CN108009972B - 一种基于多源数据校核的多方式出行o-d需求估计方法 - Google Patents
一种基于多源数据校核的多方式出行o-d需求估计方法 Download PDFInfo
- Publication number
- CN108009972B CN108009972B CN201711001757.2A CN201711001757A CN108009972B CN 108009972 B CN108009972 B CN 108009972B CN 201711001757 A CN201711001757 A CN 201711001757A CN 108009972 B CN108009972 B CN 108009972B
- Authority
- CN
- China
- Prior art keywords
- demand
- travel
- mode
- traffic
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008713 feedback mechanism Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种基于多源数据校核的多方式出行O‑D需求估计方法,包括:S1.选取交通网中的基本元素,根据基本元素之间的出行需求建立城市多方式交通网络模型;S2.对用于校核O‑D需求估计量的多源历史交通数据进行预处理,通过统计计算得出所需要的基础数据;利用步骤S1的模型和步骤S2的计算结果,对多方式O‑D需求进行估计,得到新的O‑D需求总量。本方法基于多个数据源进行统计,打破以往单一方式O‑D需求估计的局限性,综合考虑了路网中各种出行方式的交通特性,反映O‑D需求与路段流量之间的互反馈机制,有效解决了O‑D估计值与实际观测值的一致性问题,得到的城市多方式O‑D需求分配结果满足用户平衡准则。
Description
技术领域
本发明涉及交通出行领域,特别是一种基于多源数据校核的多方式出行O-D需求估计 方法。
背景技术
O-D(Origin-Destination)需求描述了交通系统中出行单位在不同交通小区之间的出行 需求量,可反映特定时间内的人、车等交通参与者在路网中的分布状态。O-D需求是进行 交通规划和管理的重要基础数据,如何科学、准确的预测或估计交通系统O-D需求一直是 交通领域的热点问题之一。
我国城市居民的出行是典型的多方式出行模式,多方式O-D需求描述了城市内不同出 行方式的O-D需求分布情况,是制定综合交通规划和管理的重要数据支撑。在多方式交通 网络中,出行者除了选择交通工具外,还要选择出行路径,只有全面考虑影响出行者交通 选择的重要因素,才能对城市多方式O-D出行需求进行准确的估计。因此,提出面向城市 多方式O-D需求的估计方法,对于我国城市交通规划和管理具有重要的现实意义。
在传统交通规划的四阶段法中,O-D估计是基于居民出行调查展开的,需要耗费大量 的人力和物力,成本高昂,且周期很长,数据更新困难,这些缺陷严重影响着O-D需求估计的有效性。随着交通信息技术的飞速发展,多源信息流对城市交通管理的影响日益显著,大量实时交通数据可快速准确获取,实时准确的多源交通数据对O-D需求估计等交通管理问题带来了有效支撑。而现有的城市路网O-D需求估计方法基本上都是针对单一模式路网展开的,很少针对小区间的不同方式需求进行计算,这些方法很难考虑路网中不同出行方式的交通特性,也不能分析出行者的交通工具选择及路径选择等综合出行行为。同时,现有方法所采用的校核数据来源单一,通常仅使用路段检测流量对O-D估计值进行校核,无法满足交通管理对O-D需求估计的精度要求。
有鉴于此,提出一种基于多源数据校核的多方式出行O-D需求估计方法。
发明内容
本发明的目的在于提供一种基于多源数据校核的多方式出行O-D需求估计方法。
为达到上述目的,本发明采用下述技术方案:
该方法包括:
S1.选取交通网中的基本元素,根据基本元素之间的出行需求建立城市多方式交通网络 模型表示为G(M,N,A),其中M为路网中出行方式的集合,N是节点集合,A为路网中路段集合;
S2.对用于校核O-D需求估计量的多源历史交通数据进行预处理,通过统计计算得出所 需要的基础数据;
利用步骤S1的模型和步骤S2的计算结果,对多方式O-D需求进行估计,得到新的O-D 需求总量。
进一步地,所述基本元素包括:节点,所述节点包括:
节点r到s之间的出行需求称之为O-D需求。
