[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

说明书

本发明公开了基于Encoder‑Decoder深度神经网络的路网动态交通分配方法，依托于车辆轨迹数据，采用LSTM神经网络模型构建Encoder‑Decoder模型，输入为路网交通多时段车流OD，输出为道路断面流量以及交叉口进口道转向流量，构建模型过程引入Attention机制，进行动态交通分配，得到路网交通需求与实际道路流量之间的非线性映射关系。本发明得到的分配模型结果精度较高，解决了传统方法存在的精度低、实时性差等弊端，为解决交通关键技术问题提供有力支撑。

技术领域

本发明属于智能交通领域，特别涉及了一种路网动态交通分配方法。

背景技术

路网动态交通分配是城市交通管控以及规划的重要组成部分，是交通网络供需平衡理论研究的重要内容，在ITS(Intelligent Transport System即智能交通系统)中也占有重要地位。所谓交通分配，就是将交通小区产生的出行OD按照现有或规划中的路网分配到各道路上，从而推测路段的交通量。从路网负荷是否均衡的角度，交通分配可分为均衡交通分配与非均衡交通分配；从分配结果的角度，可分为动态交通分配与静态交通分配。针对交通分配的研究主要起源于上世纪五十年代，著名学者Wardrop于1952年提出了代表路网均衡的Wardrop第一原理与Wardrop第二原理。其中Wardrop第一原理又被称为用户均衡分配模型，其目标是使得路网车辆出行总花费最少；Wardrop第二原理又可称为系统最优原理，其目标是使得路网车辆总出行时间最小。然而随着城市经济、技术的发展，道路规模逐步扩大，道路拥挤问题亟待解决，传统的静态交通分配方法不能反映出交通流随时间的变化，从而分配结果与实际产生误差导致交通管理效率低下，交通部门迫切需要新的交通分配模型以满足城市交通管控的研究需要。

目前需要解决的是如何优化分配模型，现有的动态交通分配建模方法主要两类：(1)基于系统最优或者用户均衡理论，将动态交通分配表示为数学公式相关的目标优化模型，利用解析算法，经过多轮迭代求得动态交通分配的系数矩阵；(2)基于交通仿真软件进行道路断面流量分配。以上两种方法均以用户均衡为模型的收敛目标，即满足Wardrop第一原理。然而研究结果显示，现实路网系统的状态大多介于用户均衡与系统最优之间，因此给研究带来一定的误差。

其中，采用数学优化模型的方法过程严谨，按照严格的数学理论建模，可解释性好，但是当路网规模大、道路情况较复杂时，模型难以求解，且结果精度受限工程上的可实施性不高；而采用交通仿真软件的方法相对来说快速简便，易于操作，但是存在较多的假设与近似，最终所得的分配结果往往与路网实际情况有较大误差。

综上，现有技术的缺点在于：(1)当路网规模大、道路情况较复杂时，采用数学优化模型的方法求解精度较低；(2)采用交通仿真软件的方法相对来说易于操作，但是存在较多的假设与近似，最终所得的分配结果往往与路网实际情况有较大误差；(3)两种方法均以用户均衡为模型收敛目标，然而有研究结果显示，真实路网系统状态多介于用户均衡与系统最优之间。

车辆轨迹数据包含行程时间、车速、位置变化等信息，可来自于浮动车、号牌数据等，目前针对交通车辆轨迹数据的提取挖掘是学术界的热门研究方向，充分挖掘轨迹数据对道路分时段分地段的管理以及交通建设规划具有重要的意义。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了基于Encoder-Decoder深度神经网络的路网动态交通分配方法。

为了实现上述技术目的，本发明的技术方案为：

基于Encoder-Decoder深度神经网络的路网动态交通分配方法，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；