基于深度学习的城市交通需求场景库

交通需求预测是基于城市建成环境与社会经济数据通过模型估算交通需求在城市内时空分布的过程。交通需求预测得到的交通小区间的出行起终点分布矩阵是后续预测交通方式选择和进行交通流分配的基础，也是城市交通系统规划、建设、交通设施体系布局的重要依据。传统交通需求预测通过居民出行调查获取居民出行行为特征以及出行者个人和家庭特征，并结合用地与交通设施数据，建立基于四阶段法的交通需求预测模型。四阶段法步骤明确、逻辑清晰，在交通规划工作中得到了广泛的应用 ^[1] ，然而，这一方法也存在阶段划分主观性强、忽略个体出行活动之间的时空关系、依赖本地化数据标定以及模型结构简单难以反映复杂出行规律的问题 ^[2-3] 。

随着大数据和人工智能等新技术的发展，交通需求预测在数据、理论和应用方面均有突破和创新。在数据方面，多源数据的引入改善了传统数据存在的覆盖范围小、更新频率低、数据质量差等问题。交通学者先后应用手机信令数据 ^[3-5] 、互联网位置数据 ^[6-7] 、兴趣点(Point of Interest, POI)数据 ^[8-9] 等多源数据研究了交通需求时空分布 ^[4] 、出行强度 ^[9] 、出行行为模式 ^[7] 等交通需求预测相关内容，并针对大数据中可能存在的偏差提出了数据清洗和处理方法 ^{[4, 7]} 。在模型方面，由于机器学习模型拥有对于复杂非线性特征的拟合能力以及对于复杂数据的处理能力，这一类模型正逐渐应用于交通需求预测领域。Z. Liu等 ^[10] 提出了基于图注意力框架的通勤需求预测模型，该模型从地理信息中提取空间相关性特征，并以此预测通勤出行需求。F. Simini等 ^[11] 针对传统重力模型在预测出行分布时数据需求大的缺陷，提出了基于随机过程的辐射模型，以更好地反映社会经济特征对于出行行为的影响，之后又进一步提出了基于深度神经网络的深重力模型 ^[3] 。X. Yao等 ^[12] 提出了基于图卷积框架的需求预测模型，模型运用图卷积模型作为编码器提取地理信息数据并解析为隐层表示，并通过基于全连接神经网络的解码器将隐层表示解析为出行需求。综上，机器学习模型虽然常被用于交通流的短期预测，但随着预测技术的不断迭代，越来越多的机器学习模型也逐渐被应用于交通需求预测领域。相比于传统模型，机器学习方法对于复杂非线性关系的拟合能力以及对于复杂数据的处理能力更强，因此这类方法在模型通用能力和预测精度方面具有显著优势 ^{[8, 10]} 。在应用方面，国内外多个城市开展了交通规划数字化平台建设。上海市建立了综合交通服务大数据平台 ^[13] 和智慧交通云服务平台 ^[14] ，深圳市建设了城市交通仿真与公用信息平台 ^[15] ，湖北省建立了交通运输规划决策辅助信息平台 ^[16] ，这些平台整合多源数据采集与处理、交通仿真、决策应用等多种功能，提升了交通规划决策能力和交通系统管理能力。

然而，现有交通需求预测的理论研究和应用仍存在以下三方面缺陷。1)交通需求预测方法的通用性不足，现有方法未能挖掘不同城市之间共性和特性的出行规律。交通需求预测大都基于单个城市，建模过程依赖本地数据，不同城市的模型结构和参数存在明显差异 ^{[3, 7]} ，导致其方法难以应用于城市新区建设或新城建设(例如雄安新区)。2)模型研究仍然是在分阶段的基础上开展，未解决传统模型阶段划分主观性强、不符合居民出行决策机制的问题。3)推广应用困难。交通需求预测新模型新理论的研究仍局限于学术领域，应用受限于多源数据资源获取难、技术复杂、硬件门槛高等因素，缺乏轻量化、易用化的交通需求预测工具。

