基于边缘计算的子图划分与分布式时空交通预测方法

摘要: 本发明涉及交通预测领域。背景技术:1、准确和低延迟的交通预测对于智能交通系统(its)的有效运行至关重要,它能为交通调度、缓解拥堵、路线规划和自动驾驶提供重要支...
基于边缘计算的子图划分与分布式时空交通预测方法

本发明涉及交通预测领域。

背景技术:

1、准确和低延迟的交通预测对于智能交通系统(its)的有效运行至关重要,它能为交通调度、缓解拥堵、路线规划和自动驾驶提供重要支持。然而,现有的交通预测方法大多依赖于集中的云计算架构,路侧传感器不断收集交通数据并上传至云服务器进行统一处理。随着城市交通网络的不断扩张和数据采集频率的增加,这种持续上传海量交通数据的方式导致了高昂的通信开销和严重的带宽消耗。同时,集中式云架构还面临着计算负担重、传输延迟大以及潜在隐私泄露风险等问题。此外,当发生突发拥堵或局部异常事件时,传统的基于云的预测框架往往无法及时捕捉局部动态变化,影响了预测的及时性和稳健性。

2、边缘计算为解决上述问题提供了一种新范式,通过在靠近数据源的网络边缘部署计算和推理能力,可以快速在本地路侧计算单元(rscu)处理交通数据,从而有效减少通信负担和响应延迟。然而,将交通预测任务从云端转移到边缘节点,在多边缘节点环境下缺乏针对实际交通网络流量感知的子图划分系统性研究。同时,直接将路网划分后,子图边界处的跨区域空间依赖信息会发生丢失,目前对此类问题的补偿机制仍研究不足。

3、由此可见,当前针对城市交通预测问题,需要克服云架构下的高通信开销、高传输延迟,以及向边缘节点转移时面临的子图划分困难和跨区域空间依赖信息丢失等技术挑战,此外,现有对整个交通数据图划分方法往往忽略交通流动态特征,难以保持关键交通结构的完整性,因此,面向大规模城市路网的高效、准确交通预测问题亟需新技术来解决。

4、综上所述,现有集中式交通预测框架存在高延迟、高通信开销的弊端,现有子图划分方法忽略交通流动态特征且会切断区域间依赖,导致交通预测结果准确定差。

技术实现思路

1、本发明的目的是为了解决现有集中式交通预测框架带来的高延迟、高通信开销,以及现有子图划分方法忽略交通流动态特征和切断区域间依赖,导致交通预测结果准确性差的问题,提出了基于边缘计算的子图划分与分布式时空交通预测方法。

2、基于边缘计算的子图划分与分布式时空交通预测方法,所述方法包括:

3、步骤1、获取预设区域内的交通路段图,在该图上每个路段取一个测量节点,用来表示对应路段,针对交通路段图上相连接的两个路段,将该路段所对应的两个测量节点用直线连接,将该直线作为两个相连测量节点的边,将交通路段图变换为由测量节点和边表示的交通节点图;

4、采集历史时间步下经过每个测量节点处的车辆平均速度或交通流量,计算每个测量节点所连接边的交通感知权重;

5、步骤2、根据每个测量节点所连接边的交通感知权重,计算每个测量节点的重要性评分,将预设区域内所有测量节点的重要性评分由高至低排序,从中选取前p个重要性评分所对应的测量节点作为p个关键节点;

6、步骤3、将每个关键节点及其直接相连接的测量节点作为一个保护组,将存在交集的保护组合并为一个关键约束组,将每个关键约束组压缩成一个超节点;

7、步骤4、采用metis算法,将交通节点图初始分割成多个子图,且每个子图内包括一个超节点;

8、步骤5、对初始分割后的所有子图进行节点连通性优化及子图内测量节点数量均衡处理,生成处理后的子图集合;

9、步骤6、将处理后的子图集合中每个子图的拓扑结构、每个子图上所有测量节点在历史时间步下的平均速度时序数据或交通流量时序数据,以及子图间被分割的边的交通感知权重,作为每个子图的输入数据,将多个子图的输入数据并行输入至多个时空预测模型,并行输出每个子图中各测量节点在未来时间步下的平均速度或交通流量,其中,所有测量节点包括超节点内的所有测量节点和超节点以外的测量节点。

10、优选地,每个测量节点的交通感知边缘权重的获得过程:

11、根据每个测量节点所通过车辆的平均速度和自由流速度,获得每个测量节点的拥堵指数;

12、根据每个测量节点的拥堵指数,获得每个边的交通感知权重。

13、优选地,每个测量节点的拥堵指数表示为:

14、,

15、式中,为节点的拥堵指数,为截断函数,为节点的平均 ,为节点的自由流速度。

16、优选地,每个边的交通感知权重表示为:

17、,

18、式中,为节点与节点之间边的交通感知权重,为交通语义增强系数,为节点的拥堵指数。

19、优选地,根据每个边的交通感知权重,计算每个测量节点的重要性评分,具体为:

20、步骤21、为每个测量节点预设初始重要性评分,根据每个边的交通感知权重,获得该边对应的两个节点之间传播重要性的概率;

21、步骤22、在第k个轮次,根据传播重要性的概率和预设初始重要性评分,获得此时每个测量节点的重要性评分,k的初始值为1;

22、步骤23、判断同一测量节点的此时重要性评分与初始重要性评分的差值是否小于阈值,如果是,将该重要性评分作为该节点最终的重要性评分,如果否,令k=k+1,将最终的重要性评分作为步骤22中的预设初始重要性评分,执行步骤22。

23、优选地,每个测量节点的最终的重要性评分表示为:

