【技术实现步骤摘要】
本专利技术属于交通信息处理，涉及路网交通需求估计技术，具体涉及基于稀疏自注意力网络的城市车流od流量提取方法。
技术介绍
1、随着社会经济发展和人口规模不断增长，交通供需不平衡导致的交通拥堵问题从各个方面制约着城市的可持续发展。为有效缓解日益严重的交通拥堵问题，路网车流起-讫点(简称od)流量估计为基于道路交通供需关系实现精准交通管控提供了关键技术支撑，是智能交通系统的重要组成部分。在道路交通系统中，车流od反映了城市交通网络中车流的时空分布，对于城市道路交通的科学管控具有重要现实价值。
2、早期基于人工调查的静态od流量获取方法存在数据收集成本高昂和数据更新不及时等主要问题，难以满足当前动态交通管控的需求。现有主流的基于路段流量反推od流量的动态od估计方法通常涉及动态od估计和动态交通分配两类复杂优化问题，建模与求解过程常常充满了极大的挑战性。
3、基于精细化车辆出行轨迹数据对路网车流od进行估计与预测，是当前路网动态交通需求数据获取的主流和新兴手段，但利用车辆轨迹数据对路网车流od进行精准可靠估计和预测较为困难。一方面，受交通检测设备故障、数据传输或存储错误等因素的影响，获取的车辆出行轨迹数据通常呈现为时空上不完整的车辆出行轨迹片段。如何实现精准的车辆出行轨迹重构，成为利用车辆出行轨迹数据进行路网车流od估计的核心挑战之一。考虑到既有路网车辆出行轨迹重构方法主要依赖车辆路径选择行为经验假设，当假设条件与现实情形不符时，车辆轨迹重构模型精度将会显著下滑，进而影响车流od估计的准确性。另一方面，考虑到时
技术实现思路
1、为解决上述问题，本专利技术公开了基于稀疏自注意力网络的城市车流od流量提取方法，旨在对自动车辆号牌识别系统提取的车辆轨迹数据进行综合预处理，基于稀疏自注意力神经网络建立能够有效表征和捕捉路网车辆出行规律的车辆轨迹重构模型。在该模型中，稀疏自注意力机制对车辆在路网上的不同节点上的出行轨迹之间的时空关联关系进行表征，为每个节点分配适当的自注意力权重，从而使得深度神经网络算法能够学习和捕捉车辆出行轨迹序列中隐含的车辆出行规律。
2、为达到上述目的，本专利技术的技术方案如下：
3、基于稀疏自注意力网络的城市车流od流量提取方法，包括以下步骤：
4、s1：在研究路网中分别在各交叉路口安装车辆自动号牌检测器，通过车辆自动号牌检测器自动识别记录路网内车辆号牌时间信息和空间信息，对记录的车辆号牌信息数据进行综合预处理；
5、s2：将预处理后的车辆号牌数据与研究路网区域每一交叉口进行关联匹配，提取每一车辆若干条号牌数据的时间信息，按照时间顺序进行排序，获取每一车辆在当日的出行轨迹，按照路网区域内的时间和空间信息对所有车辆的单日出行轨迹进行划分，筛查路网区域内所有车辆单日划分的出行轨迹链；
6、s3：对划分的所有车辆出行轨迹链进行研判，构建车辆出行轨迹链数据集，按照完整车辆出行轨迹链和非完整的车辆出行轨迹链进行分组，将所有完整的车辆出行轨迹链组成完整车辆出行轨迹链数据集，将所有非完整的车辆出行轨迹链组成非完整车辆出行轨迹链数据集；
7、s4：提取完整车辆出行轨迹链数据集，并对每一条完整车辆出行轨迹链进行人工缺失设置，从而建立训练数据集，并利用训练数据集和稀疏自注意力神经网络训练生成车辆轨迹重构模型；
8、s5：利用车辆轨迹重构模型对非完整车辆出行轨迹链数据集中的每一条车辆出行轨迹序列进行重构，从而将非完整车辆出行轨迹序列补全为完整的车辆出行轨迹链；
9、s6：将原有的完整车辆出行轨迹链和修复的完整车辆出行轨迹链按照路径和研究时段进行聚合，获得相应的路径流量，通过设计扩样策略，估计获得最终的车流od流量。
10、进一步的，所述步骤s1中，对记录的车辆号牌信息数据进行综合预处理的过程包括以下步骤：
11、s11：根据记录的车辆号牌信息数据，对重复号牌数据记录进行去重预处理，对车辆号牌信息数据进行有效性检查，识别和剔除无效数据；
12、s12：根据每一车辆行程时间的合理区间范围，分析每一车辆号牌数据估算的道路行程时间是否存在异常值，将存在异常值的号牌识别数据进行剔除；
13、s13：将每一条车辆号牌数据记录的设备编号与所在交叉口的进口车道进行映射匹配，将车辆号牌数据记录与道路网络拓扑的地理信息相关联，得到车辆在某一时刻的空间位置及行驶方向，通过对同一车辆产生的号牌识别数据记录的时间戳信息进行排序，得到该车辆在当日的出行轨迹信息。
