一种基于移动众包与AVI数据的城市路网动态OD估计方法技术

本发明专利技术公开了一种基于移动众包与AVI数据的城市路网动态OD估计方法。主要步骤包括：首先，提取众包数据与AVI数据车辆、位置和时间信息，得到OD矩阵和点流量矩阵；其次，通过点流量矩阵，运用最小二乘法估计众包数据在路网中的采样渗透率，得到渗透率矩阵；采用线性投影的方法，根据众包数据与渗透率矩阵估计路网历史OD数据集；然后，将历史OD作为源域，AVI检测OD作为目标域，使用源域生成式对抗网络学习路网历史OD数据集的各OD对之间的潜在关系，将源域生成器其中部分网络层迁移至目标域生成式对抗网络中；使用目标域生成对抗网络网络学习AVI检测的OD数据，迭代更新，模型收敛；最后，输入实时检测的AVI信息，输出最优OD估计矩阵。输出最优OD估计矩阵。输出最优OD估计矩阵。

【技术实现步骤摘要】
一种基于移动众包与AVI数据的城市路网动态OD估计方法


[0001]本申请涉及交通信息领域，具体而言，涉及一种基于移动众包与AVI数据的城市路网动态OD(Origin
‑
Destination)估计方法。

技术介绍

[0002]在交通规划与路网交通状态分析中，OD矩阵是重要的基础数据，能够反映当前时段下城市路网的交通需求，全面剖析交通的源头和流向以及交通源流的发生规律，通过OD估计信息，能够辅助实现对城市路网的状态判别及路径规划。
[0003]传统意义上的OD估计是基于线圈检测器检测的路段信息与OD对之间存在的交通分配关系推导流量至路径的分配过程，寻求OD矩阵的最优解。近年来，移动众包和AVI检测数据的应用为OD研究提供了新途径。相较于传统固定点检测数据，新兴的两类数据具有检测精度高、上传频率快等优势。然而，AVI检测数据覆盖范围有限，移动众包数据稳定性差，探测数据稀疏，无法提供完整的交通时空信息。
[0004]因此，基于单一数据源的OD估计存在精度不高、实时性不强等问题，综合利用AVI检测数据的精确性与移动众包数据采样范围广的优势，通过生成式对抗网络框架建立城市路网动态OD估计模型，从而实现路网各起讫点OD的动态估计。