进一步地,所述基本元素还包括:路段,路段表示相邻节点之间的道路连接,用a来表 示,a∈A;
交通网络中的路段为有向的,用一个数偶来表示,即a=(i,j)∈A,其中i和j分别表示 路段a的起点和终点,i,j∈N;
路段具有多种属性,包括出行需求量、道路流量、通行能力、行驶阻抗。
进一步地,所述基本元素还包括:路径,任意O-D对之间的相连路段的有序排列称为 O-D之间的路径;
每种出行方式都有与之相对应的网络结构,称之为子网,用Gm表示城市交通网络中的 第m(m∈M)种出行方式子网;
进一步地,根据网络中路段与路径之间的关联关系,计算路径上的出行需求/阻抗与路 段上的出行需求/阻抗之间存在如下关系:
进一步地,在第m种交通方式子网Gm中,任意O-D对之间的所有路径上出行需求之和 等于该O-D对之间该方式的出行需求总量,即:
在城市多方式交通网络中,O-D对r-s之间不同出行方式的出行需求之和等于r-s之间 总的出行需求,即:
其中,qrs表示O-D对r-s之间的出行需求总量。
进一步地,多源历史交通数据包括:O-D需求调查数据、路段交通流检测数据以及公 交出行刷卡数据。
进一步地,
O-D需求调查数据预处理包括:
首先,对原始数据进行筛查,删除错误数据;
其次,把抽样数据按照抽样率进行扩样处理,得到整个小区的居民出行O-D信息;
优选的,所述路段交通流检测数据是基于道路检测数据得到路段交通流量,道路流量 通过自动交通数据采集检测器得到某时刻通过道路某一断面的车辆数;
路段交通流检测数据预处理包括:
假设检测器的采集周期为t分钟,则每天分为T=24×(60/t)个周期,假定用表示装有 检测器的路段集合,表示第d天第n个时段所得到的路段上的流量,D表示 数据采集的天数,则通过下面式子就可以得到路段上的日均道路流量:
所述公交出行刷卡数据预处理包括:
进一步地,S3所述分阶段对多方式O-D需求进行估计包括第一阶段:
将初始O-D需求加载到多方式交通网络中,得到不同方式的路段流量以及不同方式的 O-D需求量,并采用差商法和泰勒展开式得到路段流量及不同方式O-D量与O-D总量之间 的近似线性关系。
进一步地,S3所述分阶段对多方式O-D需求进行估计包括第二阶段:
以O-D需求总量的估计值、路段流量的估计值、公交O-D出行量的估计值与相应的先 验数据之间的误差平方和最小为目标,构造一个广义最小二乘法模型;
将第一阶段得到的近似关系代入到这个广义最小二乘法模型中,求解该模型,得到一 个新的O-D需求总量;
最后,判断所得出的O-D总量是否满足收敛条件,如果满足,算法停止,否则,将新的O-D总量作为输入量,重新执行以上过程。
本发明综合考虑了影响出行者方式选择及路径选择的主要因素,还考虑了不同出行方 式的交通特征,通过MSA算法模拟城市多方式O-D出行需求在路网上的分布状态。采用居 民出行调查数据、路段流量采集数据、公交IC卡刷卡数据等多源数据信息对多方式O-D需 求的估计结果进行多重校核。本发明的优点在于:
(1)本方法基于出行调查数据、道路检测数据、公交IC卡数据等多个数据源,统计得出O-D需求调查值、路段流量观测值以及公交站点间出行量等校验O-D需求估计的先验信息,可有效提高O-D需求估计的精度和实用性;
(2)本方法打破以往单一方式O-D需求估计的局限性,综合考虑了路网中各种出行方式的交通特性,分析了出行者的方式选择行为和路径选择行为,以及不同方式路段流量间的相互影响,发明了符合城市路网实际情况的多方式O-D出行需求的估计方法;
(3)本方法能够反映O-D需求与路段流量之间的互反馈机制,并采用相对误差平方和作为检验O-D需求估计的误差形式,有效解决了O-D估计值与实际观测值的一致性问题;
(4)本方法所得到的城市多方式O-D需求分配结果满足用户平衡准则;
(5)本方法基于简单实用的MSA算法对多方式O-D需求进行网络加载,并基于差商法 得到O-D需求与路段需求之间的近似关系,可有效保证算法的计算效率。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明:
图1为多方式O-D需求估计的两阶段计算方法示意图;
图2为求解多方式交通网络均衡配流问题的计算流程示意图;
图3为多方式城市交通网络示意图;
图4a为O-D对1-9小汽车和公交车的出行需求的变化情况示意图;
图4b为O-D对2-9小汽车和公交车的出行需求的变化情况示意图;
图5为目标函数值随迭代次数的变化情况示意图;
图6为不同方案下的O-D需求估计值(单位:人/天)示意图;
图7为不同方案下O-D需求估计值的相对均方根平均误差和平均相对误差示意图;
