CN112634620A - 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 - Google Patents

基于Encoder-Decoder深度神经网络的路网动态交通分配方法 Download PDF

Info

Publication number
CN112634620A
CN112634620A CN202011546643.8A CN202011546643A CN112634620A CN 112634620 A CN112634620 A CN 112634620A CN 202011546643 A CN202011546643 A CN 202011546643A CN 112634620 A CN112634620 A CN 112634620A
Authority
CN
China
Prior art keywords
time
flow
road
encoder
decoder
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.)
Granted
Application number
CN202011546643.8A
Other languages
English (en)
Other versions
CN112634620B (zh
Inventor
夏井新
成岷
王寅朴
安成川
陆振波
郝一行
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202011546643.8A priority Critical patent/CN112634620B/zh
Publication of CN112634620A publication Critical patent/CN112634620A/zh
Application granted granted Critical
Publication of CN112634620B publication Critical patent/CN112634620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

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

Abstract

本发明公开了基于Encoder‑Decoder深度神经网络的路网动态交通分配方法，依托于车辆轨迹数据，采用LSTM神经网络模型构建Encoder‑Decoder模型，输入为路网交通多时段车流OD，输出为道路断面流量以及交叉口进口道转向流量，构建模型过程引入Attention机制，进行动态交通分配，得到路网交通需求与实际道路流量之间的非线性映射关系。本发明得到的分配模型结果精度较高，解决了传统方法存在的精度低、实时性差等弊端，为解决交通关键技术问题提供有力支撑。

