[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115526382B - 一种路网级交通流预测模型可解释性分析方法 - Google Patents

一种路网级交通流预测模型可解释性分析方法 Download PDF

Info

Publication number
CN115526382B
CN115526382B CN202211103846.9A CN202211103846A CN115526382B CN 115526382 B CN115526382 B CN 115526382B CN 202211103846 A CN202211103846 A CN 202211103846A CN 115526382 B CN115526382 B CN 115526382B
Authority
CN
China
Prior art keywords
traffic flow
model
road network
prediction model
interpretability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211103846.9A
Other languages
English (en)
Other versions
CN115526382A (zh
Inventor
聂庆慧
欧吉顺
岳鹏翔
龙秀江
周志刚
黄湘梅
刘路
张俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou University
Original Assignee
Yangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangzhou University filed Critical Yangzhou University
Priority to CN202211103846.9A priority Critical patent/CN115526382B/zh
Publication of CN115526382A publication Critical patent/CN115526382A/zh
Application granted granted Critical
Publication of CN115526382B publication Critical patent/CN115526382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种路网级交通流预测模型可解释性分析方法，包括构建基于图卷积神经网络和循环神经网络的路网级交通流集成预测模型，判断模型对输入数据的关注部分或模型不同模块的权重，通过交通流空间关联矩阵和路段邻接矩阵提取空间依赖特征，从路网交通流空间关联度分析对交通流集成预测结果产生的影响，通过EEMD对交通流时间序列进行分解，利用SHAP可解释性机制，通过基于梯度加权类激活映射方法输出特征显著性热力图，对路网级交通流集成预测模型提取空间信息进行可解释性分析。本发明基于可解性技术揭示现实应用的路网级交通流预测模型的可解释性，帮助决策人员理解交通流预测模型的学习能力，进一步提高预测结果的可信度。

