[发明专利]基于时空势能场的城市交通流量可解释预测方法

说明书

本发明公开了一种基于时空势能场的城市交通流量可解释预测方法，用一系列时空势能场来建模交通流量背后的物理机制。首先采用风场分解算法把交通流量分解成为时空势能场，然后为时空势能场设计包含时间模块和空间模块的深度模型来分别建模动态时空依赖，预测出未来时空势能场，最后用预测得到的未来时空势能场来推理交通流量，使得交通流量的变化有迹可循。本发明的方法既具有深度学习方法在性能方面的优越性，又能够对交通流量的预测结果进行物理层面的解释，在一定程度上推进了深度学习方法在智能交通领域的应用。

技术领域

本发明涉及智慧城市技术领域，更具体的说是涉及一种基于时空势能场的城市交通流量可解释预测方法。

背景技术

城市交通流量预测是智能交通系统中的一个基础问题，在交通管理和公众安全领域有着非常重要的作用。其利用城市中产生的移动轨迹数据，诸如汽车、人、自行车等轨迹来衡量某一区域的流(入/出)量大小，进而通过历史数据对将来该区域的交通流量进行预测。

目前，现有的针对交通流量预测的研究可以分为两大类：基于统计学的方法和基于深度学习的方法。基于统计学的方法通常有着较强的解释性，着重考虑交通流量在时间上的自相关性，把交通流量预测看成一个时间序列预测问题，然而由于这类模型不能很好地捕捉复杂的非线性关系和动态的时空依赖，因而在性能方面有所欠缺。深度学习方法却有着极强的非线性表征能力，而且拥有专门应对时间和空间建模的神经网络结构，所以基于深度学习的方法通常能够很好地建模交通数据中复杂的动态时空依赖，从而获得优越的性能。

但是深度学习模型的结构过于复杂，人们无法直观理解其给出结果的过程和依据，即存在不可解释的问题。虽然现有的研究给出了一些解释神经网络的方法，然而就时空数据预测而言，关于如何建模具有物理意义的城市动力学机制的研究还不够深入。

因此，如何高效地建模交通流量背后的物理过程，使得交通流量预测问题同时获得高性能和解释性是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种可解释的时空深度模型来进行交通流量的预测。受到重力场驱动水流的启发，考虑用一系列时空势能场来建模交通流量背后的物理机制。首先采用风场分解算法把交通流量分解成为时空势能场，接着为时空势能场设计包含时间模块和空间模块的深度模型来分别建模动态时空依赖，预测出未来时空势能场，最后用预测得到的未来时空势能场来推理交通流量，使得交通流量的变化有迹可循。

为了实现上述目的，本发明采用如下技术方案：

一种基于时空势能场的城市交通流量可解释预测方法，包括如下步骤：

步骤1：根据城市交通轨迹数据构建具备时间序列关系的时空流量图；

步骤2：采用经典社区划分算法对所述时空流量图进行社区划分，获得建模时空流量图；

步骤3：采用风场分解算法将所述建模时空流量图分解为若干流量多树，根据所述流量多树构建时空势能场；

步骤4：根据所述时空势能场进行时空建模，构建时空势能估计模型；

步骤5：将所述时空势能场输入所述时空势能估计模型，获得未来时空势能场，根据所述未来时空势能场推理交通流量，获得未来交通流量的城市分布。

优选的，所述步骤1的具体过程为：

步骤11：对城市进行网格划分，把轨迹数据嵌入到城市网格中，构建每个网格区域的空间数据样例，所述空间数据样例包括相邻四个方向的流入量和流出量，从而得到空间栅格框架；

步骤12：将空间栅格框架转化为流量图，所述流量图中节点为所述空间栅格框架中的所述网格区域，所述节点之间的边为相邻所述网格区域之间的流量，边的方向代表流量的方向，所述流量图为一个有向图；