(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110994275.1 (22)申请日 2021.08.27 (65)同一申请的已公布的文献号 申请公布号 CN 113627089 A (43)申请公布日 2021.11.09 (73)专利权人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 王之畅　朱越　朱浩嘉　金嘉晖　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 张天哲 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) 审查员 赵玉航 (54)发明名称 一种基于混合密度神经网络的城市车流量 仿真方法 (57)摘要 本发明公开了一种基于混合密度神经网络 的城市车流量仿真方法。 该方法首先收集城市流 量数据集， 对得到的城市进行区域划分。 将划分 的区域分别设置为起点(O)与终点(D)创建起点 ‑ 终点两两对应的数据结构， 称之为OD矩阵。 确定 流量预测的时间切片长度， 创建对应的切片流量 数据。 切片流量数据用于混合密度神经网络的训 练， 若混合密度神经网络未收敛则持续训练混合 密度神经网络， 若混合密度神经网络收敛， 则判 断预测效果是否良好， 若良好， 则进行背景流量 生成。 若效果较差， 则重新确定时间切片长度， 重 复上述过程至最终预测效果良好。 权利要求书3页 说明书6页 附图1页 CN 113627089 B 2022.08.02 CN 113627089 B 1.一种基于混合密度神经网络的城市车流量仿真方法， 其特征在于， 该方法包括以下 步骤： (1)采集城市流量数据集； 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； 确定数据集S经纬度范围， 将地区D延拓为包含地区D与数据集S 的最小正 方形地区Dk； 根据地区D的大小以及数据集S的稀疏程度， 将地区Dk按照经纬度划分 为Nl*Nh大小的地区， 记地区总数为 N， 编号0···(N‑1)； (2)确定时间切片长度； 确定时间切片长度t， t＝1,5,10 ···,根据最终实验的效果 从而决定时间切片长度t的长度， 创建切片流量数据， 按照轨迹的开始时间ts作为轨迹的标 记时间， 根据时间切片长度t将轨迹数据集划分为Nt＝T|t+1段时间片， 并创建Nt个大小为N* N的空的OD矩阵； 对于其中的每一段时间片， 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， 便得到了在时序上的 OD矩阵数据集； (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； (4)重复步骤(3)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OD混合密度神经网络 达到最终输出 预期； (5)将最终产生的OD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。 2.根据权利要求1所述的一种基于混合密度神经网络的城市车流量仿真方法， 其特征 在于， 在步骤(3)中， 混合密度神经网络预测方法如下： (3.1)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Xt， 都是形状为(sl， Nl， Nh)的三维矩阵， 同时对于每一个预测样本 Yt， 都是形状为(pl， Nl， Nh)的三维矩阵； (3.2)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； (3.3)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, α,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φk(t)如下公式所示: 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αk(t)为在时间权　利　要　求　书 1/3 页 2 CN 113627089 B 2切片为t下的第k个分布的权重， φk(t)为在时间切片为t的情况下的分布表达， μk(t), σk(t) 为在时间切片为t的情况 下第k个分布的均值与标准差； (3.4)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。 3.根据权利要求2所述的一种基于混合密度神经网络的城市车流量仿真方法， 其特征 在于， 在步骤(3.2)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， 所述的混合密度神经网络 构造方法如下： (a)混合密度神经网络 输入的更新门zt的公式如下： zt＝sigmoid(xtWz+Ht‑1Uz) 其中sigmoid为激活函数， xt为输入数据切片， Wz为权重矩阵， Ht‑1为上一个隐藏状态， Uz 为权重矩阵； (b)混合密度神经网络 输入的重 置门rt的公式如下 rt＝sigmoid(xtWr+Ht‑1Ur) 其中sigmo id为激活函数， xt为输入数据切片， Wr为权重矩阵， Ur为权重矩阵； (c)混合密度神经网络的候选隐藏状态 公式如下： 其中 为权重矩阵， 为权重矩阵； (d)混合密度神经网络的隐藏状态Ht公式如下： (e)混合密度神经网络的最终输出公式如下： Hd＝sigmoid(HtWd)。 4.根据权利要求2或3所述的一种基于混合密度神经网络的城市车流量仿真方法， 其特 征在于， 在步骤(2.3)中， 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, α,将时序模块下的输出H作为混合密度网络模的输入， 其中， 混 合密度网络构造方法如下： (A)参数 μ代 表了构造的高斯混合密度网络的均值， 其构造的方式如下公式所示： μ＝sigmo id(HdWμ+bμ) (B)参数σ 代 表了构造的高斯混合密度网络的标准差， 其构造的方式如下公式所示： σ ＝sigmo id(HdWσ+bσ) (C)参数α 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： α ＝sigmo id(HdWα+bα)。 5.根据权利要求4所述的一种基于混合密度神经网络的城市车流量仿真方法， 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： 权　利　要　求　书 2/3 页 3 CN 113627089 B 3