一种基于移动众包与AVI数据的城市路网动态OD估计方法

一种基于移动众包与avi数据的城市路网动态od估计方法
技术领域
1.本技术涉及交通信息领域，具体而言，涉及一种基于移动众包与avi数据的城市路网动态od(origin-destination)估计方法。


背景技术：

2.在交通规划与路网交通状态分析中，od矩阵是重要的基础数据，能够反映当前时段下城市路网的交通需求，全面剖析交通的源头和流向以及交通源流的发生规律，通过od估计信息，能够辅助实现对城市路网的状态判别及路径规划。
3.传统意义上的od估计是基于线圈检测器检测的路段信息与od对之间存在的交通分配关系推导流量至路径的分配过程，寻求od矩阵的最优解。近年来，移动众包和avi检测数据的应用为od研究提供了新途径。相较于传统固定点检测数据，新兴的两类数据具有检测精度高、上传频率快等优势。然而，avi检测数据覆盖范围有限，移动众包数据稳定性差，探测数据稀疏，无法提供完整的交通时空信息。
4.因此，基于单一数据源的od估计存在精度不高、实时性不强等问题，综合利用avi检测数据的精确性与移动众包数据采样范围广的优势，通过生成式对抗网络框架建立城市路网动态od估计模型，从而实现路网各起讫点od的动态估计。