图8为参数的取值对O-D对1-9需求量的影响示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附 图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述 的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明通过以下技术方案来实现:
首先,将城市多方式交通网络表示为G(M,N,A),其中M为路网中出行方式的集合,N是节点集合,A为路网中路段集合。每种出行方式都有与之相对应的网络结构,称之为子网,用Gm表示城市交通网络中的第m(m∈M)种出行方式子网。城市多方式交通网络中 包括以下基本元素:
(1)节点
在城市多方式交通网络中,可以将节点分为三类,一类是产生出行需求的小区节点集 合,用R来表示,其元素用r表示,即另一类是吸引出行需求的小区节点集合, 用S来表示,其元素用s表示,即还有一类表示道路交叉口节点集合,用I来表示,其元素用i表示,即从节点r到s之间的出行需求称之为O-D需求,所有的 O-D需求构成O-D矩阵,用来描述出行单位在不同交通小区之间的数量分布情况。
(2)路段
在城市多方式交通网络中,路段表示相邻节点之间的道路连接,用a来表示,a∈A。通常,交通网络中的路段为有向的,也可以用一个数偶来表示,即a=(i,j)∈A,其中i和j分别表示路段a的起点和终点,i,j∈N。路段具有多种属性,包括出行需求量、道路流量、 通行能力、行驶阻抗等。
(3)路径
根据网络中路段与路径之间的关联关系,路径上的出行需求(阻抗)与路段上的出行 需求(阻抗)之间存在如下关系:
其中,表示路段a上第m种交通方式的出行需求量;表示O-D对r-s之间第m种交 通方式子网Gm中第k条路径上的出行需求量;表示第m种交通方式子网Gm中路段与路径之间的关联关系,如果路段a在O-D对r-s间第k条路径上,则否则 表示第m种交通方式子网Gm中O-D对r-s之间第k条路径上的出行阻抗;表示路段 a上第m种交通方式的出行阻抗。
同时,在第m种交通方式子网Gm中,任意O-D对之间的所有路径上出行需求之和等于 该O-D对之间该方式的出行需求总量,即:
此外,在城市多方式交通网络中,O-D对r-s之间不同出行方式的出行需求之和等于r-s 之间总的出行需求,即:
其中,qrs表示O-D对r-s之间的出行需求总量。
其次,对用于校核O-D需求估计量的多源历史交通数据进行预处理,通过统计计算得 出所需要的基础数据。这些数据包括O-D需求调查数据、路段交通流检测数据以及公交出 行刷卡数据。具体处理方法如下:
(1)基于居民出行调查数据得出部分O-D对的出行量
我国城市居民出行调查通常5年进行一次,多采用家庭访问法,根据调查数据可得到 被访问居民的一般出行信息,包括出发时间(地点)、到达时间(地点)、出行方式、出行频率等。首先,对原始数据进行筛查,删除错误数据;其次,把抽样数据按照抽样率进行 扩样处理,得到整个小区的居民出行O-D信息。根据扩样后的数据,即可得到先验O-D需 求信息。假定用表示调查数据中O-D对的抽样集合, 表示抽样O-D对r-s 之间调查得到的出行总量。
(2)基于道路检测数据得到路段交通流量
道路流量可以通过自动交通数据采集设备得到。目前,主要检测器数据采集方法有: 磁频检测方法、波频检测方法、视频检测方法、电子标签数据采集方法、汽车牌照自动辨 别采集技术和浮动车动态交通采集技术等。这些检测方法得到的数据均能反映某时刻通过 道路某一断面的车辆数。通过对采集到的数据进行统计,可得到某时间段内通过每条道路 的交通流量。假设检测器的采集周期为t分钟,则每天可分为T=24×(60/t)个周期。假定用表示装有检测器的路段集合,表示第d天第n个时段所得到的路段上的流 量,D表示数据采集的天数,则通过下面式子就可以得到路段上的日均道路流 量:
(3)基于公交IC卡数据得到公交站点间O-D出行量
居民乘坐公交时,在上车站点和下车站点都需要刷卡,因此,IC的刷卡数据记录了居 民上下车的站点和时间信息,对一天的公交刷卡数据进行汇总处理,就可以得到当天的不 同站点间的公交出行量。假设用表示公交子网中O-D对集合,D表示公交刷卡数据采集的天数, 表示在公交子网中O-D对r-s之间第d天所得到的公交O-D出行 量,则公交出行的平均O-D出行量可以表示为:
再次,基于以上网络信息和先验数据,本发明设计了一个两阶段计算方法对多方式O-D 需求进行估计。
首先,根据历史数据对O-D需求设定初始值。然后,进入第一阶段计算,求解一个基于用户平衡的多方式交通网络流量分配问题,基本过程为:将初始O-D需求加载到多方式交通网络中,得到不同方式的路段流量以及不同方式的O-D需求量,并采用差商法和泰勒展开式得到路段流量及不同方式O-D量与O-D总量之间的近似线性关系。
再进入第二阶段计算,基本过程为:以O-D需求总量的估计值、路段流量的估计值、公交O-D出行量的估计值与相应的先验数据之间的误差平方和最小为目标,构造一个广义最小二乘法模型,将第一阶段得到的近似关系代入到这个广义最小二乘法模型中,求解该模型,就可得到一个新的O-D需求总量。最后,判断所得出的O-D总量是否满足收敛条件, 如果满足,算法停止,否则,将新的O-D总量作为输入量,重新执行以上过程。两阶段计 算方法的基本过程如图1所示。
该方法的具体计算步骤如下:
其中,xa和qrs分别表示和的向量形式,即θ 为校正参数;γm表示第m种出行方式的吸引度,是指除了时间以外的影响出行者方式选择 的因素,例如价格、舒适性、安全性等,为事先给定的常数;表示路段阻抗函数,它描述了路段需求量与路段出行时间之间的函数关系。
其中,h1、h2、h3为事先给定的参数,表示不同数据源校验的权重系数;Bm表示交通方式 m的车辆平均载客人数。
步骤5:收敛性判断。如果满足以下条件:
在以上的计算过程中,步骤2需要求解一个多方式均衡配流问题,可采用如下的MSA 算法进行计算,具体步骤如下:
步骤3:根据a∈A,m∈M,在第m种出行方式子网Gm中,采用Dijkstra算法寻 找O-D对r-s之间最短时间路径,并得出交通子网Gm中O-D对r-s之间的最短出行时间根据下面的Logit模型计算不同出行方式的O-D出行量r∈R,s∈S,m∈M。
步骤5:迭代更新。按照下面的式子确定新的各方式O-D需求和各路段需求。
步骤6:进行收敛性检验。若满足如下的收敛条件:
上述算法的计算流程如图2所示。
在一个实施例中:
本方法首先构造了城市多方式交通网络的拓扑关系,基于几种常见的交通数据采集方 法,对相应的历史交通数据进行预处理,分别得到小区间O-D需求调查数据、路段交通流 量检测数据以及公交站点间O-D需求出行量等先验信息。然后,综合考虑了城市交通路网 中各种出行方式的交通特性,分析了出行者的方式选择行为和路径选择行为,还考虑了不 同交通方式的道路流量之间的相互影响,提出了一种符合我国城市路网运行特征的两阶段 多方式O-D出行需求估计方法。该方法的基本思路是:在第一阶段,采用简单易行MSA算法将O-D需求的估计值按照用户平衡原则加载到多方式交通网络上,得出均衡条件下的路段流量以及各方式的O-D需求量;在第二阶段,以小区间O-D需求调查值、路段流量实 测值以及公交站点间O-D需求量统计值作为校验标准,采用相对误差平方和作为O-D需求 估计的优化目标,不断调整各方式O-D需求估计值,直到满足检验标准为止。
在这里,用一个简单的多方式交通路网对我们所发明的基于多源数据校核的多方式出 行O-D需求估计方法进行说明。多方式交通路网如下图所示,由9个节点和12条路段组成。 图中黑色节点3、4、5、6、7、8表示道路交叉口节点,节点1和2表示交通发生小区,节 点9表示交通吸引小区,共有两个O-D对,分别为1-9和2-9,该系统中共有公交车和小汽 车两种出行方式。
在基于多源交通数据校核的城市多方式O-D出行需求计算中,需要输入的基础数据包 括以下几类:
(2)路网中各条路段的通行能力、不同方式在各路段上的零流阻抗、各路段的观测流 量等数据,针对本例子,路网各条路段的基础数据由表1给出。
表1各路段的基础数据
(3)相关参数值
在进行O-D需求计算过程中,需要预先相关参数的取值,通常,这些参数值需要根据 经验或者根据调查数据进行回归计算得出。在这个例子中,这些参数的取值如下:
●小汽车和公交车的平均载客数分别取Bcar=4,Bbus=40;
●小汽车和公交车的吸引度参数分别取值γcar=5,γbus=8;
●参数θ=2,αcar=αbus=0.15,βcar=βbus=4,ε1=ε2=10-4;
●权重系数h1=h2=h3=1/3。
根据上面给出的多方式交通网络,以及需要输入的基本数据,采用基于多源交 通数据校核的多方式O-D需求估计的两阶段计算方法,就可以计算出来满足精度要 求的,从交通小区1到小区9以及从交通小区2到小区9的,选择小汽车和公交车 的O-D需求估计值。下面对该方法所得到的计算结果进行分析和验证。
首先,分析模型和算法的收敛性质。在这里,分别对第一阶段中求解多方式交 通网络均衡配流问题的MSA算法和第二阶段中求解最小广义二乘法模型的算法进 行收敛性分析,分别以式子(14)的目标函数值以及式子(18)的不同出行方式需 求计算量随着迭代次数的变化情况来描述算法的收敛性。
