层次化多尺度时序注意力动态图交通拥堵预测方法及系统
本发明属于智能交通,尤其涉及层次化多尺度时序注意力动态图交通拥堵预测方法及系统。
背景技术:
1、随着城市人口规模扩大和机动车数量增长,城市交通系统面临更高运行压力。智能交通系统承担实时交通管理、拥堵缓解与出行可靠性保障等功能,其运行效果依赖交通状态预测精度。准确预测可为驾驶员提供路径选择依据,也可支持管理部门调整交通资源和制定控制方案。实际交通数据同时具有复杂空间关联与非线性时间变化,路段之间相互影响,交通状态还会随时段和运行条件发生波动,这两类特征增加了预测难度。
2、早期交通预测主要采用差分整合移动平均自回归模型、季节性差分整合移动平均自回归模型和向量自回归模型。此类方法结构相对简单,结果具有一定可解释性,但通常以线性关系和数据平稳性为前提。真实交通流存在较强非线性与时变特征,难以持续满足相关假设。统计模型也缺少道路拓扑信息,不能充分描述不同路段之间的空间联系,在大规模路网中的适用性受到限制。
3、支持向量机、k-近邻、随机森林和梯度提升机等机器学习方法能够学习部分非线性关系,对短期预测精度有所改善,但同时处理时间依赖和空间关联的能力仍然不足。卷积神经网络可提取交通数据的空间特征,较适合规则网格形式的区域表示。城市路网属于非欧几里得结构,不同节点具有不同邻接关系,常规卷积核难以完整保留此类拓扑信息。循环神经网络及lstm、gru等变体主要用于学习交通序列的时间依赖,但长序列训练容易受到梯度衰减和计算效率的影响。标准循环结构通常按节点序列进行处理,也难以同步描述多个节点之间的空间交互。
4、图神经网络直接以道路网络拓扑作为建模对象,为时空交通预测提供了更合适的表示方式。dcrnn将扩散卷积与循环序列学习结合,stgcn利用时间卷积和图卷积提取时空特征。graph wavenet采用自适应邻接矩阵与膨胀因果卷积。astgcn引入时空注意力,gman通过多头注意力学习空间与时间关系,dstet采用解耦的空间嵌入和时间嵌入进行预测。这些模型提高了交通预测精度,但多数仍依赖15至60分钟的短历史窗口,对日周期、周周期及更长时间范围内的演化趋势利用不足。
5、注意力机制和transformer架构提升了长距离依赖建模能力,但标准自注意力的计算量随输入长度平方增长。历史序列达到4032个时间步时,直接计算会带来较高资源开销。层次化编码可将长序列划分为等长且不重叠的子序列,先提取子序列内部的细粒度依赖,再学习子序列之间的长距离关系。这种处理方式能够缩短注意力计算序列,但压缩后的粗粒度表示不足以完整描述邻近预测时刻的快速波动,还需引入短期动态建模结构加以补充。
6、道路空间关系也会随交通状态变化,基于预定义拓扑的图卷积只能描述固定物理连接,难以反映拥堵扩散过程中空间关联强度的变化。通过节点嵌入学习得到的自适应邻接矩阵可以补充隐含联系,但其空间关系不随每个时间步的实时节点状态更新,仍属于自适应但非动态的图结构。上下文感知动态图根据当前节点特征生成时变邻接矩阵,使不同交通状态对应不同空间依赖关系,可用于刻画道路关联和拥堵传播过程的动态变化。
7、现有方法仍难以在统一结构下兼顾超长历史序列、局部细粒度变化和时变空间关联。长序列模型需要控制计算开销,同时保留短期交通波动;空间建模需要突破固定拓扑或固定自适应矩阵的限制;全局趋势、周期模式与局部动态也不能只依靠直接拼接完成融合。不同交通状态对各类特征的需求并不相同,需要依据当前上下文动态调整特征贡献。
技术实现思路
1、本发明实施例的目的在于提供层次化多尺度时序注意力动态图交通拥堵预测方法及系统,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,层次化多尺度时序注意力动态图交通拥堵预测方法,包括以下步骤:
3、步骤1:获取并预处理交通状态数据,构建模型输入;
4、获取各道路节点按照固定采样间隔记录的历史交通状态数据以及道路节点之间的静态拓扑连接关系,构建长期历史序列、短期历史序列和静态路网邻接矩阵;
5、步骤2:基于层次化多尺度时序注意力编码器对所述长期历史序列进行压缩编码;
6、将长期历史序列划分为多个等长且不重叠的子序列,通过底层注意力在每个子序列内部捕获局部时间依赖,通过顶层注意力在子序列之间建模长距离时间关系,得到包含局部依赖和长距离依赖的个子序列表征;
7、步骤3:基于子序列表征并行提取多尺度时间特征;
