[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

摘要

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。

主权项

1.一种基于深度模糊认知图模型的可解释预测方法，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cj影响的函数uj(t)：uj(t)＝RNN(t，mod(t，τ)，uj(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uj(t‑1)；S4：对步骤S2中建模的非线性因果关系函数进行因果度量，具体包括：对随着节点c_k的激活强度a_k变化的节点c_i对节点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节点c_k的状态值的变化，需要消除节点c_k以外的其他节点对因果关系的影响，进而得到受节点c_k的状态值变化影响的节点c_i对节点c_j的因果影响力贡献函数：其中，为除c_k外的其他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外的其他节点对节点c_i对节点c_j的因果关系的影响；同理，还可以对节点c_i对节点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节点c_i对节点c_j的因果关系：在实际应用中，对处于小区间[α，β]上的ak，假设有M个样本落在这个区间上，根据大数定律，可以得到：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节点c_k的状态值变化影响的节点c_i对节点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节点c_i对节点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预测和因果分析。