[发明专利]一种基于模糊理论的可解释交通认知方法

权利要求书

1.一种基于模糊理论的可解释交通认知方法，其特征在于，包括以下步骤：

步骤1、一种结合模糊推理机制和图卷积神经网络模型的输入数据处理算法：

包括描述交通场景所有道路的历史数据、描述道路间交互特征的邻接矩阵、描述外部特征的交通拥堵指数、时间段、假期、天气、交通流量变化以及一种可解释的交通数据认知算法；

步骤2、结合模糊推理机制的图卷积神经网络模型结构设计，包括三部分：

第一部分为基于模糊理论的模糊推理机制，其由模糊隶属度函数、模糊规则以及解模糊化函数组成，能够有效提取外部属性对交通数据的影响；交通数据张量和交通拥堵指数张量组成的交通认知特征张量，结合第一部分的输出作为模型第二部分的输入数据；

第二部分为图卷积神经网络，能够直接对交通认知相关张量进行图卷积操作；图卷积神经网络能够更加高效的提取道路交通数据之间的空间相关性；第二部分的输出作为空间特征，输入第三部分的网络；

第三部分为基于门控循环单元的深度神经网络，该网络进一步对空间特征进行处理提取时间特征，时空特征最终被处理为预测的交通数据并用于后续的交通认知工作；

步骤3、训练图卷积神经网络模型；

包括设置相应的模型参数和训练环境，并对模型进行训练；

步骤4、基于训练完成后的模型进行多类交通认知实验；

步骤5、基于交通认知实验结果构建属性影响描述特征；

步骤6、基于影响描述特征进行属性影响模糊分类。

2.根据权利要求1所述的一种基于模糊理论的可解释交通认知方法，其特征在于，所述步骤1中的输入数据具体定义如下：

步骤1.1、被预测交通场景所有道路的历史交通数据与预测数据：

设交通场景的道路历史数据矩阵X_traffic由τ个历史时间步的交通数据组成：

其中每个时间步的交通数据为其由交通场景中的N条道路在t时刻的交通数据组成，N为道路条数，表示S^t为N×1的向量，向量中的元素均为实数；

设交通场景的预测数据矩阵X′_traffic由T个预测时间步的交通数据组成：

每个时间步的交通数据格式与历史交通数据相同，其中τ为历史时间步长，T为预测时间步长，N为道路条数，表示矩阵的大小为T×N，其中元素均为实数；

交通数据预测的问题格式化表示为：X′_traffic＝f(X_traffic)；

交通数据泛指描述交通场景的、具有时空特性的数据，包括交通速度、交通流量、交通拥堵情况；

步骤1.2、描述道路间交互特征的邻接矩阵：

用无向图G＝{V,E}描述交通场景中道路的连通情况，节点集合V表示为V＝{v₁,v₂,…,v_N}，N为交通场景中的道路数；

当道路之间相互连通时，代表道路交互关系的边就应被连接上；因此边集合E表示为E＝{v_iv_j|1≤i≤N,1≤j≤N}，其中v_iv_j表示节点i和节点j之间连通；

邻接矩阵A的元素级定义为：

该式表示节点i和节点j之间连通时，对应边的权值为1，否则为0；A_ij的尺寸为N×N，其中N为道路条数；

步骤1.3、描述外部属性的特征矩阵：

设描述外部属性的特征矩阵X_feature包括交通拥堵指数矩阵X_TTI，时间段矩阵X_time，假期矩阵X_holiday，天气矩阵X_weather，交通流量变化矩阵X_flowChange：

X_feature∈{X_TTI,X_time,X_holiday,X_weather,X_flowChange},

其中交通拥堵指数矩阵由历史交通速度计算得到的，表示道路的拥堵程度，τ表示时间步长度，N表示交通场景中的道路条数，表示矩阵的大小为τ×N，其中的元素均为实数，交通拥堵指数的计算公式如下：

其中V_free为自由通行速度，V_current为当前速度；

设时间段矩阵矩阵的元素级定义为：

其中[t_n,t_n+1]是一个连续的时间段，这个时间段中的交通数据具有相似的变化状态，实际计算过程中，不同的时间段用不同的正整数进行表示，τ表示时间步长，N表示道路数，表示矩阵大小为τ×N，其中的元素均为实数，ij表示该元素位于矩阵的第i行，第j列，n表示将一天的24小时划分成n个时间段；

设假期矩阵矩阵的元素级定义为：

该式表示当日期为周末或法定节假日时，的值为1，否则为0，τ表示时间步长，N表示道路数，表示矩阵大小为τ×N，其中元素均为实数，ij表示该元素位于矩阵的第i行，第j列；

天气矩阵矩阵的元素级定义为：

天气矩阵中包含的天气状况表示为：

X_{weatherCondition}∈{sunny,cloudy,light rain,medium rain,heavy rain}

不同的天气状况用不同的正整数进行表示，同一种天气状况对交通数据的影响程度相似，τ表示时间步长，N表示道路长度，表示矩阵大小为τ×N，其中元素均为实数，ij表示该元素位于矩阵的第i行，第j列；

设交通流量变化矩阵矩阵的元素级定义为：

其中[flow_k,flow_k+1]是一个连续的流量变化区间，在这个区间中的流量变化值对交通数据的影响程度相似，τ表示时间步长，N表示道路数，表示矩阵大小为τ×N，其中元素均为实数，ij表示该元素位于矩阵的第i行，第j列，k表示将交通流量变化数据划分到k个区间中；

步骤1.4、可解释的交通数据认知算法:

可解释指模型对数据的处理过程以简单易懂的形式呈现给开发人员，具体表现为模糊推理机制中的模糊规则用直观的IF-THEN语句表示，其中四条重要的模糊规则的定义如下：

模糊规则1：IF flowChange is zero AND time is seven THEN the effect issmall

模糊规则2：IF flowChange is three AND time is seven THEN the effect islarge

模糊规则3：IF holiday is a holiday AND time is nine THEN the effect issuper large

模糊规则4：IF weather is foggy THEN the effect is middle

模糊规则1表示当交通流量变化位于0左右并且时间位于七点到九点之间时，对交通数据的影响较小；模糊规则2表示当交通流量变化位于30左右并且时间位于七点到九点之间时，对交通数据的影响较大；模糊规则3表示当日期为节假日并且时间位于九点到十一点之间时，对交通数据的影响非常大；模糊规则4表示当天气为有雾时，对交通数据的影响中等。