一种基于混合密度神经网络的城市车流量仿真方法与流程

1.本发明涉及智能城市仿真系统及背景流量生成领域，尤其涉及一种基于混合密度神经网络的时序背景流量生成方法。


背景技术：

2.智慧城市的建设是中国城市化进程的重要议题，为了辅助智慧城市建设，研究人员需要打造智慧城市的仿真模拟器用于对智慧城市的研究。为了切实反映真实的城市面貌，我们需要对城市的多方细节进行仿真与模拟。城市路网流量作为仿真器的重要模拟对象，具有很多衍生用途：用于估计城市的拥堵状况，从而实时地调整红绿灯的策略；用于确定地区出租车的实时需求，从而更好地派遣车辆；用于确定城市的区域热度，从而辅助后续的城市规划。因此，对城市路网流量的仿真与模拟是至关重要的。
3.由于交通轨迹数据稀少且难以获得，对于城市路网流量的仿真主要依靠流量生成的办法，现有的方案中有采用人工注入流量的方法，即根据城市路网的信息，考虑每个路口的可能流量情况，在城市路口手动注入流量。其次有随机流量注入的方法，即按照预先设计好的混合密度神经网络以随机的方式生成背景流量。
4.然而对于智慧城市模拟器，它不仅需要生成背景流量，还需要背景流量具有准确与大规模的特点。按照随机流量注入的方法会使得生成的背景流量具有过强的随机性，无法反应真实的城市车流分布，难以用于后续的应用场景。由于人本身的能效限制，采用人工生成背景流量的方式则无法达到模拟器需要的大规模仿真。与此同时，由于大多数数据集中给出的轨迹数据标签过细，数据量级大，直接对背景流量预测所需要的计算资源过大。并且随着预测的进行，误差容易在预测过程中积累误差，并不断偏离真实的流量分布状态。因此更为有效的方式是，将对背景流量的预测转化为对每个地区之间车辆需求的预测，采用鲁棒性更好的混合密度网络进行建模，将预测两地之间的需求值转而模拟需求的分布，并最后用概率密度的方式进行采样。根据获得的两地之间的需求，在仿真器中生成出背景流量。
5.因此，如何利用有限的轨迹数据集，有限的计算资源，尽可能的生成真实的城市地区车辆需求，对模拟真实的流量状态，对智慧城市仿真器的打造至关重要。


技术实现要素：

6.发明目的：针对以上现有技术存在的问题，本发明提出了一种基于混合密度神经网络的城市车流量仿真方法，着重解决利用有限的轨迹数据集，有限的计算资源，尽可能的生成真实的城市地区车辆需求，模拟真实的流量状态。在拥有历史车辆轨迹信息的前提下，正确建立车辆需求随时序变化的函数混合密度神经网络。
7.技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于混合密度神经网络的城市车流量仿真方法，该方法包括以下步骤：
8.(1)采集城市流量数据集。本方法需要获得一定量的初始流量数据集，为在一定范
围时间t内某一个地区d下的轨迹数据集s。确定数据s经纬度范围，将d延拓为包含d与s的最小正方形地区d
k
。根据地区d的大小以及数据集s的稀疏程度，将d
k
按照经纬度划分为n
l
*n
h
等大小的地区，记地区总数为n,编号[0
···
(n
‑
1)]；
[0009]
(2)确定时间切片长度。确定时间切片长度t，t＝[1,5,10
···
],可以根据最终实验的效果从而决定t的长度。创建切片流量数据。按照轨迹的开始时间t
s
作为轨迹的标记时间，根据t将轨迹数据集划分为n
t
＝t|t 1段时间片，并创建n
t
个大小为n*n的空的od 矩阵。对于其中的每一段时间片，我们找到其中对应的轨迹切片，获得其初始与中止区域编号，并添加至当前时间编号的od矩阵中。遍历完所有的轨迹后我们便得到了在时序上的od矩阵数据集；
[0010]
(3)根据od混合密度神经网络进行时序预测。确定每一个样本的训练时间片长度，设为sl。确定每一个样本的预测时间片长度，设为pl。将时序上的od矩阵数据集按照sl与pl进行对应，生成对应的训练集与测试集。将训练集按照预先设定的batchsize 输入od混合密度神经网络获得输出的值。将输出的结果经过采样与测试样本进行比对，获得预测值与真实值的差值，并将混合密度神经网络进行梯度更新；
