基于时间点过程神经网络模型的道路交叉口拥堵预测方法与流程

1.本发明涉及城市交通预测领域，更具体地说它是一种基于时间点过程神经网络模型的道路交叉口拥堵预测方法。


背景技术：

2.拥堵作为完整非刚性时空事件，预测其发展变化与传统交通参数的短期回归预测不同。目前大多数研究拥堵预测集中在自由高速公路或无信控条件下的交叉口环境，虽然也存在部分对于城市拥堵预测的研究，然而，针对城市信控交叉口车道级、信号周期级的精细化拥堵事件预测的研究不多。与高速公路相比，城市交叉口精细粒度的交通拥堵预测，在许多先进的智能交通系统应用中具有重要意义。尽管交通拥堵预测技术不断进步，但精细粒度信号交叉口的交通拥堵预测仍然是一项具有挑战性的任务。其难点主要存在于以下两方面：
3.在精细化空间关联建模方面存在两方面问题：首先，精细化的信控路口拥堵形态时空演化受到当前信号控制策略影响；此外，受到交叉口及其上下游之间复杂拓扑影响，局部交叉口的拥堵模式会受到区域级整体交通模式影响。拥堵形态时空演化过程，不像高速公路的线性分布，而是呈现出面状扩散，交通拥堵模式呈现复杂的空间动态相关性。因此，精确地描述交叉口车道空间之间拥堵的动态关联比较困难。然而，现有研究主要针对交叉口建模，或者通过交叉口建模路网，较少考虑区域路网结构对局部交叉口的空间依赖影响。其次，考虑到在局部信控交叉口也受外部信号灯控制策略的影响，不同的信号控制策略决定车道之间的联系强度和交通流的连通性。然而，现有的大多数方法较少考虑外部信号控制策略对交叉口车道级空间建模的影响。在对时间精细化建模方面。首先，如图2所示，拥堵事件发生是“跳跃”的时间戳，是分布在连续时间内的离散序列，和“连续”交通流参数序列时间粒度模式不一致。因此，统一表达两种时间粒度较难，合理建立拥堵事件“跳跃”时间粒度和交通流参数“连续”时间粒度之间关联十分必要。
4.因此，在交通拥堵时间双粒度建模中，不仅要考虑交通流参数的信号周期时间粒度，还要考虑交通拥堵事件本身时间粒度。
5.针对精细化的城市交叉口车道间、信号周期内拥堵事件预测，现有的城市交叉口拥堵预测模型存在三方面弊端。1)精细化程度不足，未能考虑信控交叉口特点，对信号灯周期级、车道级粒度建模时空关联，精度差；2)模型融合深度较弱，大多数深度学习预测模型基于单纯的数据驱动，缺乏与传统交通模型融合，导致模型收敛慢、精度差；3)缺乏将拥堵作为事件问题的研究，导致对拥堵事件的时空关联建模过程中，未能建立合理的先验结构，提取拥堵的时空信息。
6.因此，开发一种针对精细化的城市交叉口车道间、信号周期内拥堵事件进行高精度预测的方法很有必要。


技术实现要素：

7.本发明的目的是为了提供一种基于时间点过程神经网络模型的道路交叉口拥堵预测方法，针对精细化的城市交叉口车道间、信号周期内拥堵事件进行预测，预测精度高。
8.为了实现上述目的，本发明的技术方案为：基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：基于时间点过程理论和深度学习方法，通过时空点过程神经网络模型(spatio-temporal neural point processes，stnpp)在信号灯周期的精细时间尺度下，预测交叉口车道级拥堵事件级的发生、发展和消散的全生命周期过程，
9.具体方法为：
10.首先，在空间关联建模过程中，通过将多个交叉口的空间区域拥堵变化模式融合到单个交叉口级，构建空间关联模块，辅助路口车道之间、信号灯周期粒度精细化拥堵预测，实现局部路口和区域路网级动态关联；同时，在信控交叉口级空间关联建模时，将信号周期变化和局部交叉口的图卷积网络集成，捕获固定信号周期下的局部交叉口车道级粒度的动态空间关联；
11.其次，在双粒度时间关联建模过程中，考虑到拥堵事件发生是“跳跃”的时间戳，是连续时间内的离散分布，与交通流的连续信号周期时间粒度不一致。因此，通过时间点过程捕获拥堵事件时间粒度，并进一步与门控循环网络单元(gru)集成、构建新的神经点过程门控循环单元(nppgru)，分别对拥堵在不同时间粒度下建模，得到双粒度时间关联模块；通过空间关联模块和双粒度时间关联模块构成时空关联模块；
12.最后，基于序列得到序列架构和时空关联模块建立时空点过程神经网络模型(即交叉口拥堵事件预测模型)，进行参数优化，实现拥堵事件的多步预测。
13.在上述技术方案中，基于时间点过程神经网络模型的道路交叉口拥堵预测方法的具体预测方法，包括如下步骤，
14.步骤一：基础资料整理；
15.步骤二：定义拥堵事件；
16.步骤三：基于交叉口图结构的空间关联建模；
17.步骤四：集成时间点过程的时间关联建模；
18.步骤五：基于序列到序列的时空关联模块下的交叉口拥堵事件预测模型构建；
19.步骤六：模型的损失函数表示；
20.步骤七：输出预测结果。