从图5中可以看出,随着迭代次数的变化,小汽车和公交车的需求量估计值均 能较快的趋于稳定值,对于不同的初始O-D需求,最小广义二乘法模型的目标函数 值也能很快的趋于稳定,这说明本发明所提出的算法具有很好的收敛性。
下面,再来分析不同O-D需求初始值对需求量估计值的影响。表2给出了在不 同O-D需求初始值的条件下,根据前面所提出的多方式O-D需求估计方法计算得到 的小汽车、公交车的O-D需求量以及所对应的O-D需求总量的估计结果。
表2不同O-D初始值对估计结果的影响(单位:人/天)
从表中的计算结果可以得出如下结论:对于不同的O-D需求初始值,算法都能较准确 的估计出小汽车和公交车的O-D出行需求,说明所提出的算法有较高的计算精度;公交车 需求量高于小汽车需求量,这是因为与小汽车相比,公交车作为大容量交通工具,尽管出 行时间与小汽车出行相比没有优势,但货币费用较低,易被不部分出行者选择,因此公交 出行需求相对较大;初始O-D需求的取值对估计结果的影响不明显。
在本发明中,使用O-D需求调查数据、道路流量采集数据和公交O-D出行数据作为先 验信息,对模型计算出来的多方式O-D需求量进行多重检验。下面分析不同数据检验条件 对O-D估计结果的影响。表3给出了不同先验数据的设计方案,分别对这四种方案下的O-D 需求进行计算,图6给出了不同方案下估计得到的O-D需求量。
表3不同先验数据的方案
可以看出:在O-D对1-9中,由方案一和方案三估计的O-D需求量与先验量偏差较大, 方案四中得到结果与先验量相差最小为517(人/天);在O-D对2-9中,方案二中结果与先 验量相差最大为818(人/天),方案一中得到的结果与先验量相差最小为471(人/天)。
为进一步分析不同方案的差异性,选取现有的相对均方根平均误差(Root MeanSquare Normalized Error,简称RMSNE)和平均相对误差(Mean Relative Error,简称MRE)两种精 度检验标准进行分析,计算公式分别为:
图7给出了四种方案下的O-D需求估计值与先验值的相对均方根平均误差和平均相对 误差。
从图中可以看出:方案四的检验精度明显优于方案一,说明引入公交O-D数据后所估 计出的结果,其绝对误差和相对误差均有所降低;在这两个检验指标中,方案一和方案四 均优于方案二,说明引入先验O-D需求能够适当的提高估计精度;同样,方案二的检验精度明显优于方案三,说明使用公交O-D数据和道路观测流量作为检验条件的O-D需求估计值精度要高于单纯依靠道路流量所得到的估计结果。
此外,在我们所提出的基于多源数据校核的多方式出行O-D需求估计方法中,包含许 多参数,这些参数的取值也会对O-D估计结果产生影响。在这里,我们以参数θ为例进行分析。在上面的所提出的均衡配流模型中,参数θ可反映出行者对路网的熟悉程度,或是出行者获取路网交通信息的准确程度。θ值越大,表明出行者对路网交通状况了解越准确,制定的出行方案也就更加合理。我们对参数θ取不同的值,分别计算O-D需求,图8给出了 O-D对1-9的需求量估计值随参数θ的变化情况。
从图中可以看出:随着参数θ取值的不断增大,O-D对1-9的需求量也不断增加,最终逐渐趋于稳定,这说明,随着出行者对路网交通状况的了解,对路径费用的感知误差会逐渐减小,对路径及出行方式的选择也就更加合理,能够在很大程度上提高出行效率;当θ增加到一定值之后,其值对模型估计结果的影响也逐渐减小,这说明虽然出行信息有助于降低系统总费用,改善城市交通状况,但考虑到人力、资金、物力等多种因素,在实际路 网中,需要制定合理的交通信息情况发布策略才能有效地帮助出行者做出最优出行方案, 从而提高出行者的出行效用,降低出行费用。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发 明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做 出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的 技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (5)
1.一种基于多源数据校核的多方式出行O-D需求估计方法,其特征在于,包括:
S1.选取交通网中的基本元素,根据基本元素之间的出行需求建立城市多方式交通网络模型表示为G(M,N,A),其中M为路网中出行方式的集合,N是节点集合,A为路网中路段集合;
