面向交通拥堵预测的可解释性时空分析方法技术

本发明专利技术提供一种面向交通拥堵预测的可解释性时空分析方法，从解释中提取得到引发拥堵事件的关键特征和道路间的深层联系。传统的数据挖掘方法往往从统计学角度探索交通时空数据间的相关性联系，难以充分揭示交通拥堵的深层联系和关键因素。因此本发明专利技术提出基于STGCN的时空解释生成模型，利用神经网络善于发现隐藏特征的特点，使用深度学习的可解释性技术提取神经网络关注的关键输入特征。模型使用基于扰动的解释方法生成掩膜(mask)，使用基于梯度的解释方法生成掩膜的梯度映射；又鉴于空域掩膜粒度粗、针对性差的问题，提出分步掩膜方法降低解释粒度。如此，增加了对隐藏信息的有效提取，从而获得了更加准确全面的拥堵关键信息。息。息。

【技术实现步骤摘要】
面向交通拥堵预测的可解释性时空分析方法


[0001]本专利技术属于机器学习
，具体涉及一种面向交通拥堵预测的可解释性时空分析方法。

技术介绍

[0002]随着社会经济的飞速发展和城市居民出行需求的不断增加，交通供需矛盾日益凸显。据调查显示，大多数交通拥堵事件都与拥堵关键点有关。因此，分析城市中的拥堵事件，挖掘拥堵事件中的关键要点就显得尤为重要。然而提取整个交通路网的拥堵关键点是一个有难度的任务，一方面路网中的道路复杂地交织在一起，使得道路间的影响关系高度耦合，分析过程中难以抓取重点；另一方面，影响道路拥堵的因素有很多维度，不同路段间既存在时间关系又存在空间关系，道路附近的POI等社会信息也会影响到拥堵事件的发展过程。
[0003]近年来，在交通拥堵数据挖掘领域国内外研究者做出了很多工作。一种流行的方法是对道路进行聚类分析，通过将路况序列相似的路段聚集到一类从中寻找拥堵的共性；另一种流行的方法是提取路段间的关联规则，得到不同道路间的影响关系，从而推断道路拥堵的关键发生点和传播点。
[0004]深度学习的可解释性方法能够为交通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向交通拥堵预测的可解释性时空分析方法，其特征在于，包括以下步骤：步骤S1，对被解释模型STGCN进行预训练；步骤S2，构造时空解释生成模型，其包括：经预训练的所述STGCN；两张初始空域掩膜，用于在所述STGCN两次空域卷积过程中，对输入拓扑图的边进行遮盖，从而提取所述STGCN给出预测时的空间偏好；以及初始时域掩膜，用于在训练过程中，对所述输入拓扑图的各节点的历史速度序列特征进行遮盖，从而提取所述STGCN给出预测时的时间偏好；步骤S3，对所述时空解释生成模型进行训练，包括：将训练数据输入所述时空解释生成模型，所述时空解释生成模型基于所述初始空域掩膜和所述初始时域掩膜，使用基于扰动的解释方法生成两个空域掩膜和多个时域掩膜，并使用基于梯度的解释方法获取各个所述空域掩膜和各个所述时域掩膜的梯度映射；步骤S4，所述时空解释生成模型将两张所述空域掩膜组合成组合掩膜，用于分离二阶空间关系，并对多个所述时域掩膜进行谱聚类，得到平均时域掩膜；步骤S5，将目标地区的交通数据输入训练好的所述时空解释生成模型得到预测结果，并利用所述组合掩膜、所述平均时域掩膜、所述交通数据中道路节点的POI信息从所述时空解释生成模型中提取道路拥堵关键信息。2.根据权利要求1所述的面向交通拥堵预测的可解释性时空分析方法，其特征在于：其中，步骤S2中，所述初始空域掩膜的大小与所述输入拓扑图的邻接矩阵大小相同，用于对所述邻接矩阵的边权值进行遮盖，所述初始时域掩膜的大小与所述输入拓扑图的节点特征向量大小相同，用于对各所述节点的输入进行遮盖，步骤S3中，所述时空解释生成模型的目标是学习到所述空域掩膜M和所述时域掩膜F，使得：式中，Y代表真实值，代表STGCN给出的预测，G
S
代表拓扑邻接矩阵经过空域掩膜M遮盖后的结果，X
S
代表特征经过时域掩膜F遮盖后的结果。3.根据权利要求1所述的面向交通拥堵预测的可解释性时空分析方法，其特征在于：其中，所述STGCN包括两个空域卷积块，所述时空解释生成模型训练两张独立的所述空域掩膜，分别为第一空域掩膜和第二空域掩膜，分别运用于两个所述空域卷积块的两次卷积操作中，步骤S3中，对于第一个所述空域卷积块，对应的所述第一空域掩膜上某一条边e1(v
i
,v
j
)在训练中的变化值为：对于第...

【专利技术属性】
技术研发人员：关佶红，孔令百，杨涵晨，李文根，张毅超，
申请(专利权)人：同济大学，
类型：发明
国别省市：