Description

基于Encoder-Decoder深度神经网络的路网动态交通分配 方法
技术领域
本发明属于智能交通领域，特别涉及了一种路网动态交通分配方法。
背景技术
路网动态交通分配是城市交通管控以及规划的重要组成部分，是交通网络供需平衡理论研究的重要内容，在ITS(Intelligent Transport System即智能交通系统)中也占有重要地位。所谓交通分配，就是将交通小区产生的出行OD按照现有或规划中的路网分配到各道路上，从而推测路段的交通量。从路网负荷是否均衡的角度，交通分配可分为均衡交通分配与非均衡交通分配；从分配结果的角度，可分为动态交通分配与静态交通分配。针对交通分配的研究主要起源于上世纪五十年代，著名学者Wardrop于1952年提出了代表路网均衡的Wardrop第一原理与Wardrop第二原理。其中Wardrop第一原理又被称为用户均衡分配模型，其目标是使得路网车辆出行总花费最少；Wardrop第二原理又可称为系统最优原理，其目标是使得路网车辆总出行时间最小。然而随着城市经济、技术的发展，道路规模逐步扩大，道路拥挤问题亟待解决，传统的静态交通分配方法不能反映出交通流随时间的变化，从而分配结果与实际产生误差导致交通管理效率低下，交通部门迫切需要新的交通分配模型以满足城市交通管控的研究需要。
目前需要解决的是如何优化分配模型，现有的动态交通分配建模方法主要两类：(1)基于系统最优或者用户均衡理论，将动态交通分配表示为数学公式相关的目标优化模型，利用解析算法，经过多轮迭代求得动态交通分配的系数矩阵；(2)基于交通仿真软件进行道路断面流量分配。以上两种方法均以用户均衡为模型的收敛目标，即满足Wardrop第一原理。然而研究结果显示，现实路网系统的状态大多介于用户均衡与系统最优之间，因此给研究带来一定的误差。
其中，采用数学优化模型的方法过程严谨，按照严格的数学理论建模，可解释性好，但是当路网规模大、道路情况较复杂时，模型难以求解，且结果精度受限工程上的可实施性不高；而采用交通仿真软件的方法相对来说快速简便，易于操作，但是存在较多的假设与近似，最终所得的分配结果往往与路网实际情况有较大误差。
综上，现有技术的缺点在于：(1)当路网规模大、道路情况较复杂时，采用数学优化模型的方法求解精度较低；(2)采用交通仿真软件的方法相对来说易于操作，但是存在较多的假设与近似，最终所得的分配结果往往与路网实际情况有较大误差；(3)两种方法均以用户均衡为模型收敛目标，然而有研究结果显示，真实路网系统状态多介于用户均衡与系统最优之间。
车辆轨迹数据包含行程时间、车速、位置变化等信息，可来自于浮动车、号牌数据等，目前针对交通车辆轨迹数据的提取挖掘是学术界的热门研究方向，充分挖掘轨迹数据对道路分时段分地段的管理以及交通建设规划具有重要的意义。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了基于Encoder-Decoder深度神经网络的路网动态交通分配方法。
为了实现上述技术目的，本发明的技术方案为：
基于Encoder-Decoder深度神经网络的路网动态交通分配方法，包括以下步骤：
(1)从典型车辆轨迹数据中获取深度神经网络需要的数据集：对轨迹数据进行预处理，得到车辆出行链，提取每辆车每次出行的行程，从车辆行程轨迹中提取多时段路网车流OD、道路断面流量和交叉口进口道转向流量；
(2)根据步骤(1)获取的数据，确定Encoder-Decoder模型框架的输入输出，其中输入数据为路网交通多时段车流OD，输出数据为道路断面流量和交叉口进口道转向流量；选用LSTM神经网络模型，引入Attention机制，利用Attention权重矩阵与模型输入得到表征路网交通多时段车流OD的隐藏向量，进行Encoder模型的搭建；
(3)将Encoder过程生成的表征路网交通多时段车流OD的隐状态向量输入到Attention权重矩阵中进行计算，通过对LSTM神经网络模型公式的递归调用以获得道路断面流量和交叉口进口道转向流量的向量，从而搭建Decoder模型；
(4)考虑路网车辆轨迹数据特性，通过交通分配流量的预测值与实际观测值之间的关系，建立目标损失函数，标定LSTM神经网络模型中的参数，完成模型训练，并对结果进行评估与分析。
进一步地，在步骤(1)中，从车辆行程轨迹中提取多时段路网车流OD、道路断面流量和交叉口进口道转向流量的步骤如下：
(101)将检测设备编号与事先编号的交叉口一一对应；获取路网内检测设备所检测到的轨迹数据、识别设备与交叉口对照表，其中轨迹数据包括检测设备的标识、车辆经过的日期与时间戳、车辆牌照、车辆行驶方向和车道；
(102)划分车辆出行行程：首先确定行程时间阈值；然后对比相邻轨迹点的时间差与出行划分阈值，划分行程；
(103)提取道路断面流量：将各条轨迹按照起始时间、经过各进口道的时间排序，再对各进口道按照时间间隔ΔT进行汇集，得到各进口道每ΔT的交通流量；
(104)提取交叉口进口道转向流量：首先按照各车道轨迹数据“方向”列统计转向信息；然后对各车道的每ΔT交通流量数据按照转向汇集，得到各交叉口进口道转向流量；
