买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东南大学

摘要：本发明公开了一种基于迁移学习的城市路网动态OD估计方法。本发明的研究对象是城市路网中的动态交通需求，方法的基础数据包括社会车辆车牌识别数据以及出租车GPS数据，基于迁移学习的框架完成有监督的动态OD估计。考虑到载客状态下的出租车与社会车辆的行程具有相似性，分别从号牌数据和GPS数据中提取有效的同构出行行程数据，应用迁移学习将出租车数据中的出行起讫点识别知识应用于社会车辆号牌数据，确定社会车辆出行的起终点从而完成动态OD估计。

主权项：1.一种基于迁移学习的城市路网动态OD估计方法，其特征在于，该方法包括以下步骤：S1.获取研究路网内号牌数据、出租车GPS数据及微波流量检测数据中的卡口、检测器位置信息匹配到路网上，划分交通小区并设置小区出入口，构建地理信息数据集；S2.基于D-S证据理论及两节点间的车辆行程时间分布实现社会车辆号牌数据中的出行链驻留识别；S3.基于广度优先搜索提取社会车辆和出租车的初始驻留D点备选集合，基于多个约束对初始驻留D点备选集合进行筛选，并且，基于曼哈顿距离匹配最优O点得到备选驻留D-O点对集合；S4.对社会车辆和出租车备选驻留D-O点对集合进行同构特征提取；S5.基于从出租车数据到社会车辆数据的迁移学习，应用联合分布适应及XGBoost回归模型完成备选驻留方案的评价，得到最优驻留D-O点对；S6.基于最优驻留D-O点对分时段统计OD流量完成动态OD估计；所述步骤S2出行链驻留识别的具体步骤如下：S2-1.计算号牌数据前后两条记录的时间差作为前后记录中卡口对应路网节点间的行程时间，按照前节点和后节点的编号对行程时间进行分组汇总统计，即得到两两节点间的历史行程时间分布；S2-2.使用对数正态分布描述行程时间分布，假设T为行程时间的随机变量，lnT～Nμ,σ2，则称行程时间T服从对数正态分布，其概率密度函数表达式如下： S2-3.将两两节点间的行程时间的10％分位数对数值作为μ，10％分位数对数值与自由流行程时间对数值之差作为3σ，从而完成行程时间对数正态分布的标定，基于对数正态分布的概率累积函数得到历史行程时间证据的基本概率分配BPAh： S2-4.使用地图API的路径规划模块提供车辆行驶路径规划接口获得两节点的预计行驶时间作为一般行程时间；S2-5.使用威布尔分布描述行程时间分布，基于威布尔分布的行程时间概率密度函数表达式为： 其中，η大于0，表示尺度参数，对应一般行程时间，m大于0，表示形状参数；S2-6.当威布尔分布的行程时间期望等于一般行程时间时，S2-5公式中的m取2.17，完成基于威布尔分布的行程时间分布的标定，基于威布尔分布的概率累积函数得到一般行程时间证据的基本概率分配BPAn： S2-7.基于Dempster合成规则计算两类证据的合成概率M： 其中，K为归一化常数，也称冲突因子，计算公式如下：K＝BPAh+BPAn-2BPAh×BPAnK＝0表示两证据间无冲突，K＝1表示两证据间完全冲突；S2-8.当合成概率大于70％时，则对车辆发生驻留的判别命题给予信任，认为此行程时间异常，即行程的两节点间发生了驻留；步骤S3中，备选驻留D-O点对集合构建的具体步骤如下：S3-1.对于发生驻留的两节点间行程，提取两节点前后出行链，并计算两节点间的网络距离；S3-2.基于广度优先搜索算法搜索发生驻留的两节点对应搜索深度范围内的邻近节点，若两节点间的网络距离大于5，则广度优先搜索深度为该网络距离，否则，搜索深度为5；S3-3.对搜索得到的发生驻留两节点的搜索深度范围内节点集合取交集，并将其中是交通小区出入口的搜索深度范围内节点作为初始备选驻留D点；S3-4.基于行程时间、行驶方向、路径选择三个约束剔除备选驻留D点集合中的不符合要求的驻留点，三个约束的具体含义如下：1行程时间约束：备选驻留D点与前后两节点的最短路距离之和应小于节点对间行程时间内最高限速下的行驶距离；2行驶方向约束：备选驻留D点所在位置应符合号牌数据记录中由车辆所在车道及卡口连接道路对应的车辆行驶方向；3路径选择约束：途经驻留D点的前后两节点间的最短路长度与两节点间的最短路距离比值不超过阈值；S3-5.提取与备选驻留D点同交通小区的小区出入口作为备选驻留O点，基于经纬度坐标计算驻留D点和O点之间的曼哈顿距离dm，计算公式为： dm＝dx+dy其中，dx,dy,dm分别表示x轴、y轴上的距离以及曼哈顿距离，R为地球半径，lat1、lon1、lat2、lon2分别表示两点的经纬度坐标；S3-6.计算D点到备选O点的曼哈顿距离，加上该O点到下一次出行的第一途经点的Dijkstra最短路长度作为该备选D-O方案的评价指标，评价指标最小的备选O点则为备选D点的最优O点，从而完成了备选D-O对的提取；所述步骤S5中，基于迁移学习的备选驻留方案评价具体步骤如下：S5-1.将出租车和社会车辆的备选驻留方案特征数据分别作为源域和目标域，使用联合分布适应完成两域数据的领域自适应，缩小两域边缘分布及条件分布之间的差距；S5-2.将出租车备选驻留方案特征数据作为输入，分别计算备选驻留O点与实际出租车行程起点、备选驻留D点与实际出租车行程终点之间的网络距离作为输出，训练XGBoost回归模型，使用网格搜索法得到最优超参数；S5-3.将社会车辆的备选驻留方案特征数据输入训练得到XGBoost模型用于预测备选驻留O点与实际出租车行程起点、备选驻留D点与实际出租车行程终点之间的网络距离，取网络距离最小的备选驻留D-O点对作为最优的行程驻留点；所述步骤S6的方法如下：S6-1.将同一车辆的D-O对按时间顺序排列，联合原始轨迹端点匹配的O点和D点，得到该车辆在研究时段内所有的出行OD；S6-2.将S3-6中的驻留O点与到下一次出行的第一途经点的最短路径除以路段最高限速计算行程时间，将下一次出行的第一途经点的检测时间减去该行程时间得到的时刻作为下一次出行实际开始的时间；S6-3.基于S6-2中的出行开始时间，按所需时间间隔统计各时段内不同交通小区出入口间的车辆出行总数；S6-4.按照卡口检测设备平均采样率对S6-3中得到的OD量进行扩样，完成动态OD估计。

全文数据：

权利要求：

百度查询： 东南大学 一种基于迁移学习的城市路网动态OD估计方法