24、,

25、式中,为第+1次迭代时节点的最终重要性评分,为阻尼系数,为第次迭代时节点的重要性评分,为节点的邻居集合,为节点向节点传播重要性的概率,为交通路段节点图中所有节点的总数;

26、,

27、式中,为测量节点的邻居集合,为测量节点与测量节点之间边的交通感知权重。

28、优选地,时空预测模型包括第一门控时间卷积模块、第一图卷积模块、跨子图超节点补偿模块、第二图卷积模块和第二门控时间卷积模块;

29、第一门控时间卷积模块,用于对各子图上每个测量节点在历史时间步下的平均速度或流量时序数据进行因果时间卷积和门控筛选,提取每个测量节点的时间序列特征,堆叠成节点级时间序列特征,传输至第一图卷积模块;

30、第一图卷积模块,用于对节点级时间序列特征按照对应子图的拓扑结构进行传播和聚合,获得子图级空间特征,传输至跨子图超节点补偿模块;

31、跨子图超节点补偿模块,用于将交通节点图上每相邻两个子图之间相连接的节点作为边界节点,从子图级空间特征中提取与当前子图相连接的每个相邻子图上多个边界节点的隐藏特征,压缩为局部区域特征,并根据交通节点图上每个子图与相邻子图之间被分割边的交通感知权重,计算边界连接强度,根据边界连接强度计算跨子图补偿权重,根据跨子图补偿权重和局部区域特征,获得外部交通上下文特征,将相邻子图的外部交通上下文特征注入与相邻子图存在连接的对应子图的节点特征中,进行特征融合,获得更新后的每个子图的边界节点特征,传输至第二图卷积模块;

32、第二图卷积模块,用于将更新后的每个子图的边界节点特征向该子图内部的其他测量节点传递,获得每个子图新的空间特征;

33、第二门控时间卷积模块,用于将每个子图新的空间特征进行时间融合,输出每个节点未来时间步下的平均速度或流量。

34、优选地,局部区域特征表示为:

35、,

36、式中,为时刻的局部区域特征,为与当前子图相连接的每个相邻子图上的边界节点集合,为时刻的第个边界节点的隐藏特征。

37、优选地,边界连接强度表示为:

38、,

39、式中,为边界节点与相邻子图之间的边界连接强度,为边界节点与边界节点之间边的交通感知权重;

40、跨子图补偿权重表示为:

41、,

42、式中,为边界节点与相邻子图之间的跨子图补偿权重,为边界节点与边界节点之间的边界连接强度,为与节点相关的相邻子图上的边界节点结合。

43、优选地,外部交通上下文特征表示为:

44、,

45、式中,为边界节点在时刻时刻的外部交通上下文特征。

46、本发明的有益效果是:

47、为了解决现有集中式交通预测框架带来的高延迟、高通信开销,以及现有子图划分方法忽略交通流动态特征和切断区域间依赖的问题,本发明针对大规模城市路网,设计了一种面向边缘部署的交通感知子图划分方法。其一,该方法在划分过程中联合考虑了计算负载均衡、跨分区通信成本以及关键交通结构的完整性,使得全局路网能够被划分为适合边缘计算架构的子图。其二,本发明开发了一种面向子图的时空预测模型。该模型结合门控时间卷积和图卷积,分别用于捕获时间依赖性和子图内部的空间相关性。其三,为了缓解由于子图划分造成的跨区域依赖信息丢失,本发明在该模型中引入了跨子图超节点补偿机制(csc)。该机制为边界节点提供来自相邻子图的压缩上下文特征,从而增强了模型表征跨分区空间相关性的能力。

48、本发明的核心思想是将复杂的全局交通预测任务分解为多个在不同路侧边缘计算单元上并行执行的相对独立的子任务。通过构建交通感知关键节点保护机制与跨子图超节点补偿机制,在降低边缘节点间通信开销的同时,提高了交通关键区域结构完整性以及跨区域空间依赖建模能力,从而实现低延迟、高精度的交通状态预测。

49、本发明采用关键节点选择noderank及metis算法,将节点图划分成多个子图,综合考虑边缘部署中的计算负载平衡和通信成本(保证切边数量最少和每个子图内测量节点均衡的情况下),将大规模全局任务分解为独立子任务,显著降低了集中处理负担并提升了分布式并行计算能力。

50、本发明识别关键节点,并将其与其局部邻域构建为不可分割的超节点约束组,在划分时最大程度地保持了关键交通结构的拓扑与语义完整性。

51、本发明的时空预测模型,结合时间卷积模块与空间图卷积模块,能够在边缘端独立且高效地联合学习各个子图内部的时空动态演变规律。

52、跨子图超节点补偿机制,将相邻子图压缩为紧凑的区域级表示,以低通信成本将外部上下文注入到当前子图的边界节点中,有效缓解了图划分导致的跨区域依赖信息丢失问题。

53、本发明采用交通感知子图划分、跨子图超节点补偿和边缘计算技术,实现对大规模城市路网交通数据的实时分析与多步预测,在保持边缘端分布式并行推理效率的同时,有效缓解了图划分导致的跨区域依赖信息丢失问题,在资源受限的边缘计算环境中实现了预测精度与计算效率的平衡,具有较高的实用性和应用价值。

54、通过将全局路网划分为合适的子图并在边缘节点部署,有效克服了传统云端预测的高延迟、高带宽消耗问题,特别适用于车路协同、自动驾驶等对延迟敏感的场景。交通感知的划分方法不仅保证了各边缘节点的负载均衡,还最大程度减少了跨区通信成本。基于跨子图超节点补偿机制的时空预测模型,弥补了因结构切分导致的信息壁垒,相较传统集中式交通预测方法,在多步交通预测准确性上取得了优于传统全局中心化模型的表现,同时降低了计算资源占用与推理时延。