Description

一种路网级交通流预测模型可解释性分析方法
技术领域
本发明属于道路交通信息监测与管理领域，具体设计一种路网级交通流预测模型可解释性分析方法。
背景技术
交通流预测指根据交通检测器采集的历史交通流数据构建模型对未来的交通流状态变量值进行预测。越来越多的智能交通系统通过提高道路交通通行能力来缓解交通压力。交通流预测作为城市智能交通系统的重要组成部分,是缓解交通拥堵的核心支撑技术之一。
近年来，基于深度学习技术构建交通流预测模型成为当前交通流预测的主流手段之一。基于深度学习的交通流预测模型能够从交通流时间序列中捕捉长序列依赖关系，进而提供精确的预测结果。然而，该类模型的主要不足体现在，随着网络深度和宽度的增加以及非线性激活函数的引入，对于预测模型能够奏效的原因越来越难以进行合理分析，即模型的可解释性不断变弱，基于深度神经网络的交通流预测模型亦成为黑盒模型。因此，对于构建的基于深度学习的交通流预测模型进行可解释性分析成为当前交通流预测研究领域的一项挑战性课题。
发明内容
为解决上述问题，本发明公开了一种路网级交通流预测模型可解释性分析方法。
为达到上述目的，本发明的技术方案如下：
一种路网级交通流预测模型可解释性分析方法，包括如下步骤：
S1：构建基于图卷积神经网络和循环神经网络的路网级交通流集成预测模型，依托路网交通流时间序列特征输入路网级交通流集成预测模型，观察模型输出结果的变化，判断模型对输入数据的关注部分或模型不同模块的权重；
S2:通过交通流空间关联矩阵和路段邻接矩阵提取空间依赖特征，从路网交通流空间关联度分析对交通流集成预测结果产生的影响；
S3:通过EEMD对交通流时间序列进行分解，利用SHAP可解释性机制，从局部可解释性和全局可解释性两个角度分析不同时间尺度特征的交通流时间序列模态分量和时间滞后特征对预测结果产生的影响；
S4：通过基于梯度加权类激活映射方法输出特征显著性热力图，对路网级交通流集成预测模型提取空间信息进行可解释性分析。
进一步的，所述步骤S1中，依托路网交通流时间序列特征输入路网级交通流集成预测模型，观察模型输出结果的变化，判断模型对输入数据的关注部分或模型不同模块的权重过程，还包括以下步骤：
S1-1：采用不同可解释方法对交通流预测模型输入特定交通流时间序列参数进行解释，观察交通流预测模型中特定输入参数的变化或输出参数的变化，其中，可解释方法包括基于扰动的可解释性方法、基于梯度或特征的可解释方法、分解方法和代理方法；
S1-2：采用基于扰动的可解释性方法观察输入参数受到不同扰动时模型输出的变化情况，判断不同的输入特征对输出的贡献大小；
S1-3：采用基于梯度或特征的可解释方法对输入参数的梯度或者隐藏层特征值来判断输入的重要性，梯度或隐藏层特征值越大，其对输出的贡献越大；
S1-4：采用分解方法将交通流预测模型输出参数作为初始值，根据规则将初始值进行分解并分配给上一层节点，重复上述步骤直至将初始值分配至第一层输入参数，最后根据分配结果得到不同节点的重要性；
S1-5：采用代理方法构建一个可解释性较强的模型拟合待解释的交通流预测模型，对构建的模型进行可解释性分析，其中，可解释性较强的模型通常选取可解释性较强的机器学习模型作为代理模型拟合深度网络模型。
进一步的，所述步骤S2具体包括以下步骤：
S2-1：构建研究路网拓扑结构，基于研究路网的拓扑结构分别构建路网相关关系热力分布图和二阶邻接矩阵热力分布图，对研究路网各路段进行节点标记，以节点的颜色表示各路段交通流之间关联度和邻接关系，其中，研究路网中路段之间的关联度越大，其颜色越深；
S2-2：判断研究路网内不同路段的关联关系，路段关联关系包括区域规划、交通组织、道路结构，其中，不同路段内部区域规划、交通组织、道路结构相似性越强，路段交通流关联度越大；
S2-3：考虑研究路网不同路段的交通流关联度矩阵，提取研究路网内的不同路段交通流关联关系，结合研究路网内路段邻接关系，对交通流预测模型进行预测。
进一步的，所述步骤S3具体包括以下步骤：
S3-1：获取每个输入的路网交通流时间序列特征对交通流预测模型预测的贡献度，利用SHAP算法计算模型中不同输入特征的重要度，根据计算得出的SHAP值分析所度量的特征对于交通流预测模型预测输出的影响程度；
S3-2：从局部可解释性的角度利用SHAP算法计算每一单个预测样本中不同时间序列特征对于交通流预测模型预测输出的支撑重要度；
S3-3：从全局可解释性的角度对单个预测样本中不同时间序列特征得出的SHAP指标在水平方向上进行累加，将计算得出的SHAP值所度量的特征对于交通流预测模型预测输出的影响程度影响较大进行排列，形成特征密度散点图，通过特征密度散点图对影响预测输出的模态分量特征重要性进行排列，以揭示其全局可解释性。
进一步的，所述步骤S3-1中，利用SHAP算法计算模型中不同输入特征的重要度，根据计算得出的SHAP值分析所度量的特征对于交通流预测模型预测输出的影响程度的过程，还包括以下步骤：