(105)提取多时段路网车流OD：多时段路网车流OD对应的是各出行轨迹的起点与终点，将各出行轨迹的起、终点时间在各时间段进行统计，即得到多时段路网车流OD。
进一步地，在步骤(102)中，确定行程时间阈值的方法如下：
(102a)对每日轨迹数据进行排序，得到每辆车一天内所有被检测到的轨迹点；
(102b)统计所有轨迹点组合的交叉口编号和相邻轨迹时间差；
(102c)重复上述步骤(102a)-(102b)，直至所有轨迹点交叉口编号组合与时间差均被统计，构成所有轨迹点组合的行程时间集合；
(102d)对所有轨迹点组合的行程时间求均值；
(102e)选取步骤(102d)得到的均值的两倍作为划分出行行程的阈值。
进一步地，在步骤(104)中，剔除混合车道的数据。
进一步地，在步骤(2)中，所述Attention机制的实现过程如下：
首先定义一个条件概率公式：
P(yi|y1,...,yi-1,X)＝g(yi-1,hi′,Ci)
上式中，X为Encoder过程的输入，yi为Decoder过程在i时刻的输出，g(*)为条件概率函数，hi′为Decoder过程在i时刻的隐状态，hi′＝f(h′i-1,yi-1,Ci)，其中f表示映射，Ci为解码向量，Ci的计算式如下：
Figure BDA0002856516940000041
上式中，hj为Encoder过程在j时刻的隐状态，Tx为j的取值上界，αij为Encoder过程j时刻输入与Decoder过程i时刻输出的权值。
进一步地，在步骤(2)中，Encoder模型的搭建过程如下：
(2a)在Encoder过程，将模型输入转化为隐藏向量：
ht′＝f(ht′-1,xt′)
上式中，ht′和ht′-1分别为当前时间间隔和上一时间间隔的表征输入数据序列的隐藏向量，xt′为第t′时间间隔的输入数据序列，即路网交通多时段车流OD；
则LSTM神经网络模型公式如下：
(ht′,Ct′)＝LSTM(ht′-1,xt′,Ct′-1)
上式中，Ct′和Ct′-1分别为当前时间间隔和上一时间间隔的细胞状态变量；
(2b)计算Attention权重：
Figure BDA0002856516940000051
上式中，
Figure BDA0002856516940000052
表示在第t′个时间间隔第k个OD量对道路断面流量的影响程度，[ht′-1,Ct′-1]表示对ht′-1和Ct′-1进行拼接操作，xk表示模型输入数据，
Figure BDA0002856516940000053
为待学习参数，be为偏置量；
(2c)利用归一化指数函数对
Figure BDA0002856516940000054
进行归一化处理，得到归一化的Attention权重
Figure BDA0002856516940000055
由
Figure BDA0002856516940000056
得到Attention权重矩阵αt′；
(2d)利用Attention权重矩阵αt′和输入数据序列xt′，得到特征化输入数据序列：
Figure BDA0002856516940000057
上式中，
Figure BDA0002856516940000058
为特征化输入数据序列，
Figure BDA00028565169400000512
表示矩阵内积；
(2e)通过
Figure BDA0002856516940000059
将特征化输入数据序列参与Encoder过程计算。
进一步地，在步骤(3)中，Decoder模型的搭建过程如下：
(3a)令t′时刻的输入为h′t′-1和C′t′-1，其中h′t′-1表示t′-1时刻解码器生成的隐状态向量，C′t′-1表示t′-1时刻解码器生成的细胞状态向量，则Attention权重：
Figure BDA00028565169400000510
上式中，
Figure BDA00028565169400000511
表示在第t′个时间间隔第t个历史输入对输出的影响程度，[h′t′-1,C′t′-1]为t′-1时刻解码器生成的隐状态向量和细胞状态向量的拼接矩阵，ht表示t时刻Encoder过程产生的隐状态向量，
Figure BDA0002856516940000061
为待学习参数，bd为偏置量；
(3b)利用归一化指数函数对
Figure BDA0002856516940000062
进行归一化处理，得到归一化的Attention权重
Figure BDA0002856516940000063
并得到t′时刻Decoder过程的输入
Figure BDA0002856516940000064
其中
Figure BDA0002856516940000065
为待学习参数，
Figure BDA0002856516940000066
为偏置量，yt′为t′时刻的目标序列，
Figure BDA0002856516940000067
(3c)通过
Figure BDA0002856516940000068
生成t′+1时刻的隐状态向量h′t′+1和细胞状态向量C′t′+1，其中h′t′和C′t′分别为t′时刻的隐状态向量和细胞状态向量，根据h′t′+1获得道路断面流量以及交叉口进口道转向流量。