8、利用全局趋势提取模块对子序列表征进行多层一维膨胀卷积,生成长期趋势特征;利用周期模式挖掘模块选取前一日相同时段和前一周相同时段的子序列表征,并通过多跳图卷积及时间窗口注意力分别生成日周期特征和周周期特征;
9、步骤4:基于临近预测时刻的短期历史序列提取局部动态特征,同时依据各时间步节点特征生成随交通状态变化而更新的动态邻接关系,并通过动态图注意力、图卷积和消息传递获得上下文感知动态图空间特征;
10、步骤5:执行状态感知特征门控;
11、将长期趋势特征、周周期特征、日周期特征、局部动态特征与上下文感知动态图空间特征进行融合,并根据当前交通状态动态调整各类特征的贡献,得到融合特征表示;
12、步骤6:生成未来交通状态预测结果;
13、将所述融合特征表示输入预测映射层,输出未来个时间步的交通状态预测结果。
14、本发明实施例的另一目的在于,层次化多尺度时序注意力动态图交通拥堵预测系统,基于上述方法,包括:
15、数据获取与预处理模块,用于获取并预处理交通状态数据,构建长期历史序列、短期历史序列和静态路网邻接矩阵;
16、层次化时序编码模块,用于基于层次化多尺度时序注意力编码器对进行压缩编码,通过子序列划分、底层注意力和顶层注意力生成个子序列表征;
17、多尺度时间特征提取模块,用于基于所述子序列表征并行提取多尺度时间特征,包括全局趋势提取单元和周期模式挖掘单元,分别生成长期趋势特征、周周期特征和日周期特征;
18、局部动态与动态图学习模块,用于基于提取局部动态特征,并依据各时间步节点特征生成动态邻接关系,通过动态图注意力、图卷积和消息传递获得上下文感知动态图空间特征;
19、状态感知特征门控模块,用于将长期趋势特征、周周期特征和日周期特征、局部动态特征与上下文感知动态图空间特征融合,并根据当前交通状态生成门控权重,得到融合特征表示;
20、预测输出模块,用于将融合特征表示映射为未来个时间步的交通状态预测结果;
21、训练优化模块,用于采用huber损失对系统进行端到端训练与优化。
22、本发明实施例提供的层次化多尺度时序注意力动态图交通拥堵预测方法及系统,具有以下有益效果:
23、(1)显著降低超长历史序列的处理开销:通过将长序列划分为等长子序列并采用两级注意力机制,底层捕获局部依赖、顶层建模长距离关系,使自注意力计算量由原始序列长度的平方规模降至子序列数量的平方规模。长度为4032的历史序列经处理后,顶层注意力计算量约为直接处理完整序列的1/144,有效解决了超长历史输入下的计算资源瓶颈问题,同时通过底层注意力保留了局部时间变化信息。
24、(2)充分挖掘长期演化趋势与日周周期规律对预测的支撑作用:利用堆叠膨胀卷积按指数膨胀率扩大感受野,可并行提取跨日乃至跨周的交通演化趋势,有效缓解了递归网络长序列训练中的梯度衰减问题;同时对前一周及前一日相同时段进行显式周期特征提取。消融实验表明,移除周期信息利用途径后预测误差增幅超过50%,是各因素中对中长期预测贡献最大者,验证了长期时间依赖建模的重要性。
25、(3)长序列压缩后的细粒度信息损失得到有效补偿:在利用压缩后的长序列表示获取宏观趋势与周期规律的同时,保持了对临近预测时刻原始短序列的独立编码路径,通过时空图神经网络与双向时序编码的协同处理,使模型同时具备宏观趋势感知与微观波动响应能力,兼顾了长序列建模效率与临近时刻预测精度。
26、(4)空间依赖关系具备时间步级别的动态更新能力:区别于传统方法中邻接矩阵在训练完成后保持固定的做法,本发明依据各时间步的实时节点状态生成与之对应的动态邻接关系,使空间依赖结构随交通状态的演变而即时调整。自由流、高峰拥堵和突发事件等不同交通状态下,模型能够自动识别差异化的道路关联模式和拥堵传播路径。
27、(5)多尺度特征的融合权重随交通状态自适应调节:长期趋势、周期规律、近期波动与动态空间信息具有不同属性,本发明依据当前时间特征和时空特征共同生成融合权重,使各类信息的贡献比例随实际交通状态自动调整,避免了固定拼接或预设权重在不同场景下的适应性不足问题。消融实验中,将该自适应融合替换为固定拼接后,预测误差上升15%以上。
28、(6)在多个真实数据集上取得稳定且可解释的预测结果:在metr-la、pems-bay等五个真实交通数据集上的60分钟预测实验中,多数评价指标达到最优或次优水平,预测时域延长后性能衰减幅度小于多数对比方法。同时,模型输出的注意力权重和动态图结构可辅助识别关键路段与拥堵传播方向,为交通管理部门提供决策参考。
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