设定S模型使用的特征子集，x是要解释的样本特征值的向量，p为时间序列特征数目，val(S)表示模型在特征子集S上的预测，xj为样本的特征值，根据公式对 SHAP值进行定义：
Figure SMS_1
获取计算得出的SHAP值，判定SHAP为负值时表示某个时间序列特征值的变化对于模型预测的输出所产生的影响是朝着负向进行的，即该特征值的变化会导致该模型的预测输出值降低，SHAP值为正值表示某个时间序列特征值的变化对于模型预测的输出所产生的影响是朝着正向进行的，即该特征值的变化会导致该模型的预测输出值增加。
进一步的，所述步骤S3中，利用SHAP可解释性机制，从局部可解释性和全局可解释性两个角度分析不同时间尺度特征的交通流时间序列模态分量和时间滞后特征对预测结果产生的影响的过程，还包括以下步骤：
S3-a：选取的单个预测样本上不同时间滞后特征的SHAP值计算输入特征的重要度，对不同时间滞后特征重要度进行排列；
S3-b：通过SHAP输出全局特征影响程度对时间滞后特征重要性进行排列，分析时间滞后特征对SHAP指标的影响。
进一步的，所述步骤S4具体包括以下步骤：
S4-1：利用梯度加权类激活映射方法输出对预测结果贡献度较大的研究路网区域，进行可视化表示；
S4-2：利用Grad-CAM算法针对给定输入矩阵，利用深度神经网络反向传播机制，计算交通流预测模型各中间层输出的特征图梯度信息；
S4-3：获取特征图梯度信息，得到每个特征图的权重，将权重与特征图进行加权求和，构建基于Grad-CAM的特征显著性热力图。
本发明的有益效果为：
基于多类可解释性方法对所构建的基于深度学习的路网级交通流预测模型进行可解释性分析，能够基于所输出的量化分析指标和可视化图表有效揭示预测模型输入对于输出的影响程度和模型能够给出合理预测的原理，进一步提高预测结果的可信度。本发明对于决策人员理解交通流预测模型的工作原理以及提升后续道路主动交通管控的可靠性和可信度具有重要支撑作用。
附图说明
图1为本发明提供的一种路网级交通流预测模型可解释性分析方法的整体流程步骤示意图；
图2为本发明提供的一种路网级交通流预测模型可解释性分析方法中步骤S1的具体步骤示意图；
图3为本发明提供的一种路网级交通流预测模型可解释性分析方法中步骤S2的具体步骤示意图；
图4为本发明提供的一种路网级交通流预测模型可解释性分析方法中步骤S3的具体步骤示意图；
图5为本发明提供的一种路网级交通流预测模型可解释性分析方法中步骤S3的具体步骤示意图；
图6为本发明提供的一种路网级交通流预测模型可解释性分析方法中步骤S4的具体步骤示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明实施例提供了一种路网级交通流预测模型可解释性分析方法，其流程如图1所示，包括如下步骤：
S1：构建基于图卷积神经网络和循环神经网络的路网级交通流集成预测模型，依托路网交通流时间序列特征输入路网级交通流集成预测模型，观察模型输出结果的变化，判断模型对输入数据的关注部分或模型不同模块的权重。
步骤S1的具体流程如图2所示，包括以下步骤：
S1-1：采用不同可解释方法对交通流预测模型输入特定交通流时间序列参数进行解释，观察交通流预测模型中特定输入参数的变化或输出参数的变化，其中，可解释方法包括基于扰动的可解释性方法、基于梯度或特征的可解释方法、分解方法和代理方法；
S1-2：采用基于扰动的可解释性方法观察输入参数受到不同扰动时模型输出的变化情况，判断不同的输入特征对输出的贡献大小；
S1-3：采用基于梯度或特征的可解释方法对输入参数的梯度或者隐藏层特征值来判断输入的重要性，梯度或隐藏层特征值越大，其对输出的贡献越大；
S1-4：采用分解方法将交通流预测模型输出参数作为初始值，根据规则将初始值进行分解并分配给上一层节点，重复上述步骤直至将初始值分配至第一层输入参数，最后根据分配结果得到不同节点的重要性；
S1-5：采用代理方法构建一个可解释性较强的模型拟合待解释的交通流预测模型，对构建的模型进行可解释性分析，其中，可解释性较强的模型通常选取可解释性较强的机器学习模型作为代理模型拟合深度网络模型。
S2:通过交通流空间关联矩阵和路段邻接矩阵提取空间依赖特征，从路网交通流空间关联度分析对交通流集成预测结果产生的影响；
步骤S2的具体流程如图3所示，包括以下步骤：
S2-1：构建研究路网拓扑结构，基于研究路网的拓扑结构分别构建路网相关关系热力分布图和二阶邻接矩阵热力分布图，对研究路网各路段进行节点标记，以节点的颜色表示各路段交通流之间关联度和邻接关系，其中，研究路网中路段之间的关联度越大，其颜色越深；
S2-2：判断研究路网内不同路段的关联关系，路段关联关系包括区域规划、交通组织、道路结构，其中，不同路段内部区域规划、交通组织、道路结构相似性越强，路段交通流关联度越大；