21.在上述技术方案中，在步骤一中，基础资料包括交通速度数据、检测路网的几何数据和研究区域内所有交叉口的信号配时数据；
22.交通速度数据是将每个信号周期内车道级浮动车辆的瞬时速度取平均值，如，从某市交通数据集中提取2018年12月1日至2018年12月31日30天的速度和信号配时数据；统计了一天中最大事件数为4235次，最小事件数为2354次；
23.检测路网的几何数据描述车道数、每个车道的几何形状、车道之间的拓扑连接以及每个交叉口的转弯限制；
24.研究区域内所有交叉口的信号配时数据包括周期长度和有效绿灯时间。如图1所示，为所研究的路网，路网由18个路口和154条互联车道组成。
25.在上述技术方案中，在步骤二中，拥堵事件表示特定交叉口拥堵发生时间和标值
的集合；根据城市对于特定的道路交叉口限速规定，将某时刻下速度小于标准时速的交通状态定义为一次拥堵事件，该次事件的发生时间戳(时间)和速度(标值)作为事件的基本信息；
26.拥堵事件序列：基于拥堵事件的定义，拥堵事件序列是指拥堵事件按照发生的时间构成的集合，表示为es＝{(t1，m1)，(t2，m2)，
…
，(tn，mn)}，n表示事件发生次数的随机变量，其中，0《t1《t2《
…
《tn表示拥堵事件的发生时间ti∈(0，t]，s表示固定的空间位置，例如在交叉口表示固定的车道位置。为了进一步说明拥堵事件序列与城市交通流的差别，如图2所示，异步拥堵事件序列发生时间戳离散分布在连续变化的交通流的相等时间间隔内部，二者的时间粒度不同，一般事件时间变化尺度不规则且大于交通流的时间变化粒度。
27.其中，拥堵事件定义的具体步骤如下：
28.1)将第i个交叉口第j条车道的拥堵事件集合计为其中对于某时刻未发生拥堵事件表示{0，0}，tc∈(0，p]表示第c次拥堵事件发生的时间戳；表示此次拥堵事件标值信息(拥堵等级、速度等交通状态特征，本发明中指速度)；mj∈[1，2，
…
，k]，k∈z
+
表示在历史时间间隔(0，p]内发生拥堵事件累计次数；u表示并集；
[0029]
2)定义历史间隔(0，p]个信号周期内，对于固定i交叉口m条车道的所有拥堵事件集合计为
[0030]
其中，对于某时刻未发生拥堵事件表示{0，0}，tc∈(0，p]表示第c次拥堵事件发生的时间戳；因此，输入的历史时间特征为p个事件时间戳tc/0构成的连续时间序列；mj∈[1，2，
…
，k]，k∈z
+
表示在历史时间间隔(0，p]内发生拥堵事件累计次数；因此，在历史间隔(0，p]个信号周期内，对于固定i交叉口m条车道的所有拥堵事件集合：
[0031]
在上述技术方案中，在步骤三中，交叉口拥堵事件预测模型在信控交叉口信号周期级别、车道空间级别，精细化预测交通拥堵事件发生时间和标值；图3展示了交叉口拥堵事件预测模型基本结构；
[0032]
交叉口拥堵事件预测模型主要由两部分构成，包括空间关联模块和双粒度时间关联模块；
[0033]
其中，在空间关联建模阶段，交叉口拥堵问题受到内部和外部因素的联合影响，内部因素包括拥堵事件特征集合e0→
p
和交通流特征χg的共同影响，外部因素主要是受到信号控制策略的动态变化和区域路网拥堵变化模式对局部交叉口的影响；在公式(2)和公式(14)中通过e0→
p
和χg来进行计算空间关联；
[0034]
外部因素影响下的全局区域路网空间关联建模方法为：在外部空间依赖影响当中，由于局部交叉口的拥堵模式会受到区域级整体交通模式影响，交通拥堵模式呈现复杂的空间动态相关性；
[0035]
利用图卷积网络建模图结构的优势，对每个信号周期，以交叉口为区域路网图结构的基本单元，利用图卷积网络对区域路网图结构的n个交叉口的输入
建模空间依赖，得到区域交叉口之间的全局空间关联公式表示：
[0036][0037]
其中，和分别为区域路网图卷积层输入数据块的l和l+1层；ug是一个正交矩阵；g(
·
)是一个多项式核函数，作用于对角矩阵λg∈rn×n；对于区域路网图gg，其图拉普拉斯矩阵l可分解为ugg(λg)(ug)
t
；
[0038]
通过区域交叉口之间的全局空间关联公式得到嵌入后的区域路网交叉口之间的空间结构信息，计算区域路网的历史p个信号周期，得到
[0039]
通过索引查询，从n个交叉口中选择目标交叉口n的索引，其特征为进一步得到该交叉口所有车道的p个信号周期的区域路网影响特征作为局部交叉口的时空关联输入，辅助拥堵的内部因素影响建模；
[0040]
考虑到交叉口拥堵受到信号灯控制策略的外部因素影响，不同信号控制策略决定了交叉口上下游车道之间的联系强度和交通流的连通性；为了顾及拥堵外部影响因素，结合信控交叉口应用环境，将车道级的外部信号控制策略变化建模空间关联。研究表明，通过将外部因素建模为自适应矩阵能够显著捕获部分交通任务中隐藏的动态空间依赖。因此，具体建模方法为：给定交通网络中有m条车道的特定交叉口，通过信号控制策略的动态变化，构造外部信控感知转移矩阵a∈rm×m，表达每个信号周期时间切片上空间车道之间的关联强度，进一步将获取的交通历史p时间段中信控感知转移矩阵叠加为as∈rm×m×
