一种面向大规模路网交通运行状态的多维度评价方法

本发明属于人工智能，涉及交通运行状态评价技术，具体涉及一种面向大规模路网交通运行状态多维度评价方法。

背景技术：

1、交通运行状态评价一般指对路网交通系统的运行状态进行准确地分析和判断，进而用以划分道路交通是否拥堵。尽管目前判断其状态的方法并不统一，但一般先构建评价指标体系，再根据指标体系获取相关评价指标，最后通过一定方法对交通运行状态进行评价。

2、目前，根据选取的评价指标可分为单一指标和综合指标。单一指标仅采用一种评价指标(如：速度、流量、密度等)来评价路网交通运行状态，尽管单一指标在一定程度上能反映交通运行状态，但由于交通场景的日趋复杂升，仅通过单一指标并不能很好地描述复杂的交通运行状态。而综合指标则利用多个评价指标综合评价交通运行状态，其考虑了路网交通运行状态在各维度上的综合反映，通过相关方法隐式或显式地确定各评价指标的权重，进而更为全面地评价其交通运行状态。此外，对于大规模路网而言，路网关键节点通常指道路的重要节点(如：交叉口)，路段则是点与点之间的某条道路，这两者在交通场景下展现出不同的性质，因而在选取评价指标时也应有所侧重。然而，当前研究所使用的评价指标大都比较单一或只侧重于某一尺度(如：节点或路段)，缺乏对多尺度路网在多维度评价指标下的系统性评价，导致对于大规模路网的交通运行状态评价效果并不是很理想。

技术实现思路

1、针对现有技术中存在的问题，本发明提供一种面向大规模路网交通运行状态多维度评价方法，利用多图卷积和多头注意力机制提高模型对路网时空信息的表征能力，能表征各类评价指标的内在约束，结合多维度评价指标和多尺度路网，提高对大规模路网交通运行状态的评价能力，优化预测结果，为交通管控提供了科学有效的参考依据，有利于缓解交通拥堵现象。

2、为了达到上述目的，本发明提供如下技术方案：

3、一种面向大规模路网交通运行状态多维度评价方法，包括以下步骤：

4、步骤1：设计交通运行状态多维度评价指标体系；

5、步骤2：构建多图卷积模块和多头注意力模块；

6、步骤3：设计交通运行状态评价模型；

7、步骤4：构建路网多维度评价模型，进行对大规模路网的多尺度评价。

8、进一步的，所述步骤1具体包括以下过程：

9、根据交通运行指数tpi将交通运行状态i划分为畅通、缓慢、拥挤、拥堵、堵塞这5类状态：

10、

11、在关键节点尺度上选取车辆排队长度、饱和度、突发事件和环境指数作为评价指标，在典型路段尺度上选取平均车速、交通密度、突发事件和环境指数作为评价指标，而在全局路网尺度上则利用前面两者的评价中间特征作为评价指标；具体计算方式如下：

12、

13、ie＝ε(平均车速，交通密度，突发事件，环境指数)  (3)

14、

15、其中，和分别为关键节点的交通运行状态和所用的评价模型；和ε分别为典型路段的交通运行状态和所用的评价模型；和分别为全局路网的交通运行状态和所用的评价模型；和分别为节点评价和路段评价的中间特征；n1和n2分别为节点数量和路段数量，t为评价与预测的时间总长度，d为中间结果的维度；表示*维的实数空间集。

16、进一步的，所述步骤2具体包括以下过程：

17、利用图g(v，e，a)定义路网结构；其中，为路网节点，为各个节点相连的边，为邻接矩阵，n为节点的数量，m为边的数量；分别定义节点图gv和路段图ge；通过动态时间规整算法dtw构建相似邻接矩阵并构建多图卷积模块融合as和普通邻接矩阵a；多图卷积模块输入为输出为其计算公式如下：

18、

19、

20、

21、

22、其中，为拼接操作，和为相应的权重矩阵，in为单位矩阵，relu为激活函数，对于输出计算方法中的trans(*，(dim1，dim2))为交换数据*的两个维度；

