[发明专利]一种基于计算图的交通出行方式选择预测方法

说明书

本发明公开了一种基于计算图的交通出行方式选择预测方法。该方法针对交通出行方式选择的预测问题，通过特定的Softmax激活函数，将离散选择模型中的多项Logit模型和深度学习领域知识的人工神经网络(ANN,Artificial Neural Network)结合起来，创建了一套计算图求解框架进行计算求解。在该计算图框架中，结合反向传播和随机梯度下降算法，以最小化系统损失误差，提高求解方法的精度。本发明应用计算图框架对多项Logit模型(MNL,multinomial Logit)进行图化，可精确、高效地基于数据进行正向传递和反向传播，能够更好地识别和解释深度学习网络中隐藏的交通出行模式，有助于提高大规模数据求解计算和预测交通出行方式选择的效率。

所属领域

本发明属于交通运输规划与管理中的交通规划领域，具体涉及一种基于计算图的交通出行方式选择预测方法。

背景技术

交通出行方式选择预测是城市交通需求预测的重要内容，也是进行城市交通运输规划与管理的重要依据。解析出行者对服务属性的选择差异，能够为提升城市交通运输服务水平提供理论依据。在经典的交通四阶段方法中，对城市交通方式选择的预测常采用离散选择模型，最主要的是Logit族模型，例如多项Logit模型(MNL,multinomial Logit)，NL模型(nested Logit)和Mixed Logit模型等。Logit模型有着数学证明的理论基础，但需要输入数据满足较强的假设条件，例如随机效用最大理论和特定的误差项分布等。

人工神经网络(ANN,Artificial Neural Network)作为深度学习实现的一种重要算法，常用于复杂复合函数的因式分解。近年来，深度学习领域知识也逐渐应用于交通需求预测问题中，深度学习网络实际上与交通方式选择预测中使用的离散选择模型也极其相关。学者们提出，早期的神经元模型中，其线性分类器模型类似于交通方式划分中使用的多项Logit模型。最近一些研究也已将深度学习应用于出行方式选择模型，并表明其样本外预测准确性更高。从出行选择模型角度出发，深度学习模型比Logit模型能更好地描述出行属性和行为选择结果之间存在的非线性关系，深度学习与传统的交通整合解析模型结合起来具有很大的潜力。但由于深度学习网络是一个复杂得多的通用模型，依赖于隐藏层的使用，每个神经元的功能角色让人非常费解，因此通常被称为“黑匣子”，其可解释性一般被认为较低，而成为交通行为建模者采用此类模型的一个主要弱点。近年来，将深度学习应用于出行行为选择建模的现有研究主要集中在预测能力上，而对解释能力的关注则较少。

计算图作为表示深度学习的一种较低层次的构造块和描述语言，可以作为人工神经网络的建模工具，拆解复杂的复合函数。结合自动差分技术和链式求导法则，将复杂的复合函数分解为单参数或两参数的基本运算的组合，可计算不同变量/参数之间的偏导数。在计算图中结合随机梯度下降算法(SGD,Stochastic Gradient Descent)，进行反向传播(BP,Backward Propagation)从而传递梯度，是一种被广泛使用的高效算法，它可以通过适当的架构，最小化人工神经网络的损失函数，从而建立优化模型。基于定制化计算图结构，不同学者采用多源交通大数据，运用BP反向传播算法可对复杂的非凸问题进行多层次反馈求解，实现对模型中多个变量和参数的同时估计。采用计算图最大好处是，用反向传播高效地计算各个变量/参数之间的导数，将人工神经网络进行图化，方便为人工神经网络中的顶点和连接边赋予实际含义。少有发明方法将基于计算图结构的深度学习方法引入到交通出行方式的选择预测中。另外，当前交通出行方式选择预测方法的预测精度和可解释性均存在不足之处，在识别出行交通方式需要花费大量的成本，且尚无完善成熟的体系来完整高效地预测出行者的交通方式，给城市交通规划与管理带来很大挑战。

本发明将Logit模型展开为具有详细交通行为含义的多层人工神经网络，用计算图的方法从底层进行架构，从理论上解释该深度学习网络，更好地捕捉离散选择模型的数学结构，建立起离散选择模型与深度学习之间的关系，为城市交通出行方式选择的预测提供一种新方法。

发明内容