本发明专利技术公开了一种基于深度学习的城市居民出行分布建模方法及系统，包括：根据居民出行调查数据获取城市居民出行第一OD矩阵，并根据手机信令数据获取城市居民出行第二OD矩阵，结合人口普查数据对矩阵进行扩样，得到第一出行矩阵扩样以及第二出行矩阵扩样；将第一出行矩阵扩样以及第二出行矩阵扩样进行多维度验证，得到第三OD矩阵；根据第三OD矩阵，结合城市居民出行的影响因素，提取城市居民出行分布建模的所需特征；根据城市居民出行分布建模的所需特征，结合传统重力模型和基于深度学习的出行分布模型进行建模，考虑综合评价指标体系实现对模型的最终建立。本发明专利技术方法提高了预测准确度，为城市居民出行分布建模提供了更合理的决策依据。决策依据。决策依据。
【技术实现步骤摘要】
一种基于深度学习的城市居民出行分布建模方法及系统
[0001]本专利技术涉及城市居民出行分布建模分析的
，尤其涉及一种基于深度学习的城市居民出行分布建模方法及系统。
技术介绍
[0002]随着城市化的加速发展，城市交通状况的复杂性和出行需求日益增加，逐步成为当前社会面临的一个严峻挑战，尤其是针对大城市。在这样的背景下，交通精细化管理愈发重要，交通需求的精准预测随之成为城市交通规划中必不可少的重要环节。交通需求模型中目前应用最为广泛的是“四阶段”模型，这其中出行分布作为核心步骤，起到了承上启下的作用，其输出结果既可以作为城市出行需求的参考，又是后续出行方式选择和交通分配步骤的核心输入和保障模型整体精度的关键要素。因此，精准的出行分布建模方法可以为交通规划提供精细化要素，为城市未来交通规划、管理与控制提供决策依据。
[0003]现有的研究中，对于出行分布的建模往往采用传统重力模型，根据是否满足交通产生和吸引总量的约束可以进一步分为无约束、单约束和双约束重力模型。重力模型具有形式简单易理解、考虑路网变化等优点，但是其考虑出行影响因素过于简单和线性模型过于简单导致预测性能有限。
技术实现思路
[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了一种基于深度学习的城市居民出行分布建模方法及系统解决现有的出行分布建模方法考虑出行影响因素过于简单和线性模型过于简单导致预测性能有限，且在无最新居民出行调查数据的年份情况下无法准确估计城市居民出行分布的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]第一方面，本专利技术实施例提供了一种基于深度学习的城市居民出行分布建模方法，包括：根据居民出行调查数据获取城市居民出行第一OD矩阵，并根据手机信令数据获取城市居民出行第二OD矩阵，结合人口普查数据对所述矩阵进行扩样，得到第一出行矩阵扩样以及第二出行矩阵扩样；
[0009]将所述第一出行矩阵扩样以及第二出行矩阵扩样进行多维度验证，得到第三OD矩阵；
[0010]根据所述第三OD矩阵，结合城市居民出行的影响因素，提取城市居民出行分布建模的所需特征；
[0011]根据所述城市居民出行分布建模的所需特征，结合传统重力模型和基于深度学习
的出行分布模型进行建模，考虑综合评价指标体系实现对模型的最终建立。
[0012]作为本专利技术所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：所述根据居民出行调查数据获取城市居民出行第一OD矩阵包括，居民出行调查数据预处理、起终点映射以及基于人口普查数据扩样得到第一出行矩阵扩样；
[0013]所述根据手机信令数据获取城市居民出行第二OD矩阵包括，手机信令数据预处理、停驻点识别、出行链提取、常住用户识别以及基于人口普查数据扩样得到第二出行矩阵扩样。
[0014]作为本专利技术所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：将所述第一出行矩阵扩样以及第二出行矩阵扩样进行多维度验证，包括：空间分布相似度验证和人均日出行次数验证，
[0015]利用扩样后的第一OD矩阵、第二OD矩阵扩样结果计算人均日出行次数，与现有出行调查数据的人均日出行次数比对；
[0016]若差异次数小于第一阈值，则验证成功；
[0017]若差异次数大于第一阈值，则验证失败；
[0018]利用扩样后的第一OD矩阵、第二OD矩阵扩样结果计算出行量的空间分布；
[0019]若扩样后的第一OD矩阵、第二OD矩阵扩样结果计算出的出行量空间分布相似度大于第二阈值，则验证成功；
[0020]若扩样后的第一OD矩阵、第二OD矩阵扩样结果计算出的出行量空间分布相似度小于第二阈值，则验证失败；
[0021]基于验证成功的空间分布相似度以及人均日出行次数得到第三OD矩阵。
[0022]作为本专利技术所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：城市居民出行分布建模的所需特征，包括：出行产生/吸引量、城市土地利用性质、交通可达性、社会经济属性以及出行阻抗。
[0023]作为本专利技术所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：结合传统重力模型和基于深度学习的出行分布模型进行建模，包括：出行分布模型网络设计、超参数设置和模型优化；
[0024]模型网络设计包括输入层、中间隐藏层和输出层；
