技术领域
[0001] 本
发明涉及交通控制领域，尤其是涉及一种拥堵交通流溯源分析方法。
背景技术
[0002] 拥堵交通流溯源是指在时间与空间层面上对交通流的来源进行追溯。其中，空间溯源是指追溯车辆在一定空间范围之外的起点
位置，时间溯源是指估计该车辆从起点位置到达某一具体空间位置所需要的行程时间。由于网联车渗透率在未来较长一段时间内将持续保持较低的市场渗透率，对拥堵区域车辆来源是无法准确判断的，拥堵交通流溯源分析通过解析现有的不完整的数据追溯交通流的来源，有望成为网络交通控制策略的关键输入信息。
[0003] 从定义上来看，拥堵交通流溯源与车辆轨迹重构(Vehicle Path Reconstruction,VPR)既存在相似性也存在不同点：相同点在于，两者的目的均在于获取车辆来源更详细的信息；其差异在于，车辆轨迹重构的目的在于获取单量车的具体轨迹，而交通溯源则只需要获取车辆来源信息，而无需获取完整的路径信息。
[0004] 得益于车联网技术的逐渐发展，蕴含丰富交通运行信息的浮动车轨迹数据的获取变得更加容易，给交通参数估计、交通管控策略的研究提供了丰富的想象空间，现有应用包括排队长度估计，
信号配时优化等等。然而，大部分研究均依赖于较高的市场渗透率。
[0005] 自动车辆识别器数据是一种更适合交通流溯源的数据。虽然轨迹数据包含更多的信息，但是除了前述的低渗透率造成的约束之外，渗透率本身存在随机性，其估计也是一个难点。相比而言，断面
传感器，例如卡口检测设备，能够检测到所有经过的车辆信息，并已经在许多大城市内普及。
[0006] 交通流溯源方法可以给现有交通缓堵策略提供新的思路。目前，在交通拥堵缓解策略领域已有大量的研究与成果，主要可归纳为1)基于信号控制：例如，典型的信号控制系统：Sydney Coordinated Adaptive Traffic System(SCATs)和Sydney Coordinated Adaptive Traffic System(SCOOTs)；2)基于道路设施优化：例如，通过可变车道、公交专用道的设置来提高
时空资源的利用率；3)基于出行模式；4)基于交叉口转弯比例。例如，实施拥堵收费政策、发展电动
汽车分时租赁等措施。然而，上述的若干缓堵措施，均没有考虑拥堵区域交通流的来源信息，从而不具备从网络层面进行缓堵的能
力。
[0007] 目前存在的问题：已有的交通流溯源方法没有考虑拥堵区域交通流的来源信息，从而不具备从网络层面进行缓堵的能力。
发明内容
[0008] 本发明的目的就是为了克服上述
现有技术存在的
缺陷而提供一种拥堵交通流溯源分析方法。
[0009] 本发明的目的可以通过以下技术方案来实现：
[0010] 一种拥堵交通流溯源分析方法，该方法包括以下步骤：
[0011] 步骤S1：基于拥堵区域的车辆的自动车辆识别器数据和车辆道路来源数据，构建
深度神经网络多分类模型，得到车辆的空间来源；
[0012] 步骤S2：基于车辆的空间来源和自动车辆识别器数据，构建深度神经网络回归模型，得到车辆的时间溯源结果。
[0013] 所述的步骤S1包括：
[0014] 步骤S11：将自动车辆识别器数据和车辆道路来源数据进行独热编码，分别得到自动车辆识别器独热编码数据和车辆道路来源独热编码数据；
[0015] 步骤S12：构建与空间来源有关的深度神经网络多分类模型损失函数；
[0016] 步骤S13：基于自动车辆识别器独热编码数据、车辆道路来源独热编码数据和深度神经网络多分类模型损失函数，通过优化
算法和第一准确度算法得到深度神经网络多分类模型；
[0017] 步骤S14：基于深度神经网络多分类模型，得到车辆的空间来源。
[0018] 所述的深度神经网络多分类模型损失函数的计算式为：
[0019]
[0020] 其中，N为车辆的数量，m为空间来源的标签编号，pωm为车辆ω属于空间来源m的概率；yωm为空间来源，yωm＝1表示空间来源m为车辆ω的正确空间来源，yωm＝0表示空间来源m不是车辆ω的正确空间来源。
[0021] 第一准确度计算方法为：
[0022]
[0023] 其中，EEω表示车辆ω的空间来源区域的正确性，所述的空间来源区域包括一条边界路段及其两侧相邻的边界路段，N为车辆的数量，SEA为准确度。
[0024] 所述的步骤S2包括：