所述城市多方式交通网络模型中包括以下基本元素:
节点,
所述节点包括:
节点r到s之间的出行需求称之为O-D需求;
路段,
路段表示相邻节点之间的道路连接,用a来表示,a∈A;
交通网络中的路段为有向的,用一个数偶来表示,即a=(i,j)∈A,其中i和j分别表示路段a的起点和终点,i,j∈N;
路段具有多种属性,包括出行需求量、道路流量、通行能力、行驶阻抗;
路径,
任意O-D对之间的相连路段的有序排列称为O-D之间的路径;
每种出行方式都有与之相对应的网络结构,称之为子网,用Gm表示城市交通网络中的第m(m∈M)种出行方式子网;
S2.对用于校核O-D需求估计量的多源历史交通数据进行预处理,通过统计计算得出所需要的基础数据;
S3.利用步骤S1的模型和步骤S2的计算结果,对多方式O-D需求进行估计,得到新的O-D需求总量;
所述对多方式O-D需求进行估计包括第一阶段:
将当前O-D需求加载到多方式交通网络模型中,得到不同方式的路段流量以及不同方式的O-D需求量,并采用差商法和泰勒展开式得到路段流量及不同方式O-D量与O-D总量之间的近似线性关系;
还包括第二阶段:
以O-D需求总量的估计值、路段流量的估计值、公交O-D出行量的估计值与相应的先验数据之间的误差平方和最小为目标,构造一个广义最小二乘法模型;
将第一阶段得到的近似关系代入到这个广义最小二乘法模型中,求解该模型,得到一个新的O-D需求总量;
最后,判断所得出的新的O-D需求总量是否满足收敛条件,如果满足,算法停止,否则,将新的O-D需求总量作为输入量,重新执行所述S3步骤。
4.根据权利要求1所述的一种基于多源数据校核的多方式出行O-D需求估计方法,其特征在于,多源历史交通数据包括:O-D需求调查数据、路段交通流检测数据以及公交出行刷卡数据。
5.根据权利要求4所述的一种基于多源数据校核的多方式出行O-D需求估计方法,其特征在于,
O-D需求调查数据预处理包括:
首先,对原始数据进行筛查,删除错误数据;
其次,把抽样数据按照抽样率进行扩样处理,得到整个小区的居民出行O-D信息;
所述路段交通流检测数据是基于道路检测数据得到路段交通流量,道路流量通过自动交通数据采集检测器得到某时刻通过道路某一断面的车辆数;
路段交通流检测数据预处理包括:
假设检测器的采集周期为t分钟,则每天分为T=24×(60/t)个周期,假定用表示装有检测器的路段集合,表示第d天第n个时段所得到的路段上的流量,D表示数据采集的天数,则通过下面式子就可以得到路段上的日均道路流量:
所述公交出行刷卡数据预处理包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711001757.2A CN108009972B (zh) | 2017-10-24 | 2017-10-24 | 一种基于多源数据校核的多方式出行o-d需求估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711001757.2A CN108009972B (zh) | 2017-10-24 | 2017-10-24 | 一种基于多源数据校核的多方式出行o-d需求估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009972A CN108009972A (zh) | 2018-05-08 |
CN108009972B true CN108009972B (zh) | 2021-09-28 |
Family
ID=62051895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711001757.2A Active CN108009972B (zh) | 2017-10-24 | 2017-10-24 | 一种基于多源数据校核的多方式出行o-d需求估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009972B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446810A (zh) * | 2018-05-15 | 2018-08-24 | 东南大学 | 一种公路od数据重构方法 |
CN108876035B (zh) * | 2018-06-01 | 2021-09-03 | 东南大学 | 考虑出行者目的地偏好的交通分布与交通流分配组合模型 |