针对现有交通需求预测方法存在的缺陷，本文建立了城市交通需求场景库(Travel Pattern Library for Universal Scene, T-Plus)。城市交通需求场景库是不同规划场景下交通需求预测所需要的数据、模型和工具的集合，可以快速预测各类规划场景下的交通需求，包括缺乏本地数据的新城和新区建设场景。通过大数据驱动的深度学习技术，交通需求场景库可以从大量的城市出行场景中挖掘交通需求的时空演化规律，进而预测规划场景下交通需求分布。交通需求场景库对需求分布的预测并不依赖本地数据，而是基于库中大量的出行场景以及出行规律，因此，交通需求场景库具有很强的通用性，尤其适用于城市新区开发、新城建设等情况。除通用性以外，交通需求场景库还具有高精度、易于使用、模块化等特征，库中的数据、模型和工具可动态更新，以不断提升交通需求预测能力。

城市交通需求场景库的研究内容包括三个部分：1)建立城市基础数据库，汇集交通相关各类数据资源，并使其标准化、统一化；2)研发基于深度学习的交通需求分布预测模型，相较现有模型进一步提升精度与通用性；3)构建城市交通需求场景库平台，实现不同因素变化下的城市交通需求快速预测。

为了分析不同规划场景下的交通需求特征，本文采用了83个城市的土地利用、交通网络以及社会经济等多源数据(见表1)。83个城市覆盖了全国范围内除港澳台以外所有省级行政区，城市人口范围覆盖56万~3 100万人口规模。

为了比较不同城市的建成环境与出行特征，并统一多源数据的空间尺度，本文使用500 m×500 m栅格作为基本交通小区，所有数据均依据其空间位置集计到对应的交通小区中。各类数据的来源与内容如下。

1）手机信令数据。

手机信令数据来源于中国电信，包含83个城市133个工作日的出行分布以及居住、就业数据，数据样本约占各城市总人口的20%~35%，其中，南方城市高于北方城市。城市出行分布统计了每个城市内任意两个交通小区之间每个小时的出行量，基于出行分布数据可以计算出行距离分布和时间分布。人口和就业数据包含每个交通小区的常住人口和就业岗位数量。

2）兴趣点、兴趣面和建筑轮廓数据。

通过兴趣点、兴趣面(Area of Interest, AOI)和建筑轮廓数据提取交通小区内用地强度和用地类型特征。其中，POI数据分为25个大类155个小类，AOI数据分为22个大类135个小类，建筑轮廓数据包含建筑基底轮廓和高度。这部分数据用于计算各交通小区的用地特征。

3）夜间灯光强度。

夜间灯光强度可以在一定程度上反映区域内的人口活动强度。本文通过网络开源渠道获取了各研究城市的灯光强度指标，并通过空间分析方法计算每个交通小区的平均灯光强度。

4）道路网络。

道路网络数据来源于开源地图，每条路段被表示为一个线对象，包含道路基本属性及道路间的拓扑关系。道路网络数据用于计算每个交通小区内道路的总长度，以表征该栅格的路网连通性和可达性。研究还计算了每个城市内各个交通小区之间的最短路径距离和最短路径通行时间，用于表征交通小区之间的出行成本特征。

5）公共交通车站。

数据包含各城市的公共汽电车和轨道交通车站分布，用于计算每个交通小区内公共汽电车和轨道交通车站的数量以及交通小区中心点到车站的最短距离，以表征各个交通小区的公共交通连通性和可达性。