技术实现要素：

5.1.发明目的
6.本发明针对目前单一数据源无法精确再现路网交通流信息的客观现状，提出一种基于移动众包与avi数据的城市路网动态od估计方法，实现路网的od估计。
7.2.本发明所采用的技术方案
8.本发明提出的基于移动众包与avi数据的城市路网动态od估计方法可以通过以下步骤实现：
9.(1)将众包数据与avi检测数据预处理为车辆轨迹信息，进一步计算得到od矩阵；分别统计各检测点通过车辆数，得到检测点流量矩阵；根据众包数据与avi的点流量矩阵，通过最小二乘估计标定各检测点众包渗透率，得到渗透率矩阵；结合渗透率矩阵与众包od矩阵，通过线性投影，得到历史估计od矩阵；
10.(2)配置归一化后的历史估计od矩阵数据训练集，对历史估计od矩阵数据进行源域生成式对抗网络预训练，得到预训练网络层参数；
11.(3)基于步骤(2)中预训练部分网络参数，将其迁移至目标域生成式对抗网络参数层中；对步骤(1)中的avi检测od矩阵数据进行数据归一化形成数据训练集，对样本数据进行对抗生成，最终得到od估计矩阵。
12.所述步骤(1)具体为：处理众包数据，将研究路网中的交叉口作为检测点单元{c1,c2,
…
,cn}，假设在单位时间内存在n条通过两个检测点的轨迹，用{v1,v2,
…
,vn}表示这n条轨迹，表示轨迹vk驶过ci的次数，计算通过ci的点流量如下：
[0013][0014]
由此得到众包点流量矩阵：
[0015][0016]
表示轨迹vk从ci驶过cj的次数，计算从ci到cj的od量如下：
[0017][0018]
由此得到众包od矩阵：
[0019][0020]
处理avi检测数据，假设共有n辆车经过检测点ci，表示车辆驶过ci的次数，计算通过ci的点流量如下：
[0021][0022]
由此得到avi检测点流量矩阵：
[0023][0024]
用{t
1i
,t
2i
,
…
,t
ni
}表示这n辆车通过时间，假设这n辆车中共有m辆车经过检测点cj且满足：
[0025]
t
mi
＜t
mj
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026]
则记录为从ci到cj的od量
[0027][0028]
由此得到avi检测od矩阵：
[0029][0030]
基于得到的m个单位时间众包点流量矩阵(k＝1,2,3
…
m)与avi检测点流量矩阵(k＝1,2,3
…
m)，采用最小二乘法，设目标函数为则有：
[0031][0032]
当目标函数为最小值时，得到检测点渗透率矩阵为：
[0033]
p＝(ρ1,ρ2,
…
,ρn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0034]
基于求解出的检测点渗透率矩阵，采用线性投影方法对od量进行估计：
[0035][0036]
其中，α为比例因子，ao为路径经过检测点集合，为路径经过检测点个数，进而得到路网历史估计od矩阵
[0037][0038]
所述步骤(2)具体为：对历史估计od矩阵进行归一化处理：
[0039][0040]
得到源域数据集将输入源域生成器g
x
，得到预训练生成样本将已获取的源域样本数据与生成样本输入判别器d
x
中，获得数据真实性概率。根据源域生成器g
x
与源域判别器d
x
的训练目标，分别构造损失函数对生成对抗网络参数进行更新。所述的生成器网络具体配置为：采用一个由256个大小为4*4的卷积核构成的卷积层gc1、一个由512个大小为4*4的卷积核构成的卷积层gc2、一个由256个大小为4*4的卷积核构成的卷积层gc3、一个由128个大小为4*4的卷积核构成的卷积层gc4对源域样本数据进行过滤，并采用两层全连接层gf1与gf2提取维度为1024*1的样本特征。对提取的样本特征采用一个由256个大小为4*4的卷积核构成的逆卷积层gct1，一个由128个大小为4*4的卷积核构成的逆卷积层gct2，一个由64个大小为4*4的卷积核构成的逆卷积层gct3，一个由32个大小为5*5的卷积核构成的逆卷积层gct4生成估计数据。判别器网络具体配置为：采用一个由256个大小为4*4的卷积核构成卷积层dc1、一个由512个大小为4*4的卷积核构成的卷积层dc2、一个由256个大小为4*4的卷积核构成的卷积层dc3、一个由128个大小为4*4的卷积核构成的卷积层dc4、一个由1个大小为4*4的卷积核构成的卷积层dc5对数据真实性概率进行判别，得到生成数据的真实性概率。
[0041]
所述步骤(3)具体为：配置avi检测od矩阵数据集xa对矩阵进行归一化处理，同历史估计od矩阵归一化处理方式，得到目标域数据集将输入目标域生成器gy，得到训练生成样本将已获取的目标域样本数据与生成样本输入判别器dy中，获得数据真实性概率。目标域生成器gy与目标域判别器dy网络框架同源域生成器g
x
与源域判别器d
x
。将训练好的生成器g
x
的部分网络层gct4、gf1、gf2、gct1、gct2参数迁移至未训练
的生成器gy的相应网络层中，生成器gy的其余网络层均以随机参数初始化。根据目标域生成器gy与目标域判别器dy的训练目标，分别构造损失函数对生成对抗网络参数进行更新。
[0042]
其中，整个网络损失函数为：
[0043]
l
rec
＝e
x～px
|x-d1(e1(x))|+e
y～py
|y-d2(e2(y))|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0044]
l
sem
＝e
x～px
|e1(x)-e1(d1(e1(x)))|+e
y～py
|e2(y)-e2(d2(e2(y)))|
ꢀꢀꢀꢀꢀ
(16)
[0045]
l
gan,x
→
x
＝e
x～px
(log(d(x)))+e
x～px
(log(1-d(d1(e1(x)))))
ꢀꢀꢀꢀꢀ
(17)
[0046]
l
gan,y
→y＝e
y～py
(log(d(y)))+e
y～py
(log(1-d(d2(e2(x)))))
ꢀꢀꢀꢀꢀ
(18)
[0047]
l
gan，g
