[发明专利]一种用于城市流量预测的时空微分方程网络

说明书

本发明提供了一种用于城市流量预测的时空微分方程网络，包括：集成在一个框架内的深度学习模型和物理动态过程，物理动态过程基于能量传递微分方程构建路网节点的交通势能场序列演化动态方程；深度学习模型：包括编码器、时空微分方程网络和解码器；编码器用来将交通流量映射成势能场，然后采用时空微分方程网络来预测势能场的变化，最后通过一个解码器将势能场转化为交通流量。本发明可以弥合数据驱动模型以及物理驱动模型之间的不足，该模型可以兼具数据驱动模型的性能优势以及物理模型的可解释性。

技术领域

本发明涉及智能交通技术领域，具体涉及一种用于城市流量预测的时空微分方程网络。

背景技术

目前的交通流量预测方法主要可以分为两类：基于物理信息的模型以及数据驱动模型。第一种方法依赖于交通流理论，将交通系统表示为耦合微分方程，然后通过微分方程驱动的交通系统仿真实现交通流量预测。这种方法保证了仿真结果可以表示全域上的交通动态变化，而不仅仅是基于历史观测数据的拟合。但是，这样的模型通常对交通流运动做了很强的假设，导致模型可能无法捕捉到现实世界中复杂的人类行为以及其他不确定因素。并且，仿真过程依赖于大量的数值微分与积分运算，这通常需要大量的计算资源。

第二种方法是由数据驱动的，首先根据历史观测数据训练一个统计学习模型，然后通过模型生成预测结果。其中最具代表性的为基于深度学习的交通流量预测模型。例如，使用循环神经网络或时间卷积对时间依赖性建模，然后通过卷积神经网络建模空间依赖性，并利用图卷积技术引入路网信息。近年来，随着交通数据的数据量大幅增长，基于深度学习的数据驱动方法引起了业界的广泛关注，并且在许多领域的实际应用上取得了巨大的成功。然而，这种深度学习的数据驱动方法也有一定的弊端。首先，由于没有物理知识来保证结果的通用性，模型可能会在训练数据不包含的场景中失效。其次，深度学习模型的黑盒结构也可能会引入未知的风险，对城市安全造成潜在的威胁。

因此，如何提供一种可将交通动力学知识以及端到端的深度学习方法结合起来的用于城市流量预测的时空微分方程网络是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种用于城市流量预测的时空微分方程网络，可以弥合数据驱动模型以及物理驱动模型之间的不足，该模型可以兼具数据驱动模型的性能优势以及物理模型的可解释性。

为了实现上述目的，本发明采用如下技术方案：

一种用于城市流量预测的时空微分方程网络，包括：集成在一个框架内的深度学习模型和物理动态过程，其中，

物理动态过程：基于能量传递微分方程构建路网节点的交通势能场序列演化动态方程；

深度学习模型：包括编码器、时空微分方程网络和解码器；

所述编码器用于将历史交通流序列编码为交通势能场的初始状态

所述时空微分方程网络将交通势能场序列演化动态方程引入残差图卷积网络，结合所述初始状态经由神经元常微分方程计算器预测势能场序列t₀为初始时刻，为待预测的未来H时刻；

所述解码器基于交通流量与势能梯度关系模型由预测的势能场序列生成预测交通流序列。

优选的，所述交通势能场序列演化动态方程为：

其中，z＝(z₁,…,z_n)^T为全路网的交通势能场，为路网节点i的交通势能，α为共享参数，φ＝(φ₁,…,φ_i,…,φ_n)^T，φ_i为训练参数，⊙为哈达玛乘积，Δ为计算节点i与邻居的状态z_i之间差值的拉普拉斯算子。

优选的，所述时空微分方程网络为：