一种基于梯度下降的出行链模型参数快速标定方法技术

本发明专利技术提出一种基于梯度下降的出行链模型参数快速标定方法，属于出行链模型参数标定技术领域。包括：S1.基于出行链模型的交通需求计算，通过交通需求迭代运算，获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果；S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定；S3.计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定；S4.根据目的地选择和方式选择标定的模型参数，进行基于出行链模型的交通需求模型预测，直到目的地选择和方式选择的校核指标都满足校核要求。解决了现有技术中存在出行链模型参数多、标定校核工作复杂、工作量大、人工成本高的技术问题。高的技术问题。高的技术问题。

【技术实现步骤摘要】
一种基于梯度下降的出行链模型参数快速标定方法


[0001]本申请涉及出行链模型参数快速标定方法，尤其涉及一种基于梯度下降的出行链模型参数快速标定方法，属于出行链模型参数标定


技术介绍

[0002]中国专利CN113327424B公开了出行链模型的交通需求预测方法，该方法在进行出行预测时，在进行出行预测时，相较于四阶段模型，预测精度更高，对于政策和模型的敏感性方面具有优越性。基于出行链模型的需求计算主要步骤包括：出行链生成，目的地选择，方式选择，时段划分，交通分配等；其中，目的选择的效用公式如下：；方式选择的效用计算公式如下：如下：。
[0003]针对目的地选择和方式选择参数大部分需要通过调查数据和多源大数据进行标定和校核。但是针对目的地选择中的和方式选择中的的参数无法直接标定，且该模型参数直接影响多个步骤的运行结果。现有的标定方法主要是通过模型工程师在多轮模型运行后进入平衡稳态后，通过模型运行特征来进行人工参数标定，该过程需要耗费模型工程师大量的时间和精力。