p
；
[0041]
其中，该矩阵as∈rm×m×
p
在不同时间切片下，通过上下游不同车道间的信号周期不同大小来量化车道之间的关联强度。
[0042]
在上述技术方案中，面向局部交叉口，由于内部因素对车道级空间建模影响，难以建立显式表达模型；因此，基于交叉口图结构的空间关联建模的方法，还包括：通过注意力机制将拥堵的内部因素事件特征集合e0→
p
和交通流特征χ
l
联合，计算车道之间权重；不同的车道分配不同的权重，通过联合内部因素的共同作用计算权重，表达对当前拥堵车道的共同影响，具体方法如下；
[0043]
假设有历史p个信号周期的交通拥堵观测数据，交叉口的m条车道的交通流χ
l
和事件e0→
p
作为神经网络层的输入，在每个信号周期内计算输入的加权矩阵：
[0044][0045]
其中：σ表示激活函数；“|”表示连接符，表示连接符，b
l
∈rm×m网络学习参数；其中拥堵事件的输入特征为事件时间和标值；
[0046]
对于发生拥堵事件的第i条车道，其与相邻车道、上下游车道的空间相关性α
i，j
可根据a
l
计算得到：
[0047][0048]
其中，j是和第i条关联车道的索引，α
i，j
表示空间关联强度在路口中j和i条车道关联强度；
[0049]
局部信控交叉口车道之间存在几何拓扑关联的影响，这种空间上的物理关联对拥
堵在精细车道之间的信息传递十分重要；与区域路网图结构类似，采用图卷积网络对局部交叉口图结构建模，并将上述注意机制和信控感知转移矩阵整合传统的图卷积网络，自适应地捕捉当前交叉口车道与上下游交叉口车道之间的动态空间依赖关系；在每个信号周期切片内，利用图卷积算子来捕获交叉口车道之间的空间相关性，公式表示如下：
[0050]
x
l+1
＝relu(ug(λ)u
t
x
l
)(4)
[0051]
其中，x
l+1
和x
l
分别为图卷积网络层输入数据块的l和l+1层，(注意：历史事件数据作为空间注意力输入，计算车道之间空间影响，但并没有作为空间卷积的输入层)，表示t时刻全局区域路网影响；u是一个正交矩阵；为了捕获相邻交叉口间动态车道级空间相关性，提出将公式(3)计算出的空间注意力权重和信控感知转移矩阵a∈rm×m集成到上述图卷积中，将式(4)重写为：
[0052][0053]
其中，
⊙
为哈达玛乘积算子，即逐点乘法。通过上面的集成设计有两点好处：1)通过显示地考虑外部信号控制策略对空间建模影响，提高了图卷积网络对上下游车道间空间相关性的敏感度；2)使模型能够度量交叉口上下游车道之间的交互影响，增强了模型的可解释性。
[0054]
在上述技术方案中，集成时间点过程的时间关联建模(即对城市信控交叉口双时间粒度关联建模)，具体方法如下：
[0055]
在空间上捕捉到相邻交叉口之间的动态车道级关联后，在时间建模中，聚焦于一个特定的车道，研究拥堵在当前观测周期与其相邻信号周期之间的时间相关性；考虑到交通拥堵受多时间粒度的综合影响，将交通时间序列分为双时间粒度：基于拥堵事件间隔的“跳跃”不规则时间粒度和基于“连续”规则信号周期的交通流参数时间粒度；
[0056]
对于特定的(即给定的一个)交叉口n的第m条车道，给定在历史时间p内发生的一个离散事件列表的集合
[0057]
其中，tc∈(0,p]表示获得第c次拥堵事件时的时间戳，并且假设第一次观测是在时间戳0时进行的；
[0058]
引入一个掩码向量来表示tc时刻的拥堵事件是否发生，其值分别为1/0，具体如下公式表示：
[0059][0060][0061]
其中：tc表示拥堵事件发生时间戳；表示掩膜向量；表示相邻连续拥堵事件的时间间隔；
[0062]
为了捕获双时间粒度下拥堵事件的时间关联模式，本发明设计了一个可自适应学习的先验强度函数模型，并将该模型集成到传统的门控循环网络gru中，公式表示：
[0063][0064]
其中，[
″
|
″
]表示连接符号，是模型学习参数；表示拥堵事件次数累计向量；
[0065]
外部函数λ(
·
)的选择需要考虑两个关键标准：1)强度函数需要为正数；2)如前所述，强度函数应该随着拥堵事件的发生时间间隔和发生累积次数而变化。
[0066]
得到结果(即得到双时间粒度下拥堵事件的时间关联模式)后，为了建模历史拥堵事件和累积拥堵数量的时间相关性，通过逐元素乘以λ(tc)来更新原始的门控循环单元输入的时间特征和隐藏状态并将其作为先验模型与gru模型相结合，形成神经点过程门控循环单元，nppgru；
[0067]
nppgru的更新方式如下：
[0068][0069][0070][0071][0072][0073]