6）其他数据。

研究还收集了反映各城市社会经济特征的统计数据，包括各个城市的国内生产总值、产业结构、面积等信息，这些数据作为外部特征数据引入建模过程。

由于本文涉及的数据种类多、样本复杂，不同数据覆盖的时间跨度和采集频率相差较大，因此在建立城市基础数据库的过程中，对数据进行了全面的处理与清洗。针对手机信令数据中存在的基站编码错误、乒乓切换等问题，研究了一套基于异常点识别与出行重分布的方法。该方法通过出行量大小与出行距离分布识别异常点，并基于拟合的出行距离分布曲线对异常点数据进行修正，使数据能够更准确地反映实际出行特征。针对AOI和POI种类过多、数据稀疏、与规划用地类型不符的问题，设计了一套无监督学习的方法，对AOI和POI数据进行权重提取、降维、聚类和细分后，计算得到栅格内用地类型。

建模过程中研究了传统的重力模型和深重力模型，并提出了基于全连接神经网络(Fully Connected Neural Network, FCNN)的通用交通需求分布预测模型(以下简称“FCNN模型”)。在传统方法中，交通需求分布预测分为两个阶段。第一个阶段基于每个交通小区的地理信息特征计算各小区的发生量和吸引量，第二阶段根据全部小区的发生量和吸引量，考虑小区之间的交通阻抗计算交通需求分布概率，并最终输出交通需求分布矩阵。重力模型和深重力模型仍属于分阶段模型，即根据发生量和吸引量计算交通需求分布矩阵，而新提出的基于FCNN的通用交通需求分布预测模型则是一种组合模型，通过起点与终点两个交通小区的信息以及出行成本直接预测两个交通小区之间在一定时间段内的出行量，进而获得城市整体交通需求分布。

重力模型是基于牛顿的万有引力定律预测交通小区之间的出行量。模型认为交通小区和[j]之间的出行量[Tij]与交通小区的产生量[ni]、交通小区[j]的吸引量[mj]的乘积成正比，与两个小区之间的出行成本[cij]成反比。无约束重力模型计算公式为

式中： α ， β ， k 为待估计的参数，其中 α ， β 分别对 n _i 与 m _j 进行约束， k 用于对结果进行扩样； f ( c _ij )为阻抗函数。首先设置初始化参数，通过初始参数以及栅格的出发量和吸引量估计栅格之间的出行量，而后比较估计出行量与实际出行量，并将误差通过深度学习方法反馈至参数，完成参数优化。经过多轮迭代之后，获取最优参数。

传统重力模型虽然应用广泛，但也存在依赖本地数据标定模型缺乏通用性的缺陷。因此，Simini等[11]提出了基于深度神经网络的深重力模型，以学习城市空间形态特征与出行行为之间的关系。

深重力模型是流生成模型的扩展，针对任意一个交通小区，模型首先预测以该交通小区为起点的出行到所有其他交通小区的概率，再结合该小区的出行量计算交通分布。深重力模型的输入包括起点小区和其他所有小区的建成环境特征，以及起点到终点的出行成本特征。输入量首先被送入一个包含15个隐层的前馈神经网络，前6个隐层的维度为256，其他隐层的维度为128，用LeakyReLu作为激活函数，输出该小区的概率向量。

FCNN模型通过出行起点和终点的建成环境以及起终点之间的出行成本预测两个交通小区之间的出行量。模型总体由12个全连接层组成，每层包含十万级别的参数，可对输出进行非线性表示。FCNN模型在结构和参数上的复杂性远超传统模型，模型可以对输入数据进行大量复杂的特征提取操作，从而挖掘并表征海量数据中包含的共性与特性的出行规律，以及出行特征与城市建成环境、社会经济等因素之间的复杂非线性关系，更好地拟合高维的出行分布情况。如图1所示。

