一种建成环境对交通系统运行状态影响的评估方法与设备

摘要

本申请公开了一种建成环境对交通系统运行状态影响的评估方法及设备，用以解决如下技术问题：现有的评估方法不能精准刻画建成环境对交通系统运行状态的影响。方法包括：构建空间邻近关系深度神经网络SPDNN模型，并通过所述SPDNN模型得到所述建成环境对应的融合空间距离；构建空间加权空洞卷积神经网络SWACNN模型；将所述融合空间距离输入至所述SWACNN模型中，以得到所述建成环境对应的空间权重。

说明书

技术领域

本申请涉及交通系统技术领域，尤其涉及一种建成环境对交通系统运行状态影响的评估方法与设备。

背景技术

城市建成环境与交通系统存在复杂的互动关系，两个系统的协调发展不仅有助于实现城市可持续发展，还有助于提升交通系统运行水平、缓解交通拥堵等问题。所谓建成环境是指对自然环境作出改造后形成的人为环境，而交通系统的运行状态一般指道路交通服务水平、车辆运行速度、道路拥堵指数等。研究显示，建成环境会对交通系统的运行状态存在一定的影响，且影响程度随空间变化而存在不同，也即建成环境会对交通系统运行状态的影响存在空间异质性。

已有研究多采用传统地理加权回归模型(Geographical Weighted Regression,GWR)捕捉空间异质性，但该模型存在三个主要局限：一是对空间距离的测量较为单一，多采用直接坐标距离或地理拓扑空间距离，导致对实体间复杂的距离关系描述不够精准；二是核函数多采用高斯核函数对空间关系衰减波动变化的描绘能力较弱，导致建成环境对交通系统运行状态影响程度的不规律衰减被掩盖；三是不同变量的带宽统一，导致不能捕捉不同自变量与因变量关系在空间尺度上的变化。

虽然在其他领域有了一系列的改进模型，如半参数地理加权回归模型、多尺度地理加权回归模型等，但并未完全改善GWR模型的局限性。如半参数地理加权回归模型虽然考虑了不同自变量对因变量的影响程度，但仅是把变量分为全局变量和局部变量两种类型，依然不能充分捕捉每个自变量的带宽特征；而多尺度地理加权回归模型虽然考虑了每个自变量的带宽特征，但初始带宽确定和带宽优化均是基于GWR模型，其核函数依然对空间关系变化描述过于规律。

因此，探索研究更具有适应性的GWR改进模型有利于更精准刻画建成环境对交通系统运行状态的影响。

发明内容

本申请实施例提供了一种建成环境对交通系统运行状态影响的评估方法与设备，用以解决如下技术问题：现有的评估方法不能精准刻画建成环境对交通系统运行状态的影响。

一方面，本申请实施例提供了一种建成环境对交通系统运行状态影响的评估方法，所述方法包括：构建空间邻近关系深度神经网络SPDNN模型，并通过所述SPDNN模型得到所述建成环境对应的融合空间距离；构建空间加权空洞卷积神经网络SWACNN模型；将所述融合空间距离输入至所述SWACNN模型中，以得到所述建成环境对应的空间权重。

在本申请说明书的一个或多个实施例中，所述SPDNN模型包括输入层、隐藏层以及输出层；其中，所述输入层用于输入所述建成环境对应的直角坐标距离与拓扑空间距离；所述隐藏层用于拟合所述直角坐标距离与所述拓扑空间距离之间的非线性关系；所述输出层用于输出所述直角坐标距离与所述拓扑空间距离之间的融合空间距离。

在本申请说明书的一个或多个实施例中，所述SPDNN模型的隐藏层包括隐藏层-a与隐藏层-b；其中，所述隐藏层-a与所述输入层连接，其中包含6个神经元；所述隐藏层-b与所述输出层连接，其中包含3个神经元。

