CN111724596A - 一种智能精确自动识别预判快速路瓶颈区方法 - Google Patents

Abstract

本发明涉及一种智能精确自动识别预判快速路瓶颈区方法，通过较少样本量的快速路瓶颈区数据、高速公路瓶颈区数据、轨道交通瓶颈站点数据，根据空间元学习方法，结合神经网络模型，训练得到一个通用的、精度较高的快速路瓶颈区识别模型，该模型可以实时、不间断地主动对快速路段可能会形成瓶颈区的区域和时间进行推理，一旦模型检测到可能会形成瓶颈区，会及时进行预警。通过本发明中的人工智能方法，不仅能够智能自动识别快速路瓶颈区，还能够有效结合其他类似瓶颈区数据，提高城市快速路瓶颈区小样本学习的模型精度，从而及时提前进行预警，对缓解城市交通拥堵有重要价值和意义。

Description

一种智能精确自动识别预判快速路瓶颈区方法

技术领域

本发明涉及一种基于空间元学习方法结合神经网络模型的城市快速路瓶颈区自动识别方法，属于智能交通应用技术领域。

背景技术

城市快速路作为大型城市交通网络的重要组成部分，在城市交通“提速”上起着重要作用。但是近年来，随着私家车的增多，人们出行需求的快速增加，现有的快速路交通拥堵现象频频发生，严重影响了快速路出行效率。

快速路上的交通拥堵通常是由于瓶颈区所导致的，快速路瓶颈区可以分为常发性瓶颈和非常发性瓶颈区。非常发性瓶颈区具有较强的突发性，传统的方法难以识别预测。由于我国智能交通发展年限较短，在大多数城市中，有关快速路瓶颈区的有记录样本并不会很多，尤其是非突发性瓶颈区样本更是很少，少样本会严重影响机器学习模型的精度。虽然快速路瓶颈区样本较少，但存在轨道交通瓶颈站点、高速公路瓶颈区等，由于业务的不同，这些数据样本根据传统的人工智能方法，不能用于智能模型的训练。

发明内容

本发明要解决的技术问题是：非常发性瓶颈区具有较强的突发性，传统的方法难以识别预测。

为了解决上述技术问题，本发明的技术方案是提供了一种智能精确自动识别预判快速路瓶颈区方法，用于快速路瓶颈区识别、轨道交通的瓶颈站点识别及高速公路瓶颈区识别，其特征在于，包括以下步骤：

步骤1：将快速路瓶颈区识别模型M训练设置为2个类别，每个类别包含50个样本的分类任务；快速路瓶颈区识别模型M每个样本的输入为X＝{x₁,x₂,x₃,x₄,x₅}，输出为Y＝{y₁,y₂}，其中，y₁代表形成了瓶颈区，y₂代表没有形成瓶颈区，若快速路瓶颈区识别模型M用于快速路瓶颈区识别，则：x₁表示发生时段x₁、x₂表示交通事件情况、x₃表示天气情况、x₄表示当前区域车速、x₅表示道路维修情况；若快速路瓶颈区识别模型M用于轨道交通的瓶颈站点识别，则：x₁表示发生时段、x₂表示车站集散能力利用率、x₃表示车站站台拥挤度、x₄表示车站所属区域属性、x₅表示是否有重大活动；若快速路瓶颈区识别模型M用于高速公路瓶颈区识别，则：x₁表示发生时段、x₂表示交通事件情况、x₃表示通行能力x₃、x₄表示天气情况、x₅表示当前区域流量；

步骤2：确定包含空间属性的任务集合T＝{T₁,T₂,T₃,T₄,T₅,T₆,T₇,T₈}，其中，T₁代表了A城市的快速路样本，T₂代表了B城市的快速路样本，T₃代表了A城市的高速公路瓶颈区相关样本，T₄代表了B城市的高速公路瓶颈区相关样本，T₅代表目标城市的高速公路瓶颈区相关样本，T₆代表了A城市的轨道交通瓶颈区相关样本，T₇代表了B城市轨道交通瓶颈区相关样本，T₈代表了目标城市轨道交通瓶颈区相关样本；

