[发明专利]一种基于数据驱动的平行交通预测方法

权利要求书

1.一种基于数据驱动的平行交通预测方法，其特征在于：它的预测方法如下：

步骤一：构建学习模型：

通过图形表示的方法整合所有传感器数据来作为网络的输入，以实现多路段交通数据的整体预测；

图网络的直观思想是图中的节点表示对象或概念，而边表示它们的关系；假设每个节点n的状态为𝑥_n∈𝑅,l_k为节点，l_ij为不同节点间的邻接关系，o_n为节点n在状态x_n下采取的决策；则节点l₄ 可表示如下：

一般地，图网络可概括如下：

其中𝒍_𝑐𝑜[n]是节点n的邻接矩阵，𝒍_n𝑒[n]是节点n的邻近节点，𝒙_n𝑒[n] 为节点n的邻近节点状态；

而图卷积网络的一阶近似形式可归纳为如下公式：

其中H^𝑡为t时刻的输入矩阵，W^𝑡为t时刻模型的权重参数，𝐴̃为邻接矩阵，为与邻接矩阵相关的矩阵，且；

通过GAN及其变体可以构建基于数据驱动的生成模型，提取历史交通数据的特征，并通过特征的分布生成合理的交通需求；

给定生成器G的情况下,考虑最优化判别器D；和一般基于 Sigmoid 的二分类模型训练一样,训练判别器D也是最小化交叉熵的过程,其损失函数为：

其中，x采样于真实数据分布p_data(x)，z采样于先验分布p_𝑧(z)，E(∗)表示计算期望值；实际训练时和常规二值分类模型不同，判别器的训练数据集来源于真实数据集分布p_data(x)和生成器的数据分布p_𝑔(x)两部分；给定生成器G，需要最小化式L^𝐷(𝜃_𝐷,𝜃_𝐺)来得到最优解；

在连续空间下的损失函数为：

另一方面，D(x)代表的是x来源于真实数据而非生成数据的概率；当输入数据采样自真实数据x时，D的目标是使得输出概率值D(x)趋近于1，而当输入来自生成数据G(z)时，D的目标是正确判断数据来源，使得D(G(z))趋近于0，同时G的目标是使得其趋近于1；因此生成器G 的损失函数为：

GAN的优化问题是一个极小-极大化问题,GAN的目标函数可以描述如下：

；

步骤二：构建人工系统：

人工系统主要包含两大部分：用于进行计算实验的学习模型和用于输出指导信息的仿真系统；仿真系统拟基于SUMO软件进行构建，将宏观的交通数据映射为微观的车辆信息；系统主要由路网、信号灯逻辑、道路监测器、出行需求以及出行路线矫正器组成；这些组件均通过xml文件来实现；

步骤三：实现平行交通预测系统：

平行系统的基本框架主要包括实际系统和人工系统；通过对人工系统设计不同的“实验”方案，并在必要时进行多次大量的重复，就全面、准确、及时、量化地对各种复杂系统解决方案按不同指标体系进行分析评估；依据上述平行系统构建人工交通系统，并运行计算实验；其计算实验的结果将用于与真实数据进行融合，以增强真实数据，指导现实中的出行，实现真正的数据驱动。

2.根据权利要求1所述的一种基于数据驱动的平行交通预测方法，其特征在于：所述步骤二中的路网和信号灯逻辑构成基本的平台；路网描述了地图的交通相关部分，车辆沿着或穿过的道路和交叉路口；在粗略尺度上，SUMO 路网是有向图；在 SUMO 语义中，节点通常称为“交汇点”，表示交叉路口；而“边缘”则表示道路或街道；边是单向的；具体而言，SUMO路网包含以下信息：

1.道路，具体包括编号、车道、形状和限速信息；

2.交叉点或节点，包含车辆同时经过一点时的行驶优先级；

3.连接表示两条车道之间的通行关系；

其中信号灯逻辑单独写入一个附加文件或直接放在路网文件中；SUMO中的信号灯是直接作用于连接的。

3.根据权利要求1所述的一种基于数据驱动的平行交通预测方法，其特征在于：所述路段监测器则可以监测每辆车的具体运行信息；SUMO中包含感应线圈监测器和车道区域监测器；

感应线圈监测器即为将线圈埋在路口或路段上其他重要位置以统计车辆数等信息的一种简单传感器；车道区域监测器用于捕获沿车道或车道的区域上的交通信息；实际上，这类似于车辆跟踪相机；与感应回路相反，车道区域检测器具有一定长度；E2探测器的输出专门用于测量正在通行及发生拥堵车辆的队列，并跟踪当前在其区域内的所有车辆；

其中人工系统的拟真误差可用MAPE衡量：

。