CN116415928B - 基于深度学习的城市内涝交通路网快速修复方法及系统 - Google Patents
基于深度学习的城市内涝交通路网快速修复方法及系统 Download PDFInfo
- Publication number
- CN116415928B CN116415928B CN202310207671.4A CN202310207671A CN116415928B CN 116415928 B CN116415928 B CN 116415928B CN 202310207671 A CN202310207671 A CN 202310207671A CN 116415928 B CN116415928 B CN 116415928B
- Authority
- CN
- China
- Prior art keywords
- road
- matrix
- deep learning
- network
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 142
- 239000002775 capsule Substances 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000008439 repair process Effects 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000003012 network analysis Methods 0.000 description 5
- 238000010894 electron beam technology Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 240000001980 Cucurbita pepo Species 0.000 description 1
- 235000009852 Cucurbita pepo Nutrition 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000020354 squash Nutrition 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的城市内涝交通路网快速修复方法及系统,所述方法包括:构建道路交通网络的图结构;基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集;基于图卷积神经网络和胶囊神经网络构建具有注意力机制的深度学习神经网络模型;通过数据集训练深度学习神经网络模型;通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复。本发明以边介数中心性之差表征道路的错位程度,并通过深度学习神经网络模型来预测暴雨内涝情景下道路的错位程度,从中优先选择道路错位程度高的道路进行路网修复,提高路网修复策略的时效性。
Description
技术领域
本发明属于道路交通网络安全技术领域,具体涉及一种基于深度学习的城市内涝交通路网快速修复方法及系统。
背景技术
内涝灾害特点是突发性强、危害性大、影响范围广。在暴雨中,城市道路由于地势较低且相互连通,十分容易发生内涝淹没。道路交通因暴雨内涝受到影响或中断后,不仅会阻塞城市的正常运行,而且容易造成严重的人员伤亡和巨大的经济损失。
在暴雨内涝情景下,评估道路的重要程度和错位程度、对道路进行修复,进而优化道路网络通行效率,对于提高城市交通防灾减灾,指导内涝应急决策具有重要的现实意义。交通网络分析已应用于道路网络,以分析地震和洪水等各种自然灾害的影响。但是暴雨内涝灾害情景下的交通网络具有复杂动态性等特点,现有的交通网络分析方法均无法满足防洪救灾过程所要求的高时效性条件。比如专利CN112733337A公开了一种暴雨内涝影响下城市道路通行效率评估方法,其通过管网数据和水文数据进行暴雨内涝的模拟,并把淹没信息传递于交通仿真模型,实现了内涝情景下的道路交通情况量化评估,但该动态仿真方式涉及的模型众多且复杂,时间复杂度高,无法很好的保障评估结果的时效性,且缺乏路网快速修复方案。
因此,需要一种城市内涝交通路网快速修复方法,在反映暴雨内涝灾害情景下交通网络的复杂动态性的前提下,满足防洪救灾过程所要求的高时效性。
发明内容
有鉴于此,本发明提出了一种基于深度学习的城市内涝交通路网快速修复方法及系统,用于解决现有的交通网络分析无法满足防洪救灾过程所要求的高时效性的问题。
本发明第一方面,公开一种基于深度学习的城市内涝交通路网快速修复方法,所述方法包括:
结合目标区域内的路网数据,构建道路交通网络的图结构,提取图结构的邻接矩阵;
基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集;
基于图卷积神经网络和胶囊神经网络构建具有注意力机制的深度学习神经网络模型;
通过数据集训练深度学习神经网络模型;
