一种融合因果推断的交通路网异常态势时空演化方法

本发明涉及智能交通信息处理领域，更具体的说是涉及一种融合因果推断的交通路网异常态势时空演化方法。

背景技术：

1、在交通运行过程中出现的各种异常情况统称为交通异常事件。在各类交通问题中，交通拥堵等异常事件的发生最为频繁，对出行者和社会发展都有显著不良影响。对个人而言，出行时遭遇交通异常事件会增加其出行时间和行车成本，降低出行效率、出行体验和生活幸福感；于社会发展而言，生产力损失、经济负担和社会压力加重以及环境的破坏等问题随之而来。因此有必要研究非周期性交通拥堵、交通事故等异常事件对路网交通状况和出行者的影响，从而制定针对性的改善措施。

2、当前，在现有的研究中，有关交通异常事件检测的方面，主要有以下内容：(1)为了减少交通拥堵等交通异常态势，诸多学者提出了一些基于传统交通模型的方法进行拥堵传播的定量分析，如采用ctm模型。(2)基于海量实时交通大数据，bn、gcn等深度学习模型也被用来模拟交通状态传播结构，揭示其隐藏性质。(3)为了进一步挖掘数据中存在的因果关系，提升深度学习的可解释性，国内外学者提出了反事实推理算法框架，使得深度学习与因果推断相结合。

3、然而，现有针对交通异常态势的相关研究也存在一定的不足：(1)在大数据时代，基于交通模型的传统算法和框架很难满足当前的实际应用需求，有必要开发数据驱动的基于深度学习的算法，但是传统的深度学习模型缺乏可解释性，导致在实际应用中可信度较低。(2)传统的因果推断模型和算法很难支持大规模路网的分析，也无法利用海量实时数据带来的优势，且对于模型精确度的提高较为困难。(3)当前交通领域的深度因果模型研究较少，大多用于交通预测模型，而交通异常态势时空演化规律研究存在很大的空白。

4、因此，如何设计一种融合因果推断的交通路网异常态势时空演化方法，构建反事实图注意力网络模型，提高交通路网异常态势检测的精确度、可靠性和实时性是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种融合因果推断的交通路网异常态势时空演化方法，该方法结合了因果推断和时空关联，且引入了反事实图注意力网络模型，通过识别交通路网数据中的因果效应，可以更好地理解交通系统中事件之间的因果关系，在处理交通路网数据时能够有效地捕捉数据之间的复杂关系和时空特征，在异常态势检测中具有更好的效果。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种融合因果推断的交通路网异常态势时空演化方法，包括：

4、步骤一、获取多源交通路网数据，基于交通路网的时空关联和因果效应，筛选特征变量，构建数据集；

5、步骤二、基于编码器和解码器结构，构建反事实图注意力网络模型，并对所述反事实图注意力网络模型进行参数设置；

6、步骤三、利用所述数据集对所述反事实图注意力网络模型进行训练，将待检测的交通路网数据输入训练好的反事实图注意力网络模型，获得交通路网的异常态势检测识别结果及时空演化情形。

7、进一步的，所述步骤一中，特征变量包括交通状态特征、时间特征和异常事件发生情况；

8、对输入路段i的特征变量定义为：

9、

10、其中，表示路段i在t时刻的干预，是否发生交通异常；表示路段的交通速度特征及时间特征变量；

11、对所述特征变量进行z-score数据标准化处理，采用公式：

12、

13、其中，x表示数据观察值，表示数据均值、σ表示标准差。

14、进一步的，所述步骤一中还包括，基于预设邻接距离阈值，计算各路段的邻接距离值，获得邻接矩阵；

15、采用公式为：

16、

17、其中，d表示路段实际距离，threshold表示预设邻接距离阈值。

18、进一步的，所述步骤二中，编码器结构包括：空间特征提取模块和时间特征提取模块；解码器结构包括第一解码器和第二解码器。

19、进一步的，所述空间特征提取模块的结构为图注意力网络，所述图注意力网络通过引入注意力系数，获取融合邻域信息后的输出新特征，具体包括：

20、计算任意节点i与邻居节点j之间的注意力系数eij，采用公式为：

21、eij＝μ([whi||whj])

22、其中，j＝0,1,…,n-1，hi、hj表示节点i和j的输入特征向量，w表示共享权重参数，[·||·]表示变化后的特征进行拼接，μ表示将高维特征映射到一个实数上的变换；