其中，u表示更新门，r重置门，候选隐藏变量，σ激活函数(sigmoid)，wr，wu,ur，uu，u和学习权重参数，br，bu和表示偏置项。[
⊙
]表示点乘，[*]表示矩阵乘积。如图4所示，本发明对比了神经点过程门控循环单元与传统门控循环单元异同点；
[0074]
将基于拥堵事件的掩码向量直接输入神经点过程门控循环单元模型，辅助事件的时间关联建模，得到时间关联模型。
[0075]
在上述技术方案中，在步骤六中，模型的损失函数表示(本发明的模型是指空间关联模块和双时间模块部分)，具体方法为：
[0076]
给定一个包含历史、区域级和交叉口级χg，χ
l
的时间不规则性交通状态集合，一个离散的历史和未来时间不规则拥堵事件列表tc∈(0，p]和通过设kc＝1表示当前时刻发生拥堵，否则为0(即当前时刻未发生拥堵，则为kc为0)；通过最大化联合对数似然估计更新模型参数，模型的损失函数表示为：
[0077][0078]
在上述技术方案中，时间关联模块基于序列到序列的框架结构，通过递归计算，学习历史拥堵事件编码表示，通过选择条件概率最大的最优参数θ(公式(14))生成未来多步拥堵事件输出；如图5所示，在时间关联模型学习拥堵模式过程中，历史多步时刻的事件和交通流数据被输入到堆叠的nppgru单元中，实现双时间粒度的信息编码；而在解码预测阶段，前一个nppgru单元的输出将作为下一个单元的输入，计算未来多步时刻下是否发生拥
堵和拥堵标值。
[0079]
本发明具有如下优点：
[0080]
本发明首先在空间关联建模，通过将多个交叉口的空间区域拥堵变化模式融合到单个交叉口级，辅助路口车道之间、周期粒度精细化拥堵预测，解决局部路口和区域路网级动态关联；然后在信控交叉口级空间关联建模时，将信号周期变化和局部交叉口的图卷积网络集成，捕获固定信号周期下的局部交叉口车道级粒度的动态空间关联；最后在时间关联建模过程中，考虑到拥堵事件发生是“跳跃”的时间戳，是连续时间内的离散分布，与交通流的连续信号周期时间粒度不一致，因此，通过时间点过程模型捕获拥堵事件时间粒度，并进一步与门控循环网络单元集成，提出了新的神经点过程门控循环单元，分别对拥堵在双时间粒度下建模。为了考虑远程交叉口对局部拥堵交叉口的空间影响，本发明将区域内的交叉口拥堵模式变化融入到局部交叉口建模，提高了预测精度；
[0081]
本发明开发一种能够灵活感知信号周期变化的自适应矩阵，来建模拥堵中的动态空间关联，能够显著捕获部分交通任务中隐藏的动态空间依赖关系，提高预测精度。
[0082]
本发明开发一种新的融合连续交通流和离散拥堵事件信息的双时间粒度模型，通过循环神经网络将连续的时间粒度信息融合到离散事件粒度，通过这种方式，使得拥堵预测模型不仅可以在宏观时间粒度上处理拥堵事件的“宏观”趋势，而且在“微观”信号周期时间粒度上捕捉拥堵之间的更多细节和变化，提高预测精度。
附图说明
[0083]
图1为本发明实验中的路网结构图。
[0084]
图2为本发明中固定位置下一天内一系列拥堵事件的时间双尺度分布。
[0085]
图3为本发明提出的信控路口精细化拥堵预测模型stnpp。
[0086]
图4为本发明中的神经点过程门控循环单元与传统门控循环单元的对比图。
[0087]
图5为本发明基于双时间粒度神经点过程门控循环单元(nppgru)神经网络结构图。
[0088]
图6为本发明实施例中#767交叉口北向驶入车道拥堵预测结果对比图。
[0089]
在图1中，圆圈表示交叉口，五角星表示本发明进行了实验的挑选的交叉口(即待评价的六个多车道交叉路口位置)；数字1044、1043、1042、771、768、767表示交叉口的标号。
[0090]
在图2中，带箭头色条的高度表示拥堵指数；横坐标表示周期。
[0091]
在图3中，fg，f
l
分别表示区域和交叉口的交通状态特征个数，t表示信号周期个数，n，m分别表示区域交叉口个数和交叉口车道数；外部因素指区域路网空间影响和信号灯周期变化影响；内部因素指的是交叉口车道之间、周期之间的拥堵事件特征和交通流变化影响；输出部分实心圆点表示车道，带十字的圆点表示当前预测车道结果，并一起构成局部交叉口图结构。拥堵事件预测输出未来多个信号周期的拥堵事件标值(速度)和事件时间类别(在每个信号周期是否发生拥堵)。
[0092]
图4中的(a)图为神经点过程门控循环单元(nppgru单元图)；(b)图为传统门控循环单元(gru单元)。
[0093]
图4展示了nppgru相对传统gru单元的差异，相对于传统的gru单元，本发明加入了拥堵事件时间点过程后修改的nppgru单元。本发明集成后的nppgru单元不仅能够发挥原始
gru单元建模时间非线性能力，同时也能改善传统时间点过程模型的预测能力，通过这种建模方式，使模型不仅可以在宏观事件时间粒度上处理拥堵事件的全局趋势，而在微观交通流时间粒度上捕捉拥堵的更多细节和变化。