通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复。
在以上技术方案的基础上,优选的,所述道路交通网络的图结构的具体定义为:
G={P,E,F}
P={pi},1≤i≤N
E={ei,j},1≤i≠j≤N
其中,P表示道路交通网络的图结构中的节点集合,其中每个节点代表的是道路网络中的每条道路,pi表示第i个节点,即代表道路网络中第i条道路,N表示节点的数量,通过路网矢量数据获取;E表示道路交通网络的图结构中边的集合,ei,j表示道路网络中第i个节点与第j个节点之间是否连通,若是,则ei,j=1,否则ei,j=0;F表示道路交通网络的图结构的特征矩阵,大小为N*X,X是道路交通网络的图结构中每个节点的特征数,每个节点的特征包括道路长度、道路日常限速和道路积水后限速。
在以上技术方案的基础上,优选的,所述基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集具体包括:
获取图结构的邻接矩阵A并保持不变;
利用随机生成方法生成多个特征矩阵{Fk|k=1,2,...,K},K为数据集中的样本总数;
在邻接矩阵A与随机生成的特征矩阵Fk的条件下,计算常态下各个道路的边介数中心性EBi:
其中,i表示P中第i个节点对应的道路,wi为为节点i所代表的道路的交通流量,σi为经过节点i所代表的道路的最短时间路径的数量;
以边介数中心性之差代表道路的错位程度,计算各个道路的错位程度,并组成道路错位程度矩阵Bk;其中,道路i的错位程度为ΔEBi;
为内涝情景下道路i的边介数中心性;
以邻接矩阵A和特征矩阵Fk为输入、以对应的道路错位程度矩阵Bk为标签构建数据集。
在以上技术方案的基础上,优选的,所述深度学习神经网络模型具体包括依次连接的图卷积网络层、初始胶囊层、注意力层和路由层;
所述图卷积网络层包含三层图卷积层,每一层图卷积包含有变换、聚合和激活三个过程;
所述初始胶囊层用于创建胶囊,输出一个二维矩阵以表征道路交通网络中更高级的特征;
所述注意力层用于根据初始胶囊层输出的二维矩阵计算注意力分数,并对输入数据与注意力分数进行对应位置的相乘运算得到输出数据;
所述路由层用于将注意力层的输出数据转化为转为多个胶囊,针对每个胶囊,分别进行加权、求和挤压操作后输出。
在以上技术方案的基础上,优选的,所述注意力层的构造函数定义了两个全连接层At1和At2,其中At1为一个输入维度为n*D,输出维度为注意力维度d的全连接层,而其中At2为一个输入维度为注意力维度d,输出维度为n*D的全连接层,D为胶囊维度;
注意力层的前向传播过程为:
通过调用At1对输入数据进行线性变换,通过ReLU激活函数进行非线性变换;通过调用At2再次进行线性变换,最后通过softmax函数对变换后的数据进行归一化,得到注意力得分矩阵;对输入数据与注意力得分矩阵进行对应位置的相乘运算,得到输出数据;注意力层的输出数据与初始胶囊层输出的矩阵大小保持一致。
在以上技术方案的基础上,优选的,所述通过数据集训练深度学习神经网络模型的过程中,采用的损失函数为SmoothL1Loss,优化器采用Adam优化器。
在以上技术方案的基础上,优选的,所述通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复具体包括:
收集目标区域内当前道路积水信息,生成交通网络的图结构的特征矩阵F;
设置空集合RS={};
将特征矩阵F和邻接矩阵A输入训练好的深度学习神经网络模型中,得到道路错位程度矩阵B,从B中得到有积水且道路错位程度最大值Bimax所对应的节点作为需要优先修复的道路加入到集合RS中;
令特征矩阵F中已经修复的道路所对应节点的积水后的道路限速值恢复至原本限速值,以消除该节点中积水所造成的道路限速影响,得到新的特征矩阵F′;
将新的特征矩阵F′和邻接矩阵A输入训练好的深度学习神经网络模型中,并重复以上道路修复和限速值恢复过程,直到得到最优修复次序RS={RS1,RS2,...,RSN′},其中N′表示有积水存在的道路数量。
本发明第二方面,公开一种基于深度学习的城市内涝交通路网快速修复系统,所述系统包括:
图结构构建模块:用于结合目标区域内的路网数据,构建道路交通网络的图结构,提取图结构的邻接矩阵;
数据集生成模块:用于基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集;
模型建立模块:用于基于图卷积神经网络和胶囊神经网络构建具有注意力机制的深度学习神经网络模型;
模型训练模块:用于通过数据集训练深度学习神经网络模型;
路网修复模块:用于通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明基于路网图结构的邻接矩阵、随机生成的特征矩阵和道路错位程度矩阵构建数据集,并训练深度学习神经网络模型来预测暴雨内涝情景下道路的错位程度,从中优先选择道路错位程度高的道路进行路网修复,不需要复杂的仿真计算即可快速分析出各种自然灾害导致的道路受损对道路交通的影响,计算速度具有极大的优势,提高城市交通防灾减灾的时效性,为城市内涝的灾前预防、灾中调度、灾后修复以及应急指挥决策提供可靠的参考;