S2-3：考虑研究路网不同路段的交通流关联度矩阵，提取研究路网内的不同路段交通流关联关系，结合研究路网内路段邻接关系，对交通流预测模型进行预测。
S3:通过EEMD对交通流时间序列进行分解，利用SHAP可解释性机制，从局部可解释性和全局可解释性两个角度分析不同时间尺度特征的交通流时间序列模态分量和时间滞后特征对预测结果产生的影响；
步骤S3的具体流程如图4所示，包括以下步骤：
S3-1：获取每个输入的路网交通流时间序列特征对交通流预测模型预测的贡献度，利用SHAP算法计算模型中不同输入特征的重要度，根据计算得出的SHAP值分析所度量的特征对于交通流预测模型预测输出的影响程度；
需要进一步说明的是，本步骤中，利用SHAP算法计算模型中不同输入特征的重要度，根据计算得出的SHAP值分析所度量的特征对于交通流预测模型预测输出的影响程度的过程，还包括以下步骤：
设定S模型使用的特征子集，x是要解释的样本特征值的向量，p为时间序列特征数目，val(S)表示模型在特征子集S上的预测，xj为样本的特征值，根据公式对 SHAP值进行定义：
Figure SMS_2
获取计算得出的SHAP值，判定SHAP为负值时表示某个时间序列特征值的变化对于模型预测的输出所产生的影响是朝着负向进行的，即该特征值的变化会导致该模型的预测输出值降低，SHAP值为正值表示某个时间序列特征值的变化对于模型预测的输出所产生的影响是朝着正向进行的，即该特征值的变化会导致该模型的预测输出值增加
S3-2：从局部可解释性的角度利用SHAP算法计算每一单个预测样本中不同时间序列特征对于交通流预测模型预测输出的支撑重要度；
S3-3：从全局可解释性的角度对单个预测样本中不同时间序列特征得出的SHAP指标在水平方向上进行累加，将计算得出的SHAP值所度量的特征对于交通流预测模型预测输出的影响程度影响较大进行排列，形成特征密度散点图，通过特征密度散点图对影响预测输出的模态分量特征重要性进行排列，以揭示其全局可解释性。
具体参照图5，步骤S3中利用SHAP可解释性机制，从局部可解释性和全局可解释性两个角度分析不同时间尺度特征的交通流时间序列模态分量和时间滞后特征对预测结果产生的影响，还包括以下步骤：
S3-a：选取的单个预测样本上不同时间滞后特征的SHAP值计算输入特征的重要度，对不同时间滞后特征重要度进行排列；
S3-b：通过SHAP输出全局特征影响程度对时间滞后特征重要性进行排列，分析时间滞后特征对SHAP指标的影响。
S4：通过基于梯度加权类激活映射方法输出特征显著性热力图，对路网级交通流集成预测模型提取空间信息进行可解释性分析，进一步提高了预测结果的可信度。
步骤S4的具体流程如图6所示，包括以下步骤：
S4-1：利用梯度加权类激活映射方法输出对预测结果贡献度较大的研究路网区域，进行可视化表示；
S4-2：利用Grad-CAM算法针对给定输入矩阵，利用深度神经网络反向传播机制，计算交通流预测模型各中间层输出的特征图梯度信息；
S4-3：获取特征图梯度信息，得到每个特征图的权重，将权重与特征图进行加权求和，构建基于Grad-CAM的特征显著性热力图。
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种路网级交通流预测模型可解释性分析方法，其特征在于，包括如下步骤：
S1：构建基于图卷积神经网络和循环神经网络的路网级交通流集成预测模型，依托路网交通流时间序列特征输入路网级交通流集成预测模型，观察模型输出结果的变化，判断模型对输入数据的关注部分或模型不同模块的权重；
S2:通过交通流空间关联矩阵和路段邻接矩阵提取空间依赖特征，从路网交通流空间关联度分析对交通流集成预测结果产生的影响；
S3:通过EEMD对交通流时间序列进行分解，利用SHAP可解释性机制，从局部可解释性和全局可解释性两个角度分析不同时间尺度特征的交通流时间序列模态分量和时间滞后特征对预测结果产生的影响；
S4：通过基于梯度加权类激活映射方法输出特征显著性热力图，对路网级交通流集成预测模型提取空间信息进行可解释性分析。
2.根据权利要求1所述的路网级交通流预测模型可解释性分析方法，其特征在于，所述步骤S1中，依托路网交通流时间序列特征输入路网级交通流集成预测模型，观察模型输出结果的变化，判断模型对输入数据的关注部分或模型不同模块的权重过程，还包括以下步骤：
S1-1：采用不同可解释方法对交通流预测模型输入特定交通流时间序列参数进行解释，观察交通流预测模型中特定输入参数的变化或输出参数的变化，其中，可解释方法包括基于扰动的可解释性方法、基于梯度或特征的可解释方法、分解方法和代理方法；
S1-2：采用基于扰动的可解释性方法观察输入参数受到不同扰动时模型输出的变化情况，判断不同的输入特征对输出的贡献大小；
S1-3：采用基于梯度或特征的可解释方法对输入参数的梯度或者隐藏层特征值来判断输入的重要性，梯度或隐藏层特征值越大，其对输出的贡献越大；
