基于生成式神经网络的城市交通规划方案生成方法和系统与流程

本公开涉及城市交通，尤其涉及基于生成式神经网络的城市交通规划方案生成方法和系统。

背景技术：

1、城市交通规划工作是指对城市交通系统进行综合规划和设计的工作，包括对城市道路、公共交通、停车设施等交通基础设施的规划和布局，以及对交通管理、交通组织、交通安全等方面的规划和设计。

2、而交通方案规划设计所面临的第一个问题就是选址(选线)，其次是交通调查和分析、规划设计、评估优化等工作。其中，选址选线工作是后续工作的重要基础，为后续工作提供清晰的方向和目标，其工作的优劣会直接影响到后续基础设施的规划和设计。

3、在具体选址项目实施中，这项工作往往需要面对复杂基础条件、数据不完备、需求复杂、方案评估困难等问题。传统的交通规划方案生成方法通常基于规则和经验，缺乏对于复杂交通系统的深入理解和精确建模，并且存在以下缺陷：

4、1、传统方法容易受到规划者经验和主观意见的影响，缺乏客观性和科学性。

5、2、交通仿真模型和数据驱动方法需要大量的计算资源和数据支持，不适用于资源有限的情况。

6、3、现有方法往往只能针对单个交通模式或单个方面进行规划，难以综合考虑不同交通模式和不同方面的需求和影响。

7、因此，亟需一种交通规划方案生成方法，以解决现有城市交通规划方法存在的主观性强、效率低、综合性不足等问题，从而提高交通规划的效率和质量。

技术实现思路

1、本公开目的在于提供基于生成式神经网络的城市交通规划方案生成方法和系统，能够从大量数据中学习城市交通环境的特征，准确地模拟不同基础条件下的交通情况并生成多种规划方案进行筛选和优化。

2、为实现上述目的，本公开提供基于生成式神经网络的城市交通规划方案生成方法，包括：

3、对交通系统数据进行数据清洗和特征处理，获得处理后的交通系统数据；

4、利用处理后的交通系统数据训练cgan模型，通过cgan模型中的生成器生成交通规划方案，并利用cgan模型中的判别器对所述交通规划方案进行效果评估；

5、根据评估结果对cgan模型进行优化，以提高交通规划方案生成的质量。

6、进一步的，对交通系统数据进行数据清洗和特征处理，获得处理后的交通系统数据，包括：

7、将交通系统数据进行数据清洗，获得清洗后的交通系统数据；

8、对清洗后的交通系统数据进行特征提取，获得静态数据和城市交通规划方案；

9、通过空间变换和样本拆分组合的方式对所述城市交通规划方案进行数据增强，并对所述城市交通规划方案进行编码，获得城市交通方案编码；

10、通过区域栅格化的方式对所述静态数据进行编码，获得城市基础信息编码。

11、进一步的，通过空间变换和样本拆分组合的方式对所述城市交通规划方案进行数据增强，并对所述城市交通规划方案进行编码，获得城市交通方案编码，包括：

12、对城市交通规划方案中的城市空间分布进行随机的空间变换，生成新的空间分布样本；

13、将城市交通规划方案中的基础线网方案进行拆解，生成不同阶段的单条线路，并将各个单条线路按照建设次序进行组合获得对应的样本数据；

14、在样本数据的基础上将单条线路拆解为区间，并对同一阶段或相近阶段的区间线路进行随机组合，获得各个阶段基础线网；

15、其中，各个阶段基础线网包括当前阶段基础线网和预规划线路区间。

16、进一步的，利用处理后的交通系统数据训练cgan模型，通过cgan模型中的生成器生成交通规划方案，并利用cgan模型中的判别器对所述交通规划方案进行效果评估，包括：

17、采用卷积神经网络或全连接神经网络构建cgan模型中的生成器和判别器；

18、将城市基础信息编码和各个阶段基础线网作为基础条件数据，向所述生成器输入随机噪声向量和所述基础条件数据各个阶段基础线网，使所述生成器学习生成符合设定要求的虚假交通规划方案；

19、将预规划线路区间作为真实交通规划方案，各个阶段基础线网分别向所述判别器中输入所述基础条件数据、虚假交通规划方案和真实交通规划方案；

20、所述判别器基于基础条件数据对虚假交通规划方案和真实交通规划方案进行区分和判别，获得判别结果，即虚假交通规划方案的真实性概率。

21、进一步的，在训练cgan模型过程中，设置cgan模型的损失函数，包括：

22、所述cgan模型的损失函数包括生成器损失函数和判别器损失函数；

23、将生成器损失函数定义为判别器对生成器生成的虚假交通规划方案数据的判别结果的负对数似然，并在生成器损失函数中添加地理信息约束；

24、所述生成器损失函数为：

25、

26、式中，lg表示生成器损失函数，g表示生成器，d表示判别器，z表示从已知分布pz中采样的随机噪声向量，g(z)表示生成器g基于随机噪声向量z生成的交通规划数据，d(g(z))表示判别器d对生成器g生成的交通规划数据g(z)的判别结果；

27、所述地理信息约束为：

28、lossgeo＝λgeo·mse(generated_geo_data，real_geo_data)，

29、式中，lossgeo表示地理信息约束，λgeo表示地理信息约束的权重，mse表示均方误差损失函数，generated_geo_data表示生成的虚假地理信息数据，real_geo_data表示真实地理信息数据；

