道路交通系统行为的多视图学习辨识方法研究

Real-time and accurate identification of road traffic system behaviors is the basis of achieving road traffic control and management, which includes real-time signal control, traffic guidance, and so on. Under the specific situation of multi-source road traffic data, this project aims to study the identification theory and method of road traffic system behaviors based on multi-view Learning, which includes: the construction approach of different road traffic complex network based on multi-source traffic data, the classification of road traffic system behaviors based on Graph Neural Network, and the identification of road traffic system behaviors based on multi-view cooperative learning. The research solution's innovations are as follows: First, based on the Graph Neural Network model, the high-dimensional features of spatio-temporal data of road network can be extracted, with which the classification of road traffic system behaviors based on single data source can be realized. Second, with multi-source data, the identification mechanism of road traffic system behaviors based on multi-view cooperative learning is proposed. Finally, the effective map of "data space-> high-dimensional feature space ->behavior mode space" can be established, which can improve the application efficiency of multi-source road traffic data. The project results can effectively obtain the spatio-temporal evolution states of traffic flow and lay the foundation for the construction of the traffic knowledge graph, which can be used to improve the decision-making level of road traffic management, balance traffic flow distribution and reduce road congestion. This project will be helpful for exploring a novel way for the effective application of multi-source road traffic data.

实时、准确的道路交通系统行为的辨识是实现实时信号控制、交通诱导等道路交通控制与管理决策的基础。在多源道路交通数据的特定环境下，本项目拟形成基于多视图学习的道路交通系统行为辨识的理论与方法：研究基于多源交通数据的不同道路交通复杂网络的构建方法、基于图神经网络的道路交通系统行为模态分类以及基于多视图协同学习的道路交通系统行为辨识。研究方案创新如下：基于图神经网络，有效提取路网时空数据的高维抽象特征，实现基于单源数据的道路交通系统的行为模态分类；基于多源数据，构建基于多视图协同学习的道路交通系统行为的辨识机制；最终可形成“数据空间->高维特征空间->行为模态空间”的有效映射，提高多源道路交通数据的应用效能。项目成果可获得道路交通流的时空演化状态，为构建交通知识图谱奠定基础，可以有效提高道路交通管理与控制决策水平、均衡交通流分布、缓解交通拥堵，为多源道路交通数据的有效应用探索一条新路径。

实时、准确的道路交通系统行为的辨识是实现实时信号控制、交通诱导等道路交通控制与管理决策的基础。在多源道路交通数据的特定环境下，本项目形成了基于多视图学习的道路交通系统行为辨识的理论与方法，研究基于多源交通数据的不同道路交通复杂网络的构建方法、基于图神经网络的道路交通系统行为模态分类以及基于多视图协同学习的道路交通系统行为辨识。本项目的主要研究内容如下：基于图神经网络，有效提取路网时空数据的高维抽象特征，实现基于单源数据的道路交通系统的行为模态分类；基于多源数据，构建基于多视图协同学习的道路交通系统行为的辨识机制；最终形成“数据空间->高维特征空间->行为模态空间”的有效映射，提高多源道路交通数据的应用效能。本项目的重要结果如下：针对路网交通状态的推演问题，提出了一种基于图嵌入-生成对抗网络的算法，可实现根据路网中的已知检测器的交通状态数据实时地推演生成虚拟检测器的交通状态数据；针对复杂路网中交通数据的缺失问题，本项目主要通过图嵌入的方法学习重构路网后的时空特征，并利用生成对抗网络进行不完备数据插补；针对路网交通流数据的时空特性，提出了一种基于图注意力和对抗生成式的交通流预测方法，可实现对未来时刻交通流数据的预测；针对微观交通场景下车辆轨迹的时空特性，提出了一种新的图机器学习模型，实现未来不同时间道路车辆的轨迹预测；针对交通信号控制系统在数据异常情况下的脆弱性，分析了交通控制系统在不同交通模态下的鲁棒性，并提出了两种方法以提升系统鲁棒性。项目成果可获得道路交通流的时空演化状态，为构建交通知识图谱奠定基础，可以有效提高道路交通管理与控制决策水平、均衡交通流分布、缓解交通拥堵，为多源道路交通数据的有效应用探索一条新路径。