一种联合预测与推断的跨分辨率细粒度交通流预测方法

摘要: 本技术涉及智能交通系统与交通信息,具体涉及一种联合预测与推断的跨分辨率细粒度交通流预测方法。背景技术:1、随着智慧城市建设的快速推进,建立与使用智能交通系统已成...
一种联合预测与推断的跨分辨率细粒度交通流预测方法

本技术涉及智能交通系统与交通信息,具体涉及一种联合预测与推断的跨分辨率细粒度交通流预测方法。

背景技术:

1、随着智慧城市建设的快速推进,建立与使用智能交通系统已成为缓解交通拥堵、优化交通管理的关键手段,这其中,对交通流进行监测与预测能够为路口信号控制、应急车辆路径规划、动态车道管理等应用提供微观层面的交通状态信息,具有重要的应用价值。然而,实现高精度、高效率的细粒度交通流预测面临两方面的核心挑战:其一,通过密集部署传感器获取全域细粒度观测数据的成本过高,实际应用中通常只能获得低分辨率的测量数据;其二,现有研究方法主要沿着同粒度交通流预测和细粒度城市流推断方法两条独立的技术路线发展,尚未形成统一的解决方案。因此,我们需要进一步研究。

技术实现思路

1、本技术目的在于提供一种联合预测与推断的跨分辨率细粒度交通流预测方法,具体技术方案如下:

2、一种联合预测与推断的跨分辨率细粒度交通流预测方法,包括:s1、获取粗粒度历史交通流序列数据和静态道路网络图,通过粗粒度历史交通流强度对静态道路网络图进行动态加权,得到增强型道路网络图;s2、采用时空特征编码器提取s1中获取的历史交通流序列数据的动态交通流时空特征;采用外部特征编码器提取时间、星期以及节假日上下文先验特征并融合至动态交通流时空特征中,得到融合外部先验的动态特征;s3、采用道路语义编码器提取s1中得到的增强型道路网络图的多层次静态道路拓扑特征;s4、采用交叉注意力机制,以s2中融合外部先验的动态特征为查询,以s3中多层次静态道路拓扑特征为键和值,使动态特征从静态特征中主动检索并融合相关的道路拓扑信息,以此获得第一融合特征;s5、采用时空transformer模块,通过多头自注意力机制捕捉s4中第一融合特征的长距离全局时空依赖关系,得到增强后的时空融合特征;s6、采用自适应空间传播网络,通过方向感知的引导图生成与迭代空间传播策略,将s5中时空融合特征的粗粒度特征逐步上采样至目标细粒度分辨率,同时恢复和增强空间细节与道路边缘结构,得到高分辨率时空特征图;s7、采用细粒度预测头对s6中高分辨率时空特征图进行预测,生成未来多个时间步的细粒度交通流分布图;s8、采用端到端训练方式,以s7中细粒度预测结果与真实值之间的平均绝对误差作为损失函数,通过梯度下降算法更新网络参数,获得训练好的联合预测与推断模型。

3、s1中粗粒度历史交通流数据定义为时空张量,表达为:

4、,

5、其中,为特征通道数,包括流入和流出流量;为粗尺度下的空间分辨率;为历史观测时间步数;

6、s1中静态道路网络图定义为目标细粒度分辨率下的道路拓扑结构表示,表达为:

7、,

8、其中,为超分辨率缩放因子。

9、s1中对静态道路网络图进行动态加权时包括:

10、s1.1、计算历史时间窗口内交通流绝对值的空间均值,表达为:

11、;

12、s1.2、通过块复制上采样将s1.1中的空间均值扩展至与道路图相同的分辨率,得到动态权重矩阵,表达为:

13、,

14、其中,为块复制上采样算子,将输入矩阵的每个元素复制为的块,为缩放因子;

15、s1.3、将静态道路图与动态权重矩阵进行逐元素相乘,得到增强型道路网络图,表达为:

16、,

17、其中,为hadamard逐元素乘积。

18、s2中获取融合外部先验的动态特征时包括:

19、s2.1、获取与s1中历史交通流序列数据相对应的时间、星期以及节假日外部特征向量,表示为:

20、,

21、其中,;

22、s2.2、将s2.1中外部特征向量输入由两个线性变换组成的外部特征编码器,采用gelu激活函数,输出表示为:

23、,

24、其中,,,;

25、s2.3、将s2.2中输出转置并扩展至,再通过双线性插值将其空间维度扩展至与动态交通流特征图相同的空间尺寸;

26、s2.4、将动态交通流时空特征与s2.3中输出进行拼接,最终得到融合外部先验的动态特征。

27、s3中道路语义编码器包括多个残差块的卷积神经网络,用于提取从局部连通性到全局结构的道路层次语义信息;在进行多层次静态道路拓扑特征时,设为第个残差块的输入,其输出计算为:

