CN120260283A 对交通流量异常预测的物理信息增强时空图网络可信计算方法 （北京理工大学）

(19)国家知识产权局(10)申请公布号CN120260283A(71)申请人北京理工大学地址100081北京市海淀区中关村南大街5号(72)发明人娄文忠姚佩林张正谦肖川孙建伟丁男希吴依哲冯恒振(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师郭楠(54)发明名称对交通流量异常预测的物理信息增强时空图网络可信计算方法本发明公开了一种对交通流量异常预测的物理信息增强时空图网络可信计算方法，过程为：通过嵌入交通流的LWR方程构建LWR模型物理约束，通过Kruithof曲线修正临界密度与自由流并建立宏观CTM模型；将宏观CTM模型的预测结果与微观IDM模型生成的修正因子通过动态权重融合，计算融合结果；构建时空图卷积网络模型及损失函数，构建空间图卷积模块与时序卷积模块，提取空间特征矩阵和时序特征矩阵；使用门控循环单元融合更新时空特征；动态异常检测与分级响应；在交通网络传感设备中部署TEE,通过区块链存证。本发明实时预测交通流量变化，识21.一种对交通流量异常预测的物理信息增强时空图网络可信计算方法，其特征在于：步骤(3),进行动态异常检测与分级响应，根据时段敏感度调整异常阈值，通过异常响2.根据权利要求1所述的对交通流量异常预测的物理信息增强时空图网络可信计算方3.根据权利要求1所述的对交通流量异常预测的物理信息增强时空图网络可信计算方的流量密度Q(p):4.根据权利要求1所述的对交通流量异常预测的物理信息增强时空图网络可信计算方3型确定单个车辆行为：,其中，a为加速度，s为前车距离，5.根据权利要求4所述的对交通流量异常预测的物理信息增强时空图网络可信计算方6.根据权利要求1所述的对交通流量异常预测的物理信息增强时空图网络可信计算方步骤(2.1),将交通路网的交叉口定义为节点，道路定义为边，道路的通行能力为动态步骤(2.2),以设定时间为粒度划分时段构建时变图，时序特征矩阵Xtemp,xtem={H₁,H₂,….,H};4其中，前一时间步的隐藏状态和当前时间步的节点特征为加权融合更新隐藏状态h;将最终隐藏状态h通过时空卷积网络的全连接层映射为时空卷7.根据权利要求1所述的对交通流量异常预测的物理信息增强时空图网络可信计算方8.根据权利要求1所述的对交通流量异常预测的物理信息增强时空图网络可信计算方9.根据权利要求1所述的对交通流量异常预测的物理信息增强时空图网络可信计算方步骤(3.2),残差超过动态阈值T的两倍为突增型异常，残差连续超过阈值超过设定时4/4页4/4页510.根据权利要求1所述的对交通流量异常预测的物理信息增强时空图网络可信计算方法，其特征在于：步骤(4)的过程如下：步骤(4.1),在路侧单元、摄像头、地磁传感器交通网络边缘传感设备中部署TEE,对原始交通数据加密；步骤(4.2),将交通流量预测结果、异常事件日志根哈希写入联盟链，采用区块链存证。6技术领域[0001]本发明涉及交通管理与智能交通领域，尤其涉及一种对交通流量异常预测的物理信息增强时空图网络可信计算方法。背景技术[0002]目前，随着城市化进程的加速和交通流量的剧增，交通拥堵、事故频发、环境污染等问题日益严重。为了缓解交通压力，提高交通系统的运行效率，目前已经提出了多种交通流量预测技术。这些技术大多数依赖于历史数据、机器学习或深度学习模型来进行预测，但它们仍存在一些问题：[0003]物理规律缺失：现有的预测模型如长短期记忆网络(LSTM)通常仅依赖于历史交通数据的统计特性，未嵌入交通流动的基本物理规律。物理规律的缺失使传统模型在一些极端或异常情况下的表现不够稳定和精准。[0004]图结构建模不足：现代城市的交通网络通常呈现复杂的图结构(节点代表交叉口，道路是边),而现有的模型未能充分考虑图结构中不同道路、不同交叉口之间的相互关系，影响了预测结果的准确性。[0005]异常响应滞后：传统的交通流量预测方法基于固定阈值(如3σ原则),对交通流量中的异常波动(如突发交通事故、突如其来的交通堵塞等)响应不够及时，缺乏有效的异常点检测与预警机制。[0006]可信计算不足：交通流量预测的结果通常由中央服务器处理，易产生数据隐私与安全风险，数据泄漏、模型结果篡改等问题可能影响到交通安全和管理决策。[0007]因此，如何结合物理规律与图结构数据，提升交通流量预测的精度，并引入可信计算技术以保障结果的安全性与可靠性，成为了亟待解决的技术问题。发明内容[0008]发明目的：针对现有技术中存在的不足之处，本发明通过利用交通流的物理规律和交通路网的图结构数据，提出一种对交通流量异常预测的物理信息增强时空图网络可信计算方法，该方法融合可信计算体系、物理规律建模与时空图结构分析，通过实时预测交通流量的变化，识别交通流量中的异常波动，提高了交通流量预测的准确性，并通过异常点检测与可信计算确保了预测结果的安全性与可靠性。