进一步地，在步骤(4)中，所述目标损失函数如下：
Figure BDA0002856516940000069
上式中，θ表示待学习的网络参数，
Figure BDA00028565169400000610
表示第T个时间间隔第n个样本的交通分配流量预测值，
Figure BDA00028565169400000611
表示第T个时间间隔第n个样本的交通分配流量实际观测值，N表示样本总量。
进一步地，在步骤(4)中，所述LSTM神经网络模型中的参数包括LSTM神经网络的层数、每层神经元的个数、学习率以及指数衰减率优化器。
采用上述技术方案带来的有益效果：
本发明构建Encoder-Decoder深度神经网络框架，避免传统分配方法分配不实时、计算过程繁琐、可实施性低等问题的发生，该分配方法对新形势下人工智能与传统交通工程理论的融合具有积极作用；引入Attention机制，解决传统Encoder-Decoder框架对各输入数据赋予相等权重从而导致模型精度下降的问题。
本发明提出的方法适用于多种车流轨迹数据，以车辆轨迹数据为对象，从中提取深度神经网络框架所需的数据集，包括多时段路网车流OD量、道路断面流量和交叉口进口道转向流量，具有一定的普适性。
附图说明
图1是本发明方法流程图；
图2是实施例中GEH值分布频次直方图；
图3是实施例中GEH<3时早高峰、平峰、晚高峰时段对比图；
图4是实施例中引入Attention机制与否下的计算时长对比图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明设计了基于Encoder-Decoder深度神经网络的路网动态交通分配方法，如图1所示，包括以下步骤：
步骤1：从典型车辆轨迹数据中获取深度神经网络需要的数据集：对轨迹数据进行预处理(包括删除无效数据、去重等)，得到车辆出行链，提取每辆车每次出行的行程，从车辆行程轨迹中提取多时段路网车流OD、道路断面流量和交叉口进口道转向流量；
步骤2：根据步骤1获取的数据，确定Encoder-Decoder模型框架的输入输出，其中输入数据为路网交通多时段车流OD，输出数据为道路断面流量和交叉口进口道转向流量；选用LSTM神经网络模型，引入Attention机制，利用Attention权重矩阵与模型输入得到表征路网交通多时段车流OD的隐藏向量，进行Encoder模型的搭建；
步骤3：将Encoder过程生成的表征路网交通多时段车流OD的隐状态向量输入到Attention权重矩阵中进行计算，通过对LSTM神经网络模型公式的递归调用以获得道路断面流量和交叉口进口道转向流量的向量，从而搭建Decoder模型；
步骤4：考虑路网车辆轨迹数据特性，通过交通分配流量的预测值与实际观测值之间的关系，建立目标损失函数，标定LSTM神经网络模型中的参数，完成模型训练，并对结果进行评估与分析。
在本实施例中，优选地，在步骤1中，从车辆行程轨迹中提取多时段路网车流OD、道路断面流量和交叉口进口道转向流量的步骤如下：
101、将检测设备编号与事先编号的交叉口一一对应；获取路网内检测设备所检测到的轨迹数据、识别设备与交叉口对照表，其中轨迹数据包括检测设备的标识、车辆经过的日期与时间戳、车辆牌照、车辆行驶方向和车道；
102、划分车辆出行行程：首先确定行程时间阈值；然后对比相邻轨迹点的时间差与出行划分阈值，划分行程；
103、提取道路断面流量：将各条轨迹按照起始时间、经过各进口道的时间排序，再对各进口道按照时间间隔ΔT进行汇集，得到各进口道每ΔT的交通流量；
104、提取交叉口进口道转向流量：首先按照各车道轨迹数据“方向”列统计转向信息；然后对各车道的每ΔT交通流量数据按照转向汇集，得到各交叉口进口道转向流量；
105、提取多时段路网车流OD：多时段路网车流OD对应的是各出行轨迹的起点与终点，将各出行轨迹的起、终点时间在各时间段进行统计，即得到多时段路网车流OD。
进一步优选地，在步骤102中，确定行程时间阈值的方法如下：
102a、对每日轨迹数据进行排序，得到每辆车一天内所有被检测到的轨迹点；
102b、统计所有轨迹点组合的交叉口编号和相邻轨迹时间差；
102c、重复上述步骤102a-102b，直至所有轨迹点交叉口编号组合与时间差均被统计，构成所有轨迹点组合的行程时间集合；
102d、对所有轨迹点组合的行程时间求均值；
102e、选取步骤102d得到的均值的两倍作为划分出行行程的阈值。
进一步优选地，在步骤104中，由于混合车道的存在，此类车道转向流量无法提取，因此需要对此类车道数据进行剔除，对剩下可提取转向流量的车道，方可进行转向流量提取。
在本实施例中，优选地，在步骤2中，所述Attention机制的实现过程如下：
首先定义一个条件概率公式：
P(yi|y1,...,yi-1,X)＝g(yi-1,hi′,Ci)
上式中，X为Encoder过程的输入，yi为Decoder过程在i时刻的输出，g(*)为条件概率函数，hi′为Decoder过程在i时刻的隐状态，hi′＝f(h′i-1,yi-1,Ci)，其中f表示映射，Ci为解码向量，Ci的计算式如下：
Figure BDA0002856516940000091