23、对所述任意节点i与邻居节点j之间的注意力系数eij进行激活处理和归一化，得到注意力系数αij，采用公式为：

24、

25、其中，softmax和leakyrelu表示激活函数，exp()表示自然对数的底数e的x次幂；

26、基于所述注意力系数αij，获得融合邻域信息后的输出新特征oi，采用公式：

27、

28、其中，σ表示非线性激活函数，αij表示注意力系数，w表示共享权重参数，hj表示节点j的输入特征向量。

29、进一步的，所述时间特征提取模块包括门控循环单元，所述门控循环单元包含两个核心的门控：重置门和更新门，内部处理过程为：

30、rt＝σ(wr*[xt,ht-1]·+br)

31、zt＝σ(wz*[xt,ht-1]+bz)

32、ct＝tanh(wc[xt,(rt*ht-1)]+bc)

33、ht＝zt*ht-1+(1-zt)*ct

34、其中，rt表示控制前一时刻忽略状态信息程度的重置门，zt表示控制进入当前状态的前一时刻状态信息量的更新门，ct表示重置门处理后当前t时刻的信息，ht、ht-1表示当前t时刻、t-1时刻的隐藏状态，xt为t时刻输入模块的特征矩阵，tanh为双曲正切激活函数，wr、wz、wc分别表示对应的权重矩阵，br、bz、bc分别表示对应的偏置。

35、进一步的，所述第一解码器的网络结构包括：干预处理分类器ga、速度结果估计网络gy和平衡表示网络φ；

36、所述干预处理分类器ga中添加有梯度反转层，能够最大化干预分类器ga的损失，通过领域对抗性训练消除时变混杂因子引起的偏差，具体包括：

37、定义ga(φ(ht),θa)表示参数为θa的干预处理分类器，则对于t时刻，路段i的干预损失为：

38、

39、定义gy(φ(ht),θy)表示参数为θy的速度结果估计网络，则对于t时刻，路段i的结果损失为：

40、

41、其中，lf和lcf为两个互补的损失函数，lf表示事实损失，lcf表示反事实损失，定义为：

42、lf(h,φ)＝∫x×{0，1}lh,φ(x,t)p(x,t)dxdt

43、lcf(h,φ)＝∫x×{0，1}lh,φ(x,t)p(x,1-t)dxdt.

44、可得时间片t时的总损失为：

45、

46、其中，超参数λ控制干预分类和结果估计之间的权衡；

47、t时刻的异常发生概率为：

48、

49、其中，yt代表t时刻的交通速度，和分别代表模型预测发生交通异常的交通速度和不发生交通异常的速度。

50、进一步的，所述第二解码器采用全连接网络结构，用于识别预设时段后的交通路网异常态势。

51、进一步的，所述步骤三中，利用所述数据集对所述反事实图注意力网络模型进行训练，包括：

52、通过条件平均因果效应评估所述反事实图注意力网络模型的因果效应，公式为：

53、cate＝e[y(t＝1)|x＝n]-e[y(t＝0)|x＝n]

54、其中，cate表示反事实图注意力网络模型的因果效应，e[]代表该实验组的数学期望，y(t＝1)|x＝n表示样本集中x＝n的干预组结果，y(t＝0)|x＝n表示样本集中x＝n的对照组结果。

55、进一步的，所述步骤三中，利用所述数据集对所述反事实图注意力网络模型进行训练，还包括：采用均方根误差和平均绝对误差评估所述反事实图注意力网络模型的准确性。

56、经由上述的技术方案可知，与现有技术相比，本发明技术方案存在以下

57、有益效果：

58、(1)该方法通过将因果推断理论融合入深度学习模型算法中，实现了模型方法创新，不仅增强了深度模型在处理复杂交通数据时的表现，还对传统因果推断模型进行了改进，提高了其鲁棒性、精确度和可解释性。

59、(2)基于因果推断理论，通过设立时间特征和空间特征提取模块分析异常态势的持续时间、影响空间范围，综合分析时空演化规律，实现了交通异常时空演化内部机理的解析，量化了交通异常对交通状况的影响程度及异常发生的概率。

60、(3)结合模型结果，本研究构建了交通异常态势风险评级模型，从路段道路等级评分、交通异常前后速度降幅比、路网评价指标三个方面综合考虑，得到各路段风险得分，对其交通状况进行评级。