双层深度学习模型反推OD矩阵的方法、装置以及存储介质制造方法及图纸

本发明专利技术公开了一种双层深度学习模型反推OD矩阵的方法、装置以及存储介质，其中该方法包括：自动划分OD节点，初始化OD参数矩阵，采用模拟器并行提取模拟OD节点间路段总流量，模拟OD节点历史属性序列的方法；利用下层分配概率预测模型抽取图结构历史融合表征，对初始OD参数矩阵进行自相关提取的特征；并融合以上特征预测流量分配概率矩阵的方法；采用并行模拟和经验池存储模拟数据训练下层分配概率预测模型，待收敛后将其固定，利用真实OD节点历史属性序列，真实OD节点间路段总流量，修正上层OD参数矩阵的方法；迭代上下层训练至OD矩阵参数收敛即为反推OD矩阵。该方法构建深度学习模型，融合交通时空信息，有效提升了反推OD矩阵的准确性。的准确性。的准确性。

【技术实现步骤摘要】
双层深度学习模型反推OD矩阵的方法、装置以及存储介质


[0001]本专利技术涉及交通管理
，具体地，涉及一种双层深度学习模型反推OD矩阵的方法、装置以及存储介质。

技术介绍

[0002]因为现实中的交通需求量难以直接统计，且成本大。所以往往采用根据流通时间区间内的交通信息，特别是各路段车辆总流量反推自定义的OD划分区域之间的交通需求量，也就是OD矩阵。传统的OD反推技术由两种，一种以各路段的总流量为约束，构造最优化问题求解OD矩阵，由于约束条件不足使得要求解的OD矩阵是欠定的，导致反推结果往往和真实的OD矩阵差距较大。深度学习依靠其强大的信息融合和拟合能力，成为OD反推技术更好的选择，但是深度学习模型需要大量的数据来进行模型训练，由于真实OD矩阵本身是难以获取的，使得直接学习深度学习模型中数据的标签获取成为困难。目前这一问题没有得到有效的解决。因此，有必要专利技术一种能够利用深度学习模型进行OD反推任务的可行方法。