2)本发明基于图卷积神经网络和胶囊神经网络构建了深度学习神经网络模型,可以提取道路交通网络中更高级的特征,从而提高道路网络预测的准确性,能够为应急指挥决策提供更加正确的修复次序;
3)本发明分别计算了内涝情景下各个道路的边介数中心性以及常态下各个道路的边介数中心性,通过边介数中心性衡量道路的重要程度,以边介数中心性之差代表道路的错位程度,以道路错位程度最大值所对应的道路作为需要优先修复的道路,从而确定最优的路网修复次序,提高路网修复的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于深度学习的城市内涝交通路网快速修复方法流程图;
图2为考虑交通动态特征的道路网络分析示意图;
图3为本发明所建立的深度学习神经网络模型结构示意图;
图4为本发明的内涝交通路网修复次序决策图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
请参阅图1,本发明提出一种基于深度学习的城市内涝交通路网快速修复方法,所述方法包括:
S1、结合目标区域内的路网数据,构建道路交通网络的图结构,提取图结构的邻接矩阵。
获取目标区域内的路网数据,进行道路网络分析,如图2所示,考虑交通动态特征,定义道路交通网络的图结构:
G={P,E,F}
P={pi},1≤i≤N
E={ei,j},1≤i≠j≤N
其中,P表示道路交通网络的图结构中的节点集合,其中每个节点代表的是道路网络中的每条道路,pi表示第i个节点,即代表道路网络中第i条道路,N表示道路交通网络的图结构节点集合中节点的数量,通过路网矢量数据路网数据获取。
E表示道路交通网络的图结构中边的集合,ei,j表示道路交通网络的图结构中第i个节点和第j个节点之间是否连通。若道路交通网络的图结构中第i个节点和第j个节点之间相连通,则ei,j=1,否则ei,j=0。
F表示道路交通网络的图结构的特征矩阵,大小为N*X,X是道路交通网络的图结构中每个节点的特征数,每个节点的特征包括道路长度、道路日常限速、道路积水后的限速、交通流量等。
道路的积水后的限速作为时间维度方面的节点特征。道路的最高行驶速度会随着积水深度的增加而降低,从而导致道路限速值的变化。道路限速值的预测结果由道路的积水深度预测值来计算获得,当积水深度大于阈值时速度为0,当积水深度为0时限速为正常限速;当积水深度大于0小于阈值时,限速具体转化公式为:
其中,vi为节点pi所代表的道路的原本限速值,其初始值由路网矢量数据获得。为积水后的道路限速值,di为积水深度,a为临界积水深度,即车辆无法行驶的临界深度,一般取30cm,b为衰减指数。
S2、基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集。
本发明建立的数据集是用于训练深度学习神经网络模型,主要包括三部分:邻接矩阵A,特征矩阵F以及在邻接矩阵A与特征矩阵Fk条件下的错位程度矩阵Bk作为标签值。其中:
邻接矩阵A为一个大小为N*N的矩阵,当pi所代表的道路与pj所代表的道路相连时,Aij=1,否则Aij=0。邻接矩阵A在同一研究区域内不会发生变化,因此,构建数据集时直接获取图结构的邻接矩阵A并保持不变。
特征矩阵Fk对应步骤1中所述交通网络的图结构中的特征矩阵F,本发明在构建数据集时,随机生成每个节点的道路限速值等特征,并为每种情况生成特征矩阵Fk。不同的随机结果得到多个特征矩阵{Fk|k=1,2,...,K},以模拟现实世界中的各种情况,其中,K为数据集中的样本总数。
标签值则为在所述邻接矩阵A与不同特征矩阵Fk条件下的道路重要性矩阵Bk。分别计算出不同特征矩阵Fk情况下所有道路的重要性程度指标,得到道路错位程度矩阵Bk。
本发明以边介数中心性作为道路网络中道路的重要性指标,其定义为网络经过该节点的最短路径数在网络所有最短路径数目的占比。本发明以边介数中心性之差代表道路的错位程度,计算各个道路的错位程度,并组成道路错位程度矩阵Bk。其中,道路i的错位程度为ΔEBi:
其中,i表示P中第i个节点对应的道路,为内涝情景下道路i的边介数中心性,根据邻接矩阵A与特征矩阵Fk确定。EBi为常态下道路i的边介数中心性,wi为节点i所代表的道路的交通流量,σi为经过节点i所代表的道路的最短时间路径的数量。以邻接矩阵A和特征矩阵Fk为输入、以对应的道路错位程度矩阵Bk为标签构造一个训练样本(A,Fk,Bk),K个训练样本组成数据集。
S3、基于图卷积神经网络和胶囊神经网络构建具有注意力机制的深度学习神经网络模型。
如图3所示,本发明所建立的深度学习神经网络模型分为四层,具体包括依次连接的图卷积网络层、初始胶囊层、注意力层和路由层。
第一层为图卷积网络层,图卷积神经网络学习新特征的过程可以表示为:
H(l+1)=f(H(l),A)
其中H(l)表示网络的第l层特征,A为邻接矩阵,f为映射函数。本发明的图卷积网络层包含三层图卷积层,即意为聚合三层以内的节点信息。每一层图卷积包含有三个过程:
变换:对当前的节点特征进行变换学习,即采用乘法规则;
