[发明专利]一种基于模糊理论的可解释交通认知方法

说明书

本发明涉及一种基于模糊理论的可解释交通认知方法，属于人工智能技术领域。交通场景实时交通数据被组织成外部属性特征矩阵、交通认知特征矩阵和邻接矩阵，预处理后的外部属性特征矩阵被送入模糊推理机制中，经过特征演算后输出属性影响特征矩阵，该矩阵和交通认知特征矩阵、邻接矩阵一同输入图卷积神经网络中，之后再输入基于门控循环单元的时间特性捕获网络中，最后输出预测结果并用于属性影响模糊分类和交通认知工作。本发明能够高效的提取交通场景中多条道路之间的时间和空间依赖特性，具有更高的交通数据认知性能和可解释性，解决了深度神经网络的透明度低、可解释性差，以及交通认知过程中对交通场景的外部属性特征考虑不足的问题。

技术领域

发明涉及一种基于模糊理论的可解释交通认知方法，属于智能交通，模糊逻辑和人工智能技术领域。

背景技术

近年来，智能交通系统正逐渐从感知智能向认知智能转变，智能交通认知是为智能交通系统提供决策帮助的一类研究，旨在做出更好的出行决策，减少交通拥堵，提高交通运营效率。认知智能交通的方法包括交通感知结果决策、交通流量预测、交通速度预测、出行路线规划、驾驶行为分析、交通决策支持等。智能交通系统利用路边传感器(如感应回路、雷达、摄像头等)实现智能感知，获取交通数据，通过进一步分析推断流量数据、交通数据和交通状况，研究人员可以提高智能交通系统的认知能力，并最终缓解智能交通系统的交通压力。虽然已经有大量的研究人员聚焦在智能交通系统的研究工作上，但智能交通认知及其认知方法的可解释性问题仍然悬而未决。传统的交通认知方法是基于统计学模型来实现的，这些模型利用交通数据规律来进行交通认知工作，但由于统计模型过于简化复杂的、随机的交通场景，模型认知性能不佳。随着深度学习的发展，研究人员开始使用深度神经网络如LSTM、卷积神经网络来认知交通，但这类模型仅仅考虑了交通数据的时间特性或空间特性，而没有同时考虑交通数据的时空特性。之后研究人员尝试将时间捕获模型和空间捕获模型结合使用，以实现对交通数据的时空特性捕获，但由于模型的黑盒特性，模型的可解释性较低，限制了模型在对安全性要求较高的领域的应用。可视化方法的引入提升了深度学习模型的可解释性，但该方法提供的可解释性较低，没有提高模型本身的可解释性。因此本发明提出基于模糊理论的可解释交通认知方法，可以有效的提高模型整体的可解释性，解决了深度学习模型的处理过程对开发人员不可见的问题。

另外，引入模糊推理机制后，交通场景中的一些外部特征属性，如天气，假期，时间段，交通拥堵指数等，在交通认知过程中被考虑进来，因此如何表达外部属性特征对交通数据的影响，以及如何捕获不同属性特征之间的相互作用关系也是本专利的创新点。本专利根据专家经验构建了一些模糊规则，让外部属性特征基于专家经验的指导作用于交通认知过程，又解决了深度学习模型的透明度低的问题。传统的交通认知方法关注历史交通数据对当前交通数据的影响，但是在不同的交通场景中，这种影响也会存在很大的差异，因此考虑外部属性影响的交通认知过程比单一关注历史交通数据的更准确。本发明基于不同的外部属性特征融入，进一步分析属性特征对交通数据的影响，充分挖掘属性特征对交通数据的作用关系，并利用决定系数来实现更有效的交通认知。最后根据属性特征影响的模糊性，随机性以及分类标准的主观性，引入模糊集理论，进一步构建模糊隶属度函数，并对提取的影响特征进行模糊分类，构建影响较小、影响中等、影响较大三类模糊集。

发明内容

为解决上述问题，本发明提出一种基于模糊理论的可解释交通认知方法。可解释指方法的处理过程可以通过简单易懂的形式呈现给开发人员，是深度学习领域研究人员针对深度学习模型的黑盒特性提出的，希望通过某些方法提高深度学习模型的可解释性。在本发明中是通过在深度学习模型中嵌入模糊推理机制实现的，由于模糊推理机制中的模糊规则可以用语义直接表达，故称本专利方法是可解释的。

本发明设计的模糊推理机制能够很好的捕获属性特征对交通数据的影响，以及不同属性特征之间的作用关系，其中构建的模糊规则提高了模型整体的可解释性。在交通数据处理部分提出使用图卷积神经模型和门控循环单元，解决了交通数据时空特性捕获的问题。利用不同属性特征对交通数据具有不同影响的特点，构建属性影响特征，并引入模糊理论对影响特征进行模糊分类。