S1-4：采用分解方法将交通流预测模型输出参数作为初始值，根据规则将初始值进行分解并分配给上一层节点，重复上述步骤直至将初始值分配至第一层输入参数，最后根据分配结果得到不同节点的重要性；
S1-5：采用代理方法构建一个可解释性较强的模型拟合待解释的交通流预测模型，对构建的模型进行可解释性分析，其中，可解释性较强的模型选取可解释性较强的机器学习模型作为代理模型拟合深度网络模型。
3.根据权利要求1所述的路网级交通流预测模型可解释性分析方法，其特征在于，所述步骤S2具体包括以下步骤：
S2-1：构建研究路网拓扑结构，基于研究路网的拓扑结构分别构建路网相关关系热力分布图和二阶邻接矩阵热力分布图，对研究路网各路段进行节点标记，以节点的颜色表示各路段交通流之间关联度和邻接关系，其中，研究路网中路段之间的关联度越大，其颜色越深；
S2-2：判断研究路网内不同路段的关联关系，路段关联关系包括区域规划、交通组织、道路结构，其中，不同路段内部区域规划、交通组织、道路结构相似性越强，路段交通流关联度越大；
S2-3：考虑研究路网不同路段的交通流关联度矩阵，提取研究路网内的不同路段交通流关联关系，结合研究路网内路段邻接关系，对交通流预测模型进行预测。
4.根据权利要求1所述的路网级交通流预测模型可解释性分析方法，其特征在于，所述步骤S3具体包括以下步骤：
S3-1：获取每个输入的路网交通流时间序列特征对交通流预测模型预测的贡献度，利用SHAP算法计算模型中不同输入特征的重要度，根据计算得出的SHAP值分析所度量的特征对于交通流预测模型预测输出的影响程度；
S3-2：从局部可解释性的角度利用SHAP算法计算每一单个预测样本中不同时间序列特征对于交通流预测模型预测输出的支撑重要度；
S3-3：从全局可解释性的角度对单个预测样本中不同时间序列特征得出的SHAP指标在水平方向上进行累加，将计算得出的SHAP值所度量的特征对于交通流预测模型预测输出的影响程度影响较大进行排列，形成特征密度散点图，通过特征密度散点图对影响预测输出的模态分量特征重要性进行排列，以揭示其全局可解释性。
5.根据权利要求4所述的路网级交通流预测模型可解释性分析方法，其特征在于，所述步骤S3-1中，利用SHAP算法计算模型中不同输入特征的重要度，根据计算得出的SHAP值分析所度量的特征对于交通流预测模型预测输出的影响程度的过程，还包括以下步骤：
设定S模型使用的特征子集，x是要解释的样本特征值的向量，p为时间序列特征数目，val(S)表示模型在特征子集S上的预测，xj为样本的特征值，根据公式对SHAP值进行定义：
Figure FDA0004169402940000021
获取计算得出的SHAP值，判定SHAP为负值时表示某个时间序列特征值的变化对于模型预测的输出所产生的影响是朝着负向进行的，即该特征值的变化会导致该模型的预测输出值降低，SHAP值为正值表示某个时间序列特征值的变化对于模型预测的输出所产生的影响是朝着正向进行的，即该特征值的变化会导致该模型的预测输出值增加。
6.根据权利要求1或4所述的路网级交通流预测模型可解释性分析方法，其特征在于，所述步骤S3中，利用SHAP可解释性机制，从局部可解释性和全局可解释性两个角度分析不同时间尺度特征的交通流时间序列模态分量和时间滞后特征对预测结果产生的影响的过程，还包括以下步骤：
S3-a：选取的单个预测样本上不同时间滞后特征的SHAP值计算输入特征的重要度，对不同时间滞后特征重要度进行排列；
S3-b：通过SHAP输出全局特征影响程度对时间滞后特征重要性进行排列，分析时间滞后特征对SHAP指标的影响。
7.根据权利要求1所述的路网级交通流预测模型可解释性分析方法，其特征在于，所述步骤S4具体包括以下步骤：
S4-1：利用梯度加权类激活映射方法输出对预测结果贡献度较大的研究路网区域，进行可视化表示；
S4-2：利用Grad-CAM算法针对给定输入矩阵，利用深度神经网络反向传播机制，计算交通流预测模型各中间层输出的特征图梯度信息；
S4-3：获取特征图梯度信息，得到每个特征图的权重，将权重与特征图进行加权求和，构建基于Grad-CAM的特征显著性热力图。
CN202211103846.9A 2022-09-09 2022-09-09 一种路网级交通流预测模型可解释性分析方法 Active CN115526382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211103846.9A CN115526382B (zh) 2022-09-09 2022-09-09 一种路网级交通流预测模型可解释性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211103846.9A CN115526382B (zh) 2022-09-09 2022-09-09 一种路网级交通流预测模型可解释性分析方法