14、进一步的，所述步骤s2具体包括以下步骤：
15、s21：统计研究路网区域内车辆号牌数据，提取某一车辆的一天内的全部号牌数据，记总数为n；
16、s22：根据该车辆每一号牌数据的采集时刻，将n条号牌数据按照时间顺序进行排列，令号牌数据索引c＝1；
17、s23：根据排列好的车辆号牌数据，将第c条车辆号牌数据和第c+1条车辆号牌数据的采集时刻作差，得到该车辆在相邻号牌检测器之间的实际行驶时间，设定实际行驶时间为ti；
18、s24：计算上述两个车辆号牌数据对应的两车辆号牌检测器之间的最短路径，设定最短路径长度为lmin，设定两车辆号牌检测器之间的道路的限定车速为vlimit，设定两车辆号牌检测器之间的最短行驶时间为tmin，根据公式：
19、tmin＝lmin/vlimit
20、设定两车辆号牌检测器之间行驶预算时间为tbudget，tbudget＝γ*tmin，其中，γ的取值为大于1的常数；
21、s25：将两车辆号牌检测器之间的实际行驶时间与两车辆号牌检测器之间的预算时间进行对比，当ti>tbudget时，判定车辆出行轨迹序列断开，即第c条数据和第c+1条数据应属于两条不同出行轨迹链的终点与起点；
22、s26：当c<n时，令c＝c+1，重复s21～s26，直到c＝n时，完成路网区域内所有车辆出行轨迹链的划分。
23、进一步的，所述步骤s3具体包括以下步骤：
24、s31：设定车辆的一次出行轨迹链为x1,x2,…,xt-1,xt，提取车辆出行的第一个交叉口编号x1；
25、s32：提取车辆出行链的第二个交叉口编号x2，判断第一个交叉口编号x1与第二个交叉口编号x2在空间上是否连通；
26、s33：如果交叉口x1与交叉口x2相互连通，则顺序判断接下来两个交叉口是否连通，直至研判完交叉口xt-1和交叉口xt，若出现两个交叉口不连通的情形，则停止判断，并将此出行轨迹链标记为非完整出行轨迹链，若车辆出行轨迹链x1,x2,…,xt-1,xt两两相邻交叉口都相互连通，则将此出行轨迹链标记为完整出行轨迹链；
27、s34：重复s31～s本文档来自技高网...
【技术保护点】
1.基于稀疏自注意力网络的城市车流OD流量提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于稀疏自注意力网络的城市车流OD流量提取方法，其特征在于，所述步骤S1中，对记录的车辆号牌信息数据进行综合预处理的过程包括以下步骤：
3.根据权利要求1所述的基于稀疏自注意力网络的城市车流OD流量提取方法，其特征在于，所述步骤S2具体包括以下步骤：
4.根据权利要求1所述的基于稀疏自注意力网络的城市车流OD流量提取方法，其特征在于，所述步骤S3具体包括以下步骤：
5.根据权利要求1所述的基于稀疏自注意力网络的城市车流OD流量提取方法，其特征在于，所述步骤S4具体包括以下步骤：
6.根据权利要求5所述的基于稀疏自注意力网络的城市车流OD流量提取方法，其特征在于，所述步骤S41中设计的面向车辆轨迹重构的稀疏自注意力网络架构中各部分功能如下：
7.根据权利要求6所述的基于稀疏自注意力网络的城市车流OD流量提取方法，其特征在于，稀疏自注意力层采用的局部自注意力与跨步自注意力相结合的稀疏自注意力策略如下：
<...【技术特征摘要】
1.基于稀疏自注意力网络的城市车流od流量提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于稀疏自注意力网络的城市车流od流量提取方法，其特征在于，所述步骤s1中，对记录的车辆号牌信息数据进行综合预处理的过程包括以下步骤：
3.根据权利要求1所述的基于稀疏自注意力网络的城市车流od流量提取方法，其特征在于，所述步骤s2具体包括以下步骤：
4.根据权利要求1所述的基于稀疏自注意力网络的城市车流od流量提取方法，其特征在于，所述步骤s3具体包括以下步骤：
5.根据权利要求1所述的基于稀疏自注意力网络的城市车流od流量提取方法，其特征在于，所述步骤s4具体...
【专利技术属性】
技术研发人员：欧吉顺，岳鹏翔，王云，吕东冶，王晨，沈家军，邓社军，于世军，聂庆慧，
申请(专利权)人：扬州大学，
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。