聚合:聚合领域节点的特征,得到该节点的新特征,即采用加法规则;
激活:即使用激活函数,增加非线性。
以上三步所对应的传播公式为:
式中I为单位矩阵;/>为度矩阵,每个节点的度即为其所连接的节点数,该矩阵为对角矩阵,其中对角线的元素为/>H(l)为第l层的特征,特别地,对于输入层有H=F;W(l)为第l层的权重,σ(·)为非线性激活函数Sigmoid。
上述计算结果结束后,得到一个大小为N*C的矩阵Ol:
其中,C为滤波器数量,Ol的每一个矩阵元素Opq即为在第l层图卷积层计算后,所得到的第p个节点的第q个滤波器的值。最终图卷积网络层的结果即为三个结果矩阵Ol。
第二层至第四层为胶囊神经网络部分。胶囊神经网络部分首先包含的参数有:胶囊数量、胶囊维度、注意力层维度。
第二层为初始胶囊层,用于创建胶囊,输出一个二维矩阵以表征道路交通网络中更高级的特征。
具体的初始胶囊层创建了n组卷积层,n为图卷积网络层中卷积层的数量,在本发明实施例中取n=3。每一组卷积层都为一维卷积层,输入维度数为n,输出维度数为胶囊维度D,卷积核大小为滤波器数量C。
初始胶囊层的前向传播过程为:对每一个第一层的输出结果Ol相对应的卷积核进行卷积,将结果堆叠起来,然后对堆叠后的数据S进行归一化,最终返回归一化后的数据。其中,归一化函数使用的是squash函数,具体如下:
最终的输出结果为一个大小为n*n*D的二维矩阵。
第三层为注意力层,用于根据初始胶囊层输出的二维矩阵计算注意力分数,并对输入数据与注意力分数进行对应位置的相乘运算得到输出数据。
具体的,如图3所示,注意力层的构造函数定义了两个全连接层At1和At2,其中At1为一个输入维度为n*D,输出维度为注意力维度d的全连接层,而其中At2为一个输入维度为注意力维度d,输出维度为n*D的全连接层,D为胶囊维度。
注意力层的前向传播过程为:
通过调用At1对输入数据进行线性变换,再通过ReLU激活函数进行非线性变换,ReLU激活函数具体如下:
然后通过调用At2再次进行线性变换,最后通过softmax函数对变换后的数据进行归一化,得到注意力得分矩阵;softmax函数具体如下:
式中,zi为第i个节点的输出值,C为输出节点的个数。
最后,对输入数据与注意力得分矩阵进行对应位置的相乘运算,得到输出数据;注意力层的输出数据与初始胶囊层输出的矩阵大小保持一致。
第四层为路由层,用于将注意力层的输出数据转化为转为多个胶囊,针对每个胶囊,分别进行加权、求和挤压操作后输出。
在本层中的初始化函数中定义了一些变量,具体如下:
输入数据的单元数量为n,即图卷积层的数量,在本发明中取n=3;输入通道数为胶囊维度,输出数据的单元数量为胶囊数量,也就是将输入数据转化为多个高维度数据,即将数据转为多个胶囊;输出单元的大小即为胶囊维度;权重矩阵W随机生成,在后面的反向传播中会进行更新。
如图3所示,路由层的前向传播过程为:
将输入数据x进行转置,并复制成多个副本x1、x2,根据权重矩阵W变换得到
初始化矩阵b为0矩阵,将下述步骤重复三次:
c=Softmax(b)
v=squash(s)
最终的输出结果即为矩阵v,同时更新矩阵b:
其中,meam(·)为对矩阵第1维度求平均值的操作。
S4、通过数据集训练深度学习神经网络模型。
将道路有向网络拓扑模型中的道路连接信息转换为邻接矩阵A,将其与步骤S2中随机生成的特征矩阵Fk共同作为模型的输入、以对应的道路错位程度矩阵Bk为标签进行训练。
通过数据集训练深度学习神经网络模型的过程中,采用的损失函数为SmoothL1Loss,公式为:
其中,y为预测框和真实框之间的数值差异。
优化器采用Adam优化器,参数更新方式为:
初始化学习率lr、平滑常数β1、平滑常数β2、可学习参数θ0,取m0=0,v0=0,t=0,t为迭代次数,在训练过程中重复以下步骤:
训练次数更新:t=t+1;
计算当前第t次迭代的梯度gt,对梯度进行累计计算得到梯度均值mt:mt=β1*mt-1+(1-β1)*gt;
然后计算梯度平方的加权均值:
最后得到梯度均值的偏差纠正和梯度平方的均值的偏差纠正
最终更新参数获得可学习参数:eps为预设的误差阈值。
本发明基于图卷积神经网络和胶囊神经网络构建了深度学习神经网络模型,可以提取道路交通网络中更高级的特征,弥补传统的图卷积神经网络预测的准确性不高、不适用于道路网络的图结构预测的不足,从而提高道路网络预测的准确性,能够为应急指挥决策提供更加正确的修复次序。
S5、通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复。
如图4所示,步骤S5具体包括如下分步骤:
S51、设置空集合RS={};
S52、收集目标区域内当前道路积水信息,生成交通网络的图结构的特征矩阵F;
S53、将特征矩阵F和邻接矩阵A输入训练好的深度学习神经网络模型中,得到道路错位程度矩阵B,从B中得到有积水且道路错位程度最大值Bimax所对应的节点作为需要优先修复的道路加入到集合RS中;
S54、令特征矩阵F中已经修复的道路所对应节点的积水后的道路限速值恢复至原本限速值vi,以消除该节点中积水所造成的道路限速影响,得到新的特征矩阵F′;
