基于深度学习的大规模城市路网车流动态OD在线快速估计及分析

Online and fast estimation of dynamic flow OD for highway networks is critical to active traffic management that uses the relationships between highway supplies and traffic demands. For large- scale urban road networks, existing theories and methods are still constrained in that the dynamic traffic assignment models are incapable to accurately describe the rules of vehicle route choices for real road networks, the optimization process of finding OD estimation model solutions is time-consuming and grueling, and that the spatiotemporal evolution rules of highway network traffic demands are still superficially explored. Based on the multiple and new identifiable vehicle location data and the traditionally volume measurements collected at road stations, this research studies the online and fast estimation methods of dynamic flow OD and explores the spatiotemporal evolution rules of traffic demands that are represented by flow OD, for large-scale urban road networks. As results, key technologies and methods including accurate trajectories reconstruction for identifiable vehicles, dynamic traffic assignment model construction that considers the incremental updating mechanism, dynamic flow OD estimation based on heuristic genetic search optimization algorithm, and the analysis of spatiotemporal interaction characteristics and uncertainty levels of traffic demands for road networks, are formed. The study is a valuable attempt that uses new AI technologies in solving traditionally difficult traffic problems. As well, the study will have positive effects in fast fusing the new AI technologies and traditional traffic engineering theories and herein promoting the new development of traffic engineering theories under new circumstances.

路网车流动态OD在线快速估计是利用道路交通供需关系实现主动交通管理的关键支撑。面向大规模城市路网，现有理论与方法存在动态交通分配模型难以精确描述真实路网车辆出行路径选择规律、OD估计模型调优求解费时费力、以OD为表征的路网交通需求时空演变规律探究不够深入等不足。以多源新兴身份车辆位置感知数据及传统道路断面检测流量数据为基础，本研究利用以深度学习为代表的人工智能技术，研究大规模城市路网车流动态OD在线快速估计方法，分析揭示以车流OD为表征的路网交通需求时空演变规律，形成了身份车辆轨迹精确重构、考虑增量更新机制的动态交通分配模型构建、基于启发式遗传搜索寻优的车流动态OD在线快速估计求解、路网交通需求时空交互特性及不确定性水平分析等关键技术方法。项目研究是利用新兴人工智能技术解决传统交通难题的一项有益尝试，对新形势下人工智能技术与传统交通工程理论的快速融合，推动交通工程理论新发展具有积极作用。

在以深度学习为代表的人工智能技术快速发展新形势下，本项目以多源身份车辆位置感知数据为主，传统断面检测交通流量数据为辅，研究大规模城市路网车流动态OD在线快速估计方法。主要内容包括车辆轨迹重构、动态交通分配建模、车流动态OD在线快速估计、路网交通需求时空演变规律挖掘分析、车流动态OD估计方法评估。车辆轨迹重构方面主要关注基于传感器设备采集的车辆轨迹数据处理及分析、基于身份车辆位置感知数据和深度神经网络的车辆轨迹重构。动态交通分配建模主要聚焦基于深度学习理论和Attention机制的大规模城市路网车流动态OD分配方法、基于路网OD估计的动态交通分配模型增量学习更新方法。车流动态OD在线快速估计主要研究基于路网历史OD的模式以及对应的OD波动特性研究、基于并行化遗传算法的车流动态OD在线快速估计求解模型构建。路网交通需求时空演变规律挖掘分析重点考察车辆轨迹数据采样的不均衡性对OD估计结果的影响、人工智能理论下的交通拥堵时空关联关系推理技术、基于时空关联关系热力图的交通拥堵分析及可视化方法。车流动态OD估计方法评估主要采用基于GEH指标或历史-估计差异的方法进行车流动态OD估计方法评估，在此基础上结合车流轨迹空间异质性的OD模式，基于启发式算法优化车流OD在线快速估计流程。项目研究取得一系列重要成果，对大规模路网下的车辆轨迹重构、车流动态OD估计及优化研究具有重要参考价值。依托本项目，课题组发表SCI期刊11篇，EI论文3篇，共申请国家发明专利9项，已授权6项。