一种针对城市交通网络的问题诊断方法与流程

1.本发明涉及交通网络问题诊断技术领域，尤其涉及一种针对城市交通网络的问题诊断方法。


背景技术：

2.城市道路交通系统在运行的过程中会遇到许多问题，这些问题可能会影响交通效率，造成交通拥堵，或者引起交通事故，降低交通安全性。这些问题可以通过交通管理者对于道路的时空资源调度、提高管理者执法力度来解决，比如在交通需求增加时，优化信号灯或是改变车道功能，或者严格查处违法的交通参与者，以改善城市道路交通系统的运行过程。
3.针对上述问题，现有的解决方案大多依赖于专家经验，即通过大量有经验的专家在路口观察，诊断对应的问题，给出相关的解决策略。这种人工诊断的方案会出现以下不足：1.效率低下，专家无法在大规模路网中对每个案例进行诊断，使得往往只有少数问题最严重的路口得到诊断分析；2.每个案例的诊断结果依赖于专家的经验，无法保证诊断结果的准确性与客观性；3.这种方案不具备泛化性与可迁移性，即专家的经验无法被高效的传承和推广至不同城市。


技术实现要素：

4.为解决现有技术中的上述问题中的至少一部分问题，本发明提供一种针对城市交通网络的问题诊断方法，包括：
5.预定义交通路网特征以及交通路网中存在的交通问题，作为交通知识图谱中的实体；
6.利用预定义的实体和已诊断案例构建交通知识图谱；
7.将交通知识图谱输入基于图神经网络的编码器，以获得交通知识图谱中每个节点的图嵌入向量；以及
8.将待诊断路口的特征与预定义的实体匹配，并且将匹配的实体输入到基于实体融合的解码器中，以供解码器进行运算并输出诊断结果。
9.进一步地，预定义了6大类共106种交通路网特征为f类型实体以及预定义了路网中存在的4大类23问题子类共45种交通问题为p类型实体，其中23问题子类作为c类型实体。
10.进一步地，所述利用预定义的实体和已诊断案例构建交通知识图谱包括：
11.将已诊断案例与预定义的实体相匹配，则每个已诊断案例能够视为交通路网特征实体集合f0与交通问题实体集合p0；
12.对每个已诊断案例的交通路网特征实体集合f0与交通问题实体集合p0分别进行集合间以及集合内部的笛卡尔积操作，得到三元组，并通过累加的方式整合三元组来构建交通知识图谱，其中每个三元组关系视为交通知识图谱的边，重复出现的三元组次数作为边权重；以及
13.通过边筛选方式过滤交通知识图谱中存在的噪声。
14.进一步地，所述利用预定义的实体和已诊断案例构建交通知识图谱还包括：加入c类型实体与p类型实体之间的边，得到交通知识图谱g＝(v,e)，其中p类型实体是预定义的路网中存在的交通问题，c类型实体是预定的问题子类。
15.进一步地，所述通过边筛选方式过滤交通知识图谱中存在的噪声包括：结合每条边两端节点的总的边权重，计算得到每条边的归一化边权重，并根据固定阈值对归一化边权重进行筛选，删去权重低于固定阈值的边。
16.进一步地，所述将交通知识图谱输入基于图神经网络的编码器，以获得交通知识图谱中每个节点的图嵌入向量包括：编码器由多层的图神经网络构成，在每一层图神经网络中，通过消息传播机制得到每个邻居节点对目标节点的信息传播增量，并对目标节点的图嵌入向量进行更新，最后输出目标节点更新后的图嵌入向量。
17.进一步地，通过随机初始化的方式得到起始时节点的图嵌入向量，然后更新目标节点的图嵌入向量，其中每个目标节点的图嵌入向量更新过程包括：
18.通过注意力机制计算邻居节点与目标节点之间的相关性权重；
19.对同种类型邻居节点的权重进行归一化；
20.通过邻居节点归一化后的权重得到邻居节点传递给目标节点的信息传播增量；以及
21.整合所有邻居节点的信息传播增量并更新目标节点的图嵌入向量。