[0025] 步骤S21：将车辆的空间来源和自动车辆识别器数据进行独热编码，得到独热编码空间来源和自动车辆识别器独热编码数据；
[0026] 步骤S22：构建与时间溯源结果有关的深度神经网络回归模型损失函数；
[0027] 步骤S23：基于自动车辆识别器独热编码数据、独热编码空间来源和深度神经网络回归模型损失函数，通过
优化算法和第二准确度算法得到深度神经网络回归模型；
[0028] 步骤S24：基于深度神经网络回归模型，得到车辆的时间溯源结果。
[0029] 所述的深度神经网络回归模型损失函数的计算式为：
[0030]
[0031] 其中， 为时间溯源结果， 为真实的行程时间。
[0032] 所述的第二准确度算法的计算式与深度神经网络回归模型损失函数的计算式相同。
[0033] 所述的优化算法为AdaGrad和Adam。
[0034] 与现有技术相比，本发明具有以下优点：
[0035] (1)提出了溯源的时空分析
框架，即深度神经网络多分类模型和深度神经网络回归模型，能够避免随着溯源距离上升时，基于交叉口转弯比例的溯源方法中误差逐级提升问题。
[0036] (2)基于深度神经网络，相比传统
机器学习算法，在推理准确度上能够明显提高。
[0037] (3)考虑拥堵区域交通流的来源信息，从而具备从网络层面进行缓堵的能力，提供了缓解拥堵的新研究视
角。
[0038] (4)自动车辆识别器定点设置，只依赖定点检测设备的数据，具有较好的适应性。
附图说明
[0040] 图2为本发明
实施例的溯源示意路网图；
[0041] 图3为本发明实施例的空间误差示意图；
[0042] 图4为本发明实施例的深度神经网络多分类模型输入示意图；
[0043] 图5为本发明实施例与传统机器学习溯源结果对比图。
具体实施方式
[0044] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0045] 实施例
[0046] 本实施例提供一种拥堵交通流溯源分析方法，如图1所示，包括两个步骤：
[0047] 步骤S1：基于拥堵区域的车辆的自动车辆识别器数据和车辆道路来源数据，构建深度神经网络多分类模型，得到车辆的空间来源；
[0048] 步骤S2：基于车辆的空间来源和自动车辆识别器数据，构建深度神经网络回归模型，得到车辆的时间溯源结果。
[0049] 具体而言：
[0050] 一、步骤S1包括：
[0051] 步骤S11：将自动车辆识别器数据和车辆道路来源数据进行独热编码，得到自动车辆识别器独热编码数据和车辆道路来源独热编码数据；
[0052] 步骤S12：构建与空间来源有关的深度神经网络多分类模型损失函数；
[0053] 步骤S13：基于自动车辆识别器独热编码数据、车辆道路来源独热编码数据和深度神经网络多分类模型损失函数，通过优化算法和第一准确度算法得到深度神经网络多分类模型；
[0054] 步骤S14：基于深度神经网络多分类模型，得到车辆的空间来源。
[0055] 其中，深度神经网络多分类模型基于
深度学习分类器(DNN Classifier)；
[0056] 进一步地，设 为距离待溯源路段一定空间距离的边界路段集合，第m条路段的标签即为m，例如，若有11条边界路段，则m＝1,2,...,11，且这11条边界路段两两相邻，构成城市路网中的一个子网络，车辆道路来源数据即为子网络的数据，研究针对这个子网络范围内的车辆进行研究。定义ω为车辆的编号，车辆的空间来源为边界路段集B中任一边界路段。定义 为空间误差， 的值表示车辆的真实空间来源与深度神经网络多分类模型推测得到的车辆的空间来源之间所间隔的边界路段数，因此 只可能为非负整数。
[0057] 步骤S11中使用独热编码(One-hot encoding)技术处理深度神经网络多分类模型的输入数据格式，输入量为自动车辆识别器数据和车辆道路来源数据，例如，车辆ω的输入自动车辆识别器数据为特征矢量 其中μ表示自动车辆识别器的编号。若车辆ω经过自动车辆识别器μ，则ωμ＝1，否则，ωμ＝0。
[0058] 定义深度神经网络多分类模型输出的标签为 其表示车辆的空间来源，具体表现为边界路段集合B中的某一条路段。在标签中，1表示车辆的空间来源，且一个矢量中有且仅有一个1，其余均为0。例如： 表示车辆的来源为第3个边界路段(m＝3)。
[0059] 步骤S12中深度神经网络多分类模型损失函数的具体计算式为
[0060]