[0094]
在图5中，输入离散事件时间序列集合{(t1，y1),(t2，y2)，
…
，(t
p
，y
p
)}和连续规则交通流参数序列[x1,x2,
…
，x
p
]；经过堆叠nppgru编码得到隐含历史序列表示c，接下来，通过解码序列，得到未来多步事件预测的标值和时间序列[y1，y2，
…
，ym]，yi＝(ti，yi)；y0，c、
……
ym-1，c表达拥堵事件，是一个元组表示；
[0095]
在图5中，s1表示输入层；s2表示输出层；s3表示编码层；s4表示解码层。
[0096]
图6中的(a)图为stnpp预测结果图；(b)图为np-stnpp(表示去掉在时间关联建模gru上的修改，即为弱化的stnpp模型)预测结果图；(c)图为astgcn(已有方法模型)预测结果图。
具体实施方式
[0097]
下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
[0098]
实施例
[0099]
现以本发明试用于某道路交叉口对某#767交叉口北向驶入车道进行拥堵预测为实施例对本发明进行详细说明，对本发明应用于其它道路交叉口进行拥堵预测同样具有指导作用。
[0100]
本实施例采用本发明方法对某#767交叉口北向驶入车道进行拥堵预测，具体方法为：对城市交叉口信号灯周期级、车道级粒度的精细化时空关联建模，具体包括空间关联建模和时间关联建模两部分；在空间关联建模中，将交叉口车道当作图的节点，面向单个交叉口所有空间车道进行建模；然后，通过嵌入空间结构信息，对每个节点进行时间建模(即通过双时间粒度的时间关联建模)；最后得到一个交叉口的所有车道级、信号灯周期级的，精细化的拥堵事件预测：
[0101]
输入数据包括区域路网和局部交叉口采集的交通数据。
[0102]
对于区域路网图gg＝(vg，eg，ag)，每10分钟对每个交叉口所有进路段的交通特征进行聚合，即
[0103]
其中，p为数据采集信号周期，fg为聚合的交通特征。fg＝[v
avg，，vmin
，v
max
]是否位于高峰期0/1，v
avg
,，v
min
，v
max
表示平均值、最小值和最大速度。
[0104]
在交叉口层级，定义局部交叉口图g
l
＝(v
l
，e
l
，a
l
)，该图捕捉特定交叉口车道之间的局部拓扑关系。每个图节点对应一个车道空间位置。用表示车道级局部时间序列交通状态数据，f
l
＝[v
i,avg
,,v
i,min
，v
i,max
,tp]，其中v
i,avg
，v
i，min
，v
i,max
分别为第i个交点在p周期内的平均速度、最小速度和最大速度。
[0105]
训练stnpp主要由以下步骤构成：
[0106]
输入：交叉口图结构g
l
∈rm×m；区域路网图结构gg∈rn×n；训练交通流参数特征集合{χg，χ
l
}和拥堵事件集合批量大小b，迭代数k，输入历史和预测的信号周期个数p，t
p
。
[0107]
输出：stnpp模型参数θ
[0108]
//前向传播计算
[0109]
随机初始化
θ
[0110]
for n＝1
…
k do：
[0111]
训练样本输入：每次输入b个交通流时空特征{(gg，χg)，(g
l
，x
l
)}和拥堵事件集合
[0112]
根据公式(4.5)空间关联单层gcn建模事件空间关联：
[0113]
通过建模事件时间关联：
[0114]
模型输出：预测多步时间拥堵事件是否发生和标值：
[0115]
计算拥堵事件时间和标值误差损失，通过公式：
[0116][0117]
//反向传播计算：
[0118]
执行adam反向传播更新梯度
[0119]
通过梯度更新模型权重参数：
[0120]
停止迭代。
[0121]
本实施例进一步对精细化车道级拥堵标值预测结果进行展示，只对预测结果较好的方法进行展示，结果如图6所示，可以发现：1)根据城市交通标准时速的规定，当前交叉口部分车道处于缓行和严重拥堵状态；2)即使在交通速度发生剧烈变化的情况下，stnpp依然可以取得十分逼近真实值的预测结果，得到了最小的残差；主要是由于nppgru单元能够在时间上对拥堵的历史影响捕获和累积次数触发；因此，对变化剧烈的位置给予更多的注意力，可以灵活地响应真实交通变化，不容易产生平滑的预测结果；stnpp在空间上利用车道之间信号灯影响并考虑上下游关联，在时间上利用双粒度建模连续交通流和“跳跃”事件时间影响，能够得到比其他基线模型更小的残差(预测值减去实际值)，且stnpp的残差分布规律明显以零为中心，没有发生严重倾斜现象。
[0122]
验证试验
[0123]
通过以下验证，来进一步说明本发明的预测精度。
[0124]
(1)单一车道拥堵预测精度的比较
[0125]
本发明首先评估了stnpp在两个单车道实验预测性能(每次只测试一个车道，拥堵时段不区分高峰和平峰)，选择预测未来1/3/5三个信号步长，并在表1和