技术实现思路

[0004]在下文中给出了关于本专利技术的简要概述，以便提供关于本专利技术的某些方面的基本理解。应当理解，这个概述并不是关于本专利技术的穷举性概述。它并不是意图确定本专利技术的关键或重要部分，也不是意图限定本专利技术的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
[0005]鉴于此，为解决现有技术中存在出行链模型参数多、标定校核工作复杂、工作量大、人工成本高的技术问题，本专利技术提供一种基于梯度下降的出行链模型参数快速标定方法。
[0006]方案一、一种基于梯度下降的出行链模型参数快速标定方法，包括以下步骤：S1.基于出行链模型的交通需求计算，通过交通需求迭代运算，获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果；S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定；S3.基于目的地选择参数标定完成后计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定；S4.根据目的地选择和方式选择标定的模型参数，进行基于出行链模型的交通需
求模型预测，直到目的地选择和方式选择的校核指标都满足校核要求。
[0007]优选的，S2具体包括以下步骤：S21.基于目的地选择结果，按交通大区或者根据校核要求划分的功能地带进行集计统计，获得模型大区或功能地带层级分布矩阵；S22.基于手机信令分析的交通小区分布矩阵，按交通大区或者进行校核的功能地带进行集计，获得手机大区或功能地带层级分布矩阵；S23.计算所述模型大区或功能地带层级分布矩阵和所述手机大区或功能地带层级分布矩阵误差；其中，表示手机信令交通大区到交通大区的出行总量，表示模型交通大区到交通大区的出行总量，为模型交通大区到交通大区的出行误差；S24.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行迭代次数判断；若误差小于阈值，满足校核要求，完成模型参数标定，返回到出行链模型需求计算；阈值判断公式：阈值判断公式：其中，为绝对值函数，为出行误差，为误差接受阈值；最大迭代次数判断：目的地选择参数标定迭代次数判断：，迭代次数达到最大迭代次数N，结束目的地参数标定过程，返回到出行链模型需求计算；，对目的地选择模型参数进行更新；S25.目的地选择模型参数更新计算：其中，表示为第次目的地选择迭代标定结果，表示参数学习方向，表示参数学习步长；学习方向计算：学习率计算公式如下：其中，n为标定迭代次数；S26.根据新标定的参数，返回至S1，重新开始迭代。
[0008]优选的，S3具体包括以下步骤：S31.基于方式选择结果，按交通大区或者根据校核要求划分的功能地带进行的集计统计，获得模型大区或功能地带层级的交通方式出行总量；
S32.基于调查数据分析得到交通大区或者根据校核要求划分的功能地带下的交通分担率和目的地选择计算得到的出行总量，计算待校核的交通大区或功能地带层级的交通方式出行总量；S33.计算模型结果与手机信令待校核数据的误差；其中，表示手机信令交通大区到交通大区采用交通方式m的出行总量，表示模型交通大区到交通大区采用交通方式m的出行总量，表示交通大区到交通大区采用交通方式m的出行总量误差；S34.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行最大迭代次数判断；若误差小于阈值，满足校核要求，不需要参数标定，返回到出行链模型需求计算；阈值判断公式：阈值判断公式：其中，abs为绝对值函数，为误差接受阈值；最大迭代次数判断：，迭代次数i达到最大迭代次数N，结束方式选择模型参数标定，返回到出行链模型需求计算；，模型未收敛，进行参数更新；S35参数更新计算：其中，表示为第i+1次方式选择迭代标定结果，表示为第i次方式选择迭代标定结果，表示参数学习方向，表示参数学习步长；学习方向计算：学习率计算公式如下：其中，n标定迭代次数。
[0009]方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种基于梯度下降的出行链模型参数快速标定方法的步骤。
[0010]方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种基于梯度下降的出行链模型参数快速标定方法。
[0011]本专利技术的有益效果如下：本专利技术基于出行链模型基准参数的需求计算，让模型达到收敛状态，获取收敛状态下的道路交通阻抗，其次，统计交通模型在目的地选择阶段的交通分布矩阵和基于手机信令的识别出来的交通分布矩阵，根据误差项和迭代次数确定模型参数的学习率和步长，完成目的地选择参数标定；接着基于出行链方式选择结果，对校核区
域集计统计，获得模型大区或功能地带层级的交通方式出行总量，根据模型结果和校核目标计算模型参数的误差，根据误差，更新方式选择的模型参数；最后不断迭代，直到模型平衡，即完成模型参数的标定和校核。
附图说明
[0012]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为一种基于梯度下降的出行链模型参数快速标定方法流程示意图；图2为学习率变化曲线示意图。
具体实施方式
[0013]为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0014]实施例1、参照图1说明本实施方式，一种基于梯度下降的出行链模型参数快速标定方法，包括以下步骤：S1.基于出行链模型的交通需求计算，通过交通需求迭代运算，获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果；S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定；S21.基于目的地选择本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度下降的出行链模型参数快速标定方法，其特征在于，包括以下步骤：S1.基于出行链模型的交通需求计算，通过交通需求迭代运算，获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果；S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定；S3.基于目的地选择参数标定完成后计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定；S4.根据目的地选择和方式选择标定的模型参数，进行基于出行链模型的交通需求模型预测，直到目的地选择和方式选择的校核指标都满足校核要求，直到目的地选择和方式选择的校核指标满足校核要求。2.根据权利要求1所述的一种基于梯度下降的出行链模型参数快速标定方法，其特征在于，S2具体包括以下步骤：S21.基于目的地选择结果，按交通大区或者根据校核要求划分的功能地带进行集计统计，获得模型大区或功能地带层级分布矩阵；S22.基于手机信令分析的交通小区分布矩阵，按交通大区或者进行校核的功能地带进行集计，获得手机大区或功能地带层级分布矩阵；S23.计算所述模型大区或功能地带层级分布矩阵和所述手机大区或功能地带层级分布矩阵误差；其中，表示手机信令交通大区到交通大区的出行总量，表示模型交通大区到交通大区的出行总量，为模型交通大区到交通大区的出行误差；S24.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行迭代次数判断；若误差小于阈值，满足校核要求，完成模型参数标定，返回到出行链模型需求计算；阈值判断公式：阈值判断公式：其中，为绝对值函数，为出行误差，为误差接受阈值；最大迭代次数判断：目的地选择参数标定迭代次数判断：，迭代次数达到最大迭代次数N，结束目的地参数标定过程，返回到出行链模型需求计算；，对目的地选择模型参数进行更新；S25.目的地选择模型参数更新计算：其中，表示为第次目的地选择迭代标定结果，表示参数学习方向，表示参数学习步长；
学习方向计算：学习率计算公式如下...

【专利技术属性】
技术研发人员：吕国林，雷焕宇，刘恒，丁雪晴，游博雅，刘星，辛甜甜，
申请(专利权)人：深圳市城市交通规划设计研究中心股份有限公司，
类型：发明
国别省市：