[0009]技术方案：本发明对交通流量异常预测的物理信息增强时空图网络可信计算方正临界密度与自由流速度参数，改进LWR模型的流量密度；进行道路离散化并建立宏观CTM模型：将目标路网按固定长度划分，将道路离散化为元胞，每个元胞包含密度p(t)和相邻元胞间的传输流量Qi;(t),相邻元胞间的传输流量为：Qi→;(t)=min{D(t),S;(t)},其中，7[0012]步骤(2),构建时空图卷积网络模型：将交通路网转化为边-节点的图结构，并将时间维度嵌入图结构中构建时变图；通过卷积构建空间图卷积模块与时序卷积模块，并提取空间特征矩阵和时序特征矩阵；使用门控循环单元融合并更新时空特征，将交通网络特征映射为时空卷积预测流量；基于均方误差的预测流量Qprea与实测流量Qrea₁,结合物理约束损失，构建时空图卷积网络的损失函数；[0013]步骤(3),进行动态异常检测与分级响应，根据时段敏感度调整异常阈值，通过异常响应机制进行残差分析-阈值自适应-分类预警-措施反馈的闭环流程；[0014]步骤(4),在交通网络边缘传感设备中部署TEE,通过区块链存证。[0016]步骤(1)中，通过Kruithof曲线修正临界密度与自由流速度，改进LWR模型的流量密度Q(p): 为期望安全距离；每设定时间统计微观指标，将所述微观指标量化[0020]微观指标如下：车辆平均速度下降比例为局部拥堵系数、车辆加速度的标准差为加速度变异度、实际距离与期望安全距离的偏离比例为跟车举例异常值。[0022]步骤(2.1),将交通路网的交叉口定义为节点，道路定义为边，道路的通行能力为动态边权重；8,I为单位矩阵，L为归一化的态h,加权融合更新隐藏状态h;将最终隐藏状态h通过时空卷积网络的全连接层映射为时9[0041]建构时空图卷积网络的损失函数：[0044]步骤(2.1)中，节点包括静态属性与动态属[0045]步骤(2.1)中，边包括物理属性与动态属性，所述物理属性为长度、限速、车道类[0047]步骤(3.1),进行动态异常检测时，计算实际流量Qrea₁与预测的残差ε=1Qreal-Qred[0048]根据时段敏感度对系数k进行动态调整，调整异常阈值Taynamic(t):[0050]步骤(3.2),残差超过动态阈值T的两倍为突增型异常，残差连续超过阈值超过设定时间为持续异常，根据异常类型、持续时间以及异常数据上报，触发一级预警，启动应急[0052]步骤(4.1),在路侧单元、摄像头、地磁传感器交通网络边缘传感设备中部署TEE,对原始交通数据加密；[0053]步骤(4.2),将交通流量预测结果、异常事件日志根哈希写入联盟链，采用区块链存证。[0055](1)本发明融合了可信计算体系、物理规律建模与时空图结构分析，通过实时预测交通流量的变化，识别交通流量中的异常波动，提高了交通流量预测的准确性，并通过异常点检测与可信计算确保了预测结果的安全性与可靠性，广泛应用于城市交通管理、智能交[0056](2)本发明围绕物理规律建模、图结构数据处理和实时异常检测展开融入可信计算，通过多学科方法融合实现高精度、高鲁棒性的交通流量预测与异常响应，在保障交通预测精度的同时，构建了端到端可信链，为智能交通系统的大规模落地提供了安全基石，为智慧城市交通管理提供了可靠的技术支撑。附图说明[0057]图1为本发明的对交通流量异常预测的物理信息增强时空图网络可信计算方法流程图。[0058]如图1所示，本发明对交通流量异常预测的物理信息增强时空图网络可信计算方临界密度与自由流速度参数进行修正，改进LWR模型的流量密度；进行宏观元胞传输模型场景的建模；[0061]步骤(1.1),通过嵌入交通流的LWR方程构建LWR模型物理约束，LWR方程为：,其中，p为车辆密度(单位长度道路的车辆数),v为平均速=Qi;(t)。[0067]步骤(1.4),通过数据聚合生成微观IDM模型的修正因子：通过微观IDM模型[0074]步骤(2),构建时空图卷积网络STGCN模型：将交通路网抽象化为边-节点的图结[0079]其中，Θ={0₀,0₁,.…,0.}为卷积核参数表示交通网络的权重参数，0为第k阶多项式其递推公式为,I为单位矩阵，L征矩阵Xspt[0082]其中，H₂∈R为卷积操作后的输出特征，其中F为输出通道数量(滤波器数量),藏状态：门的权重矩阵W₂和W.控制过去信息ht-1的保留及其对候选隐藏状态h的影响，其中σ为为1e-3,每10轮衰减50%,完成时空图卷积网络模型的架构。[0099]步骤(3),进行动态异常检测与分级响应：结合时段敏感的残差分析动态调整异常阈值，通过异常响应机制基于异常严重程度匹配响应资源，实现残差分析-阈值自适应-分类预