[0025]输入层使用Embedding层将起终点的空间编号进行低维向量空间转换，并对起终点区域的空间关系进行表征，与所述城市居民出行分布建模的所需特征变量输入出行分布模型；
[0026]中间隐藏层以全连接层为主体，通过激活函数引入特征变量非线性，通过Dropout层控制过拟合；输出层，采用ReLU激活函数控制输出结果为非负数；
[0027]超参数设置至少包括学习率、批次大小、迭代次数和优化器；
[0028]学习率设置采用指数衰减法，每5个迭代轮次后下降为原学习率的30％；批次大小根据计算设备性能和模型预测精度进行设置，批次大小的设置不超过设备显卡内存且损失函数收敛；迭代次数根据模型数据量确定，且迭代次数与损失函数收敛次数相同，优化器采用Adam优化器。
[0029]作为本专利技术所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：综合评价指标体系包括：通勤者指数CPC、均方根误差RMSE、归一均方根误差NRMSE和
詹森
‑
香农散度JSD。
[0030]作为本专利技术所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：还包括：
[0031]所述通勤者指数CPC表示为：
[0032][0033]其中，y
g
(l
i
,l
j
)是O
i
D
j
对的模型预测生成流量，y
r
(l
i
,l
j
)是O
i
D
j
对的真实观测流量，l
i
表示区域i，l
j
表示区域j；
[0034]所述均方根误差RMSE表示为：
[0035][0036]其中，N是O
i
出发的所有OD对数量；
[0037]所述归一均方根误差NRMSE表示为：
[0038][0039]其中，y
r
(l
i
,l
j
)
max
是O
i
D
j
对的最大真实观测流量，y...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的城市居民出行分布建模方法，其特征在于，包括：根据居民出行调查数据获取城市居民出行第一OD矩阵，并根据手机信令数据获取城市居民出行第二OD矩阵，结合人口普查数据对所述矩阵进行扩样，得到第一出行矩阵扩样以及第二出行矩阵扩样；将所述第一出行矩阵扩样以及第二出行矩阵扩样进行多维度验证，得到第三OD矩阵；根据所述第三OD矩阵，结合城市居民出行的影响因素，提取城市居民出行分布建模的所需特征；根据所述城市居民出行分布建模的所需特征，结合传统重力模型和基于深度学习的出行分布模型进行建模，考虑综合评价指标体系实现对模型的最终建立。2.如权利要求1所述的基于深度学习的城市居民出行分布建模方法，其特征在于：所述根据居民出行调查数据获取城市居民出行第一OD矩阵包括，居民出行调查数据预处理、起终点映射以及基于人口普查数据扩样得到第一出行矩阵扩样；所述根据手机信令数据获取城市居民出行第二OD矩阵包括，手机信令数据预处理、停驻点识别、出行链提取、常住用户识别以及基于人口普查数据扩样得到第二出行矩阵扩样。3.如权利要求2所述的基于深度学习的城市居民出行分布建模方法，其特征在于，将所述第一出行矩阵扩样以及第二出行矩阵扩样进行多维度验证，包括：空间分布相似度验证和人均日出行次数验证，利用扩样后的第一OD矩阵、第二OD矩阵扩样结果计算人均日出行次数，与现有出行调查数据的人均日出行次数比对；若差异次数小于第一阈值，则验证成功；若差异次数大于第一阈值，则验证失败；利用扩样后的第一OD矩阵、第二OD矩阵扩样结果计算出行量空间分布；若扩样后的第一OD矩阵、第二OD矩阵扩样结果计算出的出行量空间分布相似度大于第二阈值，则验证成功；若扩样后的第一OD矩阵、第二OD矩阵扩样结果计算出的出行量空间分布相似度小于第二阈值，则验证失败；基于验证成功的空间分布相似度以及人均日出行次数得到第三OD矩阵。4.如权利要求3所述的基于深度学习的城市居民出行分布建模方法，其特征在于，城市居民出行分布建模的所需特征，包括：出行产生/吸引量、城市土地利用性质、交通可达性、社会经济属性以及出行阻抗。5.如权利要求4所述的基于深度学习的城市居民出行分布建模方法，其特征在于，结合传统重力模型和基于深度学习的出行分布模型进行建模，包括：出行分布模型网络设计、超参数设置和模型优化；模型网络设计包括输入层、中间隐藏层和输出层；输入层使用Embedding层将起终点的空间编号进行低维向量空间转换，并对起终点区域的空间关系进行表征，与所述城市居民出行分布建模的所需特征变量输入出行分布模型；中间隐藏层以全连接层为主体，通过激活函数引入特征变量非线性，通过Dropout层控制过拟合；输出层，采用ReLU激活函数控制输出结果为非负数；
超参数设置至少包括学习率、批次大小、迭代次数和优化器；学习率设置采用指数衰减法，每5个迭代轮次后下降为原学习率的30％；批次大小根据计算设备性能和模型预测精度进行设置，批次大小的设置不超过设备显卡内存且损失函数收敛；迭代次数根据模型数据量确定，且迭代次数与损失函数收敛次数相同，优化器采用Adam优化器。6.如权利要求...
【专利技术属性】
技术研发人员：杨超，万志杨，陈绎同，袁泉，
申请(专利权)人：同济大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。