[0126]
表2中显示结果。首先，结果表明，随着预测步长的增加，所有模型的预测性能呈现下降趋势。然而，stnpp模型对于交叉口的单车道拥堵预测始终获得了最低的mae、rmse和mape。预测南向车道未来5个周期mae/rmse/mape分别为2.60/3.51/8.44，北向车道：2.29/2.97/6.51，证明stnpp算法中针对时空关联建模的设计比其他模型更符合真实拥堵的分布模式。其次，基于深度学习的时空预测模型(gcn+att，astgcn，s2s-gru，np-stnpp，stnpp)性能大部分情况下优于机器学习svr，证明了深度学习模型对于时空特征的捕捉能力更强。但
是，在
[0127]
表2中北向车道报告结果gcn+att的预测性能不及svr，这主要是由于拥堵事件中存在较强的时间相关，忽略时间特征只对空间建模不能较好拟合拥堵分布。最后，astgcn作为次优模型，性能上接近本发明变体模型np-stnpp，并优于其他拥堵预测模型。gcn+att、s2s-gru和np-stnpp实现了最差的预测结果，主要是由于没有同时对时间和空间关联建模，以及未考虑拥堵事件中的多时间粒度因素的影响。综上可得，本发明stnpp模型对于时空特征的捕捉能力更强、能较好拟合拥堵分布，同时对时间和空间关联建模，以及考虑拥堵事件中的多时间粒度因素的影响，预测精度最高。
[0128]
表1南向行驶模型性能对比
[0129][0130]
表2北向行驶模型性能对比
[0131][0132]
(2)在相似结构路口的迁移能力拥堵预测测试
[0133]
为了验证本发明提出方法的相似路口泛化迁移能力，选择某#767交叉口对模型进行训练，并将训练好的模型迁移应用到与该#767交叉口结构相似的#771、#1041交叉口，测试拥堵模型的迁移预测能力。从表3结果中发现，stnpp模型能够在结构相似的交叉口之间实现较好的迁移预测能力，对于未来1/3/5个信号周期，获得了满意的mae、rmse和mape。
[0134]
其中，#771交叉口实现了较好的迁移应用，主要体现在下面两点：1)获得了较高的预测精度；不同方向行驶的车道单步预测mape：4.68/6.50；2)预测步长和精度变化明显负相关；可以看到拥堵预测结果精度随着预测步长增加逐渐下降；依据这两点评价标准，说明在#1041交叉口迁移预测结果精度相对较差，且单步预测结果的精度并不高于3步和5步预测精度，甚至随着预测步长增加，精度出现上升趋势，说明模型的迁移能力较差。
[0135]
因此，基于上述结果发现，不同交叉口的拥堵变化时空模式不同，模型泛化性能差别较大。特别地，在路口#771的单步预测中平均绝对误差(mae)：1.43-1.93，小于2km/h，这在交通管理和控制实践中被认为是微不足道的。这主要是因为空间位置上，#771路口与模型训练的交叉口#767位于同一路段上下游，因此交通模式时空变化相似。然而，#1044交叉口距离#767较远，且位于不同的路段，导致交通拥堵时空模式相差较大，尽管结构相似，但迁移预测产生的误差较大。虽然在部分交叉口迁移预测中性能不够稳定，然而，具有相似布局的交叉口整体预测精度较好，证明本发明提出的方法可以满足对相似交叉口之间迁移预测目的。
[0136]
表3stnpp模型在#771、#1044交叉口迁移能力测试
[0137][0138]
其它未说明的部分均属于现有技术。

技术特征：
1.基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：基于时间点过程理论和深度学习方法，通过时空点过程神经网络模型在信号灯周期的精细时间尺度下，预测交叉口车道级拥堵事件级的发生、发展和消散的全生命周期过程，具体方法为：首先，在空间关联建模过程中，通过将多个交叉口的空间区域拥堵变化模式融合到单个交叉口级，构建空间关联模块，辅助路口车道之间、信号灯周期粒度精细化拥堵预测，实现局部路口和区域路网级动态关联；同时，在信控交叉口级空间关联建模时，将信号周期变化和局部交叉口的图卷积网络集成，捕获固定信号周期下的局部交叉口车道级粒度的动态空间关联；其次，在双粒度时间关联建模过程中，通过时间点过程捕获拥堵事件时间粒度，并进一步与门控循环网络单元集成、构建新的神经点过程门控循环单元，通过新的神经点过程门控循环单元，分别对拥堵在不同时间粒度下建模，得到双粒度时间关联模块；通过空间关联模块和双粒度时间关联模块构成时空关联模块；最后，基于序列得到序列架构和时空关联模块建立时空点过程神经网络模型，进行参数优化，实现拥堵事件的多步预测。2.