图1 基于FCNN的通用交通需求分布预测模型架构

模型首先提取起点与终点的建成环境特征。由于研究划分的栅格面积较小，为了能更好地反映建成环境对于出行的影响，将起终点周围8个小区的建成环境特征也包含在了提取范围内，形成两个大栅格的特征 x ^g _i 和 x ^g _j 。然后，模型将起终点的特征与OD之间的特征 x ^e _ij 、时段 x ^t 和城市 c 的通用特征 x ^m _c 合并，形成模型的输入数组 。数组 被输入一个12层的全连接神经网络中，网络的每一层都包含多个节点。除了最后的输出层外，每一层神经网络都由一个全连接隐层、一个批标准化层和一个LeakyReLU层组成。其中，隐层包含多个节点，通过完全连接的方式进行线性变换，对数组中的特征进行提取，并投射到一个与节点数目相同的新维度上。批标准化层可以对同一批数据的统一特征进行标准化，保证同一批数据分布的稳定性，从而加快模型的收敛速度，并避免出现过拟合的情况。LeakyReLU作为激活函数，可以将原本的线性函数转换为非线性函数，使得模型能够对数据进行更为复杂的拟合。模型的输出层公式为 。在输出层上，模型将直接对数组进行加权求和，得到终点之间的出行量。

FCNN模型的训练过程采用了前向传播和后向传播两种算法。在初次前向传播中，基于初始化参数进行计算，得到初始结果。接下来，通过比对模型结果与真实结果，得到两者之间的误差，并通过后向传播算法，运用梯度下降求解法，将误差代入到模型各层的参数中去，从而起到优化参数的效果。通过不断的前向传播与后向传播，模型即可进行迭代训练，不断通过数据优化模型参数，从而拟合当前训练集的数据分布。

在重力模型、深重力模型以及FCNN模型的训练过程中采用交叉验证的方法，将数据集划分为训练集和测试集。模型使用训练集数据来训练参数，并在完全独立的测试集数据中测试模型的预测能力，从而避免过拟合的问题，验证模型的真实能力。模型的训练和评估采用了城市基础数据库中36个城市数据，其中，训练集包含26个城市，预测集包含10个城市。为了有效对比不同模型优劣，三种模型的训练都采用了相同的训练集和测试集。

在数据集划分中，首先将城市划分为多个类型(一线、准一线、二线、三线)，在每一个类型的城市中随机选取一个城市的所有数据作为测试集，其余城市的所有数据作为训练集。这种方法划分的训练集和测试集数据关联性低，且训练出的模型可以在缺乏本地出行数据校核参数的情况下(例如城市新区建设或新城建设)预测交通需求分布。此外，由于重力模型和深重力模型是分阶段的模型，需要基于出行发生量和吸引量计算交通需求分布，因此在测试模型时，将基于手机信令数据得到的发生量和吸引量(即真实值)作为重力模型和深重力模型的输入数据进行预测，而FCNN模型是组合模型，直接基于城市基础数据进行预测。通过对比三种模型的预测结果与手机信令数据的差异，评估模型预测精度。

在训练过程中，采用平均绝对误差(Mean Absolute Error, MAE)作为评价指标，模型会基于MAE的数值进行学习并调节参数。在测试过程中，采用均方根误差(Root Mean Squared Error, RMSE)、索伦森相似性指数(Sorensen Similarity Index, SSI)和皮尔森相关系数(Pearson Correlation Coefficient, PCC)作为评价指标。其中，MAE是预测值 T' _ij 和真实值 T _ij 之间绝对误差的期望值，预测值与真实值之间的误差越大，MAE也越大。MAE对于数据异常有一定的鲁棒性，可以让模型的训练更有效率。RMSE是预测值与真实值之差平方的期望值，相对于MAE，RMSE受异常值的影响更大，可以更好地评估大量预测结果的精确性，在深度学习建模过程中常被用于模型比较与评估 ^[8] 。SSI在空间交互建模中被广泛用于评估模型的优劣，其值的范围为[0, 1]，能够直观地反映模型预测精度，模型精度越高，SSI越高。PCC可以度量预测值与真实值两组变量之间的相关程度，其值的范围是[-1, 1]，模型精度越高，PCC的值越接近于1。