＝eg(log(1-d(d2(e2(x)))))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0048]
其中，生成器损失函数为：
[0049]
lg＝l
rec
+ω1l
sem
+ω4l
gan，g
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0050]
判别器损失函数为：
[0051]
ld＝ω2l
gan,x
→
x
+ω3l
gan,y
→yꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0052]
所述生成式对抗网络目标函数满足：
[0053][0054]
avi检测od矩阵通过归一化输入训练好的生成器gy，将输出数据反归一化后，获得估计的路网动态od矩阵：
[0055][0056]
本发明基于avi检测数据与移动众包数据，提出一种基于生成式对抗网络的城市路网od矩阵估计方法，通过移动众包数据的估计历史数据与模型预训练提取路网历史特征，利用avi检测数据动态估计路网od，在一定程度上解决了od估计准确度较低的问题，具有一定的工程应用价值。
附图说明
[0057]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0058]
图1为根据本公开具体实施方式所述的验证数据覆盖的路网空间范围示意图；
[0059]
图2为根据本公开具体实施方式所述的方法流程图；
[0060]
图3为根据本公开具体实施方式所述的各交叉口众包渗透率示意图
[0061]
图4为根据本公开具体实施方式所述的生成式对抗网络算法流程图；
[0062]
图5为根据本公开具体实施方式所述的生成式对抗网络框架图；
[0063]
图6为根据本公开具体实施方式所述的生成式对抗网络模型训练构成损失函数曲线图；
[0064]
图7为根据本公开具体实施方式所述的不同avi覆盖率下模型均方根误差与纯均方误差。
[0065]
图8为根据本公开具体实施方式所述的不同avi覆盖率下模型平均绝对误差和平均绝对百分比误差。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0068]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0069]
本发明提出的基于移动众包与avi数据的城市路网动态od估计方法可以通过以下步骤实现：
[0070]
(1)将众包数据与avi检测数据预处理为车辆轨迹信息，进一步计算得到od矩阵；分别统计各检测点通过车辆数，得到检测点流量矩阵；根据众包数据与avi的点流量矩阵，通过最小二乘估计标定各检测点众包渗透率，得到渗透率矩阵；结合渗透率矩阵与众包od矩阵，通过线性投影，得到历史估计od矩阵；
[0071]
(2)配置归一化后的历史估计od矩阵数据训练集，对历史估计od矩阵数据进行源域生成式对抗网络预训练，得到预训练网络层参数；
[0072]
(3)基于步骤(2)中预训练部分网络参数，将其迁移至目标域生成式对抗网络参数层中；对步骤(1)中的avi检测od矩阵数据进行数据归一化形成数据训练集，对样本数据进行对抗生成，最终得到od估计矩阵。
[0073]
本实施例选用河北省保定市中心城区的交叉口检测数据集作为验证数据，覆盖36个交叉口和80余条路段，具体空间分布如图1所示。其中，研究路段涵盖多种道路等级，包括：主干路、次干路、支路等。下面基于河北保定市avi检测数据集与移动众包数据集具体介绍方法实施的步骤。
[0074]
第(1)步：通过式(1)-(3)求得各检测点基于抽样众包数据统计的通过车辆数与检测点od流量矩阵，通过式(5)-(8)求得各检测点基于avi检测数据统计的通过车辆数与检测点od流量矩阵。通过式(10)求得各检测点的众包数据渗透率，如图3所示。通过式(12)求得历史估计od矩阵数据集。
[0075]
第(2)步：模型算法为图4所示。具体步骤为：根据式(14)归一化源域样本数据。将输入源域生成器g
x
，得到预训练生成样本将已获取的源域样本数据
与生成样本输入判别器d
x
中，获得数据真实性概率。将式(21)最大化作为判别器d
x
的优化目标，式(20)最小化作为生成器g
x
的优化目标，从而得到式(22)所示的生成式对抗网络目标函数，通过式(20)与(21)的生成器g
x
与判别器d
x
的损失函数，交替训练，迭代数据，最后生成器g
x
生成的样本足够接近真实数据，判别器d
x
难以判断生成器生成样本的真假，此时生成对抗过程达到动态平衡，完成源域生成式对抗网络的参数更新。
[0076]
第(3)步：模型算法如图4所示。具体步骤为：对生成器gy参数随机初始化，将训练完成的生成器g
x
部分网络层gct4、gf1、gf2、gct1、gct2参数迁移至未训练的生成器gy的相应网络层。配置avi检测od矩阵数据集xa加入随机高斯噪声，模拟实际交通检测环境，对部分od置零，模拟检测器有限覆盖的情况。根据式(14)对矩阵进行归一化处理，得到目标域数据集将输入目标域生成器gy，得到训练生成样本将已获取的目标域样本数据与生成样本输入判别器dy中，获得数据真实性概率，模型网络框架如图5所示。将式(21)最大化作为判别器dy的优化目标，式(20)最小化作为生成器gy的优化目标，从而得到式(22)所示的生成式对抗网络目标函数，通过式(20)与(21)的生成器gy与判别器dy的损失函数，交替训练，迭代数据，最后生成器gy生成的样本足够接近真实数据，判别器dy难以判断生成器生成样本的真假，此时生成对抗过程达到动态平衡，当模型的目标函数不在下降时，即完成目标域生成式对抗网络的参数更新，如图6所示。
[0077]
本发明的基于河北保定市移动众包与avi数据，对路网动态od进行估计的性能结果如图7、8所示。图7为不同avi覆盖率下模型均方根误差与纯方根误差，图8为不同avi覆盖率下模型平均绝对误差和平均绝对百分比误差。可以看出基于移动众包与avi数据的城市路网动态od估计方法能够克服移动众包低渗透率和avi低覆盖率的不足，充分融合两类数据源，取得较高的估计精度，满足od动态估计的现实需求。

