详情

原文传递知识感知下的道路交通状态重构方法研究

论文题名：	知识感知下的道路交通状态重构方法研究
关键词：	道路交通状态重构;稀疏数据;交通知识感知;因果关系;深度学习
摘要：	我国《“十四五”现代综合交通运输体系发展规划》中强调了要加快智能技术的深度推广应用，推动大数据、人工智能等新技术与交通行业的深度融合，加强城市交通精细化管控。道路交通状态重构为交通管控和出行服务信息化提供了数据保障和服务支撑，是为智能交通系统提供精准主动管控的核心关键。　　交通检测数据是道路交通状态重构实现的前提。与传统固定检测器数据相比，移动数据（例如浮动车GPS数据）蕴含范围更大的、时空连续的交通流信息，已逐渐成为智能交通领域的重要数据源。移动传感器可对大规模、复杂、动态城市环境进行广泛采样，为实现道路交通状态精细化重构提供了全新可能。但以下两个问题的存在严重限制了道路交通状态的重构精度：（1）目前移动传感器在道路上的渗透率仍处较低水平并且设置的采样间隔较大，其检测数据对交通状态的表征也是稀疏的。此时，数据中微小扰动将会造成交通状态重构结果的严重偏差。因此，研究稀疏交通数据中的误差干扰抑制方法是亟需解决的问题之一；（2）移动传感器采样的交通状态存在个性偏差。依据香农采样定理，在稀疏、有偏的采样条件下，仅对交通观测数据进行插值或填补运算无法获得精确的交通状态，求解具有一定的病态性。因此，如何在深度学习方法中设计交通状态生成-鉴别机制，提高算法的鲁棒性也是亟需解决的问题之一。　　移动交通数据是稀疏的，但交通数据的载体交通流，在不同的交通场景下蕴涵着各类交通规律知识，能够对稀疏数据形成有益补充，缩小交通状态解空间，引导算法重构连续、精准的交通状态。本文以城市道路中的典型GPS移动数据为基础，提出了一种知识感知下的交通状态重构新路线，实现稀疏数据下交通状态准确计算。该方法从观测数据中挖掘交通知识来引导、约束交通状态的生成，在提升稀疏数据下状态重构准确性的同时，增强重构过程与结果的可解释性。本文具体工作如下：　　第一，构建交通情景知识表示与因果描述统一形式。目前交通领域知识信息分散，结构形式混乱、表达的交通语义交叉、模糊，容易导致交通状态重构错误引用知识。因此，构建知识统一分类与表达的交通情景知识库是实现知识感知下的交通状态重构的必要前提。本文面向交通状态重构的需求，将交通知识划分为交通情景要素特征知识、交通流动态规律知识及交通情景知识耦合规则三部分，建立了全面、无歧义的交通知识统一表示形式；同时，引入了因果图表征交通知识与状态之间的因果关系，以交通情景要素作为因果图节点，以交通流动态规律作为节点间的边，为交通状态重构算法推理交通知识提供计算载体与依据。　　第二，建立基于因果关系的交通情景知识感知模型。交通情景中可能包含多种知识来描述交通流不同状态下的时空演化规律，其具有随机时变，不确定性的特征。为自适应地推断当前交通情景中包含的先验知识，利用图嵌入技术与时序挖掘技术对因果图中表达的交通情景要素与交通状态间的因果关系进行推断，提取各交通知识对交通流动态演化的因果作用强度，挖掘交通情景中先验知识的概率分布；并通过估计的先验知识反推交通状态，评估发现的知识与交通状态间的契合程度，构建了一种编解码结构下的交通知识因果发现网络，实现了交通情景知识的感知；本文以城市交叉口进口道处车流排队-释放规律以及路段交通流传播规律为例，测试知识感知模型的有效性。实验结果显示：本文提出的模型能够量化交通情景要素与交通状态的关联性，同时利用发现的知识推算的交通状态平均绝对误差为2.19km/h，证明该模型能够为道路交通状态重构提供准确的知识依据。　　第三，提出知识引导下的交通数据误差抑制方法。针对现有自监督学习算法在稀疏环境下数据误差抑制可靠性下降的问题，引入当前数据点与邻近点符合一定概率分布特征的先验知识，利用最大后验估计方法，提出了知识引导下的数据抑制优化问题和神经网络求解算法。该神经网络的抑制器通过长短时记忆神经网络(LongShort-TermMemorynetwork，LSTM)分析交通数据时间序列的特征，对数据进行初步误差抑制；知识验算器将抑制器输出的结果代入先验知识验证。算法引入索伯列夫空间中的测试函数来控制交通知识在超出适用范围时放松对误差抑制的后验约束，并设计了神经网络模型进行知识校准和求解，最终实现了知识引导下的交通数据误差抑制方法；实验得出，本文方法在稀疏交通数据下能够去除25.82db误差，同时去除的误差与真实交通特征的结构相似性仅0.03，证明该方法能够为道路交通状态重构提供准确的交通数据输入。　　第四，构建基于交通情景知识的道路交通状态重构方法。为实现准确、精细的道路交通状态重构，本文设计了一种知识发现-鉴别机制，将交通知识感知模型嵌入交通状态计算过程，构建了基于情景知识的交通状态重构方法。该方法设计了一种交通自适应卷积网络在稀疏数据下生成完整的交通状态，并对生成状态中的后验知识进行鉴别；依据知识发现-鉴别机制原理，后验知识与感知模型输出的先验知识的相似性将用于调整卷积网络，使其生成更加契合知识语义的交通状态。本文利用长春市出租车和公交车GPS典型移动数据，与LSTM、生成式对抗网络（GenerativeAdversarialNetwork，GAN）等先进算法对比验证交通状态重构性能。实验结果表明，在满足一定的重构精度要求下，本文提出的算法对数据稀疏性和数据误差的抗干扰能力较好，重构的交通状态既能呈现连续性，又能体现过渡状态的波动特征。　　本文以稀疏数据下的交通状态重构为切入点，剖析了交通知识与交通状态之间的因果关联，设计了交通情景知识感知、知识引导下的交通数据误差抑制与道路交通状态重构智能算法，最终实现知识感知下道路交通状态连续、精细化计算。研究成果是现有方法在交通状态机理挖掘的递进，提升了稀疏数据下交通状态重构精度和解释性，可为交通管控和出行服务智能化提供数据和服务保障。
作者：	田婧
专业：	交通信息工程及控制
导师：	宋现敏
授予学位：	博士
授予学位单位：	吉林大学
学位年度：	2023