23、构建多头注意力模块，每个注意力头headj利用公式(10)提取权重，再利用公式(9)拼接多个注意力头并利用全连接层处理得到输出最后通过残差连接和层归一化处理得到最终输出

24、

25、

26、其中，h为注意力头个数，分别为查询、键和值，而则根据注意力头的个数划分q、k和v，为拼接操作，和为相关的权重矩阵，softmax为激活函数。

27、进一步的，所述步骤3中，交通运行状态评价模型包括输入头、编码器、解码器和输出头；各部分结构具体如下：

28、1)输入头：其输入为评价指标数据通过全连接层fnnin将数据投影至高维空间得到输出接着将先后与时间位置编码te和空间位置编码se拼接得到输出其中，fnnin的输入通道为4而输出通道为d，的计算使用模型transformer中所提出的位置编码，通过标准图卷积网络处理得到；

29、2)编码器：其输入为前面的输出输出低维特征和高维特征编码器由2个编码器层构成，而每个编码器层会先经过一个多头注意力模块，再经过一个多图卷积模块；编码器模块经过第1个编码器层处理得到低维特征再经过第2个编码器层处理得到高维特征

30、3)解码器：其输入为低维特征和高维特征输出为解码器由l个解码器层构成，而每个解码器层会先经过2个多头注意力模块，再经过一个多图卷积模块进行处理，这两类模块与编码器模块中的结构一致；

31、所述低维特征通过与时间位置编码te和空间位置编码se拼接得到输出再将其作为第1个多头注意力模块的q、k和v计算得到输出qf1并将其作为下一个多头注意力模块的q；

32、将高维特征作为第2个多头注意力模块的k和v，并利用qf1计算得到输出最后再利用多图卷积模块处理得到输出经过l3个解码器层得到解码器输出

33、5)输出头：由3个全连接层构成，其输入维度分别为d、2d和d，输出维度分别为2d、d、1；解码器的输出经过这3个全连接层处理得到最终输出

34、进一步的，所述骤4具体包括以下过程：

35、构建路网多维度评价模型分别处理关键节点和典型路段，得到节点、路段的交通运行状态，接着通过全连接神经网络处理解码器中的输出得到和最后再利用这两者动态评价全局路网的交通运行状态；路网多维度评价模型具体包括：

36、1)节点运行状态模块：该模块利用交通运行状态评价模型得到各节点的运行状态和解码器的中间输出接着对的维度进行相关变换得到并将其送入2个全连接层中得到输出全连接层的输入维度分别为n1和n1，输出维度分别为n1和1；

37、2)路段运行状态模块：该模块利用交通运行状态评价模型得到各路段的运行状态和解码器的中间输出接着对的维度进行相关变换得到并将其送入2个全连接层中得到输出全连接层的输入维度分别为n2和n2，输出维度分别为n2和1；

38、3)特征融合输出头：输入为和输出为路网整体交通运行状态ir；其先将和拼接在一起得到接着送入3个全连接层中得到全局路网的交通运行状态ir；全连接层的输入维度分别为2d、d、d，输出维度分别为d、d、1。

39、与现有技术相比，本发明具有如下优点和有益效果：

40、1)本发明结合多图卷积模块和多头注意力机制，更为有效地捕捉复杂交通场景下的时空特征信息，提高交通运行状态的评价精度；

41、2)本发明采用了综合评价指标并根据多尺度路网的特性构建了大规模路网交通运行状态多维度评价指标体系，更为系统地对交通运行状态进行评价，最终使评价结果更为客观准确。

42、3)本发明将大规模路网划分为关键节点、典型路段和全局路网三个尺度，利用安全、效率等多个维度的数据构建多维度评价指标体系，最后构建路网多维度评价模型实现交通运行状态的自主评价与预测，为交通管理部门和出行者提供科学的决策依据，有利于缓解交通拥堵现象、提高路网交通运行效率。