步骤3：确定空间元学习模型_meta的神经网络结构，随机初始化空间元学习模型M_meta的权重参数θ；

步骤4：设定每个任务T_i在任务集合T中满足均匀分布p(T)，从任务集合T中按照均匀分布概率从8个任务中采样6个任务，组成了用于空间元学习模型M_meta的训练样本集S＝{T₁,T₂,T₃,T₄,T₅,T₆}；

步骤5：开始进行内循环，求得每个任务上的最优模型权重参数θ′_i，i＝1,2,3,4,5,6；

步骤6：开始进行外循环：在测试数据集

上，对空间元学习模型M_meta的权重参数θ进行优化更新，更新公式为：

式中，

为损失函数，是子任务模型最优参数下的预测误差之和，子任务模型为根据每个任务T_i建立的模型；β为空间元学习模型学习率；

步骤7：重复上述步骤4到步骤6，进行10次迭代，直到收敛；

步骤8：学习得到的空间元学习模型M_meta的权重参数θ为目标任务的最优模型初始参数，对于目标任务，在少量样本上进行2次迭代，即可得到快速路瓶颈区识别模型M；当路况发生了变化，快速路瓶颈区识别模型M判别出将会形成瓶颈区后，会及时主动发出预警。

优选地，所述步骤5包括以下步骤：

步骤5.1：对训练样本集S＝{T₁,T₂,T₃,T₄,T₅,T₆}中的每个任务T_i，i＝1,2,3,4,5,6，制作好训练数据集

和测试数据集

步骤5.2：对于每个任务T_i，确定分类模型为多层感知机神经网络模型M_Ti，损失函数为交叉熵

式中，x_j表示训练数据集

中的样本输入值，y_j表示训练数据集

中的标签值，f_θ(x_j)表示多层感知机神经网络模型M_Ti预测出来的结果；

步骤5.3：对于每个任务T_i，在训练数据集

上，用梯度下降的方法对模型权重参数θ′_i进行更新，即最小化损失函数。模型权重参数θ_i′的更新计算公式为：

式中，θ表示更新前的模型权重参数，α表示学习率；最后得到采样出来的6个任务的模型最优参数集合θ′＝{θ′₁，θ′₂，θ′₃，θ′₄，θ′₅，θ′₆}。

通过本发明中的人工智能方法，不仅能够智能自动识别快速路瓶颈区，还能够有效结合其他类似瓶颈区数据，提高城市快速路瓶颈区小样本学习的模型精度，从而及时提前进行预警，对缓解城市交通拥堵有重要价值和意义。

本发明运用人工智能算法，解决了在较少数据样本下，对城市快速路瓶颈区进行自动智能识别和预判的问题，该方法对任一城市快速路均适用。

附图说明

图1为本发明的总流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明对城市快速路瓶颈区能够进行智能精确自动识别，从而及时提前进行预警，为后续的交通诱导措施和决策提供精准及时的信息依据，从而有效缓解城市拥堵。并且能够在城市快速路瓶颈区样本较少情况下，通过元学习方法，有效提高城市快速路瓶颈区小样本模型的识别精度。

本发明将瓶颈区的特征定义为五个维度：发生时段、交通事件情况、天气情况、当前区域车速、道路维修情况。将轨道交通的瓶颈站点特征定义为发生时段、车站集散能力利用率、车站站台拥挤度、车站所属区域属性、是否有重大活动。将高速公路瓶颈区特征定义为五个维度：发生时段、交通事件情况、通行能力、天气情况、当前区域流量。通过较少样本量的快速路瓶颈区数据、高速公路瓶颈区数据、轨道交通瓶颈站点数据，根据空间元学习方法，结合神经网络模型，训练得到一个通用的、精度较高的快速路瓶颈区识别模型，该模型可以实时、不间断地主动对快速路段可能会形成瓶颈区的区域和时间进行推理，一旦模型检测到可能会形成瓶颈区，会及时进行预警。

本发明首次提出基于空间元学习结合神经网络的城市快速路瓶颈区识别方法，具体包括以下步骤：

步骤1：将快速路瓶颈区识别模型M训练设置为2-way 100-shot，即2个类别，每个类别包含50个样本的分类任务。快速路瓶颈区识别模型M的输入为5个维度。对于快速路瓶颈区识别，模型的输入为：发生时段x₁、交通事件情况x₂、天气情况x₃、当前区域车速x₄、道路维修情况x₅。对于轨道交通的瓶颈站点识别，模型的输入为发生时段x₁、车站集散能力利用率x₂、车站站台拥挤度x₃、车站所属区域属性x₄、是否有重大活动x₅。对于高速公路瓶颈区识别，模型的输入为：发生时段x₁、交通事件情况x₂、通行能力x₃、天气情况x₄、当前区域流量x₅。将上述输入的特征进行one-hot编码后，得到每个样本的输入X＝{x₁,x₂,x₃,x₄,x₅}，输出Y＝{y₁,y₂}，其中y₁代表形成了瓶颈区，y₂代表没有形成瓶颈区。

步骤2：确定包含空间属性的任务集合T＝{T₁,T₂,T₃,T₄,T₅,T₆,T₇,T₈}。在本发明中，T₁代表了A城市的快速路样本，T₂代表了B城市的快速路样本，T₃代表了A城市的高速公路瓶颈区相关样本，T₄代表了B城市的高速公路瓶颈区相关样本，T₅代表目标城市的高速公路瓶颈区相关样本，T₆代表了A城市的轨道交通瓶颈区相关样本，T₇代表了B城市轨道交通瓶颈区相关样本，T₈代表了目标城市轨道交通瓶颈区相关样本。

任务集合T为相似任务的集合，在本发明中，“相似任务”不仅包括高速公路瓶颈区识别模型和轨道交通瓶颈站点识别模型，还包括空间属性。不同的城市之间瓶颈区形成因素变化较大，因此空间属性有效地扩展了“任务集合”，从而进一步提高了元学习的算法精度。

步骤3：确定空间元学习模型_meta的神经网络结构，多层感知机神经网络模型输入层有5个神经元，有2个隐藏层，第一个隐藏层有4个神经元，第二个隐藏层有3个神经元，输出层有2个神经元，激活函数为Sigmoid函数，最后输出层的激活函数为Softmax。随机初始化空间元学习模型M_meta的权重参数θ。

步骤4：设定每个任务T_i在任务集合T中满足均匀分布p(T)，从任务集合T中按照均匀分布概率从8个任务中采样6个任务，组成了用于空间元学习模型M_meta的训练样本集S＝{T₁,T₂,T₃,T₄,T₅,T₆}。

步骤5：开始进行内循环，求得每个任务上的最优模型权重参数θ_i′，i＝1,2,3,4,5,6，包括以下步骤：

步骤5.1：对训练样本集S＝{T₁,T₂,T₃,T₄,T₅,T₆}中的每个任务T_i，i＝1,2,3,4,5,6，制作好训练数据集

和测试数据集

步骤5.2：对于每个任务T_i，确定分类模型为多层感知机神经网络模型M_Ti，多层感知机神经网络模型M_Ti模型结构与空间元学习模型结构相同。损失函数为交叉熵

式中，x_j表示训练数据集

中的样本输入值，y_j表示

中的标签值，f_θ(x_j)表示多层感知机神经网络模型M_Ti预测出来的结果。

步骤5.3：对于每个任务T_i，在训练数据集

上，用梯度下降的方法对模型权重参数θ_i′进行更新，即最小化损失函数。模型权重参数θ_i′的更新计算公式为：

式中，θ表示更新前的模型权重参数，α表示学习率，取值0.001。最后得到采样出来的6个任务的模型最优参数集合θ′＝{θ′₁，θ′₂，θ′₃，θ′₄，θ′₅，θ′₆}。

步骤6：开始进行外循环：在测试数据集

上，对空间元学习模型M_meta的权重参数θ进行优化更新，更新公式为：

式中，

为损失函数，是子任务模型最优参数下的预测误差之和，子任务模型为根据每个任务T_i建立的模型；β为空间元学习模型学习率，取值为0.002；

步骤7：重复上述步骤4到步骤6，进行10次迭代，直到收敛。

步骤8：最后学习得到的空间元学习模型M_meta的权重参数θ为目标任务的最优模型初始参数。对于目标任务，只要在少量样本上进行2次迭代，即可得到快速路瓶颈区识别模型M。当路况发生了变化，模型判别出将会形成瓶颈区后，会及时主动发出预警。

Claims (2)