CN109035112B (zh) * | 2018-08-02 | 2021-01-26 | 东南大学 | 基于多源数据融合的城市建设与更新模式确定方法及系统 |
CN109345040A (zh) * | 2018-11-14 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 公交快速路的确定方法及装置 |
CN111340058B (zh) * | 2018-12-19 | 2022-03-29 | 中铁第四勘察设计院集团有限公司 | 一种基于多源数据融合的交通分布模型参数快速校核方法 |
CN109903553B (zh) * | 2019-02-19 | 2021-07-09 | 华侨大学 | 多源数据挖掘的公交车上下车站点识别和检验方法 |
CN110097756B (zh) * | 2019-05-07 | 2021-10-15 | 四川咖范网络科技有限公司 | 基于多源数据融合技术的智能交通管理方法 |
CN110363483B (zh) * | 2019-07-22 | 2022-05-03 | 西南交通大学 | 一种基于共享平台货运出行数据的扩样校核方法 |
CN112419131B (zh) * | 2020-11-20 | 2022-07-08 | 中南大学 | 交通起讫点需求估算方法 |
CN113096413B (zh) * | 2021-03-23 | 2022-04-29 | 北京交通大学 | 基于高速公路收费数据的省际出行流量估算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6216088B1 (en) * | 1996-11-27 | 2001-04-10 | Mannesmann Ag | Method for determining itinerary data |
CN101694706A (zh) * | 2009-09-28 | 2010-04-14 | 深圳先进技术研究院 | 基于多源数据融合的人口时空动态出行特征建模方法 |
CN103530694A (zh) * | 2013-04-22 | 2014-01-22 | 北京交通大学 | 基于时空网络构建的城市地铁动态客流分配方法 |
CN103745089A (zh) * | 2013-12-20 | 2014-04-23 | 北京工业大学 | 一种多维公共交通运行指数评价方法 |
CN107134142A (zh) * | 2017-07-10 | 2017-09-05 | 中南大学 | 一种基于多源数据融合的城市道路流量预测方法 |
-
2017
- 2017-10-24 CN CN201711001757.2A patent/CN108009972B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6216088B1 (en) * | 1996-11-27 | 2001-04-10 | Mannesmann Ag | Method for determining itinerary data |
CN101694706A (zh) * | 2009-09-28 | 2010-04-14 | 深圳先进技术研究院 | 基于多源数据融合的人口时空动态出行特征建模方法 |
CN103530694A (zh) * | 2013-04-22 | 2014-01-22 | 北京交通大学 | 基于时空网络构建的城市地铁动态客流分配方法 |
CN103745089A (zh) * | 2013-12-20 | 2014-04-23 | 北京工业大学 | 一种多维公共交通运行指数评价方法 |
CN107134142A (zh) * | 2017-07-10 | 2017-09-05 | 中南大学 | 一种基于多源数据融合的城市道路流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108009972A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009972B (zh) | 一种基于多源数据校核的多方式出行o-d需求估计方法 | |
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