根据权利要求1所述的基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：具体预测方法，包括如下步骤，步骤一：基础资料整理；步骤二：定义拥堵事件；步骤三：基于交叉口图结构的空间关联建模；步骤四：集成时间点过程的时间关联建模；步骤五：基于序列到序列的时空关联模块下的交叉口拥堵事件预测模型构建；步骤六：模型的损失函数表示；步骤七：输出预测结果。3.根据权利要求2所述的基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：在步骤一中，基础资料包括交通速度数据、检测路网的几何数据和研究区域内所有交叉口的信号配时数据；交通速度数据是将每个信号周期内车道级浮动车辆的瞬时速度取平均值；检测路网的几何数据描述车道数、每个车道的几何形状、车道之间的拓扑连接以及每个交叉口的转弯限制；研究区域内所有交叉口的信号配时数据包括周期长度和有效绿灯时间。4.根据权利要求3所述的基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：在步骤二中，拥堵事件表示特定交叉口拥堵发生时间和标值的集合；根据城市对于特定的道路交叉口限速规定，将某时刻下速度小于标准时速的交通状态定义为一次拥堵事件，该次事件的发生时间戳和速度作为事件的基本信息；其中，拥堵事件定义的具体步骤如下：1)将第i个交叉口第j条车道的拥堵事件集合计为对于某时刻未发生拥堵事件表示{0,0}；
其中，t
c
∈(0,p]表示第c次拥堵事件发生的时间戳；表示此次拥堵事件标值信息；m
j
∈[1,2,
…
,k],k∈z
+
表示在历史时间间隔(0,p]内发生拥堵事件累计次数；u表示并集；2)定义历史间隔(0,p]个信号周期内，对于固定i交叉口m条车道的所有拥堵事件集合计为t
c
∈(0,p]；其中，对于某时刻未发生拥堵事件表示{0,0}；其中：t
c
∈(0,p]表示第c次拥堵事件发生的时间戳；m
j
∈[1,2,
…
,k],k∈z
+
表示在历史时间间隔(0,p]内发生拥堵事件累计次数；输入的历史时间特征为p个事件时间戳t
c
/0构成的连续时间序列；在历史间隔(0,p]个信号周期内，对于固定i交叉口m条车道的所有拥堵事件集合：t
c
∈(0,p]。5.根据权利要求4所述的基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：在步骤三中，基于交叉口图结构的空间关联建模，具体为：在空间关联建模阶段，交叉口拥堵问题受到内部和外部因素的联合影响，内部因素包括拥堵事件特征集合e0→
p
和交通流特征x
g
的共同影响，外部因素受到信号控制策略的动态变化和区域路网拥堵变化模式对局部交叉口的影响；外部因素影响下的全局区域路网空间关联建模：利用图卷积网络建模图结构，对每个信号周期，以交叉口为区域路网图结构的基本单元，利用图卷积网络对区域路网图结构的n个交叉口的输入建模空间依赖，得到区域交叉口之间的全局空间关联公式表示：其中，和分别为区域路网图卷积层输入数据块的l和l+1层；u
g
是一个正交矩阵；g(
·
)是一个多项式核函数，作用于对角矩阵λ
g
∈r
n
×
n
；对于区域路网图g
g
，其图拉普拉斯矩阵l分解为u
g
g(λ
g
)(u
g
)
t
；通过区域交叉口之间的全局空间关联公式得到嵌入后的区域路网交叉口之间的空间结构信息，计算区域路网的历史p个信号周期，得到通过索引查询，从n个交叉口中选择目标交叉口n的索引，其特征为进一步得到该交叉口所有车道的p个信号周期的区域路网影响特征作为局部交叉口的时空关联输入，辅助拥堵的内部因素影响建模；考虑到交叉口拥堵受到信号灯控制策略的外部因素影响，不同信号控制策略决定了交叉口上下游车道之间的联系强度和交通流的连通性；为了顾及拥堵外部影响因素，结合信控交叉口应用环境，将车道级的外部信号控制策略变化建模空间关联，具体建模方法为：给定交通网络中有m条车道的特定交叉口，通过信号控制策略的动态变化，构造外部信控感知转移矩阵a∈r
m
×
m
，表达每个信号周期时间切片上空间车道之间的关联强度，进一步将获取的交通历史p时间段中信控感知转移矩阵叠加为a
s
∈r
m
×
m
×
p
；其中，该矩阵a
s
∈r
m
×
m
×
p
在不同时间切片下，通过上下游不同车道间的信号周期不同大小来量化车道之间的关联强度。6.根据权利要求5所述的基于时间点过程神经网络模型的道路交叉口拥堵预测方法，
其特征在于：基于交叉口图结构的空间关联建模的方法，还包括：通过注意力机制将拥堵的内部因素事件特征集合e0→
p
和交通流特征x1联合，计算车道之间权重；不同的车道分配不同的权重，通过联合内部因素的共同作用计算权重，表达对当前拥堵车道的共同影响，具体方法如下；假设有历史p个信号周期的交通拥堵观测数据，交叉口的m条车道的交通流χ
l
和事件e0→
p