技术实现思路

[0003]本专利技术的目的是提供一种双层深度学习模型反推OD矩阵的方法、装置以及存储介质，构建深度学习模型，融合交通过程中的时空信息，对OD矩阵的精确反推提供更多的数据和更强大的模型支撑。同时采用双层深度学习框架，利用交通模拟器模拟以辅助模型的训练，克服了深度学习模型需要的大量训练数据难以获取的困难。构建了利用双层深度学习模型进行OD反推任务可行方法和装置。有效提升了反推OD矩阵的准确性。
[0004]为了实现上述目的，本专利技术提供了一种双层深度学习模型反推OD矩阵的方法，所述方法包括：
[0005]对地图自动划分OD节点，以及利用已经划分好的OD节点初始化OD参数矩阵，采用模拟器并行模拟，从模拟数据中提取模拟OD节点间路段总流量，模拟OD节点历史属性序列的方法；利用下层分配概率预测模型对模拟OD节点历史属性序列进行特征融合得到图结构融合表征，并对初始OD参数矩阵进行自相关提取的特征得到自注意力融合矩阵，将注意力融合矩阵与图结构融合表征进行融合得到预测各OD节点的生产量和吸引量分配到各OD节点间路段的流量分配概率矩阵，并利用并行模拟和经验池随机抽取的多组数据计算损失更新下层分配概率预测模型参数的方法；固定下层分配概率预测模型，利用真实OD节点历史属性序列，真实OD节点间路段总流量，计算损失对上层OD参数矩阵的参数进行修正的方法；通过双层深度学习框架，循环进行双层迭代训练，直到OD矩阵参数收敛，该OD参数矩阵即为反推出的OD矩阵。
[0006]优选地，所述对地图自动划分OD节点是指从开源地图库，包括但不限于OSM，即OpenStreetMap下载开源地图，并读取其中的路段相交点，获取每个交点的ID和对应经纬度坐标作为一个元素，所有交点构成一个集合，然后利用聚类算法，包括但不限于K
‑
means，根据交点的经纬度坐标信息对节点进行聚类，形成N个簇，其中簇的个数N根据需要自定义；每
一个簇作为一个OD节点，并由此初始化每个OD节点对的交通需求量，构成初始化OD参数矩阵T；由此，遍历所有路段，筛选所有两端连接了不属于同一个所述OD节点里的交点的路段作为OD节点间路段，构成所述OD节点间路段集合。
[0007]优选地，所述利用交通模拟器模拟是指采用包括但不限于SUMO交通模拟器，路径算法采用包括但不限于DUE，即Dynamic User Equilibrium的分配算法，进行模拟；得到基于所述初始化OD参数矩阵在所述地图上的模拟器数据，从中提取所述模拟OD节点历史属性序列包括但不限于特定时间区间内的平均速度，特定时间区间内的流入车辆数及流出车辆数，特定时间区间内车辆保有量，节点内部所含路段和交点数等，并提取模拟OD节点间路段各自总流量。
[0008]优选地，所述OD节点历史序列，将整个模拟时间分为T个时间区间t，构成序列(t1，t2，...，t
T
)；所述节点历史属性序列是指每个时间区间下的OD节点对应的该时间区间下属性构成的序列G
s
，所述模拟OD节点间路段各自总流量y
s
是指整个需求的交通量流动完成后，各OD节点间路段通过的车辆总数。
[0009]优选地，所述下层分配概率预测模型包括：对OD参数矩阵提取所述自相关特征得到自注意力融合矩阵X的Self
‑
Attention模块，对OD节点历史属性序列G
s
做序列特征抽取输出图结构融合表征H的图结构特征提取模块，以及将自注意力融合矩阵与图结构融合表征按节点进行拼接得到拼接矩阵，并通过两个线性层Linear
‑
P，Linear
‑
A对拼接矩阵的每个节点进行变换和维度扩充，使得融合矩阵中每个节点的向量维度由拼接后的维度扩展到E维并分别经过Softmax计算得到OD节点关于各OD节点间路段的生产
‑
路径分配概率矩阵A和吸引
‑
路径分配概率矩阵P；其中，E表示OD节点间路段集合的大小。
[0010]优选地，所述图结构特征提取模块还包括：将模拟OD节点历史属性序列G
s
以及带权重邻接矩阵W进行空间关系抽取的扩散卷积网络DCN，即Diffusion ConvolutionNetwork；其中，W可以是OD节点之间的路径数构成的邻接矩阵；随后，对经过扩散卷积处理后的序列进行时间关系抽取的循环神经网络GRU，即Gate Recurrent Unit；最后，输出所述图结构融合表征H。
[0011]优选地，所述计算损失更新下层分配概率预测模型参数是指将已经得到的生产
‑
路径分配概率矩阵与OD参数矩阵计算得到由交通需求起点推导出的各路段总流量和将已经得到的吸引
‑
路径分配概率矩阵与OD参数矩阵计算得到由交通需求终点推导出的各路段总流量以及通过模拟器模拟得到的OD节点间路段模拟总流量y
s
，利用损失函数计算Loss并采用梯度下降法对下层分配概率预测模型参数进行更新。