1.一种智能精确自动识别预判快速路瓶颈区方法，用于快速路瓶颈区识别、轨道交通的瓶颈站点识别及高速公路瓶颈区识别，其特征在于，包括以下步骤：

步骤1：将快速路瓶颈区识别模型M训练设置为2个类别，每个类别包含50个样本的分类任务；快速路瓶颈区识别模型M每个样本的输入为X＝{x₁,x₂,x₃,x₄,x₅}，输出为Y＝{y₁,y₂}，其中，y₁代表形成了瓶颈区，y₂代表没有形成瓶颈区，若快速路瓶颈区识别模型M用于快速路瓶颈区识别，则：x₁表示发生时段x₁、x₂表示交通事件情况、x₃表示天气情况、x₄表示当前区域车速、x₅表示道路维修情况；若快速路瓶颈区识别模型M用于轨道交通的瓶颈站点识别，则：x₁表示发生时段、x₂表示车站集散能力利用率、x₃表示车站站台拥挤度、x₄表示车站所属区域属性、x₅表示是否有重大活动；若快速路瓶颈区识别模型M用于高速公路瓶颈区识别，则：x₁表示发生时段、x₂表示交通事件情况、x₃表示通行能力x₃、x₄表示天气情况、x₅表示当前区域流量；

步骤2：确定包含空间属性的任务集合T＝{T₁,T₂,T₃,T₄,T₅,T₆,T₇,T₈}，其中，T₁代表了A城市的快速路样本，T₂代表了B城市的快速路样本，T₃代表了A城市的高速公路瓶颈区相关样本，T₄代表了B城市的高速公路瓶颈区相关样本，T₅代表目标城市的高速公路瓶颈区相关样本，T₆代表了A城市的轨道交通瓶颈区相关样本，T₇代表了B城市轨道交通瓶颈区相关样本，T₈代表了目标城市轨道交通瓶颈区相关样本；

步骤3：确定空间元学习模型_meta的神经网络结构，随机初始化空间元学习模型M_meta的权重参数θ；

步骤4：设定每个任务T_i在任务集合T中满足均匀分布p(T)，从任务集合T中按照均匀分布概率从8个任务中采样6个任务，组成了用于空间元学习模型M_meta的训练样本集S＝{T₁,T₂,T₃,T₄,T₅,T₆}；

步骤5：开始进行内循环，求得每个任务上的最优模型权重参数θ′_i，i＝1,2,3,4,5,6；

步骤6：开始进行外循环：在测试数据集

上，对空间元学习模型M_meta的权重参数θ进行优化更新，更新公式为：

式中，

为损失函数，是子任务模型最优参数下的预测误差之和，子任务模型为根据每个任务T_i建立的模型；β为空间元学习模型学习率；

步骤7：重复上述步骤4到步骤6，进行10次迭代，直到收敛；

步骤8：学习得到的空间元学习模型M_meta的权重参数θ为目标任务的最优模型初始参数，对于目标任务，在少量样本上进行2次迭代，即可得到快速路瓶颈区识别模型M；当路况发生了变化，快速路瓶颈区识别模型M判别出将会形成瓶颈区后，会及时主动发出预警。

2.如权利要求1所述的一种智能精确自动识别预判快速路瓶颈区方法，其特征在于，所述步骤5包括以下步骤：

步骤5.1：对训练样本集S＝{T₁,T₂,T₃,T₄,T₅,T₆}中的每个任务T_i，i＝1,2,3,4,5,6，制作好训练数据集

和测试数据集

步骤5.2：对于每个任务T_i，确定分类模型为多层感知机神经网络模型M_Ti，损失函数为交叉熵

式中，x_j表示训练数据集

中的样本输入值，y_j表示训练数据集

中的标签值，f_θ(x_j)表示多层感知机神经网络模型M_Ti预测出来的结果；

步骤5.3：对于每个任务T_i，在训练数据集

上，用梯度下降的方法对模型权重参数θ′_i进行更新，即最小化损失函数。模型权重参数θ′_i的更新计算公式为：

式中，θ表示更新前的模型权重参数，α表示学习率；最后得到采样出来的6个任务的模型最优参数集合θ′＝{θ′₁，θ′₂，θ′₃，θ′₄，θ′₅，θ′₆}。

Images