S55、将新的特征矩阵F′和作为F,返回步骤S53,并重复以上S53~S54,直到得到最优修复次序RS={RS1,RS2,...,RSN′},其中N′表示有积水存在的道路数量。
本发明通过边介数中心性衡量道路的重要程度,以边介数中心性之差代表道路的错位程度,并训练深度学习神经网络模型来预测暴雨内涝情景下道路的错位程度,以道路错位程度最大值所对应的道路作为需要优先修复的道路,从而确定最优的路网修复次序,提高路网修复策略的准确性和时效性;
与上述方法实施例相对应,本发明提出一种基于深度学习的城市内涝交通路网快速修复系统,所述系统包括:
图结构构建模块:用于结合目标区域内的路网数据,构建道路交通网络的图结构,提取图结构的邻接矩阵;
数据集生成模块:用于基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集;
模型建立模块:用于基于图卷积神经网络和胶囊神经网络构建具有注意力机制的深度学习神经网络模型;
模型训练模块:用于通过数据集训练深度学习神经网络模型;
路网修复模块:用于通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复。
以上系统实施例和方法实施例是一一对应的,系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度学习的城市内涝交通路网快速修复方法,其特征在于,所述方法包括:
结合目标区域内的路网数据,构建道路交通网络的图结构,提取图结构的邻接矩阵;
基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集;所述基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集具体包括:
获取图结构的邻接矩阵A并保持不变;
利用随机生成方法生成多个特征矩阵{Fk|k=1,2,...,K},K为数据集中的样本总数;
在邻接矩阵A与随机生成的特征矩阵Fk的条件下,计算常态下各个道路的边介数中心性EBi:
其中,i表示P中第i个节点对应的道路,wi为节点i所代表的道路的交通流量,σi为经过节点i所代表的道路的最短时间路径的数量;
以边介数中心性之差代表道路的错位程度,计算各个道路的错位程度,并组成道路错位程度矩阵Bk;其中,道路i的错位程度为ΔEBi;
为内涝情景下道路i的边介数中心性;
以邻接矩阵A和特征矩阵Fk为输入、以对应的道路错位程度矩阵Bk为标签构建数据集;
基于图卷积神经网络和胶囊神经网络构建具有注意力机制的深度学习神经网络模型;所述深度学习神经网络模型具体包括依次连接的图卷积网络层、初始胶囊层、注意力层和路由层;
所述图卷积网络层包含三层图卷积层,每一层图卷积包含有变换、聚合和激活三个过程;
所述初始胶囊层用于创建胶囊,输出一个二维矩阵以表征道路交通网络中更高级的特征;
所述注意力层用于根据初始胶囊层输出的二维矩阵计算注意力分数,并对输入数据与注意力分数进行对应位置的相乘运算得到输出数据;
所述路由层用于将注意力层的输出数据转化为转为多个胶囊,针对每个胶囊,分别进行加权、求和挤压操作后输出;
通过数据集训练深度学习神经网络模型;
通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复;所述通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复具体包括:
收集目标区域内当前道路积水信息,生成交通网络的图结构的特征矩阵F;
设置空集合RS={};
将特征矩阵F和邻接矩阵A输入训练好的深度学习神经网络模型中,得到道路错位程度矩阵B,从B中得到有积水且道路错位程度最大值Bimax所对应的节点作为需要优先修复的道路加入到集合RS中;
令特征矩阵F中已经修复的道路所对应节点的积水后的道路限速值恢复至原本限速值,以消除该节点中积水所造成的道路限速影响,得到新的特征矩阵F′;
将新的特征矩阵F′和邻接矩阵A输入训练好的深度学习神经网络模型中,并重复以上道路修复和限速值恢复过程,直到得到最优修复次序RS={RS1,RS2,...,RSN′},其中N′表示有积水存在的道路数量。
2.根据权利要求1所述的基于深度学习的城市内涝交通路网快速修复方法,其特征在于,所述道路交通网络的图结构的具体定义为:
G={P,E,F}
P={pi},1≤i≤N
E={ei,j},1≤i≠j≤N
其中,P表示道路交通网络的图结构中的节点集合,其中每个节点代表的是道路网络中的每条道路,pi表示第i个节点,即代表道路网络中第i条道路,N表示节点的数量,通过路网矢量数据获取;E表示道路交通网络的图结构中边的集合,ei,j表示道路网络中第i个节点与第j个节点之间是否连通,若是,则ei,j=1,否则ei,j=0;F表示道路交通网络的图结构的特征矩阵,大小为N*X,X是道路交通网络的图结构中每个节点的特征数,每个节点的特征包括道路长度、道路日常限速和道路积水后限速。