[0011]
(4)重复(3)过程直至混合密度神经网络收敛，并判定混合密度神经网络效果好坏，若在多个指标上达到预期，则判定为混合密度神经网络效果良好。若不满足指标预测，则反复执行步骤(2)(3)至混合密度神经网络达到最终输出预期；
[0012]
(5)将最终产生的混合密度神经网络用于，后续的流量生成，并产生对应的背景流量。
[0013]
进一步的，在步骤(3)中，混合密度神经网络预测方法如下：
[0014]
(2.1)确定每一个样本的训练时间片长度，设为sl。确定每一个样本的预测时间片长度，设为pl。将时序上的od矩阵数据集按照sl与pl进行对应，生成对应的训练集与测试集。对于每一个训练集样本x
t
，都是形状为(sl，n
l
，n
h
)的三维矩阵。同时对于每一个预测样本y
t
，都是形状为(pl，n
l
，n
h
)的三维矩阵；
[0015]
(2.2)训练集在经过模块时首先经历时序模块，时序模块采用传统的gru混合密度神经网络构造输出，获得时序模块下的输出参数h；
[0016]
(2.3)我们利混合密度网络来表示在时序上每个od点对的分布，在混合密度网络中构造参数矩阵μ,σ,π,将时序模块下的输出h作为混合密度网络模块的输入。其中每个 od点对的分布每个高斯混合密度分布φ
k
(t)如下公式所示:
[0017][0018][0019]
指位于od矩阵的编号为(i,j)在时间切片为t上的分布情况。其中α
k
(t)为在时间切片为t下的第k个分布的权重，φ
k
(t)为在时间切片为t的情况下的分布表达。μ
k
(t),σ
k
(t)为在时间切片为t的情况下第k个分布的均值与方差。
[0020]
(2.4)将混合密度网络输出利用类最大似然法进行梯度更新，并查看是否收敛。
[0021]
进一步的，在步骤(2.2)中，时序模块采用传统的gru混合密度神经网络构造输出,构造更新门，重置门，候选隐藏状态，隐藏状态，获得时序模块下的输出参数h，其中，混合密度神经网络构造方法如下：
[0022]
(a)混合密度神经网络输入的更新门z
t
的公式如下：
[0023]
z
t
＝sigmoid(x
t
w
z
h
t
‑1u
z
)
[0024]
其中sigmoid为激活函数，x
t
为输入数据切片，w
z
为权重矩阵，h
t
‑1为上一个隐藏状态，u
z
为权重矩阵。
[0025]
(b)混合密度神经网络输入的重置门r
t
的公式如下
[0026]
r
t
＝sigmoid(x
t
w
r
h
t
‑1u
r
)
[0027]
其中sigmoid为激活函数，x
t
为输入数据切片，w
r
为权重矩阵，u
r
为权重矩阵。
[0028]
(c)混合密度神经网络的候选隐藏状态公式如下：
[0029][0030]
其中为权重矩阵，为权重矩阵。
[0031]
(d)混合密度神经网络的隐藏状态h
t
公式如下：
[0032][0033]
(e)混合密度神经网络的最终输出公式如下：
[0034]
h
d
＝sigmoid(h
t
w
d
)
[0035]
进一步的，在步骤(2.3)中，我们利用混合密度网络来表示在时序上每个od点对的分布，在混合密度网络中构造参数矩阵μ,σ,π,将时序模块下的输出h作为混合密度网络模块的输入，其中，混合密度网络构造方法如下：
[0036]
(a)参数μ代表了构造的高斯混合密度网络的均值，其构造的方式如下所示：
[0037]
μ＝sigmoid(h
d
w
μ
b
μ
)
[0038]
(b)参数σ代表了构造的高斯混合密度网络的标准差，其构造的方式如下所示：
[0039]
σ＝sigmoid(h
d
w
σ
b
σ
)
[0040]
(c)参数π代表了构造的高斯混合密度网络在最后的整体分布表达式中所占的权重，其构造的方式如下公式所示：
[0041]
α＝sigmoid(h
d
w
α
b
α
)
[0042]