在本申请说明书的一个或多个实施例中，所述SWACNN模型包括输入层、空洞卷积层、全连接层以及输出层；其中，所述输入层用于输入所述融合空间距离；所述空洞卷积层用于对所述融合空间距离进行卷积操作，以得到特征矩阵；所述全连接层用于对所述特征矩阵进行非线性映射；所述输出层用于输出所述建成环境对应的空间权重。

在本申请说明书的一个或多个实施例中，所述空洞卷积层包含空洞卷积层-a、空洞卷积层-b与空洞卷积层-c；其中，所述空洞卷积层-a与所述输入层连接；所述空洞卷积层-a的卷积核是3×3，空洞率是1，通道数是32；所述空洞卷积层-b的卷积核是3×3，空洞率是2，通道数是16；所述空洞卷积层-c的卷积核是3×3，空洞率是3，通道数是8。

在本申请说明书的一个或多个实施例中，所述全连接层包括全连接层-a与全连接层-b；其中，所述全连接层-a与所述空洞卷积层-c连接，其中包含256个神经元；所述全连接层-b与所述输出层连接；其中包含128个神经元；并且，所述输出层包含6个神经元。

在本申请说明书的一个或多个实施例中，在构建空间加权空洞卷积神经网络SWACNN模型之后，所述方法还包括：将所述SPDNN模型与所述SWACNN模型整合成地理空洞卷积神经网络加权回归GACNNWR模型；对所述GACNNWR模型进行优化训练，具体包括：获取预设地理范围内的建成系统指标数据与交通系统运行状态指标数据，构成训练数据；将所述训练数据划分为训练集、验证集以及测试集；将所述训练集进行切分，得到若干子训练集，并通过所述若干子训练集对所述GACNNWR模型进行训练，完成一次模型迭代，得到输出的拟合交通系统运行状态指标数据；通过模型迭代过程中得到的所述GACNNWR模型的损失函数值，构建损失函数趋势图，并基于所述损失函数趋势图判断所述GACNNWR模型是否收敛；若是，则将所述测试集与所述验证集输入至所述GACNNWR模型中，以验证所述GACNNWR模型的泛化能力；若所述GACNNWR模型对所述测试集与所述验证集的预测结果差距小于预设差距阈值，则确定所述GACNNWR模型训练完毕。

在本申请说明书的一个或多个实施例中，所述方法还包括：确定建成环境指标与交通系统运行状态指标；基于所述交通系统运行状态指标，构建交通系统运行状态评价模型；其中，所述交通系统运行状态评价模型通过GACNNWR模型实现；获取建成环境指标数据，并通过所述交通系统运行状态评价模型，对所述建成环境指标数据进行预测，得到所述建成环境指标对应的空间权重；基于建成环境指标数据与预设回归系数，通过所述空间权重，拟合得到交通系统运行状态评价指标数据；通过预设分析指标，对所述交通系统运行状态评价指标数据进行分析，以得到所述建成系统指标对所述交通系统运行状态指标的影响。

在本申请说明书的一个或多个实施例中，所述建成环境指标至少包括：人口密度、土地利用混合程度、交叉口密度、商圈可达性与公交站点密度；所述交通系统运行状态运行指标至少包括：交通效率、交通安全与行驶舒适性。

另一方面，本申请实施例还提供了一种建成环境对交通系统运行状态影响的评估设备，所述设备包括：处理器；以及，存储器，其上存储有可执行代码，当所述可执行代码被执行时使得所述处理器执行如上述的一种建成环境对交通系统运行状态影响的评估方法。