3.根据权利要求1所述的基于深度学习的城市内涝交通路网快速修复方法,其特征在于,所述注意力层的构造函数定义了两个全连接层At1和At2,其中At1为一个输入维度为n*D,输出维度为注意力维度d的全连接层,而其中At2为一个输入维度为注意力维度d,输出维度为n*D的全连接层,D为胶囊维度;
注意力层的前向传播过程为:
通过调用At1对输入数据进行线性变换,通过ReLU激活函数进行非线性变换;通过调用At2再次进行线性变换,最后通过softmax函数对变换后的数据进行归一化,得到注意力得分矩阵;对输入数据与注意力得分矩阵进行对应位置的相乘运算,得到输出数据;注意力层的输出数据与初始胶囊层输出的矩阵大小保持一致。
4.根据权利要求1所述的基于深度学习的城市内涝交通路网快速修复方法,其特征在于,所述通过数据集训练深度学习神经网络模型的过程中,采用的损失函数为SmoothLlLoss,优化器采用Adam优化器。
5.使用权利要求1~4任一项所述方法的一种基于深度学习的城市内涝交通路网快速修复系统,其特征在于,所述系统包括:
图结构构建模块:用于结合目标区域内的路网数据,构建道路交通网络的图结构,提取图结构的邻接矩阵;
数据集生成模块:用于基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵,并建立数据集;
模型建立模块:用于基于图卷积神经网络和胶囊神经网络构建具有注意力机制的深度学习神经网络模型;
模型训练模块:用于通过数据集训练深度学习神经网络模型;
路网修复模块:用于通过训练好的深度学习神经网络模型进行道路错位程度预测,基于道路错位程度预测结果进行路网修复。
6.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~4任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如权利要求1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207671.4A CN116415928B (zh) | 2023-03-06 | 2023-03-06 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207671.4A CN116415928B (zh) | 2023-03-06 | 2023-03-06 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116415928A CN116415928A (zh) | 2023-07-11 |
CN116415928B true CN116415928B (zh) | 2023-11-17 |
Family
ID=87048888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310207671.4A Active CN116415928B (zh) | 2023-03-06 | 2023-03-06 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415928B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN111815098A (zh) * | 2019-12-11 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 |
CN112905379A (zh) * | 2021-03-10 | 2021-06-04 | 南京理工大学 | 基于自我注意力机制的图自编码器的交通大数据修复方法 |
KR20210117445A (ko) * | 2020-03-19 | 2021-09-29 | 충북대학교 산학협력단 | 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법 및 이를 기록한 기록매체 |
CN114970315A (zh) * | 2022-04-19 | 2022-08-30 | 河海大学 | 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 |
CN115376317A (zh) * | 2022-08-22 | 2022-11-22 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
-
2023
- 2023-03-06 CN CN202310207671.4A patent/CN116415928B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815098A (zh) * | 2019-12-11 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 |
KR20210117445A (ko) * | 2020-03-19 | 2021-09-29 | 충북대학교 산학협력단 | 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법 및 이를 기록한 기록매체 |