各指标计算公式如下：

本文利用三种模型预测了36个城市的交通需求分布，并根据每个城市的预测结果计算评价指标，结果如图2所示。基于模型预测结果绘制了三个城市的交通需求分布期望线图，如图3~图5所示，包含训练集中的南京和成都，以及预测集中的上海市。

图2 三种交通需求分布模型精度对比

图3 南京市模型预测结果对比

图4 成都市模型预测结果对比

图5 上海市模型预测结果对比

FCNN模型的精度显著高于重力模型和深重力模型。三种模型的评估指标对比如表2所示。从RMSE来看，FCNN模型对36个城市预测结果的平均RMSE为2.10，而重力模型和深重力模型的平均RMSE分别为3.94和3.88；FCNN模型预测值的RMSE仅在3个城市高于重力模型和深重力模型，在其余33个城市中，FCNN模型均获得了更低的RMSE值。从SSI来看，FCNN模型在所有城市均获得了更高的预测精度，其平均SSI值为0.67，显著高于重力模型的0.47和深重力模型的0.41。PCC的结果与SSI相似，FCNN模型预测值的PCC系数达0.78，而重力模型和深重力模型预测值的PCC系数仅为0.43和0.39。

相比于重力模型，FCNN模型的优势主要来源于两方面：1)FCNN模型考虑了更多的影响因素，包括出行起终点周边的建成环境特征、更加丰富的起终点出行成本特征以及各城市的社会经济特征等，这些特征包含影响出行需求众多方面的因素，反映了区域内的地理和出行特点，使FCNN模型可以更好地发挥数据价值；2)FCNN模型结构更复杂，可以更好地模拟出行行为与其他因素之间的复杂关系，并将其他城市、其他区域学习到的出行规律应用于新的城市和地区。

深重力模型在本次研究中的精度与重力模型接近，显著低于FCNN模型，其精度主要受两方面制约。一是模型结构的制约。深重力模型首先针对每个起点小区预测该小区到所有其他小区的出行概率，再计算起终点间的出行量。因此，深重力模型对每一对起终点之间出行概率的预测都会影响同一起点小区到其他小区的出行概率。这种同一起点小区到不同终点小区出行量之间的相互关联保障了深重力模型的预测结果符合出发量约束，但也使其预测精度对于数据的波动更为敏感，一旦某对起终点之间存在异常数据，就会对其他所有起终点之间的出行量预测产生影响。二是数据空间粒度的制约。手机信令数据受其机制影响，定位精度存在100~200 m的误差，因此基于手机信令数据获取的栅格间出行量存在一定的无法避免的异常值，这些异常值随着空间粒度的细分会进一步增加。近年来，交通规划研究对于空间粒度的划分逐渐细化，这种细化使出行分布数据的异常值进一步增加，进而影响了深重力模型的精度。FCNN模型直接预测每一对起终点之间的出行量，对同一起点到不同终点出行量的预测是相互独立的，因此受数据异常值的影响更小，模型的鲁棒性更强。

此外，从SSI和PCC的结果来看，FCNN模型对于各城市出行分布的预测精度集中于0.8附近和0.6附近两个区间，精度在0.8附近的城市主要是训练集城市，而预测集的精度集中在0.6附近。这表明不同城市的出行规律存在一定的差异，FCNN模型可以通过本地化的数据学习到本地化的出行特征，而对于未训练过的城市，FCNN模型仅能基于其他城市学习到的通用出行特征进行预测，因此其预测精度有所下降，但相比于重力模型和深重力模型，FCNN模型对于未训练过城市的预测精度仍然具有显著优势。重力模型和深重力模型对于训练集和预测集城市的预测精度并没有体现出显著差异，说明这两种模型未能从本地化数据中学习到本地化出行特征。