22.进一步地，将待诊断路口的特征与预定义的实体匹配，然后将匹配的实体输入到基于实体融合的解码器中，解码器进行运算并输出诊断结果包括：
23.将待诊断路口的特征通过与预定义的交通路网特征实体匹配，然后将匹配的交通路网特征实体输入到解码器中；
24.解码器挖掘待诊断路口中同时包含的交通路网特征中所蕴涵的联合信息，得到象征案例的向量，并利用该向量与交通问题实体的向量一一内积得到象征案例与交通问题的相关性，根据相关性阈值筛选并排序交通问题，得到待诊断路口的交通问题。
25.进一步地，解码器的运算过程包括：
26.将与待诊断路口匹配的交通路网特征实体所对应的图嵌入向量相加，得到向量a；
27.每个交通路网特征实体的图嵌入向量与向量a拼接后输入全连接神经网络，得到每个交通路网特征实体的图嵌入向量的对应权重；
28.将每个交通路网特征实体的向量与对应权重进行加权求和，得到象征案例的向量；
29.象征案例的向量与象征每个交通问题的向量一一进行内积，得到象征案例与每个交通问题之间的相关性；以及
30.通过预设的相关性阈值筛选及相关性排序，相关性最高的指定数量的交通问题作为交通问题诊断模型的诊断结果。
31.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时执行根据上述方法的步骤。
32.本发明至少具有下列有益效果：(1)本发明公开的一种针对城市交通网络的问题诊断方法，首先预定义交通路网特征以及交通路网中存在的问题，作为交通知识图谱中的
实体，利用预定义的实体和已诊断案例构建交通知识图谱，使历史案例数据中的知识具备可泛化与可迁移性，然后使用基于图神经网络的编码器可得到交通知识图谱中每个节点的图嵌入向量。(2)将待诊断路口的特征通过基于规则的方式与预定义的交通路网特征实体匹配，然后将匹配的交通路网特征实体输入到解码器中，解码器挖掘待诊断路口中同时包含的交通路网特征中所蕴涵的联合信息，得到象征案例的向量，并利用该向量与交通问题实体的向量一一内积得到象征案例与交通问题相关性，根据相关性阈值筛选与排序，得到待诊断路口的交通问题。通过基于实体融合的解码器挖掘待诊断路口中同时出现的交通路网特征实体的联合信息，相比逐个实体进行内积的方式可以得到更准确的诊断结果。(3)该方法可在无需人工干预的情况下快速诊断出交通问题，且诊断效率高，并且诊断结果的准确性与客观性较高。(4)该方法具备泛化性与可迁移性，能够推广至不同城市。总言之，本发明通过将新颖的人工智能技术应用于智能交通领域，大大提高了交通问题的诊断速度和精度，同时与相同精度所需计算量相比减少了计算量，显著减少了硬件占用。
附图说明
33.为了进一步阐明本发明的各实施例的以上和其它优点和特征，将参考附图来呈现本发明的各实施例的更具体的描述。可以理解，这些附图只描绘本发明的典型实施例，因此将不被认为是对其范围的限制。
34.图1示出了根据本发明一个实施例的一种针对城市交通网络的问题诊断方法的流程；
35.图2示出了根据本发明一个实施例的交通问题诊断模型的结构图；
36.图3示出了根据本发明一个实施例的用于交通知识图谱的实体的示意图；以及
37.图4示出了根据本发明一个实施例的交通知识图谱构建的示意图。
具体实施方式
38.应当指出，各附图中的各组件可能为了图解说明而被夸大地示出，而不一定是比例正确的。
39.在本发明中，各实施例仅仅旨在说明本发明的方案，而不应被理解为限制性的。
40.在本发明中，除非特别指出，量词“一个”、“一”并未排除多个元素的场景。
41.在此还应当指出，在本发明的实施例中，为清楚、简单起见，可能示出了仅仅一部分部件或组件，但是本领域的普通技术人员能够理解，在本发明的教导下，可根据具体场景需要添加所需的部件或组件。
42.在此还应当指出，在本发明的范围内，“相同”、“相等”、“等于”等措辞并不意味着二者数值绝对相等，而是允许一定的合理误差，也就是说，所述措辞也涵盖了“基本上相同”、“基本上相等”、“基本上等于”。
43.在此还应当指出，在本发明的描述中，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是明示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为明示或暗示相对
重要性。
44.另外，本发明的各方法的步骤的编号并未限定所述方法步骤的执行顺序。除非特别指出，各方法步骤可以以不同顺序执行。
45.本发明提供一种针对城市交通网络的问题诊断方法，首先结合交通领域的专家知识预定义交通路网特征以及交通路网中存在的问题，作为交通知识图谱中的实体。使用预定义的实体与已诊断案例中的特征和问题相匹配，抽取知识三元组并通过累加的方式整合三元组，每个三元组关系视为交通知识图谱的边，并进一步使用边筛选策略过滤图谱中存在的噪声，得到交通知识图谱。并通过使用基于图神经网络的编码器，得到交通知识图谱中每个节点的图嵌入向量。将待诊断路口的交通路网特征通过基于规则的方式与预定义的交通路网特征实体匹配，然后匹配的交通路网特征实体输入到解码器中，解码器挖掘待诊断路口中同时包含的交通路网特征中所蕴涵的联合信息，得到象征案例的向量，并利用该向量与交通问题实体的向量一一内积得到象征案例与交通问题相关性，根据相关性阈值筛选与排序，得到待诊断路口的交通问题。
46.图1示出了根据本发明一个实施例的一种针对城市交通网络的问题诊断方法的流程；图2示出了根据本发明一个实施例的交通问题诊断模型的结构图。
47.如图1所示，一种针对城市交通网络的问题诊断方法包括构建交通知识图谱以及利用交通问题诊断模型预测交通问题两大部分。
48.构建交通知识图谱主要包括实体预定义、实体匹配、三元组知识抽取以及图谱边筛选。利用预定义的实体和已诊断案例构建交通知识图谱。
49.实体预定义：预定义出交通路网特征以及交通路网中存在的交通问题，作为交通知识图谱中的实体。预定义了6大类共106种交通路网特征为f类型实体(交通路网特征实体)以及预定义了路网中存在的4大类23问题子类共45种交通问题为p类型实体(交通问题实体)，其中23问题子类作为c类型实体。
50.实体匹配：将已诊断案例通过基于规则的方法与预定义的实体相匹配，则每个已诊断案例能够视为交通路网特征实体集合f0与交通问题实体集合p0。
51.下面举例说明将已诊断案例通过基于规则的方法与预定义的实体相匹配。已诊断案例包括了特征和问题，已诊断案例的特征和问题分别与交通路网特征实体和交通问题实体匹配。例如预定义的实体中的路口/路段静态特征大类中的路口规模大/小，有大和小两种，这里的大和小就是基于规则判定的，已诊断案例的路口规模与交通路网特征实体中的路口规模大/小匹配。
52.三元组知识抽取：对每个已诊断案例的交通路网特征实体集合f0与交通问题实体集合p0分别进行集合间以及集合内部的笛卡尔积操作，得到四种类型的三元组，并通过累加的方式整合三元组来构建交通知识图谱，其中每个三元组关系视为交通知识图谱的边，重复出现的三元组次数作为边权重。三元组包括特征-导致关系-问题、问题-表征关系-特征、特征-共现关系-特征以及问题-共现关系-问题。
53.图谱边筛选：通过边筛选方式过滤交通知识图谱中存在的噪声。具体的，结合每条边两端节点的总的边权重，计算得到每条边的归一化边权重，并根据固定阈值对归一化边权重进行筛选，删去权重低于固定阈值的边。在本发明的一个实施例中，固定阈值取值为0.7。
54.最后加入c类型实体与p类型实体之间的边，得到交通知识图谱g＝(v,e)。交通知识图谱中的节点指的是实体。
55.如图1所示，利用交通问题诊断模型预测交通问题包括：将交通知识图谱输入基于图神经网络的编码器，以获得交通知识图谱中每个节点的图嵌入向量；以及将待诊断路口的交通路网特征与预定义的实体匹配，然后将匹配的实体输入到解码器中，解码器进行运算并输出诊断结果。如图2所示，交通问题诊断模型包括基于图神经网络的编码器部分和基于实体融合的解码器部分。
56.将交通知识图谱g＝(v，e)输入基于图神经网络的编码器，编码器输出图谱中每个节点v的图嵌入向量。
57.编码器部分由多层的图神经网络构成，例如为两层，在每一层图神经网络中，通过消息传播机制得到每个邻居节点对目标节点的信息传播增量，并对目标节点的图嵌入向量进行更新，最后输出目标节点更新后的图嵌入向量。通过随机初始化的方式得到起始时节点的图嵌入向量，然后更新目标节点的图嵌入向量，每个目标节点的图嵌入向量更新过程可分为以下4个步骤：
58.1.通过注意力机制计算邻居节点与目标节点之间的相关性权重；
59.2.对同种类型邻居节点的权重进行归一化；
60.3.通过邻居节点归一化后的权重得到邻居节点传递给目标节点的信息传播增量；
61.4.整合所有邻居节点的信息传播增量并更新目标节点的图嵌入向量。
62.将待诊断路口的特征通过基于规则的方式与预定义的交通路网特征实体匹配，然后将匹配的交通路网特征实体输入到解码器中。解码器挖掘待诊断路口中同时包含的交通路网特征中所蕴涵的联合信息，得到象征案例的向量，并利用该向量与交通问题实体的向量一一内积得到象征案例与交通问题的相关性，根据相关性阈值筛选并排序交通问题，得到待诊断路口的交通问题。解码器由全连接神经网络构成。
63.下面举例说明将待诊断路口的特征通过基于规则的方式与预定义的交通路网特征实体匹配。例如预定义的实体中的路口/路段静态特征大类中的路口规模大/小，有大和小两种，这里的大和小就是基于规则判定的，待诊断路口的路口规模与预定义的交通路网特征实体中的路口规模大或者路口规模小匹配。
64.解码器部分的运算过程可分为以下5个步骤：
65.1.将与待诊断路口匹配的交通路网特征实体所对应的图嵌入向量相加，得到向量a；
66.2.每个交通路网特征实体的图嵌入向量与向量a拼接后输入全连接神经网络，得到每个交通路网特征实体的图嵌入向量的对应权重；
67.3.将每个交通路网特征实体的向量与对应权重进行加权求和，得到象征案例的向量；
68.4.象征案例的向量与每个交通问题的向量一一进行内积，得到象征案例与每个交通问题之间的相关性；
69.5.通过预设的相关性阈值筛选及相关性排序，相关性最高的指定数量的交通问题作为交通问题诊断模型的诊断结果。
70.图3示出了根据本发明一个实施例的用于交通知识图谱的实体的示意图。
71.如图3所示，结合交通领域知识，首次设计并提出了相关的6大类共106种交通路网特征(f类型实体)以及路网存在的4大类23子类(c类型实体)共45种交通问题(p类型实体)，视为交通知识图谱的实体。图谱中包含f、c、p三种类型的实体。
72.交通路网特征的6大类包括路口/路段静态特征、特征工程特征、实时交通参数特征、周边环境特征、干线协调特征及路口信控方案。路口/路段静态特征包括路口规模大/小、是/否常规路口、是/否存在待行区等。特征工程特征包括无/部分/所有进口道拥堵、车道不均衡系数、绿灯利用率系数等。实时交通参数特征包括无/部分/所有进口道流量大、无/部分/所有进口道排队长、无/部分/所有进口道停车数多等。周边环境特征包括po i-学校、po i-商圈等。干线协调特征包括主干道停车次数多、干线绿灯浪费多、干线协调效果系数等。路口信控方案包括采用对称放行、采用混合车道分开放行、搭接相位等。此处仅列出部分特征作为示例。
73.交通问题包括交通组织问题、背景环境问题、单点信控方案问题及干线信控方案问题，属于c类型实体。交通组织问题包括进出口功能不匹配、进出口车道数不匹配、进出口车道混行、导向车道不匹配、路口空间配给不足、公交站台位置不合理、路权规划不合理等。背景环境问题包括突发事件-交通事故、临时事件-违停严重、临时事件-大型活动干扰、临时事件-学校接送占道等。单点信控方案问题包括信控配时不合理-周期过长、信控配时不合理-周期过短、信控配时不合理-相位失衡、慢性交通关注不足-行人等待、慢性交通关注不足-机非冲突、信控调度不合理-划分不准、信控调度不合理-无应急方案等。干线信控方案问题包括无干线协调、短连线导致溢出、流量过饱和严重、路口距离大干线协调弱等。此处仅列出部分问题作为示例。
74.图4示出了根据本发明一个实施例的交通知识图谱构建的示意图。
75.如图4所示，利用某一路网的f类型实体、c类型实体和p类型实体构建出交通知识图谱。f类型实体与p类型实体之间是导致关系，f类型实体与f类型实体之间是共现关系，p类型实体与c类型实体之间是属于关系。在本实施例中，f类型实体包括路口静态特征、特征工程特征、实时交通参数特征、周边环境特征以及路口信控方案共5类。c类型实体包括背景环境问题和单点信控方案问题。
76.此外，可以把各实施例提供为可包括其上存储有机器可执行指令的一个或多个机器可读介质的计算机程序产品，这些指令在由诸如计算机、计算机网络或其他电子设备等的一个或多个机器执行时，可以引起一个或多个机器执行根据本发明的各实施例的操作。机器可读介质可以包括但不限于软盘、光盘、cd-rom(紧致盘只读存储器)和磁光盘、rom(只读存储器)、ram(随机存取存储器)、eprom(可擦除可编程只读存储器)、eeprom(电可擦除可编程只读存储器)、磁或光卡、闪速存储器或适用于存储机器可执行指令的其他类型的介质/机器可读介质。
77.此外，可以作为计算机程序产品下载各实施例，其中可以经由通信链路(例如，调制解调器和/或网络连接)由载波或其他传播介质实现和/或调制的一种或多种数据信号把程序从远程计算机(例如，服务器)传输给请求计算机(例如，客户机)。因此，在此所使用的机器可读介质可以包括这样的载波，但这不是必需的。
78.虽然本发明的一些实施方式已经在本技术文件中予以了描述，但是本领域技术人员能够理解，这些实施方式仅仅是作为示例示出的。本领域技术人员在本发明的教导下可
以想到众多的变型方案、替代方案和改进方案而不超出本发明的范围。所附权利要求书旨在限定本发明的范围，并借此涵盖这些权利要求本身及其等同变换的范围内的方法和结构。

技术特征：
1.一种针对城市交通网络的问题诊断方法，其特征在于，包括：预定义交通路网特征以及交通路网中存在的交通问题，作为交通知识图谱中的实体；利用预定义的实体和已诊断案例构建交通知识图谱；将交通知识图谱输入基于图神经网络的编码器，以获得交通知识图谱中每个节点的图嵌入向量；以及将待诊断路口的特征与预定义的实体匹配，并且将匹配的实体输入到基于实体融合的解码器中，以供解码器进行运算并输出诊断结果。2.根据权利要求1所述的针对城市交通网络的问题诊断方法，其特征在于，预定义了6大类共106种交通路网特征为f类型实体以及预定义了路网中存在的4大类23问题子类共45种交通问题为p类型实体，其中23问题子类作为c类型实体。3.根据权利要求1所述的针对城市交通网络的问题诊断方法，其特征在于，所述利用预定义的实体和已诊断案例构建交通知识图谱包括：将已诊断案例与预定义的实体相匹配，则每个已诊断案例能够视为交通路网特征实体集合f0与交通问题实体集合p0；对每个已诊断案例的交通路网特征实体集合f0与交通问题实体集合p0分别进行集合间以及集合内部的笛卡尔积操作，得到三元组，并通过累加的方式整合三元组来构建交通知识图谱，其中每个三元组关系视为交通知识图谱的边，重复出现的三元组次数作为边权重；以及通过边筛选方式过滤交通知识图谱中存在的噪声。