上式中，hj为Encoder过程在j时刻的隐状态，Tx为j的取值上界，αij为Encoder过程j时刻输入与Decoder过程i时刻输出的权值。
在本实施例中，优选地，在步骤2中，Encoder模型的搭建过程如下：
2a、在Encoder过程，将模型输入转化为隐藏向量：
ht′＝f(ht′-1,xt′)
上式中，ht′和ht′-1分别为当前时间间隔和上一时间间隔的表征输入数据序列的隐藏向量，xt′为第t′时间间隔的输入数据序列，即路网交通多时段车流OD；
则LSTM神经网络模型公式如下：
(ht′,Ct′)＝LSTM(ht′-1,xt′,Ct′-1)
上式中，Ct′和Ct′-1分别为当前时间间隔和上一时间间隔的细胞状态变量；
2b、计算Attention权重：
Figure BDA0002856516940000101
上式中，
Figure BDA0002856516940000102
表示在第t′个时间间隔第k个OD量对道路断面流量的影响程度，[ht′-1,Ct′-1]表示对ht′-1和Ct′-1进行拼接操作，xk表示模型输入数据，
Figure BDA0002856516940000103
为待学习参数，be为偏置量；
2c、利用归一化指数函数对
Figure BDA0002856516940000104
进行归一化处理，得到归一化的Attention权重
Figure BDA0002856516940000105
由
Figure BDA0002856516940000106
得到Attention权重矩阵αt′；
2d、利用Attention权重矩阵αt′和输入数据序列xt′，得到特征化输入数据序列：
Figure BDA0002856516940000107
上式中，
Figure BDA0002856516940000108
为特征化输入数据序列，
Figure BDA00028565169400001020
表示矩阵内积；
2e、通过
Figure BDA0002856516940000109
将特征化输入数据序列参与Encoder过程计算。
在本实施例中，优选地，在步骤3中，Decoder模型的搭建过程如下：
3a、令t′时刻的输入为h′t′-1和C′t′-1，其中h′t′-1表示t′-1时刻解码器生成的隐状态向量，C′t′-1表示t′-1时刻解码器生成的细胞状态向量，则Attention权重：
Figure BDA00028565169400001010
上式中，
Figure BDA00028565169400001011
表示在第t′个时间间隔第t个历史输入对输出的影响程度，[h′t′-1,C′t′-1]为t′-1时刻解码器生成的隐状态向量和细胞状态向量的拼接矩阵，ht表示t时刻Encoder过程产生的隐状态向量，
Figure BDA00028565169400001012
为待学习参数，bd为偏置量；
3b、利用归一化指数函数对
Figure BDA00028565169400001013
进行归一化处理，得到归一化的Attention权重
Figure BDA00028565169400001014
并得到t′时刻Decoder过程的输入
Figure BDA00028565169400001015
其中
Figure BDA00028565169400001016
为待学习参数，
Figure BDA00028565169400001017
为偏置量，yt′为t′时刻的目标序列，
Figure BDA00028565169400001018
3c、通过
Figure BDA00028565169400001019
生成t′+1时刻的隐状态向量h′t′+1和细胞状态向量C′t′+1，其中h′t′和C′t′分别为t′时刻的隐状态向量和细胞状态向量，根据h′t′+1获得道路断面流量以及交叉口进口道转向流量。
在本实施例中，优选地，在步骤4中，以道路实际流量和神经网络分配到路网的流量之间的MSE(均方误差)为损失，设置目标损失函数如下：
Figure BDA0002856516940000111
上式中，θ表示待学习的网络参数，
Figure BDA0002856516940000112
表示第T个时间间隔第n个样本的交通分配流量预测值，
Figure BDA0002856516940000113
表示第T个时间间隔第n个样本的交通分配流量实际观测值，N表示样本总量。
所述LSTM神经网络模型中的参数包括LSTM神经网络的层数、每层神经元的个数、学习率以及指数衰减率优化器。
本实施例选取江苏省昆山市中心城区面积约10平方千米的一片路网，研究范围由同丰路、朝阳路、柏庐路、青阳路四条主干道围成，路网形状大致呈梯形，道路分布较为规整，包含46个交叉口(从1至46依次对交叉口编号)，11条主干道，69*2条路段(每条路段两个方向)。
本实施例选用的车辆轨迹数据为2018年5月9日至2018年9月10日中的100天数据，选取数据质量较好的90天作为训练集，其余1天的数据进行动态交通分配模型的评估。数据时间间隔为15min，选取具有研究意义的05：00至21：00共16个小时，总计一日64个时段作为训练集训练时段，并从1至64对时段依次编号。
