[发明专利]双层深度学习模型反推OD矩阵的方法、设备以及存储介质

权利要求书

1.一种双层深度学习模型反推OD矩阵的方法，其特征在于，双层深度学习模型包括对交通需求流量OD矩阵进行反推的上层OD参数矩阵和下层分配概率预测模型，所述方法包括：

步骤S1，通过获取模块获取数据，具体包括以下步骤S101-S106：

步骤S101，从OSM开源地图库获取地图数据；

步骤S102，从地图数据中抽取路径交点和经纬度信息；

步骤S103，根据坐标信息对路径交点采用K-means算法聚类得到OD节点；

步骤S104，根据聚类结果筛选OD节点间路段，形成图结构G(ν，ε，W)，图结构G(ν，ε，W)表示由OD节点ε和OD节点间路段ν以及带权重的邻接矩阵W所构成的图，带权重的邻接矩阵W表示节点之间的邻接关系；

步骤S105，初始化OD参数矩阵T，矩阵的元素T_ij∈T为OD对，表示OD节点i到OD节点j的交通需求流量；利用初始化的OD参数矩阵T加载图结构G(ν，ε，W)到SUMO模拟器开始模拟；其中，模拟器进行模拟时采用并行模拟；

步骤S106，对OD参数矩阵进行参数扰动获得不同的模拟结果，模拟结果包括模拟OD节点历史属性序列G_s以及模拟OD节点间路段总流量y_s，模拟OD节点历史属性序列的特征包括特定时间区间内的平均速度、特定时间区间内的流入车辆数、特定时间区间内的流出车辆数、特定时间区间内车辆保有量、OD节点内部所含路段和路段交点数；将模拟结果与扰动后的OD参数矩阵一一对应以构成一组经验对(G_s，T，y_s)并存入经验池作为下层分配概率预测模型的训练数据；

步骤S2，通过下层分配概率预测模型获得分配概率矩阵，具体包括以下步骤S201-S205：

步骤S201，利用Self-Attention模块捕捉各个OD对的变化给其他OD对带来的影响的自注意力信息，并输出OD参数矩阵聚合了自注意力信息之后得到的矩阵X₁；

步骤S202，利用Diffusion Convolution模块对图结构G(ν，ε，W)计算图扩散卷积，提取每个OD节点与邻居OD节点的上下游的空间依赖关系，根据空间依赖关系计算得到OD节点融合属性序列；

步骤S203，利用GRU模块，将Diffusion Convolution模块计算得到的OD节点融合属性序列送入GRU模块以捕获时序依赖关系并输出；

步骤S204，利用拼接和归一化模块将GRU模块的输出与Self-Attention模块输出的矩阵X₁进行拼接并归一化，获得OD参数矩阵融合了自注意力以及图结构时空信息的融合矩阵X₂；

步骤S205，利用线性层和Softmax模块将融合矩阵X₂送入线性层进行Softmax计算，将每个节点表征的维度从隐藏层维度变换维度为OD节点间路径条数E，分别得到生产-路径分配概率矩阵P和吸引-路径分配概率矩阵A；其中，生产-路径分配概率矩阵P表示生产向量t_p中每个节点对所有OD节点间路径的流量分配概率，所有概率的加和为1，吸引-路径分配概率矩阵A表示吸引向量t_a中每个节点对所有OD节点间路径的流量分配概率，所有概率的加和为1，生产向量t_p是指每个OD节点作为起点的交通出发量所构成的向量，以OD参数矩阵每一行的元素加和所得到的向量来表示；吸引向量t_a是指每个OD节点作为终点的交通到达量所构成的向量，以OD参数矩阵每一列的元素加和所得到的向量来表示；

步骤S3，通过双层协同训练单元协调双层深度学习模型的上下层的训练迭代和控制训练的结束，双层协同训练单元包含训练模块，具体包括以下步骤S301-S303：

步骤S301，训练模块将通过下层分配概率预测模型预测得到的生产-路径分配概率矩阵P与生产向量t_p进行计算得到由交通需求起点推导出的各路段总流量以及将已经得到的吸引-路径分配概率矩阵A与吸引向量t_a进行计算得到由交通需求终点推导出的各路段总流量，再利用模拟器模拟得到的模拟OD节点间路段模拟总流量y_s和损失函数以计算损失，然后对下层分配概率预测模型的参数求梯度并采用梯度下降法对下层分配概率预测模型的参数进行更新；

步骤S302，训练模块对上层OD参数矩阵进行训练，具体的，当下层分配概率预测模型的损失计算结果收敛后，转移到上层OD参数矩阵的训练，上层OD参数矩阵训练时下层分配概率预测模型的参数被固定，然后以真实OD节点历史属性序列G_r和OD参数矩阵作为下层分配概率预测模型的输入，预测得到由交通需求起点推导出的各路段总流量和由交通需求终点推导出的各路段总流量，最后结合真实OD节点间路段总流量y和损失函数计算损失，并采用梯度下降法对上层OD参数矩阵进行修正；其中，真实OD节点历史属性序列的特征与模拟OD节点历史属性序列的特征一致；

步骤S303，当上层OD参数矩阵损失收敛后，整个过程完成一次迭代，此时将本次迭代中模拟器模拟得到的模拟结果存入经验池用于后续的下层分配概率预测模型的训练，同时判断本次迭代后OD参数矩阵较上一次迭代OD参数矩阵相比是否满足收敛条件，如果满足收敛条件则将本次迭代后的OD参数矩阵作为最后的OD矩阵的反推结果，如果不满足收敛条件，则进入下一次迭代，进入下一次迭代时，上层新的OD参数矩阵固定并作为用于模拟器模拟的OD参数矩阵，然后将模拟后得到的模拟结果的数据重新用于下层分配概率预测模型的训练和更新。