基于出行模式的注意力机制可解释性探索

为了探索深度注意力模型在地铁出行预测任务中的可解释性,提出基于出行模式的注意力权重擦除方法和可解释性评估框架。利用提出的地铁出行深度注意力框架搭建预测模型,使用广州地铁羊城通数据构造三种不同长度出行序列数据集进行模型训练和验证,达到70%以上准确率;通过单一出行模式的注意力权重擦除实验发现,擦除最大注意力权重的出行模式比随机模式更能显著地影响模型预测结果,但大多数样本不发生预测结果的变化。即注意力机制在该条件下提供的可解释性信息是有限的,且该信息量随着序列长度增加而减小;通过一组出行模式注意力权重擦除实验结果表明,按注意力权重降序擦除能最快使模型预测结果发生变化,并且模型能稳定地对重要的出行模式的出行记录分配注意力权重,即注意力机制在该条件下较好地提供了可解释性信息,且该信息量随着序列长度增加而增大。     

考虑智能网联车队强度的混合交通流基本图模型

随着智能网联车的发展和普及,在未来较长时段内,道路上的交通流内将过渡为由智能网联车和人工驾驶车组成的混合交通流。为揭示此类混合交通流流量、密度、速度三者之间的关系,本文以考虑智能网联车功能退化和车队强度为出发点,建立了智能网联环境下的混合交通流基本图模型。首先,对智能网联车退化后产生的不同类型车辆分别采用特定的跟驰模型进行模拟,并确定了车队强度影响下不同类型车辆的比例;基于此,推导出同时考虑车辆功能退化与车队强度的基本图模型,以弥补已有研究未全面考虑二者的不足,使构建的模型更符合混合交通流实际情形;最后,通过设计SUMO仿真实验进行验证。仿真结果表明：不同场景下仿真获得的流量-密度散点与对应理论曲线的一致性较高,从而验证了理论模型的正确性。