述s2具体包括步骤:

14、s21:基于预置的大语言模型对气象文本数据序列,进行深度语义编码以获取气象语义嵌入向量,其表达式为:

15、

16、式中:表示气象语义嵌入向量;表示预置的大语言模型;表示气象文本数据序列;

17、s22:基于跨模态特征门控调制根据气象语义嵌入向量与历史交通特征张量,获取交通调制序列特征,其表达式为:

18、

19、式中:表示融入了全局天气上下文感知的交通调制序列特征;表示历史交通特征张量;表示历史观测时间步长;表示非线性激活函数;表示积;表示跨模态特征门控调制的权重矩阵与偏置项。

20、进一步的,s3中获取交通基准流量预测结果的表达式为:

21、

22、式中:表示交通基准流量预测结果;表示道路邻接矩阵;表示基线骨干网络编码器,包括但不仅限于内部堆叠的由空间图卷积层与时间卷积网络构成的若干时空图卷积层,所对应的时空图卷积网络stgcn或递归层;

23、所述基线骨干网络预测模块还配置有特征截取旁路分支;且所述特征截取旁路分支的输入端与基线骨干网络编码器的输出端连接;特征截取旁路分支的输出端与异构多流解耦模块的输入端连接;

24、所述特征截取旁路分支用于提取输入预测输出模块的基线骨干网络编码器输出的隐藏状态特征。

25、进一步的,s3中获取交通空间流特征的方法,具体包括步骤:

26、s31:根据隐藏状态特征结合道路邻接矩阵,获取隐藏状态特征经阶图拓扑传播后的空间流特征,其表达式为:

27、

28、式中:表示隐藏状态特征经阶图拓扑传播后获得的空间流特征;表示归一化道路邻接矩阵得到的图传播矩阵;表示空间传播阶数;

29、表示图传播矩阵的阶幂次;

30、s32:构建空间流低秩变换权重矩阵为:

31、

32、式中:表示空间流低秩变换权重矩阵;表示空间流低秩降维矩阵;表示空间流低秩重构矩阵;

33、s33:基于s31至s32获取交通空间流特征为:

34、

35、获取交通时间流特征的方法,具体包括步骤:

36、s34:利用一维卷积滤波器,对所述隐藏状态特征的时间轴进行滑动平滑处理,其表达式为:

37、

38、式中:表示隐藏状态特征沿时间维度经过一维卷积趋势滤波后获得的时间流特征;表示沿时间轴执行的一维卷积滤波操作;

39、s35:构建时间流低秩变换权重矩阵为:

40、

41、式中:表示时间流低秩变换权重矩阵;表示时间流低秩降维矩阵;表示时间流低秩重构矩阵;

42、s36:基于s34至s35获取交通时间流特征为:

43、。

44、进一步的,s3中获取强化隐藏状态特征的方法为:

45、根据交通空间流特征与交通时间流特征,获取动态融合门控特征为:

46、

47、式中:表示自适应门控重耦合模块中的可学习线性变换权重矩阵,用于将拼接后的交通空间流特征与交通时间流特征映射至融合门控维度;表示自适应门控重耦合模块中的可学习偏置向量;表示动态融合门控特征;表示拼接操作;

48、基于动态融合门控特征对交通空间流特征与交通时间流特征进行自适应门控重耦合,获取强化隐藏状态特征为:

49、

50、式中:表示逐元素乘法;表示强化隐藏状态特征。

51、进一步的,s3中获取多流解耦的交通流预测结果的表达式为:

52、

53、式中:表示多流解耦的交通流预测结果;表示交通流残差修正量。

54、进一步的,s4中获取最优交通流预测模型的方法,具体包括步骤:

55、s41:将道路邻接矩阵与交通调制序列特征作为特征数据;将未来下一时刻的交通流预测结果作为数据标签,获取数据集;

56、并将数据集按照预设比例随机划分训练集、验证集以及测试集;

57、s42:根据训练集对构建的交通流预测模型进行模型训练,获取训练后的交通流预测模型;

58、s43:基于模型损失函数,通过所述验证集对训练后的交通流预测模型进行模型验证;即判断训练后的交通流预测模型的输出是否收敛;

59、若训练后的交通流预测模型的输出收敛,则确认此时训练后的交通流预测模型即为最优交通流预测模型;

60、否则,基于反向传播法自适应调整训练后的交通流预测模型的权重参数,并重复执行步骤s42,直至确认输出收敛的训练后的交通流预测模型的权重参数为最优权重参数并更新交通流预测模型,以获取最优交通流预测模型;

61、s44:通过最优交通流预测模型,对测试集实现基于大语言模型与多流解耦的交通流预测。

62、进一步的,s43中的所述模型损失函数为:

63、

64、式中:分别表示批次大小、未来预测时间步数以及道路节点数量;表示真实标签数据。

65、一种基于大语言模型与多流解耦的交通流预测方法的系统,包括数据获取模块、交通调制序列特征获取模块、交通流预测模型构建模块以及最优交通流预测模型获取模块;

66、数据获取模块,用于获取目标物理交通路网所对应的原始交通数据与气象文本数据序列;根据所述目标物理交通路网获取道路邻接矩阵;根据原始交通数据获取历史交通特征张量;

67、交通调制序列特征获取模块,用于基于预置的大语言模型对气象文本数据序列,进行深度语义编码以获取气象语义嵌入向量;基于跨模态特征门控调制根据气象语义嵌入向量与历史交通特征张量,获取交通调制序列特征;

68、交通流预测模型构建模块,用于构建交通流预测模型;且所述交通流预测模型包括基线骨干网络预测模块、异构多流解耦模块、自适应门控重耦合模块、交通流残差修正量获取模块以及输出层;

69、最优交通流预测模型获取模块,用于基于道路邻接矩阵结合交通调制序列特征,对构建的交通流预测模型进行模型训练,获取最优交通流预测模型。

70、本发明提供了一种基于大语言模型与多流解耦的交通流预测方法及系统,有益效果如下:

71、(1)通过利用预置的大语言模型对气象文本数据序列,进行深度语义编码以获取气象语义嵌入向量;并基于跨模态特征门控调制通过非线性激活生成动态门控权重,对底层的历史交通流特征张量进行上下文感知调制,从而自适应地放大或抑制特定气象下的交通特征。有助于提升了模型在极端或复杂气象条件下的预测鲁棒性与精度,并缓解传统数值模型在突发天气下的预测滞后与失真问题。

72、(2)通过设计的异构多流解耦模块,在空间流中,摒弃了可学习权重,采用零参数量的对称归一化图传播矩阵高阶幂次进行纯物理先验的谱图低通滤波;在时间流中,引入低秩矩阵分解变换(),将时间维度权重参数量从降低至。降低了大规模图网络计算时的显存溢出风险,“参数复杂度由降低至,实现了参数轻量化,极大地拓宽了算法在边缘计算设备上的部署可行性。

73、(3)构建了非侵入式的旁路残差增强架构即在基线骨干网络预测模块中配置特征截取旁路分支;该架构通过并行旁路截取任意基线骨干网络编码器内部的隐藏层高维特征,进行时空多流解耦重塑,最终将输出的交通流残差修正量与骨干网络的基础预测结果进行联合叠加。打破了传统时空预测模型的架构壁垒,提供一种非侵入式的‘即插即用’增强方式,能够在不改变骨干网络原有前向拓扑结构的基础上,对其预测结果进行残差增强。