1、通过上述搭建模型以及模型训练、公式计算等步骤，可得到动态交通分配后的道路断面流量、交叉口进口道转向流量，如下表1、表2所示。其中交通小区编号为交叉口编号；交叉口进口道方向含义为，0(北进口)、1(西进口)、2(东进口)、3(南进口)表示；除混合车道包含的转向外，其余转向类型为可提取转向。
表1道路断面流量
序号 交通小区 交叉口进口道方向 交通流量(辆/15min)
1 1 3 0
2 1 2 0
3 2 1 0
4 3 0 1
5 3 2 0
6 3 0 0
7 4 1 3
8 4 3 0
9 4 1 0
10 5 0 6
11 5 3 2
12 5 2 0
13 5 1 0
14 6 0 23
15 6 3 13
16 6 1 4
17 7 0 0
表2交叉口进口道转向流量
Figure BDA0002856516940000121
2、动态交通分配结果的准确度分析即模型精度评估方法为：将模型输出路段交通流量与实际路网交通流量进行比较，引入GEH指标进行偏差计算，该指标在计算模型输出与实际数据的偏差方面具有良好的适用性，实践表明GEH值小于3为模型精度极高，GEH值在3至5之间为模型性能较好，GEH值在5至10之间为此模型性在可接受范围内，可进行工程应用；GEH值大于10为模型性能较差；此外，若80％以上的路段GEH值小于5，则认为模型的精度较高。其公式如下：
Figure BDA0002856516940000131
其中，freal表示路段实际交通流量(辆/小时)，fpred表示模型输出断面流量(辆/小时)。
1)数据测试集在早高峰、午间平峰和晚高峰时，GEH值处于对应范围下的路段所占百分比如下表所示：
表3评估后对应GEH值的路段所占百分比
Figure BDA0002856516940000132
由该表可知午间平峰和晚高峰时段的GEH小于5的比例分别达到了82.1％和84.9％，日平均GEH小于5的比例亦达到了83.4％，说明模型整体精度较高。此外早高峰阶段模型GEH小于5的比例为68.1％，明显小于平峰与晚高峰时段，其原因为早高峰阶段车流更易发生突发性拥堵，路网OD矩阵与断面流量之间的非线性映射关系随机性较大，现有数据量无法较好地捕捉早高峰映射关系；部分数据的GEH值大于10，可能是由于部分检测器突发性故障等原因导致采集的数据与实际路段流量之间有较大误差。
2)将数据测试集在早高峰时间各选取一时段(15min)进行动态交通分配，分配模型在218个输出路段的GEH值的频次分布直方图如图2所示。
由图2可知，图2中的(a)在209个非0断面流量中，GEH值小于5的部分占近69.8％，大于10的部分占12.9％；图2中的(b)在211个非0断面流量中，GEH值小于5的部分占近70.6％，大于10的部分占15.1％；图2中的(c)在206个非0断面流量中，GEH值小于5的部分占近70.8％，大于10的部分占9.7％。通过以上对早高峰内各时段的动态分配结果分析，可以得出结论：动态交通分配模型在高峰时段内表现较为均衡。
3、本发明所用的分配模型引入Attention机制，其带来训练成本增加的代价需进一步评估，选用测试集中与上述第二点中不同的另一天数据作为评估数据。
1)表4给出了使用Attention机制与不使用Attention机制对交通进行分配建模时在对应时段和GEH值范围下的路段所占百分比：
表4 Attention机制使用与否的影响
Figure BDA0002856516940000141
Figure BDA0002856516940000151
2)为研究引入Attention机制与否的影响，在早高峰、平峰、晚高峰时根据GEH所占总体比重进行比较，图3给出了GEH<3时早高峰、平峰、晚高峰时段对比。从上表与图3中可以看出，引入Attention机制后，模型的精度在绝大多数时段都得到了提高，对交通分配模型性能的提升方面是有效的。
3)除了提高模型精度，Attention机制的引入会使得模型求解时的计算复杂度上升，求解时长过长，则会导致模型的实用价值降低，可能无法满足动态交通分配的实时性，因此本发明针对引入Attention机制与否时模型运行时间的不同进行研究(本实施例计时时精确到0.01秒)，如图4所示。
由图4可知，引入Attention机制时模型的计算时长均在2s以内，一定程度上增加了模型的求解时长。然而，二者差异并不显著，本发明进行动态交通分配的时间间隔为15min，引入该机制能够满足动态交通分配的实时性要求，获得精度较高的分配结果。
综上所述，本发明提出的方法适用于多种车辆轨迹数据，以车辆轨迹数据为对象，从中提取深度神经网络框架所需的训练集，包括多时段路网车流OD量、道路断面流量和交叉口进口道转向流量，具有一定的普适性。
本发明依托于车辆轨迹数据，建立Encoder-Decoder深度神经网络交通分配模型，模型中引入Attention机制，解决传统Encoder-Decoder框架丢失输入数据信息与对各输入数据赋予相等权重从而导致模型精度下降的问题，提高动态交通分配的精度。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (9)