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN112905379A (zh) * | 2021-03-10 | 2021-06-04 | 南京理工大学 | 基于自我注意力机制的图自编码器的交通大数据修复方法 |
CN114970315A (zh) * | 2022-04-19 | 2022-08-30 | 河海大学 | 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 |
CN115376317A (zh) * | 2022-08-22 | 2022-11-22 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116415928A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102126B (zh) | 一种基于深度迁移学习的理论线损率预测模型 | |
Asadi et al. | A new hybrid artificial neural networks for rainfall–runoff process modeling | |
Luk et al. | A study of optimal model lag and spatial inputs to artificial neural network for rainfall forecasting | |
Jayawardena et al. | Use of radial basis function type artificial neural networks for runoff simulation | |
CN109635763B (zh) | 一种人群密度估计方法 | |
KR102277856B1 (ko) | 수자원 관련 정책의 의사결정을 지원하는 사회수문시스템 및 그 동작 방법 | |
KR102236678B1 (ko) | 자료해석 기반 침수 예측 방법 및 이를 위한 장치 | |
CN111416797B (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
CN114944053B (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
Han et al. | Modified constrained learning algorithms incorporating additional functional constraints into neural networks | |
Abbaszadeh et al. | Development of a coupled wavelet transform and evolutionary L evenberg‐M arquardt neural networks for hydrological process modeling | |
Kingston et al. | Computational intelligence methods for the efficient reliability analysis of complex flood defence structures | |
CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN109508784A (zh) | 一种神经网络激活函数的设计方法 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
Vafakhah et al. | Application of intelligent technology in rainfall analysis | |
CN115019510A (zh) | 一种基于动态自适应生成对抗网络的交通数据修复方法 | |
CN114255121A (zh) | 信贷风险预测模型的训练方法和信贷风险预测方法 | |
CN114118567A (zh) | 一种基于双通路融合网络的电力业务带宽预测方法 | |
CN109670582A (zh) | 一种全定点化神经网络的设计方法 | |
CN114613437A (zh) | 一种基于异构图的miRNA与疾病关联预测方法及系统 | |
CN116415928B (zh) | 基于深度学习的城市内涝交通路网快速修复方法及系统 | |
CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
CN117272195A (zh) | 基于图卷积注意力网络的区块链异常节点检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |