基于拓扑感知二阶统计校正的交通状态预测方法及系统
本发明属于交通流预测,尤其涉及一种基于拓扑感知二阶统计校正的交通状态预测方法及系统。
背景技术:
1、在城市路网交通流预测技术领域,道路交通状态同时存在局部传播、跨区域同步变化和时间累积三类核心特性。
2、现有技术中,图卷积方法可依托道路连接关系描述相邻道路间的车流影响,但其有效感受野受图卷积传播阶数限制,无法覆盖长距离的车流局部传播效应;节点自注意力机制虽能建立远距离路段的隐式关联,却需生成节点数平方规模的相关矩阵,在城市级大规模路网场景下算力开销过高,难以满足实时预测要求;循环网络类时序模型需逐时刻串行处理数据,长序列计算效率显著受限,无法支撑长周期交通状态的高效预测。
3、更为关键的是,当前主流融合方案仅将图网络、全局交互和时序网络作为相互独立的模块顺次堆叠,未围绕交通流的三类核心运行机理设计协同逻辑,各模块输出特征易出现冗余与冲突,既无法清晰说明各处理阶段对应的交通物理作用机制,也导致模型长时预测结果易出现无依据的数值偏移,相关技术缺陷长期未得到针对性解决,难以适配城市智慧交通管控系统的落地需求。
技术实现思路
1、为解决现有技术中存在的问题,本发明提供一种基于拓扑感知二阶统计校正的交通状态预测方法及系统。
2、为实现上述发明目的之一,本发明一实施方式提供一种基于拓扑感知二阶统计校正的交通状态预测方法,所述方法包括:
3、获取各交通节点的历史交通观测数据,以及表示交通节点间物理连接关系的道路邻接矩阵;
4、依据道路邻接矩阵对历史交通观测数据对应的交通节点状态执行有限跳拓扑传播,形成包含道路邻域传播影响的局部拓扑状态;
5、针对同一历史时间步,将各交通节点的局部拓扑状态划分为多个特征头,并根据每一交通节点在相应特征头内的各特征分量平方和确定各交通节点的头内平方能量;
6、将各交通节点的头内平方能量与相应特征头的可学习温度参数组合,并沿交通节点维度归一化,得到各交通节点的节点统计权重;
7、对各交通节点的各特征分量平方值,按照对应的节点统计权重沿交通节点维度进行加权聚合,获得对应历史时间步和对应特征头的加权二阶统计量;
8、利用节点统计权重和加权二阶统计量共同对各交通节点在相应特征头内的特征进行响应校正,获得各交通节点的头内节点特征的二阶统计校正结果;
9、合并各特征头的二阶统计校正结果并执行线性投影,获得全局统计校正状态;
10、将局部拓扑状态与全局统计校正状态在特征维拼接,并通过线性映射生成局部拓扑分支融合得分和统计校正分支融合得分;沿包含所述两个融合得分的分支维执行softmax归一化,得到和为1的局部拓扑融合权重与统计校正融合权重;
11、对局部拓扑状态与全局统计校正状态,按照两个融合权重进行加权融合,并经层归一化,得到空间融合状态;
12、将各交通节点在各历史时间步上的空间融合状态作为独立时间序列执行选择性状态空间演化,获得时间演化状态;
13、将各交通节点完整历史时间段的时间演化状态进行混合投影,输出未来多个时间步的交通状态。
14、作为本发明一实施方式的进一步改进,所述方法还包括,
15、对历史交通观测数据执行线性投影后,与日内时段嵌入、星期嵌入、空间嵌入及可学习自适应嵌入中至少两项在特征维拼接,形成交通节点状态;
16、依据道路邻接矩阵对交通节点状态执行有限跳拓扑传播,形成包含道路邻域传播影响的局部拓扑状态。
17、作为本发明一实施方式的进一步改进,所述依据道路邻接矩阵对初始时空状态对应的交通节点状态执行有限跳拓扑传播,形成包含道路邻域传播影响的局部拓扑状态包括,
18、对道路邻接矩阵对称化并去除对角元素,并基于此构建度矩阵和对称归一化邻接矩阵:
19、,
20、,
21、其中,为度矩阵,表示对角矩阵,为对称归一化邻接矩阵,为矩阵中第i行第j列元素,为道路邻接矩阵对称化并去除对角元素的结果,,n为交通节点数量;
22、采用切比雪夫递推执行有限跳拓扑传播,得到多阶图传播输出:
23、,
24、其中,表示交通节点状态,表示基于经切比雪夫递推获得的多阶图传播输出,为第阶切比雪夫传播状态,,,;为缩放图拉普拉斯算子,,为单位矩阵;为第阶可学习权重,为偏置;k为切比雪夫项数;
25、基于多阶图传播输出,形成局部拓扑状态:
26、,
27、其中,为局部拓扑状态;、、和均为空间通道前馈网络的可学习参数;为包含局部拓扑信息的中间状态,;表示层归一化,表示随机失活,表示非线性激活。
28、作为本发明一实施方式的进一步改进,所述节点统计权重、加权二阶统计量及二阶统计校正结果按照以下方式获得:
29、对局部拓扑状态执行令牌线性投影,将投影结果的特征维划分为个特征头并进行维度重排,形成多头节点特征;
30、,
31、,
32、,
33、其中,、、、和分别为样本批量索引、历史时间步索引、特征头索引、交通节点索引和头内特征索引;为softmax归一化求和所用的交通节点索引;为多头节点特征中对应样本批量通道、历史时间步通道、特征头通道、交通节点通道和头内特征通道的特征值;为第个特征头的可学习温度参数;为节点统计权重;为加权二阶统计量;为二阶统计校正结果;为头内平方能量,;为逐分量平方值,。
34、作为本发明一实施方式的进一步改进,所述合并各特征头的二阶统计校正结果并执行线性投影,获得全局统计校正状态包括:
35、,
36、其中,为全局统计校正状态;表示统计校正通道前馈网络;为残差融合后的统计校正状态,;为统计校正投影,;表示合并特征头维与头内特征维,表示输出线性投影。
37、作为本发明一实施方式的进一步改进,所述对局部拓扑状态与全局统计校正状态,按照两个融合权重进行加权融合,并经层归一化,得到空间融合状态包括,
38、首先,将与在特征维拼接并执行线性映射,得到局部拓扑分支融合得分和统计校正分支融合得分:
39、,
40、其中,和分别为线性映射的权重和偏置;表示特征拼接;
41、随后,沿由和构成的分支维联合执行一次归一化,得到局部拓扑分支融合权重和统计校正分支统合权重:
42、,
43、其中,;表示归一化函数;
44、最后,通过层归一化获得空间融合状态f:
45、。
46、作为本发明一实施方式的进一步改进,所述将各交通节点在各历史时间步上的空间融合状态作为独立时间序列,并执行选择性状态空间演化,获得时间演化状态包括,
47、将各交通节点在各历史时间步上的空间融合状态作为独立时间序列:
48、,
49、其中,为将f的样本批量维和交通节点维合并后的序列集合,,b、t、n和d分别为样本批量数、历史时间步数、交通节点数和空间融合状态维数;
50、执行选择性状态空间演化:
51、,
52、其中,为逐节点时间演化结果;表示时间通道前馈网络;为时间演化残差状态,;z为选择性扫描输出结果,;selectivescan(·)表示沿时间顺序的选择性扫描运算,为隐状态维数,为时间因果卷积核宽度,为内部特征扩展倍率。
53、为实现上述发明目的之一,本发明一实施例还提供一种基于拓扑感知二阶统计校正的交通状态预测系统,所述系统包括:
54、包括数据与嵌入单元、拓扑状态形成单元、二阶统计校正单元、双权重融合单元、时间状态演化单元及多步输出单元;
55、所述数据与嵌入单元用于获取各交通节点的历史交通观测数据,以及表示交通节点间物理连接关系的道路邻接矩阵,并将线性映射后的历史交通观测数据与日内时段嵌入、星期嵌入、空间嵌入及可学习自适应嵌入中至少两项在特征维拼接;
56、所述拓扑状态形成单元用于依据道路邻接矩阵对历史交通观测数据对应的交通节点状态执行有限跳拓扑传播,形成包含道路邻域传播影响的局部拓扑状态;
57、所述二阶统计校正单元用于针对同一历史时间步,将各交通节点的局部拓扑状态划分为多个特征头;根据各交通节点的头内平方能量沿交通节点维形成节点统计权重;根据节点统计权重聚合逐分量平方值,形成加权二阶统计量;利用节点统计权重和加权二阶统计量共同对各交通节点的头内特征进行响应校正,获得二阶统计校正结果;合并各特征头的二阶统计校正结果并执行输出线性投影,再经局部拓扑状态残差连接、层归一化和统计校正通道前馈网络更新,形成全局统计校正状态;
58、所述双权重融合单元用于将局部拓扑状态与全局统计校正状态在特征维拼接,通过线性映射一次性生成局部拓扑分支融合得分和统计校正分支融合得分;沿包含所述两个融合得分的分支维联合执行softmax归一化,得到和为1的局部拓扑融合权重与统计校正融合权重;按照所述两个融合权重对局部拓扑状态与全局统计校正状态进行加权融合,并经层归一化得到空间融合状态;
59、所述时间状态演化单元用于将各交通节点在各历史时间步上的空间融合状态作为独立时间序列执行选择性状态空间演化,获得时间演化状态;
60、所述多步输出单元用于将各交通节点完整历史时间段的时间演化状态进行混合投影,输出未来多个时间步的交通状态。
61、为实现上述发明目的之一,本发明一实施例还提供一种电子设备,包括存储器以及处理器,所述存储器中存储可在所述处理器上运行的计算机程序,所述处理器上执行程序时实现如上所述基于拓扑感知二阶统计校正的交通状态预测方法中的步骤。
62、为实现上述发明目的之一,本发明一实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述基于拓扑感知二阶统计校正的交通状态预测方法中的步骤。
63、与现有技术相比,本发明的有益效果包括:
64、一,拓扑传播产生的局部状态直接成为统计估计对象,使全局统计校正建立在道路物理语义上;
65、二,节点交互通过沿节点维的softmax和加权求和完成,无需生成节点两两得分矩阵;
66、三,节点统计权重调节各交通节点对当前路网统计状态的相对贡献,加权二阶统计量形成路网范围内的逐特征统计尺度;二者共同作用,使具有相应统计贡献的节点获得响应权重,并通过全局二阶统计尺度对过大的特征响应进行归一化约束;
67、四,双权重softmax形成和为一的凸组合,避免将两类状态无约束叠加;
68、五,将节点维并入批量维后沿时间执行状态空间演化,可并行处理全部节点。
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