Publications (2)

Publication Number Publication Date
CN115526382A CN115526382A (zh) 2022-12-27
CN115526382B true CN115526382B (zh) 2023-05-23

Family

ID=84698635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211103846.9A Active CN115526382B (zh) 2022-09-09 2022-09-09 一种路网级交通流预测模型可解释性分析方法

Country Status (1)

Country Link
CN (1) CN115526382B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829755B (zh) * 2023-02-07 2023-05-26 支付宝(杭州)信息技术有限公司 交易风险的预测结果的解释方法和装置
CN115952934B (zh) * 2023-03-15 2023-06-16 华东交通大学 基于增量输出分解循环神经网络的交通流预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN113159450A (zh) * 2021-05-13 2021-07-23 北京理工大学 一种基于结构化数据的预测系统
CN113222206A (zh) * 2021-01-29 2021-08-06 太原理工大学 一种基于ResLS-C深度学习组合的交通状态预测方法
CN113420414A (zh) * 2021-05-27 2021-09-21 四川大学 一种基于动态时空分析的短时交通流预测模型

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10868731B2 (en) * 2019-02-06 2020-12-15 Cisco Technology, Inc. Detecting seasonal congestion in SDN network fabrics using machine learning
CN111815075B (zh) * 2020-08-27 2021-01-15 北京航空航天大学 一种重大公共卫生事件下交通出行需求的预测方法
EP3975037A1 (en) * 2020-09-28 2022-03-30 Siemens Healthcare GmbH Providing a classification explanation and a generative function
CN112183862A (zh) * 2020-09-29 2021-01-05 长春理工大学 一种城市路网的交通流量预测方法及系统
CN112991721A (zh) * 2021-02-04 2021-06-18 南通大学 基于图卷积网络节点关联度的城市路网交通速度预测方法
JP2022126373A (ja) * 2021-02-18 2022-08-30 ソニーグループ株式会社 情報処理装置及び情報処理方法、コンピュータプログラム、並びに医療診断システム
CN113486938B (zh) * 2021-06-28 2022-11-01 重庆大学 基于多分支时间卷积网络的重着陆的分析方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN113222206A (zh) * 2021-01-29 2021-08-06 太原理工大学 一种基于ResLS-C深度学习组合的交通状态预测方法
CN113159450A (zh) * 2021-05-13 2021-07-23 北京理工大学 一种基于结构化数据的预测系统
CN113420414A (zh) * 2021-05-27 2021-09-21 四川大学 一种基于动态时空分析的短时交通流预测模型

Also Published As

Publication number Publication date
CN115526382A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Yu et al. LSTM-EFG for wind power forecasting based on sequential correlation features
Meng et al. Wind speed forecasting based on wavelet packet decomposition and artificial neural networks trained by crisscross optimization algorithm
CN111861274A (zh) 一种水环境风险预测预警方法
Jain et al. Data mining techniques: a survey paper
CN115526382B (zh) 一种路网级交通流预测模型可解释性分析方法
Su et al. Study on an intelligent inference engine in early-warning system of dam health
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN112116160B (zh) 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法
CN114492922A (zh) 一种中长期发电量预测方法
CN115148019A (zh) 一种基于节假日拥堵预测算法的预警方法及系统
CN113780684A (zh) 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法
CN111859054B (zh) 气象卫星数据的处理方法及装置
CN117974401B (zh) 基于多源数据和模型集成的生态修复区域智能识别方法
CN107516168A (zh) 一种生态环境质量综合评价方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
Cao et al. Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree
Yan et al. Real-time localization of pollution source for urban water supply network in emergencies
CN115629160A (zh) 一种基于时空图的空气污染物浓度预测方法及系统
Li et al. A lstm-based method for comprehension and evaluation of network security situation
CN118032124B (zh) 一种光伏电站性能监测及分析方法
Noor et al. Prediction map of rainfall classification using random forest and inverse distance weighted (IDW)
CN112270123A (zh) 一种基于卷积生成对抗网络的流域水库群径流随机生成方法
Liu et al. Prediction of dam horizontal displacement based on CNN-LSTM and attention mechanism
CN106339357A (zh) 寻优参数化的网络信息安全检测系统和方法
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant