买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：香港科技大学(广州)

摘要：本发明公开了一种道路拥堵预测模型构建方法、装置、设备、介质及产品，通过将道路交通网络中不同道路路段定义为有向加权图，获取不同道路路段的历史动态路况特征，作为样本数据；将样本数据输入到自适应图学习混合体模型中学习，输出概率预测向量；将样本数据输入到趋势专家模型中，输出对未来交通状况的预测概率的趋势分布向量；根据周期性专家模型对获取的历史交通特征进行融合，确定周期性预测向量；通过级联聚合，得到聚合对数向量；根据聚合对数向量确定目标函数，通过有监督学习进行拥堵预测训练，得到道路拥堵预测模型。本申请方案在保证了拥堵预测的准确性和鲁棒性的同时提升了模型的可解释性。

主权项：1.一种道路拥堵预测模型构建方法，其特征在于，所述方法包括：将道路交通网络中不同道路路段定义为有向加权图，获取不同道路路段的历史动态路况特征，作为样本数据；将所述样本数据输入到预设的自适应图学习混合体模型中学习，确定目标路段上下文交通动态的编码表征，输出概率预测向量；所述自适应图学习混合体模型由多个基于稀疏门控MoE架构构建的MAGL层组成；将所述样本数据输入到预设的趋势专家模型中，输出对未来交通状况的预测概率的趋势分布向量；根据预先构建的周期性专家模型对获取的历史交通特征进行融合，确定周期性预测向量；对所述概率预测向量、所述趋势分布向量以及所述周期性预测向量进行级联聚合，得到聚合对数向量；根据所述聚合对数向量确定目标函数，通过有监督学习进行拥堵预测训练，得到道路拥堵预测模型；所述自适应图学习混合体模型由多个基于稀疏门控MoE架构构建的MAGL层组成，MAGL层将所述样本数据中的样本路由输入到专业的图学习专家；所述将所述样本数据输入到预设的自适应图学习混合体模型中学习，确定目标路段上下文交通动态的编码表征，输出概率预测向量，包括：根据预设的时序卷积网络从所述样本数据中提取时间动态表示，通过轻量级求和运算符推导短期时空上下文；根据交通拥堵时交通流量的流向设计上游专家模型和下游专家模型模拟交通流量传播动态；针对不同路段件的依赖关系进行信息聚合，构建捕捉超越路网邻接关系的隐含传播模式的全局专家；基于多层感知机的稀疏门控机制融合静态路段属性、空间稳态嵌入以及时间稳态嵌入，确定路段的门控输入；根据所述门控输入，采用预设的激活函数输出各个专家激活权重；在每个观测时刻，为不同路段选择对应的专家进行建模，并基于各专家的激活权重聚合各专家输出，得到关于目标路段上下文交通动态的编码表征；堆叠多层混合体，并使用一个多层感知机来生成后续预设数量的时间步所有路段的拥堵级别的概率预测向量；所述将所述样本数据输入到预设的趋势专家模型中，输出对未来交通状况的预测概率的趋势分布向量，包括：采用离散小波变换对所述样本数据进行多尺度分解，并利用逆小波变换从低频成分重构出趋势信号；基于多头自注意力机制构建的趋势专家模型，结合基于多层感知机的输出映射层对所述趋势信号进行分析，输出对未来交通状况的预测概率的趋势分布向量；所述根据预先构建的周期性专家模型对获取的历史交通特征进行融合，确定周期性预测向量，包括：采用基于MLP的周期性专家模块来进行未来预测，通过融合历史交通特征以及可学习的时空，确定周期性预测向量；其中，MLPper为多层感知机模型，为历史交通特征集合，和为可训练的时间稳态嵌入，Es为可学习路段嵌入，表示t时刻后个时间步；所述根据所述聚合对数向量确定目标函数，通过有监督学习进行拥堵预测训练，得到道路拥堵预测模型，包括：根据预设的序数回归损失策略将目标类别的部分概率重新分配给其他类别，将独热标签编码的元素进行调整，确定拥堵级别标签；计算所述聚合对数向量与所述拥堵级别标签之间的相对熵；计算混合体中不同层的重要性平衡损失和负载平衡损失，并根据不同层的重要性平衡损失和负载平衡损失以及所述相对熵确定目标函数；根据所述目标函数通过有监督学习进行拥堵预测训练，得到道路拥堵预测模型。

全文数据：

权利要求：

百度查询： 香港科技大学(广州) 道路拥堵预测模型构建方法、装置、设备、介质及产品