本申请实施例提供的一种建成环境对交通系统运行状态影响的评估方法及设备，具有以下有益效果：以直角空间距离度量和地理拓扑空间距离度量作为模型输入，利用多个隐藏层拟合不同距离间的非线性作用，构建空间邻近关系深度神经网络SPDNN模型，获得了更加精确的距离表达，克服了空间距离描述单一的问题。然后通过构建的空间加权空洞卷积神经网络SWACNN模型输出建成环境对应的空间权重，突破了现有的核函数限于高斯函数不具有可选择性的局限，并且，空间权重计算不再依赖于带宽，从而突破了现有GWR模型不同自变量带宽统一的局限性，通过SPDNN模型与SWACNN模型构建出GACNNWR模型并对其进行训练，然后利用训练好的GACNNWR模型对建成空间指标数据进行预测分析，明确了建成空间指标对交通系统运行状态的影响，进而实现了对复杂空间距离的融合表达及对空间非平稳性的探测。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种建成环境对交通系统运行状态影响的评估方法流程图；

图2为本申请实施例提供的一种应用场景下，GACNNWR模型结构图；

图3为本申请实施例提供的一种应用场景下，GACNNWR模型优化训练过程图；

图4为本申请实施例提供的一种应用场景下，回归系数R

图5为本申请实施例提供的一种建成环境对交通系统运行状态影响的评估设备结构图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面通过附图对本申请实施例提出的技术方案进行详细的说明。

图1为本申请实施例提供的。如图1所示，

步骤101、构建空间邻近关系深度神经网络SPDNN模型，并通过该模型得到建成环境对应的融合空间距离。

本申请实施例提出的建成环境对交通系统运行状态的影响评估方法，实质是对建成环境对交通系统运行状态影响的空间异质性进行分析。而该分析过程通过构建合适的神经网络模型实现。

首先，本申请实施例会先构建一个空间邻近关系深度神经网络SPDNN模型，该模型用于描述建成环境对应的融合空间距离，其输入为建成环境对应的空间距离，输出为输入的空间距离对应的融合空间距离，解决现有模型对距离描述单一的问题。

具体地，SPDNN模型的结构可参见图2，如图2所示，SPDNN模型包括输入层，用于输入建成环境对应的空间距离，为了解决现有模型对建成环境空间距离描述单一的问题，这输入的空间距离可以是直角坐标距离与拓扑空间距离；由图2可以看出，SPDNN模型还包括两个隐藏层，用于拟合输入的直角坐标距离与拓扑空间距离之间的非线性关系，然后通过SPDNN模型的输出层，得到融合空间距离。在本申请一个示例中，SPDNN模型的输入为欧氏距离临近关系与地理空间拓扑临近关系，这两个关系通过临近关系融合深度神经网络，得到SPDNN模型的的输出为综合空间临近关系。

进一步地，如图2所示，SPDNN模型的隐藏层包含两个，且第一个隐藏层中包含6个神经云，第二个隐藏层中包含3个神经元。

步骤102、构建空间加权空洞卷积神经网络SWACNN模型。

在构建完SPDNN模型之后，还需要构建一个SWACNN模型，用于通过输入的融合空间距离得到建成环境对应的空间权重，而通过空间权重就可以用来拟合建成环境指标与交通系统运行状态指标之间的关系，进而实现影响分析。

因此，如图2所示，SWACNN模型的结构包括输入层、空洞卷积层、全连接层以及输出层，其中，输入层用于将SPDNN模型输出的融合空间距离进行输入，空洞卷积层包含三层，用于对所述融合空间距离进行卷积操作，以得到特征矩阵，在本申请的一个示例中，空洞卷积层-a的卷积核是3×3，空洞率是1，通道数是32。空洞卷积层-b的卷积核是3×3，空洞率是2，通道数是16。空洞卷积层-c的卷积核是3×3，空洞率是3，通道数是8。全连接层包含2层(隐含层)，用于对所述特征矩阵进行非线性映射，得到空间权重，并且，在本申请的一个示例中，全连接层-a的神经元个数是256个，全连接层-b的神经元个数是128个。输出层的神经元个数是6个(包括5个自变量和1个常数项)，是对应各个建成环境指标回归系数的空间权重。