作为神经网络层的输入，在每个信号周期内计算输入的加权矩阵：其中：σ表示激活函数；“|”表示连接符，表示连接符，网络学习参数；其中拥堵事件的输入特征为事件时间和标值；对于发生拥堵事件的第i条车道，其与相邻车道、上下游车道的空间相关性α
i,j
可根据a
l
计算得到：其中，j是和第i条关联车道的索引，α
i,j
表示空间关联强度在路口中j和i条车道关联强度；在每个信号周期切片内，利用图卷积算子来捕获交叉口车道之间的空间相关性，公式表示如下：x
l+1
＝relu(ug(λ)u
t
x
l
)(4)其中，x
l+1
和x
l
分别为图卷积网络层输入数据块的l和l+1层，表示t时刻全局区域路网影响；u是一个正交矩阵；为了捕获相邻交叉口间动态车道级空间相关性，提出将公式(3)计算出的空间注意力权重和信控感知转移矩阵a∈r
m
×
m
集成到上述图卷积中，将式(4)重写为：其中，
⊙
为哈达玛乘积算子，即逐点乘法。7.根据权利要求6所述的基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：集成时间点过程的时间关联建模，具体方法如下：考虑到交通拥堵受多时间粒度的综合影响，将交通时间序列分为双时间粒度：基于拥堵事件间隔的“跳跃”不规则时间粒度和基于“连续”规则信号周期的交通流参数时间粒度；对于给定的一个交叉口n的第m条车道，给定在历史时间p内发生的一个离散事件列表的集合其中，t
c
∈(0,p]表示获得第c次拥堵事件时的时间戳，并且假设第一次观测是在时间戳0时进行的；引入一个掩码向量来表示t
c
时刻的拥堵事件是否发生，其值分别为1/0，具体如下公式表示：
其中：t
c
表示拥堵事件发生时间戳；表示掩膜向量；表示相邻连续拥堵事件的时间间隔；为了捕获双时间粒度下拥堵事件的时间关联模式，设计一个可自适应学习的先验强度函数模型，并将该模型集成到传统的门控循环网络gru中，公式表示：其中，["|"]表示连接符号，是模型学习参数；表示拥堵事件次数累计向量；得到结果后，为了建模历史拥堵事件和累积拥堵数量的时间相关性，通过逐元素乘以λ(t
c
)来更新原始的门控循环单元输入的时间特征和隐藏状态并将其作为先验模型与gru模型相结合，形成神经点过程门控循环单元，nppgru；nppgru的更新方式如下：nppgru的更新方式如下：nppgru的更新方式如下：nppgru的更新方式如下：nppgru的更新方式如下：其中，u表示更新门，r表示重置门，表示候选隐藏变量，σ表示激活函数，w
r
,w
u
,u
r
,u
u
,u和学习权重参数，b
r
,b
u
和表示偏置项；[
⊙
]表示点乘，[*]表示矩阵乘积；将基于拥堵事件的掩码向量直接输入神经点过程门控循环单元模型，辅助事件的时间关联建模，得到时间关联模型。8.根据权利要求7所述的基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：在步骤六中，模型的损失函数表示，具体方法为：给定一个包含历史、区域级和交叉口级x
g
,x
l
的时间不规则性交通状态集合，一个离散的历史和未来时间不规则拥堵事件列表t
c
∈(0,p]和通过设k
c
＝1表示当前时刻发生拥堵，当前时刻未发生拥堵，则为kc为0；通过最大化联合对数似然估计更新模型参数，模型的损失函数表示为：9.根据权利要求8所述的基于时间点过程神经网络模型的道路交叉口拥堵预测方法，其特征在于：时间关联模块基于序列到序列的框架结构，通过递归计算，学习历史拥堵事件编码表示，通过公式(14)选择条件概率最大的最优参数θ、生成未来多步拥堵事件输出；在时间关联模型学习拥堵模式过程中，历史多步时刻的事件和交通流数据被输入到堆叠的nppgru单元中，实现双时间粒度的信息编码；
而在解码预测阶段，前一个nppgru单元的输出将作为下一个单元的输入，计算未来多步时刻下是否发生拥堵和拥堵标值。

技术总结
本发明公开了一种基于时间点过程神经网络模型的道路交叉口拥堵预测方法。它包括如下步骤，首先，在空间关联建模过程中，通过将多个交叉口的空间区域拥堵变化模式融合到单个交叉口级，构建空间关联模块；其次，在双粒度时间关联建模过程中，通过时间点过程捕获拥堵事件时间粒度，并进一步与门控循环网络单元集成、构建新的神经点过程门控循环单元，通过新的神经点过程门控循环单元，分别对拥堵在不同时间粒度下建模，得到双粒度时间关联模块；最后，基于序列得到序列架构和时空关联模块建立时空点过程神经网络模型，进行参数优化，实现拥堵事件的多步预测。本发明具有针对精细化的城市交叉口车道间、信号周期内拥堵事件预测，预测精度高的优点。精度高的优点。精度高的优点。


技术研发人员：王建龙 义崇政 张力 马瑞 吴学宇 张航 祝宪章 刘成堃
受保护的技术使用者：长江空间信息技术工程有限公司（武汉）
技术研发日：2022.12.26
技术公布日：2023/6/26