申请/专利权人：浙江大学

申请日：2024-03-08

公开（公告）日：2024-06-04

公开（公告）号：CN117875190B

主分类号：G06F30/27

分类号：G06F30/27;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种极端暴雨事件中交通网络功能状态的时空预测方法，包括：生成物理模拟数据集并进行预处理；基于TA‑STGCN构建数据驱动代理模型，将物理模拟数据集随机分成训练集和测试集，通过对输入数据进行融合处理、并捕捉输入数据的灾害特征和时空特征，完成对未来交通的预测。该方法使用TA‑STGCN来捕捉动态网络功能状态的时空特性；通过建立多模态输入机制，实现了降雨相关数据和交通网络数据的双状态输入，从而捕捉极端暴雨事件对交通网络功能的时空影响；并基于自注意机制和时空卷积操作，实现了在非平稳降雨条件下稳定的多步交通功能预测。

主权项：1.一种极端暴雨事件中交通网络功能状态的时空预测方法，其特征在于，包括步骤如下：S1、生成物理模拟数据集：针对目标区域，首先生成降雨序列，然后模拟城市洪水淹没场景，再对交通网络进行功能分析以得到交通网络功能状态，对降雨序列和交通网络功能状态组成的原始数据集分别进行空间维度和时间维度的预处理；对交通网络进行功能分析具体包括：以IPW为基础的交通可达性指标评估交通网络的功能状态，设交通网络为一个有向图，其中是节点集，代表道路节点；为边集，代表组成交通网络的道路；和均为正整数，的取值由交通网络中实际的边和节点来确定；设表示道路节点与道路节点之间IPW的总数，设表示道路节点与道路节点之间的第条IPW，每条IPW是一组串联的有序边，其中，和；故，道路节点在时刻的交通可达性被定义为道路节点所有IPW的可靠度的均值，即：（1）公式（1）中，为道路节点与道路节点之间第条IPW在时刻的权重因子，为道路节点与道路节点之间第条IPW在时刻的可靠度，公式分别为： （2） （3）公式（2）和公式（3）中，和分别代表道路的编号和该道路对应在时刻的服务水平；为道路的长度，单位是千米；对降雨序列和交通网络功能状态组成的原始数据集进行空间维度的预处理具体包括：降雨序列是结构化网格数据，交通网络功能状态是非结构化图数据，即，降雨序列与交通网络功能状态这两种类数据的空间特征不同，采用泰森多边形法对目标区域进行划分，计算每个道路节点所在多边形的平均降雨量，将降雨序列从结构化网格数据转换为与交通网络功能状态具有相同拓扑结构的图形数据，为，其中，为时刻1的降雨量，为时刻的降雨量，为时刻的降雨量，，代表实数集，代表矩阵是由行列实数组成的矩阵；与在时间维度对应的交通网络功能状态为，其中，为时刻1的交通网络功能状态，为时刻的交通网络功能状态，为时刻的交通网络功能状态；对降雨序列和交通网络功能状态组成的原始数据集进行时间维度的预处理具体包括：使用时间步长窗口对步骤S1的和进行处理，设移动步长为小时，其中，表示历史数据时间步长，表示预测时间步长，为正整数；得到组降雨序列数据和组交通网络功能状态；对交通网络功能状态进行拆分，得到过去时间步长的交通网络功能状态和未来时间步长的交通网络功能状态；这样，和构成数据驱动代理模型的输入数据集，是数据驱动代理模型的输出变量的标准标签；S2、构建数据驱动代理模型并进行训练：基于TA-STGCN构建数据驱动代理模型，所述数据驱动代理模型至少包括输入数据处理模块、灾害特征捕捉模块、时空特征捕捉模块和预测未来交通模块；将物理模拟数据集随机分成训练集和测试集，并使用K折交叉验证法训练数据驱动代理模型的网络参数；通过对输入数据进行融合处理、并捕捉输入数据的灾害特征和时空特征，完成对未来交通的预测；对输入数据进行处理具体包括：数据驱动代理模型的输入包括降雨序列和过去时间步长的交通网络功能状态；在过去时间步长的交通网络功能状态的时间维度上增加一个具有相同结构的时间步长的填充张量，使降雨序列与交通网络功能状态这二者的时间维度保持一致；填充张量中的所有元素都是0，它充当占位符，使得两个输入变量在时间维度上具有相同的长度；然后，将降雨序列和交通网络功能状态这两个输入张量通过特征通道维度上的连接运算“”操作串联成一个隐藏张量，如下： （4）公式（4）中，为时刻1对应的隐藏变量，为时刻对应的隐藏变量，为时刻对应的隐藏变量，为时刻对应的隐藏变量；捕捉输入数据的灾害特征具体包括：对隐藏张量使用反向卷积核提取通道特征，得到一个中间张量，具有个通道维度；使用池化操作融合所有通道的特征，以从通道维度中提取关键特征，每次池化操作使得通道尺寸减小，经过若干轮池化操作，得到一个通道数为1的隐藏张量；然后，引入自注意机制，以找到影响未来时间步长的交通网络功能状态的信息，并为它们分配不同的权重；自注意机制使用点积运算计算注意分布矩阵，具体如下：首先，设三个权矩阵、和，将隐藏张量分别乘以权矩阵和权矩阵，分别得到查询张量和键张量，通过对查询张量和键张量进行点积，除以，得到整个时间序列中不同时刻信息的注意力分布矩阵并使用softmax函数对注意力系数进行归一化，即： （5）公式（5）中，为查询张量和键张量的维数，代表矩阵转置符号；然后，将归一化后的注意力分布矩阵与值张量结合，得到具有时间权重信息的隐藏张量，其中，值张量为隐藏张量与权矩阵的乘积，权矩阵、和为待学习参数；捕捉输入数据的时空特征具体包括：首先，使用时间门控卷积技术沿着时间维度应用一维卷积，提取时间维度特征，得到隐藏张量；其次，通过线性门控单元捕获非线性特征，得到隐藏张量；最后，采用谱图法进行空间图卷积运算，提取空间维度特征，得到隐藏张量，具体为：定义图卷积符号“”，将空间维度上的图卷积运算定义为输入与图卷积核的乘法，表示为： （6）公式（6）中，是输入张量，为交通网络各边的功能状态；是归一化图拉普拉斯矩阵，；其中，是单位矩阵，是加权邻接矩阵，是度矩阵，；定义傅里叶基是的特征向量矩阵，是的特征向量的对角矩阵，因此满足；故图卷积运算进一步表示为： （7）公式（7）的计算复杂度为，再采用切比雪夫近似法降低计算复杂度，图卷积运算改写为： （8）公式（8）中，为向量集，为向量集中的元素，，是阶切比雪夫多项式在近似拉普拉斯算子处的值，近似拉普拉斯矩阵为，是最大特征值；是图卷积的核大小，它决定了从中心节点开始的卷积的最大半径；通过递归计算阶图卷积以将计算复杂度降低至。

全文数据：

权利要求：

百度查询： 浙江大学 极端暴雨事件中交通网络功能状态的时空预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD