[发明专利]基于Encoder-Decoder深度神经网络的路网动态交通分配方法

权利要求书

1.基于Encoder-Decoder深度神经网络的路网动态交通分配方法，其特征在于，包括以下步骤：

(1)从典型车辆轨迹数据中获取深度神经网络需要的数据集：对轨迹数据进行预处理，得到车辆出行链，提取每辆车每次出行的行程，从车辆行程轨迹中提取多时段路网车流OD、道路断面流量和交叉口进口道转向流量；

(2)根据步骤(1)获取的数据，确定Encoder-Decoder模型框架的输入输出，其中输入数据为路网交通多时段车流OD，输出数据为道路断面流量和交叉口进口道转向流量；选用LSTM神经网络模型，引入Attention机制，利用Attention权重矩阵与模型输入得到表征路网交通多时段车流OD的隐藏向量，进行Encoder模型的搭建；

Encoder模型的搭建过程如下：

(2a)在Encoder过程，将模型输入转化为隐藏向量：

h_t′＝f(h_t′-1,x_t′)

上式中，h_t′和h_t′-1分别为当前时间间隔和上一时间间隔的表征输入数据序列的隐藏向量，x_t′为第t′时间间隔的输入数据序列，即路网交通多时段车流OD；

则LSTM神经网络模型公式如下：

(h_t′,C_t′)＝LSTM(h_t′-1,x_t′,C_t′-1)

上式中，C_t′和C_t′-1分别为当前时间间隔和上一时间间隔的细胞状态变量；

(2b)计算Attention权重：

上式中，表示在第t′个时间间隔第k个OD量对道路断面流量的影响程度，[h_t′-1,C_t′-1]表示对h_t′-1和C_t′-1进行拼接操作，x^k表示模型输入数据，W_e、U_e为待学习参数，b_e为偏置量；

(2c)利用归一化指数函数对进行归一化处理，得到归一化的Attention权重由得到Attention权重矩阵α_t′；

(2d)利用Attention权重矩阵α_t′和输入数据序列x_t′，得到特征化输入数据序列：

上式中，为特征化输入数据序列，表示矩阵内积；

(2e)通过将特征化输入数据序列参与Encoder过程计算；

(3)将Encoder过程生成的表征路网交通多时段车流OD的隐状态向量输入到Attention权重矩阵中进行计算，通过对LSTM神经网络模型公式的递归调用以获得道路断面流量和交叉口进口道转向流量的向量，从而搭建Decoder模型；

Decoder模型的搭建过程如下：

(3a)令t′时刻的输入为h′_t′-1和C′_t′-1，其中h′_t′-1表示t′-1时刻解码器生成的隐状态向量，C′_t′-1表示t′-1时刻解码器生成的细胞状态向量，则Attention权重：

上式中，表示在第t′个时间间隔第t个历史输入对输出的影响程度，[h′_t′-1,C′_t′-1]为t′-1时刻解码器生成的隐状态向量和细胞状态向量的拼接矩阵，h_t表示t时刻Encoder过程产生的隐状态向量，W_d、U_d为待学习参数，b_d为偏置量；

(3b)利用归一化指数函数对进行归一化处理，得到归一化的Attention权重并得到t′时刻Decoder过程的输入其中为待学习参数，为偏置量，y_t′为t′时刻的目标序列，

(3c)通过生成t′+1时刻的隐状态向量h′_t′+1和细胞状态向量C′_t′+1，其中h′_t′和C′_t′分别为t′时刻的隐状态向量和细胞状态向量，根据h′_t′+1获得道路断面流量以及交叉口进口道转向流量；

(4)考虑路网车辆轨迹数据特性，通过交通分配流量的预测值与实际观测值之间的关系，建立目标损失函数，标定LSTM神经网络模型中的参数，完成模型训练，并对结果进行评估与分析。