一种基于量子随机游走的交通流模态拟合方法技术

本发明专利技术公开了一种基于量子随机游走的交通流模态拟合方法，包括如下步骤：(1)基于量子随机游走构建模态生成器；(2)多模态制备；(3)模态筛选；(4)构建模态与交通流量间的映射机制。本发明专利技术认为高速交通流是由多个结构各异的交通流模态混叠耦合形成的复杂地理时空过程，尝试从多尺度分析的视角实现交通流的建模模拟；在高速公路路网拓扑结构的基础框架下，利用量子随机游走生成高速交通流中所有可能的交通流模态；并在实际交通流时间序列的约束下，基于特定的筛选规则实现模态的筛选，并探索交通流模态与交通流量间的转化耦合机制，实现了对高速交通流的建模模拟。

【技术实现步骤摘要】
一种基于量子随机游走的交通流模态拟合方法
本专利技术涉及城市规划、交通地理
，尤其是一种基于量子随机游走的交通流模态拟合方法。
技术介绍
交通流量是众多交通应用的一个重要指标，通常通过位于(高速)公路进/出站点的传感器采集获得。交通流量在识别道路拥堵程度、交通分流以及交通事故后处理等方面提供了关键信息，对交通管理、流量预测和调控等领域发挥着不可或缺的作用。然而，交通流系统是一个开放系统，不同驾驶员具有不同的驾驶模式，驾驶员的异质性使交通流的复杂程度剧增，为交通流建模模拟带来了极大挑战。当前的交通流建模模型大致可归纳为两类：确定性模型和随机性模型。确定性模型的输出结果完全决定于模型参数及初始化条件，因此可对交通流进行准确建模。可进一步将其分为三类：宏观模型、微观模型以及智能体模型。宏观模型通常使用内生或外生变量来反映交通流的平均振荡，忽略了驾驶员的异质性，不适用于高速交通流建模。微观模型将个体抽象为粒子，通过改变粒子之间的吸引力来近似描述交通流振荡，但无法表征交通流振荡的随机性；智能体模型通过预定义演化规则来模拟交通流中个体的异质性，而这些预定义规则只能从确定性视角对交通流数据进行建模，不能较好地揭示交通流中的随机性。随机性模型包括：宏观统计模型、统计学习模型以及动态网络模型。宏观统计模型将交通流视为随机过程，如自回归移动平均模型(ARIMA)与Markov模型，虽然此类模型参数简单、计算高效，但通常需要满足平稳性假设；统计学习模型，如长短期记忆网络(LSTM)，通过使用海量历史数据进行训练模型，并不断调整模型参数来模拟交通流。此类模型具有识别交通流非线性特征的优势，但由于“黑箱”特性，且对于训练数据过于敏感，对交通流的模拟造成了一定限制。动态网络模型将驾驶的时空过程描述为驾驶员在交通网络上的动态转移，驾驶员的异质性则通过转移概率表现。近年来，随着交通流数据的不断积累和完善，越来越多的证据表明经典随机游走可以捕获交通流的非线性与动态特性。但是，实际交通流多数情况下不能满足经典随机游走的独立性和随机性假设，使得经典随机游走在交通流模拟中失效。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种基于量子随机游走的交通流模态拟合方法，实现对高速交通流的建模模拟。为解决上述技术问题，本专利技术提供一种基于量子随机游走的交通流模态拟合方法，包括如下步骤：(1)基于量子随机游走构建模态生成器；(2)多模态制备；(3)模态筛选；(4)构建模态与交通流量间的映射机制。优选的，步骤(1)中，基于量子随机游走构建模态生成器具体为：基于量子随机游走的基本假设，在具有n个站点的一维交通流中，将驾驶员所有可能的选择定义为量子随机游走的基态，记为|v>＝{|1>,|2>,…,|n>}；由于驾驶员最终只能选择一个站点驶离高速交通流，因此将基态表示为如下向量形式：为了让驾驶员能够动态调整出现在不同站点的概率，首先定义一个由基态构成的希尔伯特空间H，使得由基态的线性组合而成的叠加态同样处于该空间中；因此，量子随机游走的状态被定义为所有基态的线性叠加：其中|aj(k)|∈[0,1]，表示驾驶员在给定时间处于状态|j>的概率幅；根据随机性假设，基于酉变换，将状态向量随时间的演化表示如下：如式(3)所示，状态向量的动态演变取决于邻接矩阵A，从离散点的视角将其转化为矩阵，并通过矩阵运算有效求解状态向量，构建了基于量子随机游走的模态生成器。优选的，步骤(2)中，多模态制备具体为：量子随机游走控制参数是步骤(1)构建的模态生成器的唯一参数，直接决定了交通流模态的特征，即相应概率分布的结构特征；只需不断变化量子随机游走的控制参数，即可生成交通流中所有可能的模态。优选的，步骤(3)中，模态筛选具体为：以逐步回归子集筛选法作为交通流模态筛选方法，在实际交通流时间序列F的约束下，对步骤(2)生成的所有可能的交通流模态进行逐步回归子集筛选，将其表示为：基于赤池信息量准则(AIC)，使用式(4)中的逐步回归子集筛选方法对所有可能的交通流模态进行筛选，得到模态筛选结果，记为优选的，步骤(4)中，构建模态与交通流量间的映射机制具体为：基于步骤(3)筛选所得模态建立了交通流量与交通流模态间的混叠耦合关系，并将其表示为：其中，M为步骤(3)筛选所得的模态数，F为实际交通流时间序列，αm为以模态驶离高速交通流的车辆总数，km为筛选所得模态的参数，是交通流模态特征的重要表征参数。本专利技术的有益效果为：本专利技术认为高速交通流是由多个结构各异的交通流模态混叠耦合形成的复杂地理时空过程，尝试从多尺度分析的视角实现交通流的建模模拟；在高速公路路网拓扑结构的基础框架下，利用量子随机游走生成高速交通流中所有可能的交通流模态；并在实际交通流时间序列的约束下，基于特定的筛选规则实现模态的筛选，并探索交通流模态与交通流量间的转化耦合机制，实现了对高速交通流的建模模拟。附图说明图1为本专利技术的方法流程示意图。图2为本专利技术的整体框架结构示意图。图3为本专利技术三种方法的模拟结果示意图。图4为本专利技术三种方法的统计指标对比示意图。图5为本专利技术三种方法功率谱分析结果对比示意图。具体实施方式如图1所示，一种基于量子随机游走的交通流模态拟合方法，包括如下步骤：(1)基于量子随机游走构建模态生成器；(2)多模态制备；(3)模态筛选；(4)构建模态与交通流量间的映射机制。本专利技术主要包括以下两个方面的理论假设：(1)模态假设：假设具有相同/相似驾驶模式的驾驶员形成的轨迹聚合形成一个交通流模态，限定了驾驶员异质性与模态的关系。(2)模型假设：假设交通流满足独立性假设和随机性假设(实际交通流基本满足此假设)，确定了使用量子随机游走而不是经典随机游走生成所有可能的交通流模态。如图2所示，在一维高速交通流中，假设交通流中同一模态下的驾驶员在t0时刻从站点S0驶入交通流，在从如S1,S2,…,Sn的站点出站。当未对系统施加观测时，任意驾驶员在任意时刻均以一定概率出现在任意站点，不同模态具有不同的概率分布，概率大小体现了驾驶员的异质性。为了构建基于量子随机游走的交通模态拟合方法，本专利技术遵循以下假设：(1)独立性假设：由个体产生的交通振荡是相互关联的，这不仅意味着个体的驾驶模式会被其他个体所影响，而且个体的驾驶模式与整体交通状况也是双向影响的。(2)随机性假设：同一交通模态的驾驶员存在随机性，即使车辆匀速行驶，在未实施观测的情况下，驾驶员在给定时间内可能出现在任何位置，满足量子随机游走的基本假设。基于以上假设，保证了运用量子随机游走制备交通流模态的可行性。为满足量子随机游走的基本假设，将具有相同/相似驾驶模式的一类驾驶员(即同一模态下的驾驶员)抽象为量子化的粒子，则此类驾驶员在高速交通系统上的运动过程可描述为粒子在站本文档来自技高网...

