【技术实现步骤摘要】
本专利技术属于智慧交通预测的，具体涉及一种多尺度多因素城市拥堵传播模式的预测方法。
技术介绍
1、城市拥堵传播模式预测就是基于特定时间空间的一定交通数据从而预测一定时空范围内拥堵的发展和传播情况，是道路路况预测的一个关键步骤，是智慧交通治理的基础。针对城市拥堵传播模式进行实时的预测在道路交通供需不平衡，拥堵、延误和环境问题严重的当下能够显著提升城市交通的疏导管理能力，对于缓解城市道路拥堵有着重要的研究意义。知识图谱方法由于其独特的实体与关系结构，在保持高预测精度的同时具有很强的可理解性，所以在城市拥堵传播模式预测中得以应用。
2、在面向城市拥堵传播模式预测的知识图谱方法中，它们往往仅对于交通流量数据进行大尺度连续时空上的建模与预测。一方面，其由于时空尺度上的粗糙粒度划分，易于混淆诸如早晚高峰等空间上一致但时间上存在差异的性质相反的拥堵传播模式。另一方面，其由于未考虑到诸如气象和路面状况等因素，无法在多种场景下做出细致判断。为了提升城市拥堵传播模式预测的准确率，为知识图谱建模细致时空尺度粒度和加入多种因素的影响十分重要。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供一种多尺度多因素城市拥堵传播模式的预测方法，该方法可实现时间空间上多粒度调节并综合考虑多种相关因素，有效扩充知识图谱建模的知识容量，提升城市拥堵传播模式的预测精度。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、一种多尺度多因素城市拥堵传播模式的预测方法
4、步骤1：根据预先选择的空间粒度参数stype，将城市交通网络拓扑结构划分重构为静态模式g；
5、步骤2：将历史交通状态数据中的多种因素编码为拥堵指数state，生成三元组，并根据三元组统计为动态模式d；
6、步骤3：利用静态模式g和动态模式d构建城市拥堵传播模式知识图谱kg；
7、步骤4：在知识图谱kg上，对于所有拥堵传递的关系，将其移除并额外保存为训练标签，对于所有剩余关系，建立类型相同但方向相反的对应关系，将上述所有拥堵传递的关系和剩余关系均加入到训练集中，采用强化学习方法构建rl代理并采用训练集训练rl代理，使其在知识kg上移动并学习推理路径来推理拥堵传播关系；
8、步骤5：获取实时交通状态数据，对于每个节点r，记录其在时间t-w的初始拥堵指数及其在时间间隔[t-w,t]内的最常出现的拥堵指数，并以此构建知识图谱子图kgrt，利用训练好的rl代理来预测拥堵传播模式出现的概率，并将概率大于阈值的拥堵传播模式用于预测交通网络上的拥堵传播的发生。
9、进一步地，步骤1中构建静态模式g的方式为：
10、根据空间粒度参数stype将城市交通网络划分为若干个大小适当的节点，构成节点集合v＝{r1,r2…rn}，并根据节点之间的联通关系生成边的集合e，再通过节点之间的车方向将e中的每一条边规范为有向边，从而构建静态模式g＝{v，e}。
11、进一步地，空间粒度参数stype包括路段级、道路级、片区级。
12、进一步地，步骤2中拥堵指数state的编码方式为：
13、对于每一种因素分配一定位数进行编码，为所有因素的每一种分类情况分配唯一编码，最后将各个因素的编码按照顺序拼接为拥堵指数state。
14、进一步地，三元组包括道路、时间、拥堵指数。
15、进一步地，步骤2中历史交通状态数据中的多种因素包括降雨强度、车速和道路占有率。
16、进一步地，步骤3中的知识图谱kg的构建过程如下：
17、步骤3.1：枚举所有节点作为拥堵源，在静态模式g中遍历所有距离不超过3的节点作为其拥堵目标；
18、步骤3.2：对于每一对拥堵源ra和拥堵目标rb，在动态模式d筛选出拥堵源ra所有时间在持续时间u范围内的记录；
19、步骤3.3：对于拥堵源ra的每一条筛选得到的三元组记录，根据时间窗口w筛选出拥堵目标rb所有时间在[ta，ta+w]范围内符合传播条件的记录；
20、步骤3.4：选择拥堵目标rb所有筛选得到的记录中出现频率最多的拥堵指数stateb作为其传播后的拥堵指数，并将其频率作为其拥堵传播概率pab；
21、步骤3.5：若拥堵传播概率大于判断阈值pt，则将这一对拥堵源和拥堵目标之间的拥堵传播模式加入拥堵传播模式知识图谱kg。
22、进一步地，持续时间u的取值范围为{[t,t+180min]|t∈[0:00,21:00]}，时间窗口w的取值范围为[5min,120min]。
23、进一步地，步骤3.5中，概率阈值pt的取值范围为[80％,100％]。
24、进一步地，步骤4中采用训练集训练rl代理的方法如下：
