[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

说明书

本发明公开了一种基于深度模糊认知图模型的可解释预测方法，将深度学习模型和FCM模型相结合，以非线性函数取代FCM中概念间的线性关系模型，以达到更好的预测性能；将两个概念间的因果关系建模为和系统当前各概念的输入状态相关，以建模概念间的动态因果关系；将影响系统的外部因素以附加的形式加入模型，以消除外部因素对系统的干扰，使模型可以得到准确的结果。

技术领域

本发明涉及模糊决策和深度学习技术领域，更具体的说是涉及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。

背景技术

在模糊决策领域，智能系统的知识表示和因果关系推断方法是其研究中的一个关键问题。其致力于为预测问题提供人类可以理解的解释和因果关系。

在现有技术中，模糊认知图模型(FCM)是一个解决可解释知识表示和因果分析问题的灵活而有效的方法。但是FCM模型具有一些局限性：

FCM模型只能建模概念间的线性的关系。因此其虽然具有很好的可解释性能，但却难以建模现实世界中复杂的非线性关系，在预测性能上表现欠佳。

FCM模型中建模的关系是静态的。因此其隐含了特定概念对输出的影响力是恒定的的假设，而现实中某特定概念对输出的影响力往往和其他概念相关：如某个人体重指标对健康程度的影响力可能与这个人的年龄相关。

FCM模型要求模型构成一个封闭的系统。这就意味着影响系统的所有因素都应当被包含在系统内部，一旦有系统外的因素对系统的预测产生了影响，由FCM模型得到的结果将是不准确的。

因此，在保持FCM优秀的可解释能力和因果分析能力的同时，克服FCM模型的局限性是模糊系统技术领域亟待解决的问题。

发明内容

有鉴于此，本发明提供了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，弥补了FCM模型非线性关系建模能力薄弱、建模后关系是静态的以及只能建立在封闭系统纸上的局限，引入深度学习网络使得模型的非线性建模能力得到很大提高，同时提供了研究节点间因果关系影响力动态变化的手段，并且通过引入外部因素使模型可以应用于开放系统。

为了实现上述目的，本发明采用如下技术方案：

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，包括：

S1：构建深度模糊认知图像模型：

其中，为系统t+1时刻各要素的状态值，为各要素节点与节点c_j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节点的状态值构成的向量，u_j(t)用于建模与时间有关的外部因素对系统中要素节点状态值的影响函数，

S2：利用深度神经网络来建模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，即则以节点c_j为例，在输出层可以计算其t+1时刻的预测值：

S3：利用循环神经网络建模外部因素对内部节点c_j影响的函数u_j(t)：