技术特征：
1.一种基于移动众包与avi数据的城市路网动态od估计方法，其特征在于包括以下步骤：步骤一：将众包数据与avi检测数据预处理为车辆轨迹信息，进一步计算得到od矩阵；分别统计各检测点通过车辆数，得到检测点流量矩阵；根据众包数据与avi的点流量矩阵，通过最小二乘估计标定各检测点众包渗透率，得到渗透率矩阵；结合渗透率矩阵与众包od矩阵，通过线性投影，得到历史od矩阵；步骤二：配置归一化后的历史od矩阵数据训练集，对历史od矩阵数据进行源域生成式对抗网络预训练，得到预训练网络层参数；步骤三：将预训练部分网络参数迁移至目标域生成式对抗网络参数层中；对avi检测od矩阵数据进行数据归一化形成数据训练集，对样本数据进行对抗生成，最终得到od估计矩阵。2.如权利要求1所述的方法，其特征在于，所述的步骤一包括根据交叉口单元划分结果和历史众包数据与avi数据计算某一交叉口检测点众包采样渗透率；根据渗透率矩阵与众包od矩阵估计历史od矩阵。3.如权利要求1所述的方法，其特征在于，所述的步骤二将历史od矩阵数据归一化，进行源域生成式对抗网络预训练，提取源域生成器网络参数。4.如权利要求1所述的方法，其特征在于，所述的步骤三利用avi检测数据，通过迁移源域生成器网络参数的目标域生成器训练，生成路网od估计数据。

技术总结
本发明公开了一种基于移动众包与AVI数据的城市路网动态OD估计方法。主要步骤包括：首先，提取众包数据与AVI数据车辆、位置和时间信息，得到OD矩阵和点流量矩阵；其次，通过点流量矩阵，运用最小二乘法估计众包数据在路网中的采样渗透率，得到渗透率矩阵；采用线性投影的方法，根据众包数据与渗透率矩阵估计路网历史OD数据集；然后，将历史OD作为源域，AVI检测OD作为目标域，使用源域生成式对抗网络学习路网历史OD数据集的各OD对之间的潜在关系，将源域生成器其中部分网络层迁移至目标域生成式对抗网络中；使用目标域生成对抗网络网络学习AVI检测的OD数据，迭代更新，模型收敛；最后，输入实时检测的AVI信息，输出最优OD估计矩阵。输出最优OD估计矩阵。输出最优OD估计矩阵。


技术研发人员：陈鹏 王子岩 袁晨栋 康乐天
受保护的技术使用者：北京航空航天大学
技术研发日：2022.07.21
技术公布日：2022/11/1