25、步骤4.1：初始化一个全连接的神经网络为策略网络f(s,θ)＝p(a|s；θ)，该网络用于将一个状态向量s映射为在所有可能移动a上的一个概率分布，其中，网络参数θ通过随机梯度下降的方式更新，rl代理采用上述策略网络来表示；
26、步骤4.2：使用训练集中保留的类型为拥堵传递的关系学习监督策略，对于每个正样本进行双向bfs，以找到实体之间的路径path：s1-r1-s2-r2-...ri-si...-rt-st+1，并以如下公式用该路径更新策略网络的monte-carlo梯度：
27、
28、步骤4.3：加入奖励函数wefficiency和wdiversitγ，再次对于每个正样本进行双向bfs，以找到实体之间的路径path：s1-r1-s2-r2-...ri-si...-rt-st+1，并以如下公式用该路径更新策略网络的monte-carlo梯度：
29、
30、
31、
32、其中，f为已经找到过的本质不同的路径数量，pathi为找到的第i条本质不同的路径；
33、通过不断迭代计算更新策略网络的monte-carlo梯度，直至monte-carlo梯度不再下降，获取此时的网络参数θ，即为训练后的rl代理的网络参数。
34、与现有技术相比，本专利技术的有益效果为：
35、1.本专利技术设置空间粒度参数，在不同尺度上对城市拥堵传播模式进行预测分析，在粒度较小时可以实现路段上各处通行时间及拥堵状况；在粒度较大时可以宏观把控片区之间的流量通行交互状况，实现空间多尺度具体分析；
36、2.本专利技术通过设置持续时间，可以将不同时间的异质拥堵传播模式分开，有效避免混淆诸如早晚高峰等空间上一致但时间上存在差异的性质相反的拥堵传播模式。实现时间横向上的具体分析；
37、3.本专利技术通过将不同因素编码进拥堵指数，可以将具体场景纳入拥堵传播路径中，在复杂的多因素场景中直接对拥堵传播模式进行建模分析。实现多因素的复杂场景分析。
本文档来自技高网...【技术保护点】
1.一种多尺度多因素城市拥堵传播模式的预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤1中构建静态模式G的方式为：
3.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，空间粒度参数STYPE包括路段级、道路级、片区级。
4.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤2中拥堵指数STATE的编码方式为：
5.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，三元组包括道路、时间、拥堵指数。
6.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤2中历史交通状态数据中的多种因素包括降雨强度、车速和道路占有率。
7.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤3中的知识图谱KG的构建过程如下：
8.根据权利要求7所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，持续时间U的取值范围为{[T,
9.根据权利要求7所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤3.5中，概率阈值Pt的取值范围为[80％,100％]。
10.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤4中采用训练集训练RL代理的方法如下：
...【技术特征摘要】
1.一种多尺度多因素城市拥堵传播模式的预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤1中构建静态模式g的方式为：
3.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，空间粒度参数stype包括路段级、道路级、片区级。
4.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤2中拥堵指数state的编码方式为：
5.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，三元组包括道路、时间、拥堵指数。
6.根据权利要求1所述的多尺度多因素城市拥堵传播模式的预测方法，其特征在于，步骤2中历史...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。