需要说明的是，空洞卷积层-a与输入层连接，空洞卷积层-c与全连接层-a连接，全连接层-b与输出层连接。

步骤103、将融合空间距离输入SWACNN模型中，得到建成环境对应的空间权重。

在构建完SWACNN模型之后，将SPDNN模型输出的融合空间距离输入，得到建成环境对应的空间权重。

在本申请实施例的一种或多种可能实现方式中，在构建空间加权空洞卷积神经网络SWACNN模型之后，方法还包括：将SPDNN模型与SWACNN模型整合成地理空洞卷积神经网络加权回归GACNNWR模型，由于该模型GACNNWR模型由前述两个模型整合而成，因此，该模型的结构设计与前述两个模型的结构设计相同，其网络结构设置如下表所示：

进一步地，在构建完GACNNWR模型，使用该模型进行预测之前，需要对GACNNWR模型进行优化训练，其训练过程如图3所示。图3为本申请实施例提供的一种应用场景下，GACNNWR模型优化训练过程图。如图3所示，GACNNWR模型的训练过程至少包括：

1.地理空洞卷积神经网络加权回归GACNNWR模型训练过程开始。

2.数据集划分：先将整体数据集按照二八原则分为A数据集、B数据集，再对A数据集按照二八原则分为训练集、验证集；B数据集作为测试集。

在本申请实施例的一种或多种可能实现方式中，整体数据集是基于预设地理范围内的建成系统指标数据与交通系统运行状态指标数据获得的，其中，建成环境指标至少包括：人口密度、土地利用混合程度、交叉口密度、商圈可达性与公交站点密度；交通系统运行状态运行指标至少包括：交通效率、交通安全与行驶舒适性。并且，在本申请的一个示例中，预设地理范围可以选取900m×900m的范围。

3.超参数初始化：根据预先设置的超参数，对神经网络进行初始化超参数。包含初始化学习率、迭代次数、Dropout等。

在本申请的一个示例中，使用Dropout超参数以增强模型的泛化能力。

4.切分Mini-batch：根据划分的训练集以及预先设定的Batch-size，把训练集切分为多个Mini-batch。

5.训练网络：一个Mini-batch样本输入网络模型，通过前向传播算法，计算y的拟合值、损失函数值，然后通过后向传播算法，网络模型参数不断更新。依次迭代训练网络，直至所有Mini-batch训练完成，则一个Epoch完成网络训练，即一个Epoch完成迭代。

6.拟合指标计算：每完成一个Epoch迭代，计算模型拟合指标，也即拟合交通系统运行状态指标数据。

7.Epoch次数判断：判断Epoch的次数是否已经达到上限，若没达到上限，则打乱训练集，继续训练。否则，查看损失函数趋势图，判断模型是否收敛，若模型收敛，则停止迭代。

若模型没有收敛，则提高Epoch上限，继续迭代训练模型。

8.验证模型泛化能力：模型迭代完毕，利用迭代训练好的模型，对测试集进行预测，查看测试集的预测效果，验证模型的泛化能力。若测试集的预测效果与验证集的预测效果相当，则训练的该模型具有较强的泛化能力，模型训练结束，否则调整模型结构，重新训练模型。

9.地理空洞卷积神经网络加权回归GACNNWR模型训练过程结束。

在本申请的一个示例中，为了验证GACNNWR模型的应用效果以及与其他模型的差异，选择回归系数(R

进一步地，在GACNNWR模型训练完成之后，就可以利用该模型预测建成环境对交通系统运行状态的影响，也即空间异质性的影响。

具体地，基于交通系统运行状态的三个指标，通过GACNNWR模型构建交通系统运行状态评价模型；在本申请的一个示例中，构建的交通系统运行状态评价模型包括以下3个：交通效率对应的GACNNWR-TE、交通安全对应的GACNNWR-TS以及行驶舒适性对应的GACNNWR-TC；然后获取建成环境指标数据，并通过交通系统运行状态评价模型，对建成环境指标数据进行预测，得到建成环境指标对应的空间权重；最后，基于建成环境指标数据与预设回归系数，通过所述空间权重，拟合得到交通系统运行状态评价指标数据。

