[发明专利]基于深度模糊认知图模型的道路交通可解释预测方法

权利要求书

1.一种基于深度模糊认知图模型的道路交通可解释预测方法，其特征在于，包括：

S1：构建深度模糊认知图像模型：

其中，为系统t+1时刻各路段的状态值，为各路段节点与路段节点c_j的下游路段对通过斜坡道连接的上游路段的非线性因果关系函数，该函数中的参数为当前时刻下系统中所有路段节点的状态值构成的向量，u_j(t)用于建模与城市通勤的自然节律对系统中路段节点状态值的影响函数；所述路段节点状态值为交通速度时间；

S2：利用深度神经网络来建模下游路段对通过斜坡道连接的上游路段的非线性因果关系函数

定义是一个具有K层隐藏层的神经网络，其中，第k层具有M_k个神经元，在t时刻，第k层的第m个神经元的输出通过下式计算：

其中，v_(nm，k)是第k-1层的第n个神经元与第k层的第m个神经元之间的神经网络连接参数，ReLU(·)是线性整流单元激活函数，定义为：

在表示的神经网络的输入层，令作为神经网络的输入，即则以路段节点c_j为例，在输出层计算其t+1时刻的预测值：

S3：利用循环神经网络建模城市通勤的自然节律对内部路段节点c_j影响的函数u_j(t)：u_j(t)＝RNN(t,mod(t,τ),u_j(t-1)) (5)

其包含三部分输入：当前时间戳t、周期τ下的周期时间戳和历史外部因素状态u_j(t-1)；

S4：对步骤S2中建模的下游路段对通过斜坡道连接的上游路段的非线性因果关系函数进行因果度量，具体包括：对随着路段节点c_k的激活强度a_k变化的路段节点c_i对路段节点c_j的因果强度w_ij(a_k)以及c_i对c_j的整体因果强度进行度量；

对给定的系统状态因果性被度量为：

其中，表示中除了a_i以外的其他各路段节点的状态值向量，r_ij的含义为：在给定的系统状态下，a_i增大极端小量Δa_i导致的的增大量；

为了研究因果关系随某个路段节点c_k的状态值的变化，需要消除路段节点c_k以外的其他路段节点对因果关系的影响，进而得到受路段节点c_k的状态值变化影响的路段节点c_i对路段节点c_j的因果影响力贡献函数：

其中，为除c_k外的其他路段节点当前激活状态值向量为时的概率密度函数值，然后使用对因果关系积分来消除c_k外的其他路段节点对路段节点c_i对路段节点c_j的因果关系的影响；

同理，还对路段节点c_i对路段节点c_j的整体因果关系进行建模，得到建立在所有可能的系统状态值之上的路段节点c_i对路段节点c_j的因果关系：

在实际应用中，对处于小区间[α，β]上的a_k，假设有M个样本落在这个区间上，根据大数定律，得到：

使用双曲正切函数进行规范化：

其中，w_ij(a_k)表示经过规范化的受路段节点c_k的状态值变化影响的路段节点c_i对路段节点c_j的因果影响力贡献函数，表示经过规范化的建立在所有可能的系统状态值之上的路段节点c_i对路段节点c_j的因果影响力贡献，其中，Tanh(·)为：

S5：基于交替梯度下降方法对步骤S2中深度神经网络和步骤S3中循环神经网络中的参数进行参数推断，得到推断出来的深度模糊认知图像模型；

S6：利用推断出来的深度模糊认知图像模型进行下游路段对通过斜坡道连接的上游路段的因果影响力随下游路段交通速度变化的预测和因果分析。