FCNN模型可以从不同城市的多源数据中挖掘城市共性的出行规律，并能基于本地化数据进一步挖掘各个城市个性化的出行规律，这使得FCNN模型相较传统模型具有更强的通用性。以石家庄和杭州为例，两市人口和面积均较接近，但受城市空间结构等其他因素影响，两市的出行分布并不相同，石家庄市的出行更为分散，呈多中心特征，而杭州市的出行更为集中(见图6)。这两个城市都在预测集中，即模型训练过程中并未通过两市的本地数据挖掘其出行特征，然而基于从其他城市出行数据中挖掘到的出行规律，FCNN模型仍然能对两市做出较为准确的预测(见图7)。这说明FCNN模型具备更强的通用性，对本地数据的需求更低。在城市快速发展时期，尤其是新城新区建设场景下，由于用地特征、空间结构、基础设施等特征的迅速发展，城市出行特征不断演化，现状数据参考性低。在这种情况下，依赖本地现状数据标定模型的传统方法难以准确预测未来出行需求，而FCNN模型是基于大量城市出行场景库训练的通用模型，可以通过从其他场景中学习的规律较为准确地预测城市快速发展后的出行需求。

图6 石家庄市和杭州市现状出行分布

图7 石家庄市和杭州市FCNN模型预测的出行分布

基于FCNN模型在未训练场景上的优秀表现，可将其应用于新场景的预测工作中。在这些场景中，现状数据所反映的交通特征与未来规划年差异较大，基于现状数据标定的重力模型或深重力模型难以模拟交通特征的剧烈变化，而FCNN模型可以通过在其他城市场景中学习到的交通特征更好地预测规划年的交通需求。

综上，FCNN模型在精度上显著优于重力模型和深重力模型。FCNN模型还具备更强的通用性，可以基于已训练的城市提取出行规律，用于预测未训练的城市和交通需求场景。并且FCNN模型预测交通分布的过程更为独立，模型鲁棒性更强，可以更好地应对异常数据等问题。

为了充分发挥城市基础库内容丰富、覆盖面广，以及FCNN模型通用性、准确性高的优势，本研究面向交通规划师、决策者和研究人员开发了城市交通需求场景库平台，旨在提供一个适应中国城市出行特征的可快速准确预测各类规划场景下交通需求分布的工具。以宏观交通仿真软件为代表的传统交通需求预测工具仅集成了基于国外城市出行场景标定的交通生成及分布模型，它们在国内城市的应用受限于本地数据和本地化参数的标定。此外，传统需求预测工具普遍存在硬件需求高、操作复杂的问题，进一步限制了交通需求预测手段在规划和管理中的应用。

城市交通需求场景库平台整合了全国范围内不同城市的数据和通用出行需求预测模型，使得出行需求预测不依赖于本地数据和参数，简化了出行需求预测的过程。平台用户可通过图形化界面编辑人口、就业岗位、土地利用等特征，生成自定义的交通规划场景，然后利用平台内置的通用交通需求分布模型快速预测新场景的交通需求，比较不同规划场景下交通需求的变化。

平台采用前后端分离的云架构设计，对算力要求较高的深度学习预测等任务由服务器端完成，用户端仅执行场景编辑以及预测结果的交互式展示功能，实现了用户端的轻量化与易用化。平台开发的目的也是为了促进需求场景库方法的应用，在应用中积累更多的出行场景，实现数据和模型的迭代优化。平台一期覆盖30个城市，目前已完成设计与原型开发，将于2023年上半年公开上线。

城市交通需求场景库平台的整体架构包含5层，如图8所示。1)资源层，资源层为场景库平台提供所需的基础资源支持，包括数据库资源、GPU计算资源、磁盘存储资源；2)基础服务层，该层级提供平台内部所需的缓存、任务处理和通信服务机制，对用户(进程)进行身份验证后，提供包括Redis缓存、消息队列、Socket等服务；3)应用层，包括数据缓存、服务中继和核心算法模块，是场景库平台的核心组成部分，承担数据缓存和处理、模型运算处理等重要功能，同时输出日志记录；4)接口层，处理HTTP请求以及验证用户身份；5)前端，主要用于渲染预测结果并完成多端显示。