最后，通过预设分析指标，在本申请一个示例中，可以选择回归系数R

通过图4(a)分析可知，建成环境各指标对交通效率的影响如下：

①人口密度

人口密度的回归系数正值表示人口密度越大，交通指数越大，交通越拥堵，交通效率越低；负值说明人口密度越大，交通指数越小，交通越畅通，交通效率越高。

②HHI

HHI的回归系数正值说明HHI越小，交通系统运行指数越小，即城市用地多样化水平越高交通越畅通；HHI的回归系数负值表示城市用地类型越单一，交通越畅通。

③交叉口密度

交叉口密度的回归系数正值说明交叉口密度越大，交通指数越大，交通越拥堵。负值说明交叉口密度越小，交通指数越大，交通越拥堵。

④商圈可达性

商圈可达性回归系数为正值时表明商圈可达性越大，交通指数越大，交通越拥堵。负值反之。

⑤公交近邻性

公交近邻性回归系数为正值时表示公交站点密度越小，交通指数越小，交通越畅通。负值表示公交站点密度越大，交通指数越大，交通越拥堵。

通过图4(b)分析可知，建成环境各指标对交通安全的影响如下：

①人口密度

人口密度回归系数为正值说明人口密度越大，交通事故越多。负值反之。

②HHI

HHI的回归系数是正值说明HHI越大，交通事故越多，即土地利用越单一，交通事故越多。负值说明土地利用混合程度越大，交通事故越多。

③交叉口密度

交叉口密度回归系数均为正值，说明交叉口密度大的区域交通事故较多，主要原因是交叉口的增多增加了交通冲突风险。

④商圈可达性

商圈可达性回归系数均为正值，说明商圈可达性越大，交通事故越大。

⑤公交近邻性

研究区域内公交近邻性回归系数均为正值，说明公交站点密度大的区域交通事故量也大。一个可能的原因是公交站点附近行人上下车、穿越道路的需求较大，增加了行人暴露在风险环境中的时间，另外公交车进出站会对交通流产生一定扰动，也会增加交通事故发生的风险。

通过图4(c)分析可知，建成环境各指标对行驶舒适性的影响如下：

①人口密度

人口密度回归系数正值说明人口密度越大，行车舒适性越低；负值反之。

②HHI

HHI的回归系数正值说明HHI越小行车舒适性越好，即土地利用混合程度高的区域，行车舒适性较高。负值说明土地利用单一的区域行车舒适性较好。

③交叉口密度

交叉口密度的回归系数多为正值，说明交叉口密度大的区域加速度干扰大，行车舒适性低。

④商圈可达性

商圈可达性的回归系数为正值时说明商圈可达性越大，加速度干扰越大，行驶舒适性越低。负值说明商圈可达性越小，行驶舒适性越低。

⑤公交近邻性

公交近邻性的回归系数为负值，说明公交站点密度大的区域加速度干扰小行车舒适性高，公共交通的发展能够促进车流的稳定性，提升行驶舒适性。

以上为本申请实施例中的方法实施例，基于同样的发明构思，本申请实施例还提供了一种建成环境对交通系统运行状态影响的评估设备，其结构如图5所示。

图5为本申请实施例提供的一种建成环境对交通系统运行状态影响的评估设备结构图。如图5所示，设备包括：处理器；以及，存储器，其上存储有可执行代码，当所述可执行代码被执行时使得所述处理器执行如上述的一种建成环境对交通系统运行状态影响的评估方法。

在本申请实施例的一种或多种可能实现方式中，处理器用于，构建空间邻近关系深度神经网络SPDNN模型，并通过所述SPDNN模型得到所述建成环境对应的融合空间距离；构建空间加权空洞卷积神经网络SWACNN模型；将所述融合空间距离输入至所述SWACNN模型中，以得到所述建成环境对应的空间权重。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。