基于Encoder-Decoder深度神经网络的路网动态交通分配方法组成比例

本发明专利技术公开了基于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。本发明专利技术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。

【技术实现步骤摘要】
基于Encoder-Decoder深度神经网络的路网动态交通分配方法
本专利技术属于智能交通领域，特别涉及了一种路网动态交通分配方法。
技术介绍
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(IntelligentTransportSystem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，传统的静本文档来自技高网...

【技术保护点】
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：/n(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；/n(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...

【技术特征摘要】
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(...

【专利技术属性】
技术研发人员：夏井新，成岷，王寅朴，安成川，陆振波，郝一行，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32