[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

说明书

本发明公开了一种双层深度学习模型反推OD矩阵的方法、装置以及存储介质，其中该方法包括：自动划分OD节点，初始化OD参数矩阵，采用模拟器并行提取模拟OD节点间路段总流量，模拟OD节点历史属性序列的方法；利用下层分配概率预测模型抽取图结构历史融合表征，对初始OD参数矩阵进行自相关提取的特征；并融合以上特征预测流量分配概率矩阵的方法；采用并行模拟和经验池存储模拟数据训练下层分配概率预测模型，待收敛后将其固定，利用真实OD节点历史属性序列，真实OD节点间路段总流量，修正上层OD参数矩阵的方法；迭代上下层训练至OD矩阵参数收敛即为反推OD矩阵。该方法构建深度学习模型，融合交通时空信息，有效提升了反推OD矩阵的准确性。

技术领域

本发明涉及交通管理技术领域，具体地，涉及一种双层深度学习模型反推OD矩阵的方法、设备以及存储介质。

背景技术

因为现实中的交通需求量难以直接统计，且成本大。所以往往采用根据流通时间区间内的交通信息，特别是各路段车辆总流量反推自定义的OD划分区域之间的交通需求量，也就是OD矩阵。传统的OD反推技术由两种，一种以各路段的总流量为约束，构造最优化问题求解OD矩阵，由于约束条件不足使得要求解的OD矩阵是欠定的，导致反推结果往往和真实的OD矩阵差距较大。深度学习依靠其强大的信息融合和拟合能力，成为OD反推技术更好的选择，但是深度学习模型需要大量的数据来进行模型训练，由于真实OD矩阵本身是难以获取的，使得直接学习深度学习模型中数据的标签获取成为困难。目前这一问题没有得到有效的解决。因此，有必要发明一种能够利用深度学习模型进行OD反推任务的可行方法。

发明内容

本发明的目的是提供一种双层深度学习模型反推OD矩阵的方法、设备以及存储介质，构建深度学习模型，融合交通过程中的时空信息，对OD矩阵的精确反推提供更多的数据和更强大的模型支撑。同时采用双层深度学习框架，利用交通模拟器模拟以辅助模型的训练，克服了深度学习模型需要的大量训练数据难以获取的困难。构建了利用双层深度学习模型进行OD反推任务可行方法和装置。有效提升了反推OD矩阵的准确性。

为了实现上述目的，本发明提供了一种双层深度学习模型反推OD矩阵的方法，所述方法包括：

对地图自动划分OD节点，以及利用已经划分好的OD节点初始化OD参数矩阵，采用模拟器并行模拟，从模拟数据中提取模拟OD节点间路段总流量，模拟OD节点历史属性序列的方法；利用下层分配概率预测模型对模拟OD节点历史属性序列进行特征融合得到图结构融合表征，并对初始OD参数矩阵进行自相关提取的特征得到自注意力融合矩阵，将注意力融合矩阵与图结构融合表征进行融合得到预测各OD节点的生产量和吸引量分配到各OD节点间路段的流量分配概率矩阵，并利用并行模拟和经验池随机抽取的多组数据计算损失更新下层分配概率预测模型参数的方法；固定下层分配概率预测模型，利用真实OD节点历史属性序列，真实OD节点间路段总流量，计算损失对上层OD参数矩阵的参数进行修正的方法；通过双层深度学习框架，循环进行双层迭代训练，直到OD矩阵参数收敛，该OD参数矩阵即为反推出的OD矩阵。

优选地，所述对地图自动划分OD节点是指从开源地图库，包括但不限于OSM，即OpenStreetMap下载开源地图，并读取其中的路段相交点，获取每个交点的ID和对应经纬度坐标作为一个元素，所有交点构成一个集合，然后利用聚类算法，包括但不限于K-means，根据交点的经纬度坐标信息对节点进行聚类，形成N个簇，其中簇的个数N根据需要自定义；每一个簇作为一个OD节点，并由此初始化每个OD节点对的交通需求量，构成初始化OD参数矩阵T；由此，遍历所有路段，筛选所有两端连接了不属于同一个所述OD节点里的交点的路段作为OD节点间路段，构成所述OD节点间路段集合。