技术实现思路

[0005]1.专利技术目的
[0006]本专利技术针对目前单一数据源无法精确再现路网交通流信息的客观现状，提出一种基于移动众包与AVI数据的城市路网动态OD估计方法，实现路网的OD估计。
[0007]2.本专利技术所采用的技术方案
[0008]本专利技术提出的基于移动众包与AVI数据的城市路网动态OD估计方法可以通过以下步骤实现：
[0009](1)将众包数据与AVI检测数据预处理为车辆轨迹信息，进一步计算得到OD矩阵；分别统计各检测点通过车辆数，得到检测点流量矩阵；根据众包数据与AVI的点流量矩阵，通过最小二乘估计标定各检测点众包渗透率，得到渗透率矩阵；结合渗透率矩阵与众包OD矩阵，通过线性投影，得到历史估计OD矩阵；
[0010](2)配置归一化后的历史估计OD矩阵数据训练集，对历史估计OD矩阵数据进行源域生成式对抗网络预训练，得到预训练网络层参数；
[0011](3)基于步骤(2)中预训练部分网络参数，将其迁移至目标域生成式对抗网络参数层中；对步骤(1)中的AVI检测OD矩阵数据进行数据归一化形成数据训练集，对样本数据进行对抗生成，最终得到OD估计矩阵。
[0012]所述步骤(1)具体为：处理众包数据，将研究路网中的交叉口作为检测点单元{c1,c2,
…
,c
N
}，假设在单位时间内存在n条通过两个检测点的轨迹，用{v1,v2,
…
,v
N
}表示这n条轨迹，表示轨迹v
k
驶过c
i
的次数，计算通过c
i
的点流量如下：
[0013][0014]由此得到众包点流量矩阵：
[0015][0016]表示轨迹v
k
从c
i
驶过c
j
的次数，计算从c
i
到c
j
的OD量如下：
[0017][0018]由此得到众包OD矩阵：
[0019][0020]处理AVI检测数据，假设共有n辆车经过检测点c
i
，表示车辆驶过c
i
的次数，计算通过c
i
的点流量如下：
[0021][0022]由此得到AVI检测点流量矩阵：
[0023][0024]用{t
1i
,t
2i
,
…
,t
Ni
}表示这n辆车通过时间，假设这n辆车中共有m辆车经过检测点c
j
且满足：
[0025]t
Mi
＜t
Mj
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026]则记录为从c
i
到c
j
的OD量
[0027][0028]由此得到AVI检测OD矩阵：
[0029][0030]基于得到的M个单位时间众包点流量矩阵(k＝1,2,3
…
M)与AVI检测点流量矩阵(k＝1,2,3
…
M)，采用最小二乘法，设目标函数为则有：
[0031][0032]当目标函数为最小值时，得到检测点渗透率矩阵为：
[0033]P＝(ρ1,ρ2,
…
,ρ
N
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0034]基于求解出的检测点渗透率矩阵，采用线性投影方法对OD量进行估计：
[0035][0036]其中，α为比例因子，A
o
为路径经过检测点集合，为路径经过检测点个数，进而得到路网历史估计OD矩阵
[0037][0038]所述步骤(2)具体为：对历史估计OD矩阵进行归一化处理：
[0039][0040]得到源域数据集将输入源域生成器G
x
，得到预训练生成样本将已获取的源域样本数据与生成样本输入判别器D
x
中，获得数据真实性概率。根据源域生成器G
x
与源域判别器D
x
的训练目标，分别构造损失函数对生成对抗网络参数进行更新。所述的生成器网络具体配置为：采用一个由256个大小为4*4的卷积核构成的卷积层Gc1、一个由512个大小为4*4的卷积核构成的卷积层Gc2、一个由256个大小为4*4的卷积核构成的卷积层Gc3、一个由128个大小为4*4的卷积核构成的卷积层Gc4对源域样本数据进行过滤，并采用两层全连接层Gf1与Gf2提取维度为1024*1的样本特征。对提取的样本特征采用一个由256个大小为4*4的卷积核构成的逆卷积层Gct1，一个由128个大小为4*4的卷积核构成的逆卷积层Gct2，一个由64个大小为4*4的卷积核构成的逆卷积层Gct3，一个由32个大小为5*5的卷积核构成的逆卷积层Gct4生成估计数据。判别器网络具体配置为：采用一个由256个大小为4*4的卷积核构成卷积层Dc1、一个由512个大小为4*4的卷积核构成的卷积层Dc2、一个由256个大小为4*4的卷积核构成的卷积层Dc3、一个由128个大小为4*4的卷积核构成的卷积层Dc4、一个由1个大小为4*4的卷积核构成的卷积层Dc5对数据真实性概率进行判别，得到生成数据的真实性概率。
[0041]所述步骤(3)具体为：配置AVI检测OD矩阵数据集X
A
对矩阵进行归一化处理，同历史估计OD矩阵归一化处理方式，得到目标域数据集将输入目标域生成器G
y
，得到训练生成样本将已获取的目标域样本数据与生成样本输入判别器D
y
中，获得数据真实性概率。目标域生成器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于移动众包与AVI数据的城市路网动态OD估计方法，其特征在于包括以下步骤：步骤一：将众包数据与AVI检测数据预处理为车辆轨迹信息，进一步计算得到OD矩阵；分别统计各检测点通过车辆数，得到检测点流量矩阵；根据众包数据与AVI的点流量矩阵，通过最小二乘估计标定各检测点众包渗透率，得到渗透率矩阵；结合渗透率矩阵与众包OD矩阵，通过线性投影，得到历史OD矩阵；步骤二：配置归一化后的历史OD矩阵数据训练集，对历史OD矩阵数据进行源域生成式对抗网络预训练，得到预训练网络层参数；步骤三：将预训练部分网络参数迁移至目标域生成式对抗网络参数层中；对AVI检测O...

【专利技术属性】
技术研发人员：陈鹏，王子岩，袁晨栋，康乐天，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：