[0061] 其中，N表示车辆的数量；m表示空间来源的标签编号；yωm表示车辆的空间来源，yωm＝1表示空间来源m为车辆ω的正确空间来源，反之则yωm＝0；pωm表示车辆ω属于空间来源m的概率。
[0062] 步骤S13中：深度神经网络算法本质是通过找到负梯度，不断
迭代直至找到最优解，这个过程称为梯度下降，本方法采用谷歌开源代码机器学习库TensorFlow中最常用的优化算法AdaGrad与Adam。
[0063] 定义一条边界路段及其两侧相邻的边界路段共同构成一个空间来源区域，用EEω表示车辆ω的空间来源区域的正确性。
[0064] 当深度神经网络多分类模型推测的车辆的空间来源在车辆的真实空间来源所在的空间来源区域内时 即认为模型对车辆的空间来源获得了准确推测，即EEω＝1；当模型推测得的车辆的空间来源在车辆的真实空间来源所在的空间来源区域之外时即认为深度神经网络多分类模型对车辆的空间来源未获得准确推测，即EEω＝0。
[0065] 上述内容可表述为如下公式：
[0066]
[0067] 进而，第一准确度算法计算公式如下：
[0068]
[0069] 其中，SEA为准确度。
[0070] 二、步骤S2包括：
[0071] 步骤S21：将车辆的空间来源和自动车辆识别器数据进行独热编码，得到独热编码空间来源和自动车辆识别器独热编码数据；
[0072] 步骤S22：构建与时间溯源结果有关的深度神经网络回归模型损失函数；
[0073] 步骤S23：基于自动车辆识别器独热编码数据、独热编码空间来源和深度神经网络回归模型损失函数，通过优化算法和第二准确度算法得到深度神经网络回归模型；
[0074] 步骤S24：基于深度神经网络回归模型，得到车辆的时间溯源结果。
[0075] 其中，深度神经网络回归模型基于深度学习回归器(DNN Regressor)。
[0076] 进一步地，设车辆ω到达待溯源路段的时刻为 定义行程时间表示车辆ω从起始边界路段开始，到达待溯源路段所经过的时间。由于起始路段不一定会有自动车辆识别检测器，因此，在时间溯源模型中，采用回归的方式来推测行程时间，定义深度神经网络回归模型得到的行程时间(即时间溯源结果)为
[0077] 步骤S21中深度神经网络回归模型的输入信息依旧采用独热编码的形式，定义为输入信息，其主要包含两部分：第一部分 是深度神经网络多分类模型的输出结果，即 第二部分 包含的信息是车辆ω第一次在子网络被检测到的检测器编号，以及到达待溯源路段之间的时间差。例如，设 为车辆ω第一次被子网络中的检测器μ检测到的时间戳，则有 其中， 所包含的元素个数等于子路网中拥有的检测器个数， 为 的第μ个元素，代表其被μ号检测器捕捉到，其余元素均为0。
[0078] 步骤S22中深度神经网络回归模型损失函数具体计算公式如下：
[0079]
[0080] 其中， 为真实的行程时间。
[0081] 步骤S23中同样采用谷歌开源代码机器学习库TensorFlow中的AdaGrad与Adam作为模型优化算法。
[0082] 第二准确度定义为TEE，其算法与深度神经网络回归模型损失函数相同，即：
[0083]
[0084] 下面结合一个具体的例子说明本方法：
[0085] 如图2所示，为示例应用场景，该子网络由25个交叉口及若干条路段组成，在路段上分布着若干自动车辆识别器。其中，Dμ(μ＝1,2,...,10)表示第μ个自动车辆识别器，灰色圆圈代表普通交叉口，黑色圆圈代表边界交叉口，与边界交叉口相邻的黑色虚线路段为边界路段，由边界路段构成的集合为 待溯源路段为r14-15。
[0086] 若在图2子网络中，车辆的真实空间来源是r3-8，则深度神经网络多分类模型的不同推测的空间误差数值如图3中 一栏所示。可以看到，空间误差均为非负整数。
[0087] 图2中给出了两条示例轨迹(I和II)，它们在这个子网络内的起点边界路段为l2和l3，均经过待溯源路段r14-15。
[0088] 以图2中的两条示例轨迹为例，图4为轨迹I与轨迹II在深度神经网络多分类模型中的输入自动车辆识别器数据形式，若车辆经过带有自动车辆识别器的路段，则对应元素的值为1，否则为0。
[0089] 如图5所示，将本方法所采用的基于深度神经网络的分类和回归，与基于传统机器学习的分类和回归进行了对比。结果发现，基于深度神经网络的分类和回归在效果上全面优于基于传统机器学习的分类和回归的效果。