4.根据权利要求3所述的针对城市交通网络的问题诊断方法，其特征在于，所述利用预定义的实体和已诊断案例构建交通知识图谱还包括：加入c类型实体与p类型实体之间的边，得到交通知识图谱g＝(v,e)，其中p类型实体是预定义的路网中存在的交通问题，c类型实体是预定义的问题子类。5.根据权利要求3所述的针对城市交通网络的问题诊断方法，其特征在于，所述通过边筛选方式过滤交通知识图谱中存在的噪声包括：结合每条边两端节点的总的边权重，计算得到每条边的归一化边权重，并根据固定阈值对归一化边权重进行筛选，删去权重低于固定阈值的边。6.根据权利要求1所述的针对城市交通网络的问题诊断方法，其特征在于，所述将交通知识图谱输入基于图神经网络的编码器，以获得交通知识图谱中每个节点的图嵌入向量包括：编码器由多层的图神经网络构成，在每一层图神经网络中，通过消息传播机制得到每个邻居节点对目标节点的信息传播增量，并对目标节点的图嵌入向量进行更新，最后输出目标节点更新后的图嵌入向量。7.根据权利要求6所述的针对城市交通网络的问题诊断方法，其特征在于，通过随机初始化的方式得到起始时节点的图嵌入向量，然后更新目标节点的图嵌入向量，其中每个目标节点的图嵌入向量更新过程包括：通过注意力机制计算邻居节点与目标节点之间的相关性权重；对同种类型邻居节点的权重进行归一化；通过邻居节点归一化后的权重得到邻居节点传递给目标节点的信息传播增量；以及整合所有邻居节点的信息传播增量并更新目标节点的图嵌入向量。
8.根据权利要求7所述的针对城市交通网络的问题诊断方法，其特征在于，将待诊断路口的特征与预定义的实体匹配，然后将匹配的实体输入到基于实体融合的解码器中，解码器进行运算并输出诊断结果包括：将待诊断路口的特征通过与预定义的交通路网特征实体匹配，然后将匹配的交通路网特征实体输入到解码器中；解码器挖掘待诊断路口中同时包含的交通路网特征中所蕴涵的联合信息，得到象征案例的向量，并利用该向量与交通问题实体的向量一一内积得到象征案例与交通问题的相关性，根据相关性阈值筛选并排序交通问题，得到待诊断路口的交通问题。9.根据权利要求8所述的针对城市交通网络的问题诊断方法，其特征在于，解码器的运算过程包括：将与待诊断路口匹配的交通路网特征实体所对应的图嵌入向量相加，得到向量a；每个交通路网特征实体的图嵌入向量与向量a拼接后输入全连接神经网络，得到每个交通路网特征实体的图嵌入向量的对应权重；将每个交通路网特征实体的向量与对应权重进行加权求和，得到象征案例的向量；象征案例的向量与象征每个交通问题的向量一一进行内积，得到象征案例与每个交通问题之间的相关性；以及通过预设的相关性阈值筛选及相关性排序，相关性最高的指定数量的交通问题作为交通问题诊断模型的诊断结果。10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时执行根据权利要求1-9之一所述的方法的步骤。

技术总结
本发明涉及一种针对城市交通网络的问题诊断方法，包括：预定义交通路网特征以及交通路网中存在的交通问题，作为交通知识图谱中的实体；利用预定义的实体和已诊断案例构建交通知识图谱；将交通知识图谱输入基于图神经网络的编码器，以获得交通知识图谱中每个节点的图嵌入向量；以及将待诊断路口的特征与预定义的实体匹配，并且将匹配的实体输入到基于实体融合的解码器中，以供解码器进行运算并输出诊断结果。结果。结果。


技术研发人员：阚宇衡 龚越 刘瑞强 王茂南
受保护的技术使用者：上海人工智能创新中心
技术研发日：2023.05.16
技术公布日：2023/8/9