[论文解读] Estimating multi-class dynamic origin-destination demand through a forward-backward algorithm on computational graphs

Wei Ma, Xidong Pi+1 more|arXiv (Cornell University)|Mar 12, 2019

Traffic Prediction and Management Techniques参考文献 28被引用 9

一句话总结

本文提出一种基于数据驱动的计算图框架，结合前向-后向算法，利用稀疏的流量与行程时间观测数据，估计大规模交通网络中的多类别动态起讫（OD）需求。该方法利用张量化的时空流量、基于树结构的累积曲线进行梯度估计，在小型网络与真实世界网络中均实现高效收敛与高精度估计，对小汽车与卡车速度估计的决定系数（R-squared）分别达到0.45与0.51。

ABSTRACT

Transportation networks are unprecedentedly complex with heterogeneous vehicular flow. Conventionally, vehicle classes are considered by vehicle classifications (such as standard passenger cars and trucks). However, vehicle flow heterogeneity stems from many other aspects in general, e.g., ride-sourcing vehicles versus personal vehicles, human driven vehicles versus connected and automated vehicles. Provided with some observations of vehicular flow for each class in a large-scale transportation network, how to estimate the multi-class spatio-temporal vehicular flow, in terms of time-varying Origin-Destination (OD) demand and path/link flow, remains a big challenge. This paper presents a solution framework for multi-class dynamic OD demand estimation (MCDODE) in large-scale networks. The proposed framework is built on a computational graph with tensor representations of spatio-temporal flow and all intermediate features involved in the MCDODE formulation. A forward-backward algorithm is proposed to efficiently solve the MCDODE formulation on computational graphs. In addition, we propose a novel concept of tree-based cumulative curves to estimate the gradient of OD demand. A Growing Tree algorithm is developed to construct tree-based cumulative curves. The proposed framework is examined on a small network as well as a real-world large-scale network. The experiment results indicate that the proposed framework is compelling, satisfactory and computationally plausible.

研究动机与目标

• 解决在具有稀疏与部分流量观测数据的大规模异构交通网络中，估计多类别动态OD需求的挑战。
• 开发一种可扩展的数据驱动框架，整合多类别交通动态与时空流量数据，以提升网络建模能力。
• 实现对个人汽车、卡车及共享出行车辆等不同车型类别的时间可变OD需求的高效且精确估计。
• 通过提供细粒度、类别特定的出行模式与网络影响洞察，支持先进的交通管理与规划。
• 通过在计算图上进行可微分、基于梯度的优化，提升动态OD估计的计算效率与鲁棒性。

提出的方法

• 采用张量化的时空流量与中间特征表示，将MCDODE模型构建于计算图之上。
• 采用前向-后向算法：前向传播计算动态交通分配与损失，后向传播通过反向传播更新OD需求。
• 引入基于树结构的累积曲线，以高效估计链路行程时间对OD需求的梯度，尤其适用于稀疏DAR矩阵。
• 通过“生长树”算法从宏观仿真输出（MAC-POSTS）构建这些基于树结构的累积曲线，以模拟路径选择与路径流量。
• 该框架支持多日数据整合，并采用Adagrad等基于梯度的求解器，同时对初始化与学习率进行敏感性分析。
• 该方法通过宏观多类别交通仿真器（MAC-POSTS）进行验证，并利用可微分动态网络加载实现端到端优化。

实验结果

研究问题

• RQ1 如何仅基于部分且稀疏的交通观测数据，准确估计大规模网络中的多类别动态OD需求？
• RQ2 何种计算框架能够实现跨时间、空间与车辆类别的多类别OD需求的高效、可扩展且可微分估计？
• RQ3 在具有稀疏路径与链路流量数据的多类别动态网络中，如何改进OD需求的梯度计算？
• RQ4 所提出的框架在真实世界大规模网络中，能否保持估计精度与收敛速度？
• RQ5 该框架是否可扩展以整合先验知识，或改进链路行程时间导数的近似？

主要发现

• 采用Adagrad优化方法的前向-后向算法收敛迅速，表明其在大规模网络中具备计算可行性。
• 对小汽车与卡车的链路速度估计，决定系数（R-squared）分别达到0.45与0.51，表明估计精度中等至良好。
• 估计精度对初始OD需求与学习率的变化具有鲁棒性，敏感性分析证实其在不同配置下均保持稳定。
• 基于树结构的累积曲线显著提升了梯度估计效率，尤其在大规模网络中稀疏DAR矩阵场景下效果显著。
• 该框架成功在小型测试网络与真实世界匹兹堡网络中估计了多类别OD需求，结果支持具有政策意义的出行模式洞察。
• MAC-POSTS与MCDODE框架在GitHub上的开源实现，保障了研究的可复现性，并为未来扩展至概率性OD估计与参数标定提供了可能。