30、将判别器损失函数定义为判别器对虚假交通规划方案和真实交通规划方案的判别结果与真实交通规划方案之间的差异之和；

31、所述判别器损失函数为：

32、

33、式中，ld表示判别器损失函数，x表示真实交通规划方案数据，pdata是真实交通规划方案数据的分布，d(x)表示判别器d对真实交通规划方案数据x的判别结果。

34、进一步的，在设置cgan模型的损失函数时，结合城市交通规划业务的实际需求，对所述损失函数进行调整优化，加入城市交通规划方案的设计目标以及对应的损失函数，包括：

35、所述交通规划设计目标包括提高相关出行效用、提高设施服务覆盖率、降低工程建设成本、以及减少非地理空间连续性损失；

36、其中，提高相关出行效用表示：在城市交通规划方案实施后，使原有交通流量的一部分转移至新的交通方式中，且这部分交通流量应比原有的交通方式成本低；

37、提高设施服务覆盖率表示：服务尽可能多的城市区域和人群；

38、降低工程建设成本表示城市交通基础设施不能无限制的进行规划，在满足相关出行效用和设施服务覆盖率的基础上，应综合考虑工程建设成本；

39、分别设置相关出行效用、设施服务覆盖率、工程建设成本、以及地理空间连续性损失的损失函数，并综合构成cgan模型的优化目标函数；

40、其中，相关出行效用的损失函数为：

41、

42、式中，lcommute表示相关出行效用的损失函数，n表示转移交通量总数，i表示转移交通量个数；ei表示第i个转移交通量降低的综合费用；

43、设置设施服务覆盖率的损失函数为：

44、

45、式中，lcoverage表示设施服务覆盖率的损失函数，pcovered表示被城市交通基础设施的规划方案覆盖的人群总量，ptotal表示城市总人口；

46、工程建设成本的损失函数为：

47、

48、式中，lcost表示工程建设成本的损失函数，m表示线路或道路的总数，j表示线路或道路的个数，cj表示当前城市交通规划方案中第j条线路或道路的建设成本；

49、设定城市交通规划方案中基础线网方案的线路端点或站点为节点，且节点集合为{v}、节点m和节点n之间的地理距离为dmn，则城市交通规划方案的地理空间连续性损失的损失函数为：

50、

51、式中，lspatial表示地理空间连续性损失的损失函数，dmn表示城市交通规划方案中节点m和节点n之间的实际地理距离，表示模型生成的虚假城市规划方案线路中节点m和节点n之间的距离；

52、基于cgan模型的损失函数，结合相关出行效用的损失函数、设施服务覆盖率的损失函数、工程建设成本的损失函数、以及地理空间连续性损失的损失函数，获得cgan模型的优化目标函数；

53、所述cgan模型的损失函数为：

54、

55、式中，lcgan表示cgan模型的损失函数，x表示真实交通规划方案数据，pdata是真实交通规划方案数据的分布，z表示从已知分布pz中采样的随机噪声向量，d(x)表示判别器d对真实交通规划方案数据x的判别结果，d(g(z))表示判别器d对生成器g生成的交通规划数据g(z)的判别结果；

56、所述cgan模型的优化目标函数为：

57、ltotal＝lcgan+λ1lcommute+λ2lcost+λ3lcoverage+λ4lspatial，

58、式中，ltotal表示cgan模型的优化目标函数，λ1、λ2、λ3、λ4分别表示各个损失函数的权重。

59、进一步的，根据评估结果对cgan模型进行优化，以提高交通规划方案生成的质量，包括：

60、获得评估结果后，以cgan模型的优化目标函数为优化目标，通过交替训练生成器和判别器，实现cgan模型的优化目标函数中各个损失函数的最小化；

61、在交替训练优化过程中，每一次迭代包括：

62、固定判别器，将城市基础信息编码和各个阶段基础线网作为基础条件数据的基础上，调整生成器的参数以优化生成器，使生成器生成的虚假交通规划方案被判别器判定的真实性概率尽可能的高；

63、固定生成器，调整判别器的参数以优化判别器，提高判别器在区分和判别真实交通规划方案和虚假交通规划方案时的准确率。

64、基于同一发明构思，本公开实施例还提供基于生成式神经网络的城市交通规划方案生成系统，包括：

65、数据处理单元，用于对交通系统数据进行数据清洗和特征处理，获得处理后的交通系统数据；

66、模型处理单元，用于利用处理后的交通系统数据训练cgan模型，通过cgan模型中的生成器生成交通规划方案，并利用cgan模型中的判别器对所述交通规划方案进行效果评估；

67、优化单元，用于根据评估结果对cgan模型进行优化，以提高交通规划方案生成的质量。

68、基于同一发明构思，本公开实施例还提供一种电子设备，包括：存储器、处理器；所述处理器，用于读取并执行所述存储器存储的计算机程序，以实现前述的基于生成式神经网络的城市交通规划方案生成方法。

69、基于同一发明构思，本公开实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的基于生成式神经网络的城市交通规划方案生成方法。

70、本公开的技术效果和优点：本公开利用cgan生成模型，能够从大量数据中学习城市交通环境的特征，准确地模拟不同基础条件下的交通情况，可以快速生成多种规划方案，并通过模拟和比选，筛选出最优方案，大大提高了规划的效率和质量；且利用机器学习技术，可以基于大量历史数据和仿真模拟，客观评估各种方案的优劣，为决策提供科学依据，克服了传统方法存在的主观性强、效率低、综合性不足等问题，提高了规划的科学性、准确性和实用性。

71、本公开在城市交通规划中，生成器可以学习生成不同交通规划方案的特征，如道路网络布局、公交线路设置等。判别器可以学习区分生成的虚假交通规划方案是否符合交通规划的要求，从而帮助生成器生成更合理的交通规划方案。

72、本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。