5、在权利4中所述的一种基于od混合密度神经网络的时序背景流量生成方法，其特征在于，在步骤(c)之后会产生出该混合密度神经网络的分布表达式：
[0043][0044][0045]
因为在真实的测试集样本中，我们可以知道样本的真实值，而我们输出的结果是一个分布，我们应当让该分布尽可能地去拟合真实的值情况。因此我们采用极大似然的方式去表示该分布的匹配状态，并由此设置我们的损失函数。我们设置的损失函数如下公式
所示：
[0046][0047]
根据该损失函数我们可以进一步地去进行梯度更新参数，梯度更新的大小由设置的 learning rate给定。
[0048]
进一步的，在步骤(3)需要进行混合密度神经网络指标的评价。将最后计算出来的分布进行积分，从而假定为预测的值，并判定混合密度神经网络效果好坏，若在多个指标上达到预期则判定为混合密度神经网络是优秀的。混合密度神经网络的判定指标有 mse,rmse，并根据经验判定是否属于良好的混合密度神经网络，并决定是否重复步骤 (2)(3)流程。
[0049]
本发明的有益效果在于：着重解决了利用有限的轨迹数据集，有限的计算资源，尽可能的生成真实的城市地区车辆需求，模拟真实的流量状态；在拥有历史车辆轨迹信息的前提下，正确建立车辆需求随时序变化的函数混合密度神经网络。
附图说明
[0050]
图1本发明实现的基于混合密度神经网络的城市车流量仿真方法算法流程图。
具体实施方式
[0051]
下面将结合图片来讲述本发明的具体实施方式，图1为本发明实现的基于混合密度神经网络的城市车流量仿真方法算法流程图。根据图例，可以得知发明的具体实施办法如下所描述：
[0052]
(1)采集城市流量数据集。本方法需要获得一定量的初始流量数据集，为在一定范围时间t内某一个地区d下的轨迹数据集s。确定数据s经纬度范围，将d延拓为包含d与s的最小正方形地区d
k
。根据地区d的大小以及数据集s的稀疏程度，将d
k
按照经纬度划分为n
l
*n
h
等大小的地区，记地区总数为n,编号[0
···
(n
‑
1)]；
[0053]
(2)确定时间切片长度。确定时间切片长度t，t＝[1,5,10
···
],可以根据最终实验的效果从而决定t的长度。创建切片流量数据。按照轨迹的开始时间t
s
作为轨迹的标记时间，根据t将轨迹数据集划分为n
t
＝t|t 1段时间片，并创建n
t
个大小为n*n的空的od 矩阵。对于其中的每一段时间片，我们找到其中对应的轨迹切片，获得其初始与中止区域编号，并添加至当前时间编号的od矩阵中。遍历完所有的轨迹后我们便得到了在时序上的od矩阵数据集；
[0054]
(3)根据od混合密度神经网络进行时序预测。确定每一个样本的训练时间片长度，设为sl。确定每一个样本的预测时间片长度,设置为pl。将时序上的od矩阵数据集按照sl与pl进行对应生成对应的训练集与测试集。将训练集按照预先设定的batchsize输入od混合密度神经网络获得输出的值。将输出的结果经过采样与测试样本进行比对，获得预测值与真实值的差值，并将混合密度神经网络进行梯度更新；
[0055]
(4)重复(3)过程直至混合密度神经网络收敛，并判定混合密度神经网络效果好坏，若在多个指标上达到预期，则判定为混合密度神经网络效果良好。若不满足指标预测，
则反复执行步骤(2)(3)至混合密度神经网络达到最终输出预期；
[0056]
(5)将最终产生的混合密度神经网络用于，后续的流量生成，并产生对应的背景流量。
[0057]
在本实施例中，步骤(3)中，混合密度神经网络预测方法如下：
[0058]
(2.1)确定每一个样本的训练时间片长度，设为sl。确定每一个样本的预测时间片长度,设置为pl。将时序上的od矩阵数据集按照sl与pl进行对应生成对应的训练集与测试集。对于每一个训练集样本x
t
，都是形状为(sl，n
l
，n
h
)的三维矩阵。同时对于每一个预测样本y
t
，都是形状为(pl，n
l
，n
h
)的三维矩阵；
[0059]
