三维路网下交通拥堵识别方法与流程

[0001]
本发明涉及智能交通的拥堵识别方法。


背景技术：

[0002]
城市交通数据挖掘任务，例如集群、交通事故或时空预测与指数运输流是发现城市交通拥堵规律的必要条件。一方面，各种各样的早期交通检测器是收集交通主体v2x趋势下的数据。由于更新时间很长，无法达到采样频率或新添加的探测器的准确性。另一方面，道路城市中的网络是包含高架桥、地面道路和隧道的三维结构，每种类型的道路都有其独特的功能，无法通过单一的操作无法处理。
[0003]
除了多源和异构属性外，交通数据具有时空相关性的特征。现有已存在许多先进的交通拥堵识别和预测方法将传统的混合模式图卷积神经网络和时间序列卷积网络用于预测地面城市路段的交通速度。此外，基于注意力机制的方法也被用于捕获不同城市的交通需求。
[0004]
然而，现有的智能交通的拥堵识别方法存在以下主要问题：1)大多数的方法没有使用完整的三维路网信息，都将交通网络和城市街区始终视为2d平面，导致输入信息不准确；2)大多数模型只能辨别短期的交通流信息，不能准确识别那些周期性的时间间隔长的交通流，导致输入信息不完整；3)除了交通流量特征外，没有考虑到不同环境因素的影响(例如可见性等)，导致结果不准确。


技术实现要素：

[0005]
本发明要克服现有技术的上述不足之处，提供了一种基于注意力机制与图卷积神经网络的三维路网下交通拥堵识别方法，使得拥堵识别能够更加准确。
[0006]
本发明首先输入包含时空交通信息与三维的城市路网信息，通过对路网数据结构化建模成图数据，并进行剪枝，构建以目标有向交通流为中心节点的绳结状树形结构。然后，使用基于有向图的卷积网络捕获高阶空间特征。最后针对连续路网特征进行时序分析，同时引入了多模式注意机制来捕获长程时间依赖关系，并识别交通拥堵。本发明通过提出新的方法(adgcn)提取特征值，将路段作为节点和关联在上游和下游路段之间的有向边，构造一个绳结状图来描述该路的三维交通路网，利用多模型自注意机制在时间维度上分析长程数据依赖关系，提出了识别交通拥堵的新框架；此外还引入了大量不同的环境指标，能够更快并且更加准确的预测拥堵。
[0007]
本发明的三维路网下交通拥堵识别方法，具体的实施步骤如下：
[0008]
(1)图结构化建模与剪枝。输入数据包含时空交通流信息与三维的城市路网信息，通过对路网数据结构化建模成图数据，并进行剪枝，构建以目标有向交通流为中心节点的绳结状树形结构，具体流程如下：
[0009]
s11.以路段中单向、交通流为作为图节点信息，使用有向边表示交通流的上下游连接关系；
[0010]
s12.构造完有向图之后，以目标节点为中心，构建绳结状子图，目标节点(绳结)的上侧为其上游节点，其下侧为目标节点的下游节点。定义两个参数k和n，依次用于限制子图中由目标节点向外搜索邻居节点的条数以及限制子图中节点的总数。其中通过邻居节点与目标节点的关联度大小排序，依次筛选出所需要的邻居节点；
[0011]
s13.如果一个点既可以作为上游节点也可以作为下游节点，则该点可以同时出现在绳结状子图上下两个分支中，从而得到三维路网的图结构化表示。
[0012]
s14.根据输入的基于图的三维路网的两个常数子图中的节点数n、子图中的层数k和图d构造出单结子图d
s
，公式如下：
[0013]
d
s
＝{ν,ε,a}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0014]
其中|ν|＝n。
[0015]
(2)空间维度特征提取。对于步骤(1)得到的图结构化模型使用基于有向图的卷积网络捕获高阶空间特征，具体计算过程如下：
[0016]
s21.定义一种图关联矩阵m，公式如下：
[0017][0018]
其中m
i,j
代表上流i到下流j的相关度。
[0019]
s22.定义度矩阵d，公式如下：
[0020][0021]
s23.得到参考图的拉普拉斯矩阵的构建方式，构建交通信息矩阵，公式如下：
[0022]
t＝d-m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023]
s24.采用矩阵分解提取交通信息t中的特征矩阵v，公式如下：
[0024]
t＝vjv-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0025]
其中，代表矩阵t的jordan规范形式，可逆矩阵是jordan的特征向量。
[0026]
s25.空间特征交换模型是由多个dgcn层构建，每层的输入为图特征矩阵，在最后一层定义，矩阵h
(l-1)
关于节点特征，公式如下：
[0027]
h
(l)
＝σ(v-1
h
(l-1)
w
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0028]
其中l表示层指数，l＝1,...,k；n是基于子图样本的节点数；h
(0)
＝x，x表示样本的节点特征矩阵；f
t-1
表示作为输出通道的结点特征维度；为第l层的训练参数；σ(
·
)代表非线性的s型函数。
[0029]
s26.最终经图卷积网络得到空间特征f
s
，公式如下：
[0030]
f
s
＝dense(h
(k+1)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0031]
(3)时间维度特征提取。将步骤(2)中得到的空间特征按时间序列排序，采用多模式编码器和解码器进行时间维度特征提取，步骤如下：
[0032]
s31.首先将输入数据经过采用自注意力机制模型的编码器，并且将输入的问题特征张量进一步编码为三个相同的矩阵，公式如下：
[0033]
q
e
＝linear(f)
[0034]
k
e
＝linear(f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0035]
v
e
＝linear(f)
[0036]
其中q、k、v依次为查询向量、键值向量以及特征向量。
[0037]
s32.为了提高图数据中高关联度特征在交通拥堵识别过程中的作用，将不同位置的信息分为m个并行子空间来共同计算注意力权重。然后学习数据中每个特征对之间的关联关系，如下所示：
[0038]
f
e
＝ln(f+att
m
(
·
))
[0039][0040][0041]
其中ln(
·
)表示层标准化，att
m
(
·
)表示注意力机制，num是人为定义的常量，代表投影矩阵。
[0042]
s33.最终应用前馈层整合来自不同位置的信息，公式如下：
[0043]
f
′
e
＝ff(f
e
)＝max(0,f
e
w
e1
+b
e1
)w
e2
+b
e2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0044]
其中w
ei
,b
ei
,i＝1,2表示前馈层中有不同的参数。
[0045]
s34.最后将输出特征经解码器解码：包含两个过程，特征编码和相似性比较。特征编码同步骤s31-s34，接下来将解码器输出的f
′
e
和v到第一个过程的输出f
d
作为相似性比较过程的输入，得到如下特征用于交通拥堵识别：
[0046]
q
d
＝linear(f
′
e
)
[0047]
k
d
＝linear(f
′
e
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0048]
v
d
＝linear(f
d
)
[0049]
(4)交通拥堵识别。定义分类器用于交通拥堵识别：根据softmax函数和交叉熵损失函数进行分类，公式如下：
[0050][0051][0052]
其中p
j
是结果属于s
j
类的可能性，s
j
表示真实值类的标签，表示估计的标签，是要训练的参数模型，k＝1,...,4.和l是交叉熵损失值。
[0053]
本发明的有益效果在于：(1)通过提出新的方法(adgcn)提取特征值，将路段作为节点和关联在上游和下游路段之间的有向边，构造绳结状图来描述该路的三维交通路网；(2)利用多模型自注意机制在时间维度上分析长程数据依赖关系，提出了识别拥堵状态的新框架；(3)还引入了大量不同的环境指标，能够更快并且更加准确的识别拥堵状态。
附图说明
[0054]
图1是本发明方法的总体流程图。
[0055]
图2是本发明方法的基于注意力机制的图卷积网络(adgcn)模型的总体结构图。
[0056]
图3是本发明方法的多模态注意机制模型的总体结构图。
具体实施方式
[0057]
下面结合附图进一步说明本发明的技术方案。
[0058]
本发明的三维路网下交通拥堵识别方法，具体的实施步骤如下：
[0059]
(1)图结构化建模与剪枝。输入数据包含时空交通流信息与三维的城市路网信息，通过对路网数据结构化建模成图数据，并进行剪枝，构建以目标有向交通流为中心节点的绳结状树形结构，具体流程如下：