1.基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，包括以下步骤：
(1)从典型车辆轨迹数据中获取深度神经网络需要的数据集：对轨迹数据进行预处理，得到车辆出行链，提取每辆车每次出行的行程，从车辆行程轨迹中提取多时段路网车流OD、道路断面流量和交叉口进口道转向流量；
(2)根据步骤(1)获取的数据，确定Encoder-Decoder模型框架的输入输出，其中输入数据为路网交通多时段车流OD，输出数据为道路断面流量和交叉口进口道转向流量；选用LSTM神经网络模型，引入Attention机制，利用Attention权重矩阵与模型输入得到表征路网交通多时段车流OD的隐藏向量，进行Encoder模型的搭建；
(3)将Encoder过程生成的表征路网交通多时段车流OD的隐状态向量输入到Attention权重矩阵中进行计算，通过对LSTM神经网络模型公式的递归调用以获得道路断面流量和交叉口进口道转向流量的向量，从而搭建Decoder模型；
(4)考虑路网车辆轨迹数据特性，通过交通分配流量的预测值与实际观测值之间的关系，建立目标损失函数，标定LSTM神经网络模型中的参数，完成模型训练，并对结果进行评估与分析。
2.根据权利要求1所述基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，在步骤(1)中，从车辆行程轨迹中提取多时段路网车流OD、道路断面流量和交叉口进口道转向流量的步骤如下：
(101)将检测设备编号与事先编号的交叉口一一对应；获取路网内检测设备所检测到的轨迹数据、识别设备与交叉口对照表，其中轨迹数据包括检测设备的标识、车辆经过的日期与时间戳、车辆牌照、车辆行驶方向和车道；
(102)划分车辆出行行程：首先确定行程时间阈值；然后对比相邻轨迹点的时间差与出行划分阈值，划分行程；
(103)提取道路断面流量：将各条轨迹按照起始时间、经过各进口道的时间排序，再对各进口道按照时间间隔ΔT进行汇集，得到各进口道每ΔT的交通流量；
(104)提取交叉口进口道转向流量：首先按照各车道轨迹数据“方向”列统计转向信息；然后对各车道的每ΔT交通流量数据按照转向汇集，得到各交叉口进口道转向流量；
(105)提取多时段路网车流OD：多时段路网车流OD对应的是各出行轨迹的起点与终点，将各出行轨迹的起、终点时间在各时间段进行统计，即得到多时段路网车流OD。
3.根据权利要求2所述基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，在步骤(102)中，确定行程时间阈值的方法如下：
(102a)对每日轨迹数据进行排序，得到每辆车一天内所有被检测到的轨迹点；
(102b)统计所有轨迹点组合的交叉口编号和相邻轨迹时间差；
(102c)重复上述步骤(102a)-(102b)，直至所有轨迹点交叉口编号组合与时间差均被统计，构成所有轨迹点组合的行程时间集合；
(102d)对所有轨迹点组合的行程时间求均值；
(102e)选取步骤(102d)得到的均值的两倍作为划分出行行程的阈值。
4.根据权利要求2所述基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，在步骤(104)中，剔除混合车道的数据。
5.根据权利要求1所述基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，在步骤(2)中，所述Attention机制的实现过程如下：
首先定义一个条件概率公式：
P(yi|y1,...,yi-1,X)＝g(yi-1,hi′,Ci)
上式中，X为Encoder过程的输入，yi为Decoder过程在i时刻的输出，g(*)为条件概率函数，hi′为Decoder过程在i时刻的隐状态，hi′＝f(h′i-1,yi-1,Ci)，其中f表示映射，Ci为解码向量，Ci的计算式如下：
Figure FDA0002856516930000031
上式中，hj为Encoder过程在j时刻的隐状态，Tx为j的取值上界，αij为Encoder过程j时刻输入与Decoder过程i时刻输出的权值。
6.根据权利要求1所述基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，在步骤(2)中，Encoder模型的搭建过程如下：
(2a)在Encoder过程，将模型输入转化为隐藏向量：
ht′＝f(ht′-1,xt′)
上式中，ht′和ht′-1分别为当前时间间隔和上一时间间隔的表征输入数据序列的隐藏向量，xt′为第t′时间间隔的输入数据序列，即路网交通多时段车流OD；
则LSTM神经网络模型公式如下：
(ht′,Ct′)＝LSTM(ht′-1,xt′,Ct′-1)
上式中，Ct′和Ct′-1分别为当前时间间隔和上一时间间隔的细胞状态变量；
(2b)计算Attention权重：
Figure FDA0002856516930000032
上式中，
Figure FDA0002856516930000033
表示在第t′个时间间隔第k个OD量对道路断面流量的影响程度，[ht′-1,Ct′-1]表示对ht′-1和Ct′-1进行拼接操作，xk表示模型输入数据，
Figure FDA0002856516930000034
We、Ue为待学习参数，be为偏置量；
(2c)利用归一化指数函数对
Figure FDA0002856516930000035
进行归一化处理，得到归一化的Attention权重
Figure FDA0002856516930000036
由
Figure FDA0002856516930000037
得到Attention权重矩阵αt′；
(2d)利用Attention权重矩阵αt′和输入数据序列xt′，得到特征化输入数据序列：
Figure FDA0002856516930000041
上式中，
Figure FDA0002856516930000042
为特征化输入数据序列，
Figure FDA0002856516930000043
表示矩阵内积；
(2e)通过
Figure FDA0002856516930000044
将特征化输入数据序列参与Encoder过程计算。
7.根据权利要求6所述基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，在步骤(3)中，Decoder模型的搭建过程如下：
(3a)令t′时刻的输入为h′t′-1和C′t′-1，其中h′t′-1表示t′-1时刻解码器生成的隐状态向量，C′t′-1表示t′-1时刻解码器生成的细胞状态向量，则Attention权重：
Figure FDA0002856516930000045
上式中，
Figure FDA0002856516930000046
表示在第t′个时间间隔第t个历史输入对输出的影响程度，[h′t′-1,C′t′-1]为t′-1时刻解码器生成的隐状态向量和细胞状态向量的拼接矩阵，ht表示t时刻Encoder过程产生的隐状态向量，
Figure FDA0002856516930000047
Wd、Ud为待学习参数，bd为偏置量；
(3b)利用归一化指数函数对
Figure FDA0002856516930000048
进行归一化处理，得到归一化的Attention权重
Figure FDA0002856516930000049
并得到t′时刻Decoder过程的输入
Figure FDA00028565169300000410
其中
Figure FDA00028565169300000411
为待学习参数，
Figure FDA00028565169300000412
为偏置量，yt′为t′时刻的目标序列，
Figure FDA00028565169300000413
(3c)通过
Figure FDA00028565169300000414
生成t′+1时刻的隐状态向量h′t′+1和细胞状态向量C′t′+1，其中h′t′和C′t′分别为t′时刻的隐状态向量和细胞状态向量，根据h′t′+1获得道路断面流量以及交叉口进口道转向流量。
8.根据权利要求1所述基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，在步骤(4)中，所述目标损失函数如下：
Figure FDA00028565169300000415
上式中，θ表示待学习的网络参数，
Figure FDA0002856516930000051
表示第T个时间间隔第n个样本的交通分配流量预测值，
Figure FDA0002856516930000052
表示第T个时间间隔第n个样本的交通分配流量实际观测值，N表示样本总量。
9.根据权利要求1所述基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，在步骤(4)中，所述LSTM神经网络模型中的参数包括LSTM神经网络的层数、每层神经元的个数、学习率以及指数衰减率优化器。
CN202011546643.8A 2020-12-24 2020-12-24 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 Active CN112634620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546643.8A CN112634620B (zh) 2020-12-24 2020-12-24 基于Encoder-Decoder深度神经网络的路网动态交通分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546643.8A CN112634620B (zh) 2020-12-24 2020-12-24 基于Encoder-Decoder深度神经网络的路网动态交通分配方法