(2.2)训练集在经过模块时首先经历时序模块，时序模块采用传统的gru混合密度神经网络构造输出，获得时序模块下的输出参数h；
[0060]
(2.3)我们利混合密度网络来表示在时序上每个od点对的分布，在混合密度网络中构造参数矩阵μ,σ,π,将时序模块下的输出h作为混合密度网络模块的输入。其中每个 od点对的分布每个高斯混合密度分布φ
k
(t)如下公式所示:
[0061][0062][0063]
指位于od矩阵的编号为(i,j)在时间切片为t上的分布情况。其中α
k
(t)为在时间切片为t下的第k个分布的权重，φ
k
(t)为在时间切片为t的情况下的分布表达。μ
k
(t)，σ
k
(t)为在时间切片为t的情况下第k个分布的均值与方差。
[0064]
(2.4)将混合密度网络输出利用类最大似然法进行梯度更新，并查看是否收敛。
[0065]
在本实施例中，步骤(2.2)中，时序模块采用传统的gru混合密度神经网络构造输出，构造更新门，重置门，候选隐藏状态，隐藏状态，获得时序模块下的输出参数h，其中，混合密度神经网络构造方法如下：
[0066]
(a)混合密度神经网络输入的更新门z
t
的公式如下：
[0067]
z
t
＝sigmoid(x
t
w
z
h
t
‑1u
z
)
[0068]
其中sigmoid为激活函数，x
t
为输入数据切片，w
z
为权重矩阵，h
t
‑1[0069]
为上一个隐藏状态，u
z
为权重矩阵。
[0070]
(b)混合密度神经网络输入的重置门r
t
的公式如下
[0071]
r
t
＝sigmoid(x
t
w
r
h
t
‑1u
r
)
[0072]
其中sigmoid为激活函数，x
t
为输入数据切片，w
r
为权重矩阵，u
r
为权重矩阵。
[0073]
(c)混合密度神经网络的候选隐藏状态公式如下：
[0074][0075]
其中为权重矩阵，为权重矩阵。
[0076]
(d)混合密度神经网络的隐藏状态h
t
公式如下：
[0077]
[0078]
(e)混合密度神经网络的最终输出公式如下：
[0079]
h
d
＝sigmoid(h
t
w
d
)
[0080]
在本实施例中，步骤(2.3)中，我们利用混合密度网络来表示在时序上每个od点对的分布，在混合密度网络中构造参数矩阵μ,σ,π,将时序模块下的输出h作为混合密度网络模块的输入，其中，混合密度网络构造方法如下：
[0081]
(a)参数μ代表了构造的高斯混合密度网络的均值，其构造的方式如下所示：
[0082]
μ＝sigmoid(h
d
w
μ
b
μ
)
[0083]
(b)参数σ代表了构造的高斯混合密度网络的标准差，其构造的方式如下所示：
[0084]
σ＝sigmoid(h
d
w
σ
b
σ
)
[0085]
(c)参数π代表了构造的高斯混合密度网络在最后的整体分布表达式中所占的权重，其构造的方式如下公式所示：
[0086]
α＝sigmoid(h
d
w
α
b
α
)
[0087]
5、在权利4中所述的一种基于od混合密度神经网络的时序背景流量生成方法，其特征在于，在步骤(c)之后会产生出该混合密度神经网络的分布表达式：
[0088][0089][0090]
因为在真实的测试集样本中，我们可以知道样本的真实值，而我们输出的结果是一个分布，我们应当让该分布尽可能地去拟合真实的值情况。因此我们采用极大似然的方式去表示该分布的匹配状态，并由此设置我们的损失函数。我们设置的损失函数如下公式所示：
[0091][0092]
根据该损失函数我们可以进一步地去进行梯度更新参数，梯度更新的大小由设置的 learning rate给定。
[0093]
在本实施例中，步骤(3)需要进行混合密度神经网络指标的评价。将最后计算出来的分布进行积分，从而假定为预测的值，并判定混合密度神经网络效果好坏，若在多个指标上达到预期则判定为混合密度神经网络是优秀的。混合密度神经网络的判定指标有mse,rmse，并根据经验判定是否属于良好的混合密度神经网络，并决定是否重复步骤(2)(3)流程。