【技术保护点】
1.一种基于量子随机游走的交通流模态拟合方法，其特征在于，包括如下步骤：/n(1)基于量子随机游走构建模态生成器；/n(2)多模态制备；/n(3)模态筛选；/n(4)构建模态与交通流量间的映射机制。/n

【技术特征摘要】
1.一种基于量子随机游走的交通流模态拟合方法，其特征在于，包括如下步骤：
(1)基于量子随机游走构建模态生成器；
(2)多模态制备；
(3)模态筛选；
(4)构建模态与交通流量间的映射机制。


2.如权利要求1所述的基于量子随机游走的交通流模态拟合方法，其特征在于，步骤(1)中，基于量子随机游走构建模态生成器具体为：基于量子随机游走的基本假设，在具有n个站点的一维交通流中，将驾驶员所有可能的选择定义为量子随机游走的基态，记为|v>＝{|1>,|2>,…,|n>}；由于驾驶员最终只能选择一个站点驶离高速交通流，因此将基态表示为如下向量形式：



为了让驾驶员能够动态调整出现在不同站点的概率，首先定义一个由基态构成的希尔伯特空间H，使得由基态的线性组合而成的叠加态同样处于该空间中；因此，量子随机游走的状态被定义为所有基态的线性叠加：



其中|aj(k)|∈[0,1]，表示驾驶员在给定时间处于状态|j>的概率幅；根据随机性假设，基于酉变换，将状态向量随时间的演化表示如下：



如式(3)所示，状态向量的动态演变取决于邻接矩阵A，从离散点的视角将其转化为矩阵，并通过矩阵运算有效求解状态向量，构建了基于量子随...

【专利技术属性】
技术研发人员：王增杰，俞肇元，滕玉浩，周鑫鑫，袁林旺，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：江苏;32