CN111582750B (zh) | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN103530694B (zh) | 基于时空网络构建的城市地铁动态客流分配方法 | |
CN112766597B (zh) | 公交客流预测方法及系统 | |
CN113077090A (zh) | 客流预测方法、系统及计算机可读存储介质 | |
Patwary et al. | Metamodel-based calibration of large-scale multimodal microscopic traffic simulation | |
Zhu et al. | Estimating train choices of rail transit passengers with real timetable and automatic fare collection data | |
Hong et al. | Assigning passenger flows on a metro network based on automatic fare collection data and timetable | |
CN114580751B (zh) | 空港到港旅客疏散时间预测方法、系统、存储介质及终端 | |
CN108876064B (zh) | 基于客流量的城市轨道交通网络关键车站识别方法 | |
CN106846214A (zh) | 分析交通枢纽可达性对区域公共运输方式竞争影响的方法 | |
CN116665489A (zh) | 航路网络拥堵区域识别方法 | |
CN111191817B (zh) | 一种基于换乘客流量的公交线网拓扑划分方法 | |
CN113420488A (zh) | 一种基于轨迹重构的城市路网od估计方法 | |
Yao et al. | Real-time origin-destination matrices estimation for urban rail transit network based on structural state-space model | |
CN105389631A (zh) | 多跨海通道分布区域交通可达性分析方法 | |
Si et al. | Urban transit assignment model based on augmented network with in-vehicle congestion and transfer congestion | |
Yang et al. | Dynamic origin-destination matrix estimation based on urban Rail transit AFC data: deep optimization framework with forward passing and backpropagation techniques | |
Zheng et al. | Improved iterative prediction for multiple stop arrival time using a support vector machine | |
CN116128160B (zh) | 一种铁路车站高峰客流预测方法、系统及设备和介质 | |
CN116451867A (zh) | 一种基于时空出行路径标定的地铁短时客流预测方法 | |
CN112201041B (zh) | 融合电警数据和抽样轨迹数据的干道路径流量估计方法 | |
CN109447352A (zh) | 一种公交出行od矩阵反推的组合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230706 Address after: Room 517, 5th Floor, Building 2, No. 5, Fuchengmen North Street, Xicheng District, Beijing 100037 Patentee after: Beijing Urban Construction Transportation Design and Research Institute Co.,Ltd. Address before: 100044 Beijing city Haidian District Shangyuan Village No. 3 Patentee before: Beijing Jiaotong University |