[0012]优选地，每次模拟器对同一个OD参数矩阵采用并行模拟，采用对同一OD矩阵参数的微小扰动得到模拟后的不同的模拟OD节点历史属性序列和模拟OD间路段总流量，同时利用多组数据对下层分配概率预测模型进行更新，并将模拟数据与扰动后的OD参数矩阵一一对应，组成经验对存入经验池，在之后的训练中可以被随机重复抽样。
[0013]优选地，当下层分配概率预测模型的损失计算收敛后，转移到上层OD参数矩阵的训练，上层OD参数矩阵训练时下层分配概率预测模型的参数被固定，然后以真实OD节点历史属性序列G
r
和当前OD参数矩阵T作为输入，输出结果如权利要求7所述的方法，将以及真实OD节点间路段总流量y利用损失函数计算Loss并采用梯度下降法对上层OD参数矩
阵的参数进行修正。
[0014]优选地，双层迭代训练包括：当下层分配概率预测模型损失收敛后，固定下层分配概率预测模型参数，转移到上层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双层深度学习模型反推OD矩阵的方法，其特征在于，所述方法包括：对地图自动划分OD节点，以及利用已经划分好的OD节点初始化OD参数矩阵，采用模拟器并行模拟，从模拟数据中提取模拟OD节点间路段总流量，模拟OD节点历史属性序列的方法；利用下层分配概率预测模型对模拟OD节点历史属性序列进行特征融合得到图结构融合表征，并对初始OD参数矩阵进行自相关提取的特征得到自注意力融合矩阵，将注意力融合矩阵与图结构融合表征进行融合得到预测各OD节点的生产量和吸引量分配到各OD节点间路段的流量分配概率矩阵，并利用并行模拟和经验池随机抽取的多组数据计算损失更新下层分配概率预测模型参数的方法；固定下层分配概率预测模型，利用真实OD节点历史属性序列，真实OD节点间路段总流量，计算损失对上层OD参数矩阵的参数进行修正的方法；通过双层深度学习框架，循环进行双层迭代训练，直到OD矩阵参数收敛，该OD参数矩阵即为反推出的OD矩阵。2.根据权利要求1所述的方法，其特征在于，所述对地图自动划分OD节点是指从开源地图库，包括但不限于OSM，即OpenStreetMap下载开源地图，并读取其中的路段相交点，获取每个交点的ID和对应经纬度坐标作为一个元素，所有交点构成一个集合，然后利用聚类算法，包括但不限于K
‑
means，根据交点的经纬度坐标信息对节点进行聚类，形成N个簇，其中簇的个数N根据需要自定义；每一个簇作为一个OD节点，并由此初始化每个OD节点对的交通需求量，构成初始化OD参数矩阵T；由此，遍历所有路段，筛选所有两端连接了不属于同一个所述OD节点里的交点的路段作为OD节点间路段，构成所述OD节点间路段集合。3.根据权利要求1所述的方法，其特征在于，所述利用交通模拟器模拟是指采用包括但不限于SUMO交通模拟器，路径算法采用包括但不限于DUE，即Dynamic User Equilibrium的分配算法，进行模拟；得到基于所述初始化OD参数矩阵在所述地图上的模拟器数据，从中提取所述模拟OD节点历史属性序列包括但不限于特定时间区间内的平均速度，特定时间区间内的流入车辆数及流出车辆数，特定时间区间内车辆保有量，节点内部所含路段和交点数等，并提取模拟OD节点间路段各自总流量。4.根据权利要求3所述的方法，其特征在于，所述OD节点历史序列，将整个模拟时间分为T个时间区间t，构成序列(t1，t2，...，t
T
)；所述节点历史属性序列是指每个时间区间下的OD节点对应的该时间区间下属性构成的序列G
s
，所述模拟OD节点间路段各自总流量y
s
是指整个需求的交通量流动完成后，各OD节点间路段通过的车辆总数。5.根据权利要求1所述的方法，其特征在于，所述下层分配概率预测模型包括：对OD参数矩阵提取所述自相关特征得到自注意力融合矩阵X的Self
‑
Attention模块，对OD节点历史属性序列G
s
做序列特征抽取输出图结构融合表征H的图结构特征提取模块，以及将自注意力融合矩阵与图结构融合表征按节点进行拼接得到拼接矩阵，并通过两个线性层Linear
‑
P，Linear
‑
A对拼接矩阵的每个节点进行变换和维度扩充，使得融合矩阵中每个节点的向量维度由拼接后的维度扩展到E维并分别经过Softmax计算得到OD节点关于各OD节点间路段的生产
‑
路径分配概率矩阵A和吸引
‑
路径分配概率矩阵P；其中，E表示OD节点间路段集合的大小。6.根据权利要求5所述的方法，其特征在于，所述图结构特征提取模块还包括：将模拟OD节点历史属性序列G
s
以及带权重邻接矩阵W进行空间关系抽取的扩散卷积网络DCN，即Diffusion ConvolutionNetwork；其中，W可以是OD节点之间的路径数构成的邻接矩阵；随
后，对经过扩散卷积处理后的序列进行时间关系抽取的循环神经网络GRU，即Gate Recurrent Unit；最...

【专利技术属性】
技术研发人员：连德富，承孝敏，熊哲立，
申请(专利权)人：长三角信息智能创新研究院，
类型：发明
国别省市：