图8 城市交通需求场景库平台架构

城市交通需求场景库平台采用前后端分离的设计。平台后端架构采用不依赖容器可独立运行的模式，通过极简化配置的方式整合多种其他框架并能很好的继承，兼容性极强，可快速构建和拓展。平台前端采用基于蚂蚁金服团队L7渲染引擎的大规模地理空间数据可视分析开发框架，具备配置化、组件化、可自由配置等特征。前后端分离的设计将依赖硬件设备的数据库管理、数据操作和深度学习模型预测等工作置于服务器端，通过服务器自身的强大算力快速计算出结果后传递到前端，前端仅需要对数据进行可视化渲染，无须安装平台，登录即可使用。

城市交通需求场景库的功能包括城市基础数据和交通需求分布数据的管理与可视化、自定义交通规划场景的生成与编辑以及交通需求分布预测。用户使用平台的流程如图9所示。登录平台后，用户首先被引导至城市基础数据界面，通过该界面可以查看各个城市的AOI、POI、建筑轮廓、人口和就业岗位分布、灯光强度、公共交通车站分布等数据，如图10所示。然后，用户可进入城市交通需求分布预测界面，在该界面可以查看各个城市工作日每一个小时的出行量分布。在模型界面，平台支持用户编辑交通小区的人口、就业岗位、用地等建成环境特征，生成新的交通规划场景，并调用服务器端的计算资源快速计算新规划场景下的交通需求。如图11所示的案例中，将北京国贸CBD区域的就业岗位数量在现状的基础上增加了50%，生成了新的规划预测场景，并利用平台内部署的模型预测了新场景的交通需求，经对比发现，就业岗位数量增加后，国贸CBD区域内部以及国贸CBD与通州区域的出行量显著增加。

图9 城市交通需求场景库平台用户使用流程

图10 交通需求场景库平台城市基础数据部分界面

图11 城市交通需求场景库平台出行需求分布预测

在服务器端，平台提供的服务流程如图12所示。当用户通过前端交互输入所查询/修改的数据后，由前端整理、传输到后端封装端口并进行处理。传递的数据包含自定义场景的描述数据以及交通需求预测操作的指令，指令和数据进入模型进行交通需求分布预测。前端从数据库读取数据后进行可视化渲染。为应对大量OD对的计算需求，服务器端针对运算速度和请求处理效率进行了改进，封装了统一请求端口，简化了模型处理流程，封装后的请求处理速度得到极大加速，基本达到每秒2万次预测的运算速度，对整个中关村地区近5万对出行起终点进行交通需求预测，总用时不超过2.8 s。

图12 城市交通需求场景库平台服务流程

针对近年来中国城市快速发展和交通特征不断变化给交通需求预测带来的挑战，本文构建了城市交通需求场景库，通过深度学习方法挖掘大量城市出行场景中的出行规律，建立了基于FCNN的通用交通需求分布预测模型。研究收集了全国83个城市的基础数据和出行数据用于训练并评估模型，通过对比分析36个城市的预测结果，发现FCNN模型在通用性、准确性等方面显著优于重力模型和深重力模型，尤其适用于新区或新城建设等现状数据缺乏或现状数据可参考性不足的情况。基于研究数据和模型成果，构建了基于云架构的城市交通需求场景库平台，平台后端服务器部署了各类城市的出行数据以及FCNN模型，用户可通过前端图形化界面编辑出行场景并调用模型预测新场景的交通需求。城市交通需求场景库平台克服了传统交通需求预测工作对数据、算法和软硬件要求高、操作复杂等难题，无须交通调查，只需输入城市基础用地和交通网络等数据，通用模型可快速准确预测不同规划场景下的交通需求。希望更多城市试用平台并提出改善建议，实现城市交通需求场景库的共建与共享。