一种基于图神经网络的城市路网交通流仿真方法

本发明属于计算机，设计仿真方法，尤其涉及一种城市路网交通流量仿真方法。

背景技术：

1、城镇路网交通流仿真方法，指通过建模城镇路网内车流随时间的变化规律，仿真计算路网内车流随时间、空间动态变化的过程。城镇路网交通流仿真对于城市道路规划、交通管理与优化、重要活动组织保障、重大自然灾害或突发事故时的应急撤离等，具有重要的研究意义和实用价值。

2、城镇路网中道路纵横交错、局部结构多样、信号灯密布，路网中不同去向、不同类型的车辆混行，属于典型的复杂系统。采用微观方法进行城镇路网的交通流仿真，灵活度高、准确性好，但由于车辆规模庞大，仿真计算耗时较长，难以支撑应急类的应用(如极端天气时的群众撤离)，以及基于多次仿真的方案优化类应用。前述微观方法是指通过描述车辆运动轨迹来进行交通流仿真的方法，常见的交通流仿真软件如sumo、vissim都采用微观方法。

3、发明人发现，现有的宏观车辆仿真方法针对城市道路的车流仿真存在以下问题：城市交通场景内的各类要素均缺少统一形式化表达。城市路网中密布的信号灯，导致车流和路网局部连接动态周期变化。其中，路网局部连接指路口处车道之间的相互连通方式，例如通常左转车道与最左侧车道连通，右转车道与最右侧的车道连通，匝道与最右侧车道连通等。城市路网有着复杂的局部结构，如环岛、匝道、无信号灯路口等，在这些局部结构中，不同方向的车流间有着复杂的交互，导致在这些结构中车流的宏观变化难以用流体的方法或者规则公式的方法进行显式建模。传统城市路网交通流仿真采用的方法是设计专用于特定交互的函数，缺少广泛适用的统一方法。

4、并且，城市车流的变化规律复杂，人工设计的专用于特定交互的函数难以拟合。传统的宏观仿真方法大多是将车流视为流体，在此基础上通过源于流体的方法描述车流的变化规律，但是影响城市车流的要素多且复杂，尤其是一些路网瓶颈处，车辆密集且行驶缓慢，基于流体的仿真方法建模不同方向车流的交互时困难，且建立的模型容易随时间产生较大的累积误差，因此需要一种更加准确的宏观仿真模型。

技术实现思路

1、因此，本发明的目的在于克服上述现有技术的缺陷，提供一种用于交通流仿真的深度神经网络，一种用于交通流仿真的深度神经网络训练方法，以及一种根据所述训练方法生成的深度神经网络进行交通流仿真的方法。

2、根据本发明的第一方面，提供一种用于交通流仿真的深度神经网络，其中交通流以不同时刻车辆的数量表示，所述深度神经网络包括：

3、输入预处理模块，用于对输入的交通场景内的要素数据进行编码，所述交通场景内的要素包括：基于形式化表达的路网结构、信号灯的周期变化以及交通需求；

4、空间信息编码模块，用于从输入的形式化表达的各类要素数据中提取空间信息；

5、时序信息编码模块，用于根据编码后的各类要素数据和提取的空间信息计算当前时刻每个节点的车辆数目信息。

6、根据本发明的一个实施例，其中，路网结构的形式化表达包括：

7、确定期望单元长度；

8、根据期望单元长度将组成路网的每个路段平均分割为多个基本单元；

9、以基本段元作为相应节点，根据基本单元间的连通性所对应的边建立路网拓扑结构图，并定义节点特征。

10、根据本发明的一个实施例，其中，所述期望单元长度为仿真时间步长和道路中车辆的最大行驶速度的乘积。

11、根据本发明的一个实施例，其中，根据期望单元长度将组成路网的每个路段平均分割为多个基本单元的方法包括：

12、用路段长度除以期望单元长度后取整得到应该分割的路段数；

13、用路段长度除以应该分割的路段数得到所述路段的基本单元长度。

14、根据本发明的一个实施例，其中，路网拓扑结构图的边随着信号灯的周期变化而改变以反应所述基本单元连通性随信号灯的周期变化。

15、根据本发明的一个实施例，所述交通需求的形式化表达方法为定义交通需求变量，包括：

16、车辆数目向量，用于表示节点在某一时刻前往预设的每个终点的车辆数目；

17、转向选择向量，用于表示车辆在路口节点处的方向选择；

18、车道占用向量，用于表示路口节点各个方向所占车道情况。

19、根据本发明的一个实施例，所述转向选择向量包括多个分量，分别用于表示车辆选择不同方向的比例，所述不同方向的比例用选择不同方向到达某个预设终点的最近距离的反比计算。

20、根据本发明的一个实施例，其中，路网拓扑结构图包括正向图、逆向图和竞争图三种不同类型，分别为用来表示前方节点对后方节点的影响，后方节点对前方节点的影响以及共同后继节点之间的竞争关系。

21、根据本发明的一个实施例，所述输入预处理模块对输入的形式化表达的各类要素数据进行编码的方法包括：

22、将转向信息和信号灯信息分别通过不同的双向图神经网络编码，将仅与节点相关的数据通过注意力机制编码；

23、将编码后的转向信息和信号灯信息分别经过门控机制与车辆数目信息编码后拼接，得到编码并拼接的与空间结构相关的数据；

24、通过门控机制将编码后的仅与节点相关的数据，编码并拼接的与空间结构相关的数据综合，以得到编码的各类要素数据。

25、根据本发明的第二方面，提供一种用于上述之一深度神经网络的训练方法，包括以下步骤：

26、s1:对输入的形式化表达的各类要素的样本数据进行编码；

27、s2:从输入的形式化表达的各类要素的样本数据中提取空间信息；

28、s3:根据编码后的各类要素样本数据和提取的空间信息计算当前时刻每个节点的车辆数目信息；

29、s4:重复步骤s1-s3设定的小段时间长度，用所述小段时间长度内全部节点的车辆数量与从样本数据中获取的车辆数量计算损失，并通过深度神经网络参数优化算法更新深度神经网络参数；

30、s5:重复步骤s1-s4直到预定时长的样本数据全部输入模型并计算完毕；

31、s6:重复步骤s1-s5预定次数。

32、根据本发明的第三方面，提供一种基于本发明第二方面所述训练方法生成的深度神经网络来仿真交通流的方法，包括以下步骤：

33、s10:对输入的形式化表达的各类要素数据进行编码；

34、s20:从输入的形式化表达的各类要素数据中提取空间信息；

35、s30:根据编码后的各类要素数据和提取的空间信息计算当前时刻每个节点的车辆数目信息；

36、s40:重复步骤s10-s30直到预定时长的数据全部输入模型并计算完毕；与现有技术相比，本发明的优点在于：通过所设计的形式化表达，可以将城市路网中的道路结构，道路条件，车量路径选择、信号灯控制这些交通要素进行统一表达，相比于现有的宏观仿真方法准确性有较大的提升，同时准确的再现了有信号灯的路口处车辆队列的累积与消散、车辆比例的周期变化等现象，并且对于其它交通状况相对简单的地方同样适用。