[發(fā)明專利]雙層深度學(xué)習(xí)模型反推OD矩陣的方法、設(shè)備以及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202111503979.0
• 申請日: 2021-12-10
• 公開（公告）號: CN114282165B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 連德富;承孝敏;熊哲立
• 申請（專利權(quán)）人: 長三角信息智能創(chuàng)新研究院
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06F17/18;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 安徽知問律師事務(wù)所 34134
• 代理人: 平靜

本發(fā)明公開了一種雙層深度學(xué)習(xí)模型反推OD矩陣的方法、裝置以及存儲介質(zhì)，其中該方法包括：自動劃分OD節(jié)點，初始化OD參數(shù)矩陣，采用模擬器并行提取模擬OD節(jié)點間路段總流量，模擬OD節(jié)點歷史屬性序列的方法；利用下層分配概率預(yù)測模型抽取圖結(jié)構(gòu)歷史融合表征，對初始OD參數(shù)矩陣進行自相關(guān)提取的特征；并融合以上特征預(yù)測流量分配概率矩陣的方法；采用并行模擬和經(jīng)驗池存儲模擬數(shù)據(jù)訓(xùn)練下層分配概率預(yù)測模型，待收斂后將其固定，利用真實OD節(jié)點歷史屬性序列，真實OD節(jié)點間路段總流量，修正上層OD參數(shù)矩陣的方法；迭代上下層訓(xùn)練至OD矩陣參數(shù)收斂即為反推OD矩陣。該方法構(gòu)建深度學(xué)習(xí)模型，融合交通時空信息，有效提升了反推OD矩陣的準確性。

技術(shù)領(lǐng)域

本發(fā)明涉及交通管理技術(shù)領(lǐng)域，具體地，涉及一種雙層深度學(xué)習(xí)模型反推OD矩陣的方法、設(shè)備以及存儲介質(zhì)。

背景技術(shù)

因為現(xiàn)實中的交通需求量難以直接統(tǒng)計，且成本大。所以往往采用根據(jù)流通時間區(qū)間內(nèi)的交通信息，特別是各路段車輛總流量反推自定義的OD劃分區(qū)域之間的交通需求量，也就是OD矩陣。傳統(tǒng)的OD反推技術(shù)由兩種，一種以各路段的總流量為約束，構(gòu)造最優(yōu)化問題求解OD矩陣，由于約束條件不足使得要求解的OD矩陣是欠定的，導(dǎo)致反推結(jié)果往往和真實的OD矩陣差距較大。深度學(xué)習(xí)依靠其強大的信息融合和擬合能力，成為OD反推技術(shù)更好的選擇，但是深度學(xué)習(xí)模型需要大量的數(shù)據(jù)來進行模型訓(xùn)練，由于真實OD矩陣本身是難以獲取的，使得直接學(xué)習(xí)深度學(xué)習(xí)模型中數(shù)據(jù)的標簽獲取成為困難。目前這一問題沒有得到有效的解決。因此，有必要發(fā)明一種能夠利用深度學(xué)習(xí)模型進行OD反推任務(wù)的可行方法。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種雙層深度學(xué)習(xí)模型反推OD矩陣的方法、設(shè)備以及存儲介質(zhì)，構(gòu)建深度學(xué)習(xí)模型，融合交通過程中的時空信息，對OD矩陣的精確反推提供更多的數(shù)據(jù)和更強大的模型支撐。同時采用雙層深度學(xué)習(xí)框架，利用交通模擬器模擬以輔助模型的訓(xùn)練，克服了深度學(xué)習(xí)模型需要的大量訓(xùn)練數(shù)據(jù)難以獲取的困難。構(gòu)建了利用雙層深度學(xué)習(xí)模型進行OD反推任務(wù)可行方法和裝置。有效提升了反推OD矩陣的準確性。

為了實現(xiàn)上述目的，本發(fā)明提供了一種雙層深度學(xué)習(xí)模型反推OD矩陣的方法，所述方法包括：

對地圖自動劃分OD節(jié)點，以及利用已經(jīng)劃分好的OD節(jié)點初始化OD參數(shù)矩陣，采用模擬器并行模擬，從模擬數(shù)據(jù)中提取模擬OD節(jié)點間路段總流量，模擬OD節(jié)點歷史屬性序列的方法；利用下層分配概率預(yù)測模型對模擬OD節(jié)點歷史屬性序列進行特征融合得到圖結(jié)構(gòu)融合表征，并對初始OD參數(shù)矩陣進行自相關(guān)提取的特征得到自注意力融合矩陣，將注意力融合矩陣與圖結(jié)構(gòu)融合表征進行融合得到預(yù)測各OD節(jié)點的生產(chǎn)量和吸引量分配到各OD節(jié)點間路段的流量分配概率矩陣，并利用并行模擬和經(jīng)驗池隨機抽取的多組數(shù)據(jù)計算損失更新下層分配概率預(yù)測模型參數(shù)的方法；固定下層分配概率預(yù)測模型，利用真實OD節(jié)點歷史屬性序列，真實OD節(jié)點間路段總流量，計算損失對上層OD參數(shù)矩陣的參數(shù)進行修正的方法；通過雙層深度學(xué)習(xí)框架，循環(huán)進行雙層迭代訓(xùn)練，直到OD矩陣參數(shù)收斂，該OD參數(shù)矩陣即為反推出的OD矩陣。

優(yōu)選地，所述對地圖自動劃分OD節(jié)點是指從開源地圖庫，包括但不限于OSM，即OpenStreetMap下載開源地圖，并讀取其中的路段相交點，獲取每個交點的ID和對應(yīng)經(jīng)緯度坐標作為一個元素，所有交點構(gòu)成一個集合，然后利用聚類算法，包括但不限于K-means，根據(jù)交點的經(jīng)緯度坐標信息對節(jié)點進行聚類，形成N個簇，其中簇的個數(shù)N根據(jù)需要自定義；每一個簇作為一個OD節(jié)點，并由此初始化每個OD節(jié)點對的交通需求量，構(gòu)成初始化OD參數(shù)矩陣T；由此，遍歷所有路段，篩選所有兩端連接了不屬于同一個所述OD節(jié)點里的交點的路段作為OD節(jié)點間路段，構(gòu)成所述OD節(jié)點間路段集合。