28、,

29、,

30、,

31、其中,为二维卷积操作;为leakyrelu激活函数,负斜率设置为0.2;为批归一化;和为卷积权重矩阵;和 为偏置项;为残差连接中的快捷映射,当输入输出维度匹配时,否则 ,其中为卷积核;道路语义编码器的输出为,包含从局部连通性到全局结构的层次语义信息。

32、s4包括:

33、s4.1、从s2中融合外部先验的动态特征生成查询矩阵,从s3中道路拓扑特征生成键和值矩阵,表达为:

34、,

35、其中,和为可学习投影矩阵;将卷积输出通道拆分为键和值,各维度为;

36、s4.2、计算多头交叉注意力输出,表达为:

37、,

38、其中,为注意力头数,设置为8;,,为第个头的投影;为键的维度,;为第个头的输出投影矩阵;以此使动态交通流特征能够主动从静态道路特征中检索并融合相关的拓扑信息,得到第一融合特征。

39、s5包括:

40、s5.1、将s4.2中得到的第一融合特征的二维空间特征图重塑为序列形式,将每个空间位置视为特征向量;

41、s5.2、通过多头自注意力和前馈网络进行变换,并添加层归一化和残差连接,表达为:

42、,

43、,

44、其中,为层归一化;

45、s5.3、前馈网络包括两个线性层和gelu激活函数,表达为:

46、,

47、其中,与为权重矩阵,和为偏置,为gelu激活函数;

48、s5.4、将重塑回空间形式,获得增强后的时空融合特征。

49、s6包括:

50、s6.1、基于s5.4中输出的包含增强后的时空融合特征的特征图生成引导图,具体包括:

51、s6.11、通过双线性插值生成粗粒度特征,表达为:

52、;

53、s6.12、在s6.11的基础上通过轻量卷积网络生成8通道引导图,表达为:

54、,

55、其中,为relu激活函数,为批归一化,和为卷积权重矩阵,以此编码像素间在8个邻域方向的关联强度;

56、s6.2、对s6.12中生成的8通道引导图进行方向感知注意力加权,具体包括:

57、s6.21、将8通道引导图按通道拆分为8个方向亲和力图 ,并进行归一化处理,表达为:

58、,

59、其中,为小常数用于数值稳定;

60、s6.22、计算空间聚合权重,表达为:

61、;

62、s6.23、通过全局平均池化和全连接层生成8个方向注意力权重,表达为:

63、,

64、其中,为sigmoid函数,为空间维度的全局平均池化,与为权重矩阵,与为偏置向量;

65、s6.24、利用对归一化亲和力图进行加权,表达为:

66、,

67、其中, 为  的第  个元素;

68、s6.3、在s6.2的基础上进行迭代空间传播,具体包括:

69、s6.31、以最近邻插值上采样的特征作为初始状态,表达为:

70、;

71、s6.32、执行  次迭代传播,每次迭代表达为:

72、,

73、其中,为逐元素乘法,为沿方向对特征图进行单像素移位操作,以此得到最终上采样特征图。

74、s6.3中进行迭代空间传播时,每次上采样后,通过跳跃连接与对应编码器特征进行残差融合,以保持空间信息的完整性。

75、s7中细粒度预测头设置为  卷积层,作用于多阶段上采样后的高分辨率特征,输出未来 个时间步的细粒度交通流图,表达为:

76、,

77、其中,为卷积权重。

78、s8中进行端到端训练时包括:

79、s8.1、采用平均绝对误差作为损失函数,表达为:

80、,

81、其中,为时空域所有元素索引的集合,为元素总数,为真实细粒度交通流值;

82、s8.2、采用梯度裁剪策略,限制梯度向量的l2范数不超过阈值 ;

83、s8.3、采用基于验证集损失的学习率衰减策略,当验证损失连续轮不下降时,当前学习率乘以衰减因子;

84、s8.4、采用adam优化器,初始学习率,,,批大小,最大训练轮数,整个训练过程为单阶段端到端训练,无需预训练或多阶段优化。

85、本技术有益效果在于,通过联合学习框架,将交通流时空预测与细粒度交通流推断纳入同一建模过程,减少了分离任务可能带来的信息损失,并在多个公开数据集上取得了较好的预测精度。引入交叉注意力机制促进动态交通流特征与静态道路拓扑信息的融合,使预测结果的空间分布与道路网络结构具有更好的一致性,消融实验表明该模块对模型性能具有一定贡献。设计的自适应空间传播网络(aspn)通过方向感知引导图与迭代传播策略,在保持计算效率的同时,能够较好地恢复交通流空间细节,相较于传统插值方法预测误差有所降低。引入时空transformer模块捕捉跨区域的交通传播特征,有助于提升复杂交通场景下的预测准确性,消融实验验证了该模块的有效性。