一种基于深度学习的城市居民出行分布建模方法及系统

本发明涉及城市居民出行分布建模分析的，尤其涉及一种基于深度学习的城市居民出行分布建模方法及系统。

背景技术：

1、随着城市化的加速发展，城市交通状况的复杂性和出行需求日益增加，逐步成为当前社会面临的一个严峻挑战，尤其是针对大城市。在这样的背景下，交通精细化管理愈发重要，交通需求的精准预测随之成为城市交通规划中必不可少的重要环节。交通需求模型中目前应用最为广泛的是“四阶段”模型，这其中出行分布作为核心步骤，起到了承上启下的作用，其输出结果既可以作为城市出行需求的参考，又是后续出行方式选择和交通分配步骤的核心输入和保障模型整体精度的关键要素。因此，精准的出行分布建模方法可以为交通规划提供精细化要素，为城市未来交通规划、管理与控制提供决策依据。

2、现有的研究中，对于出行分布的建模往往采用传统重力模型，根据是否满足交通产生和吸引总量的约束可以进一步分为无约束、单约束和双约束重力模型。重力模型具有形式简单易理解、考虑路网变化等优点，但是其考虑出行影响因素过于简单和线性模型过于简单导致预测性能有限。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了一种基于深度学习的城市居民出行分布建模方法及系统解决现有的出行分布建模方法考虑出行影响因素过于简单和线性模型过于简单导致预测性能有限，且在无最新居民出行调查数据的年份情况下无法准确估计城市居民出行分布的问题。

4、为解决上述技术问题，本发明提供如下技术方案：

5、第一方面，本发明实施例提供了一种基于深度学习的城市居民出行分布建模方法，包括：根据居民出行调查数据获取城市居民出行第一od矩阵，并根据手机信令数据获取城市居民出行第二od矩阵，结合人口普查数据对所述矩阵进行扩样，得到第一出行矩阵扩样以及第二出行矩阵扩样；

6、将所述第一出行矩阵扩样以及第二出行矩阵扩样进行多维度验证，得到第三od矩阵；

7、根据所述第三od矩阵，结合城市居民出行的影响因素，提取城市居民出行分布建模的所需特征；

8、根据所述城市居民出行分布建模的所需特征，结合传统重力模型和基于深度学习的出行分布模型进行建模，考虑综合评价指标体系实现对模型的最终建立。

9、作为本发明所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：所述根据居民出行调查数据获取城市居民出行第一od矩阵包括，居民出行调查数据预处理、起终点映射以及基于人口普查数据扩样得到第一出行矩阵扩样；

10、所述根据手机信令数据获取城市居民出行第二od矩阵包括，手机信令数据预处理、停驻点识别、出行链提取、常住用户识别以及基于人口普查数据扩样得到第二出行矩阵扩样。

11、作为本发明所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：将所述第一出行矩阵扩样以及第二出行矩阵扩样进行多维度验证，包括：空间分布相似度验证和人均日出行次数验证，

12、利用扩样后的第一od矩阵、第二od矩阵扩样结果计算人均日出行次数，与现有出行调查数据的人均日出行次数比对；

13、若差异次数小于第一阈值，则验证成功；

14、若差异次数大于第一阈值，则验证失败；

15、利用扩样后的第一od矩阵、第二od矩阵扩样结果计算出行量的空间分布；

16、若扩样后的第一od矩阵、第二od矩阵扩样结果计算出的出行量空间分布相似度大于第二阈值，则验证成功；

17、若扩样后的第一od矩阵、第二od矩阵扩样结果计算出的出行量空间分布相似度小于第二阈值，则验证失败；

18、基于验证成功的空间分布相似度以及人均日出行次数得到第三od矩阵。

19、作为本发明所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：城市居民出行分布建模的所需特征，包括：出行产生/吸引量、城市土地利用性质、交通可达性、社会经济属性以及出行阻抗。

20、作为本发明所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：结合传统重力模型和基于深度学习的出行分布模型进行建模，包括：出行分布模型网络设计、超参数设置和模型优化；

21、模型网络设计包括输入层、中间隐藏层和输出层；

22、输入层使用embedding层将起终点的空间编号进行低维向量空间转换，并对起终点区域的空间关系进行表征，与所述城市居民出行分布建模的所需特征变量输入出行分布模型；

23、中间隐藏层以全连接层为主体，通过激活函数引入特征变量非线性，通过dropout层控制过拟合；输出层，采用relu激活函数控制输出结果为非负数；

24、超参数设置至少包括学习率、批次大小、迭代次数和优化器；

25、学习率设置采用指数衰减法，每5个迭代轮次后下降为原学习率的30％；批次大小根据计算设备性能和模型预测精度进行设置，批次大小的设置不超过设备显卡内存且损失函数收敛；迭代次数根据模型数据量确定，且迭代次数与损失函数收敛次数相同，优化器采用adam优化器。

26、作为本发明所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：综合评价指标体系包括：通勤者指数cpc、均方根误差rmse、归一均方根误差nrmse和詹森-香农散度jsd。

27、作为本发明所述的基于深度学习的城市居民出行分布建模方法的一种优选方案，其中：还包括：

28、所述通勤者指数cpc表示为：

29、

30、其中，yg(li,lj)是oidj对的模型预测生成流量，yr(li,lj)是oidj对的真实观测流量，li表示区域i，lj表示区域j；

31、所述均方根误差rmse表示为：

32、

33、其中，n是oi出发的所有od对数量；

34、所述归一均方根误差nrmse表示为：

35、

36、其中，yr(li,lj)max是oidj对的最大真实观测流量，yr(li,lj)min是oidj对的最小大真实观测流量；

37、所述詹森-香农散度jsd表示为：

38、

39、

40、

41、其中，p为第一样本数据的概率分布，q为第二样本数据的概率分布，m表示分布q下p的条件分布的二分之一，kl(p|m)是p和q之间的相对熵。

42、第二方面，本发明提供了一种基于深度学习的城市居民出行分布建模系统，包括：

43、矩阵获取扩样模块，用于根据居民出行调查数据获取城市居民出行第一od矩阵，并根据手机信令数据获取城市居民出行第二od矩阵，结合人口普查数据对所述矩阵进行扩样，得到第一出行矩阵扩样以及第二出行矩阵扩样；

44、维度验证模块，用于将所述第一出行矩阵扩样以及第二出行矩阵扩样进行多维度验证，得到第三od矩阵；

45、特征提取模块，用于根据所述第三od矩阵，结合城市居民出行的影响因素，提取城市居民出行分布建模的所需特征；

46、模型搭建模块，用于根据所述城市居民出行分布建模的所需特征，结合传统重力模型和基于深度学习的出行分布模型进行建模，考虑综合评价指标体系实现对模型的最终建立。

47、第三方面，本发明提供了一种计算设备，包括：

48、存储器和处理器；

49、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于深度学习的城市居民出行分布建模方法的步骤。

50、第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于深度学习的城市居民出行分布建模方法的步骤。

51、与现有技术相比，本发明的有益效果：本发明通过利用深度学习算法结合多种出行影响因素，对城市居民出行分布建模，得到更为科学、准确的出行分布模型，提高了预测准确度，对城市交通不同区域的居民出行需求进行更为真实有效的感知，同时也为城市交通规划、管理与控制提供更合理的决策依据。