[0060]
s11.以路段中单向、交通流为作为图节点信息，使用有向边表示交通流的上下游连接关系；
[0061]
s12.构造完有向图之后，以目标节点为中心，构建绳结状子图，目标节点(绳结)的上侧为其上游节点，其下侧为目标节点的下游节点。定义两个参数k和n，依次用于限制子图中由目标节点向外搜索邻居节点的条数以及限制子图中节点的总数。其中通过邻居节点与目标节点的关联度大小排序，依次筛选出所需要的邻居节点；
[0062]
s13.如果一个点既可以作为上游节点也可以作为下游节点，则该点可以同时出现在绳结状子图上下两个分支中，从而得到三维路网的图结构化表示。
[0063]
s14.根据输入的基于图的三维路网的两个常数子图中的节点数n、子图中的层数k和图d构造出单结子图d
s
，公式如下：
[0064]
d
s
＝{ν,ε,a}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0065]
其中|ν|＝n。
[0066]
(2)空间维度特征提取。对于步骤(1)得到的图结构化模型使用基于有向图的卷积网络捕获高阶空间特征，具体计算过程如下：
[0067]
s21.定义一种图关联矩阵m，公式如下：
[0068][0069]
其中m
i,j
代表上流i到下流j的相关度。
[0070]
s22.定义度矩阵d，公式如下：
[0071][0072]
s23.得到参考图的拉普拉斯矩阵的构建方式，构建交通信息矩阵，公式如下：
[0073]
t＝d-m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0074]
s24.采用矩阵分解提取交通信息t中的特征矩阵v，公式如下：
[0075]
t＝vjv-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0076]
其中，代表矩阵t的jordan规范形式，可逆矩阵是jordan的特征向量。
[0077]
s25.空间特征交换模型是由多个dgcn层构建，每层的输入为图特征矩阵，在最后一层定义，矩阵h
(l-1)
关于节点特征，公式如下：
[0078]
h
(l)
＝σ(v-1
h
(l-1)
w
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0079]
其中l表示层指数，l＝1,...,k；n是基于子图样本的节点数；h
(0)
＝x，x
表示样本的节点特征矩阵；f
t-1
表示作为输出通道的结点特征维度；为第l层的训练参数；σ(
·
)代表非线性的s型函数。
[0080]
s26.最终经图卷积网络得到空间特征f
s
，公式如下：
[0081]
f
s
＝dense(h
(k+1)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0082]
(3)时间维度特征提取。将步骤(2)中得到的空间特征按时间序列排序，采用多模式编码器和解码器进行时间维度特征提取，步骤如下：
[0083]
s31.首先将输入数据经过采用自注意力机制模型的编码器，并且将输入的问题特征张量进一步编码为三个相同的矩阵，公式如下：
[0084]
q
e
＝linear(f)
[0085]
k
e
＝linear(f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0086]
v
e
＝linear(f)
[0087]
其中q、k、v依次为查询向量、键值向量以及特征向量。
[0088]
s32.为了提高图数据中高关联度特征在交通拥堵识别过程中的作用，将不同位置的信息分为m个并行子空间来共同计算注意力权重。然后学习数据中每个特征对之间的关联关系，如下所示：
[0089]
f
e
＝ln(f+att
m
(
·
))
[0090][0091][0092]
其中ln(
·
)表示层标准化，att
m
(
·
)表示注意力机制，num是人为定义的常量，代表投影矩阵。
[0093]
s33.最终应用前馈层整合来自不同位置的信息，公式如下：
[0094]
f
′
e
＝ff(f
e
)＝max(0,f
e
w
e1
+b
e1
)w
e2
+b
e2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0095]
其中w
ei
,b
ei
,i＝1,2表示前馈层中有不同的参数。
[0096]
s34.最后将输出特征经解码器解码：包含两个过程，特征编码和相似性比较。特征编码同步骤s31-s34，接下来将解码器输出的f
′
e
和v到第一个过程的输出f
d
作为相似性比较过程的输入，得到如下特征用于交通拥堵识别：
[0097]
q
d
＝linear(f
′
e
)
[0098]
k
d
＝linear(f
′
e
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0099]
v
d
＝linear(f
d
)
[0100]
(4)交通拥堵识别。定义分类器用于交通拥堵识别：根据softmax函数和交叉熵损失函数进行分类，公式如下：
[0101][0102]
[0103]
其中p
j
是结果属于s
j
类的可能性，s
j
表示真实值类的标签，表示估计的标签，是要训练的参数模型，k＝1,...,4.和l是交叉熵损失值。
[0104]
如附图1，本发明方法首先输入包含时空交通信息与三维的城市路网信息，通过对路网数据结构化建模成图数据，并进行剪枝，构建以目标有向交通流为中心节点的绳结状树形结构。然后，使用基于有向图的卷积网络捕获高阶空间特征。最后针对连续路网特征进行时序分析，同时引入了多模式注意机制来捕获长程时间依赖关系，并识别交通拥堵。
[0105]
如附图2，本发明方法设计的基于注意力机制的图卷积网络主要包括四个步骤，即输入包含时空交通信息与三维的城市路网信息、空间特征提取、时间特征提取和拥塞识别。通过提出新的方法(adgcn)提取特征值，将路段作为节点和关联在上游和下游路段之间的有向边，构造一个绳结状图来描述该路的三维交通路网，利用多模型自注意机制在时间维度上分析长程数据依赖关系，提出了捕获流量拥塞功能的新框架。
[0106]
如附图3，本发明方法中多模态注意机制采用的思想如下：首先将输入数据经过采用自注意力机制模型的编码器，并且将输入的问题特征张量进一步编码为三个相同的矩阵，公式如下：
[0107]
q
e
＝linear(f)
[0108]
k
e
＝linear(f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0109]
v
e
＝linear(f)
[0110]
其中q、k、v依次为查询向量、键值向量以及特征向量。
[0111]
实施应用案例表明，本发明提出的基于注意力机制与图卷积神经网络的三维路网下交通拥堵识别方法是有效的，相对于其它设计方法，本发明方法通过提出新的方法(adgcn)提取特征值，将路段作为节点并用图中有向边表示上游和下游路段之间的关联关系，通过剪枝操作构造一个绳结状图来描述该路的三维交通路网，通过图卷积神经网络提取空间维度特征，利用多模型自注意机制在时间维度上分析长程数据依赖关系，提出了捕获交通拥堵的新框架；此外还引入了大量不同的环境指标，能够更快并且更加准确的预测拥堵。
[0112]
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。