Publications (2)

Publication Number Publication Date
CN112634620A true CN112634620A (zh) 2021-04-09
CN112634620B CN112634620B (zh) 2021-11-30

Family

ID=75324184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546643.8A Active CN112634620B (zh) 2020-12-24 2020-12-24 基于Encoder-Decoder深度神经网络的路网动态交通分配方法

Country Status (1)

Country Link
CN (1) CN112634620B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116665439A (zh) * 2023-04-28 2023-08-29 东南大学 基于车牌识别数据的城市路网车流od不确定性估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930314A (zh) * 2016-04-14 2016-09-07 清华大学 基于编码-解码深度神经网络的文本摘要生成系统及方法
US20180089994A1 (en) * 2016-09-27 2018-03-29 International Business Machines Corporation Predictive traffic management using virtual lanes
CN110674460A (zh) * 2019-09-16 2020-01-10 三峡大学 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
US20200076841A1 (en) * 2018-09-05 2020-03-05 Oracle International Corporation Context-aware feature embedding and anomaly detection of sequential log data using deep recurrent neural networks
CN111105613A (zh) * 2019-12-02 2020-05-05 北京建筑大学 一种基于多源数据的交通分配方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930314A (zh) * 2016-04-14 2016-09-07 清华大学 基于编码-解码深度神经网络的文本摘要生成系统及方法
US20180089994A1 (en) * 2016-09-27 2018-03-29 International Business Machines Corporation Predictive traffic management using virtual lanes
US20200076841A1 (en) * 2018-09-05 2020-03-05 Oracle International Corporation Context-aware feature embedding and anomaly detection of sequential log data using deep recurrent neural networks
CN110674460A (zh) * 2019-09-16 2020-01-10 三峡大学 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
CN111105613A (zh) * 2019-12-02 2020-05-05 北京建筑大学 一种基于多源数据的交通分配方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王寅朴: "《基于监督式学习的城市路网动态OD估计方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116665439A (zh) * 2023-04-28 2023-08-29 东南大学 基于车牌识别数据的城市路网车流od不确定性估计方法
CN116665439B (zh) * 2023-04-28 2024-05-07 东南大学 基于车牌识别数据的城市路网车流od不确定性估计方法

Also Published As

Publication number Publication date
CN112634620B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN110070713B (zh) 一种基于双向嵌套lstm神经网络的交通流预测方法
CN104536412B (zh) 基于指标预报和解相似度分析的光刻工序动态调度方法
CN110517510B (zh) 基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法
CN108597227A (zh) 高速公路收费站下道交通流量预测方法
CN111027673B (zh) 一种地铁客流量预测方法
CN109544916B (zh) 一种基于抽样轨迹数据的路网车辆od估计方法
CN110164129B (zh) 基于gernn的单交叉口多车道交通流量预测方法
CN111862592B (zh) 一种基于rgcn的交通流预测方法
CN111292534A (zh) 一种基于聚类与深度序列学习的交通状态估计方法
WO2022142418A1 (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN112419711B (zh) 基于改进gmdh算法的封闭式停车场停车需求预测方法
CN110889092A (zh) 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法
CN108877224B (zh) 一种可进行置信区间估计的短时交通流预测方法
CN112907970A (zh) 一种基于车辆排队长度变化率的可变车道转向控制方法
CN112634620B (zh) 基于Encoder-Decoder深度神经网络的路网动态交通分配方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN113326919A (zh) 一种基于计算图的交通出行方式选择预测方法
CN116933946A (zh) 一种基于客流去向结构的轨道交通od客流预测方法及系统
CN111311905A (zh) 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法
CN105740395B (zh) 一种基于模糊去噪与模糊拼接的公交轨迹提取方法
CN109741597A (zh) 一种基于改进深度森林的公交车路段运行时间预测方法
CN112115754A (zh) 基于烟花差分进化混合算法-极限学习机的短时交通流预测模型

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