CN108269399A - 一种基于公路网客流od反推技术的高铁客流需求预测方法 - Google Patents
一种基于公路网客流od反推技术的高铁客流需求预测方法 Download PDFInfo
- Publication number
- CN108269399A CN108269399A CN201810069399.7A CN201810069399A CN108269399A CN 108269399 A CN108269399 A CN 108269399A CN 201810069399 A CN201810069399 A CN 201810069399A CN 108269399 A CN108269399 A CN 108269399A
- Authority
- CN
- China
- Prior art keywords
- traffic
- passenger
- matrixes
- flow
- zone
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 9
- 238000013316 zoning Methods 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 5
- 238000011835 investigation Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000951471 Citrus junos Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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"
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (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
一种基于公路网客流OD反推技术的高铁客流需求预测方法，涉及一种高铁客流需求的预测方法。为了解决目前基于传统四阶段法的客流预测数据收集较为困难的问题。本发明首先划分交通区并构建基础公路网，然后筛选机动车交通量调查断面，获得客运机动车交通量数据，同时反推路网阻抗矩阵；分析整理直接影响范围内的客运发车班次数据，结合车辆额定载客人数及实载率信息，推算大型客车对应的旅客OD矩阵；同时基于客运机动车交通量数据中的一组断面交通量数据，进行客车OD矩阵反推，分别获得各种客车OD矩阵；最后对各种客车OD分布矩阵进行验证和修正，并乘以各车型的平均载客人数最终加和形成客流OD矩阵。本发明用于高铁客流需求的预测。
Description
技术领域
本发明涉及客流需求预测领域，具体涉及一种高铁客流需求的预测方法。
背景技术
在过去的十年间，中国的高铁事业取得突飞猛进地发展，高铁建设频频刷新世界纪录，取得举世瞩目的成就。现如今，高铁已然成为中国引以为豪的一项外交名片。
高铁投资建设规模、列车运行方案等一系列问题的确定都需要客流数据的支持，良好的客流预测能够为高铁的建设及其运行效能的提升提供强有力的科学依据。不同于传统的铁路，高铁运量大、运速高，在其建成初期内，客流量会在短期内急剧增长，这是传统的客流预测方法所无法反映的，因此研究专门适用于高铁客流预测方法是十分有必要的。
同一交通小区内，高铁线路与公路网两种交通运输方式既共同承担区域内的客运量又相互竞争。作为舒适方便、安全性好、耗时少、准点率高的交通方式，高铁新线的通车势必会吸引大量客流量，打破区域内的交通平衡，主要体现为周边公路网的旅客流量转移到高铁线路。因此，高铁客流需求的预测与周边公路网的旅客出行OD密切相关，利用公路网旅客出行OD推算高铁客流量是合理有效的。旅客出行OD矩阵的获取主要有两种方法，一种是人工调查，也可依靠客运发车班次及其客流量数据，推算出区域客流OD矩阵，但客运发车班次往往只涉及到大客车，数据不全面，难以推算出准确的旅客出行OD，而人工调查又费时费力，耗资较大。如果通过路段观测的机动车流量反推OD分布矩阵则相对简单，较容易实施，即根据实际路网情况，通过断面交通量调查确定一个出行分布预测模型，从而实现OD出行矩阵的反推。
我国的高铁客流需求预测还不成熟，多以四阶段法为基础，在铁路客流预测方面的研究主要有：王芳采用基于时间序列分析的方法对铁路短期客运量进行预测，并对比季节调整方法、Box-Jenkins方法及灰色预测法，提出基于BP神经网络的预测模型。唐丽娜综合比较移动平均法、指数平滑法和基于Matlab的AR模型法的短时客流预测效果，发现AR模型的预测效果最优。郭文建立了遗传优化的BP神经网络模型预测铁路客流量，并仿真验证了该模型的合理性。陈剑龙采用灰色模型来预测铁路年客运总量，并利用后验差方法验证模型的精确度。在高速铁路方面，秦鸣利用噪声辅助经验模态分解法进行客流预测。在考虑高速铁路短期客流周期性和波动性的基础上，杨晓提出了反映短期客流时空变化特征的改进重力模型。
发明内容
本发明的目的是为了解决目前基于传统四阶段法的客流预测数据收集较为困难，对各种运输方式之间的竞争合作关系考虑不足等缺陷，而提出一种基于公路网客流OD反推技术的高铁客流需求预测方法。
一种基于公路网客流OD反推技术的高铁客流需求预测方法，包括以下步骤：
步骤一、划分交通区并构建基础公路网；
步骤二、筛选机动车交通量调查断面，获得客运机动车交通量数据，统计得到交通小区i各种类型车辆的产生指标和交通小区j各种类型车辆的吸引指标；
步骤三、确定反推路网阻抗矩阵；
步骤四、分析整理直接影响范围内的客运发车班次数据，结合车辆额定载客人数及实载率信息，推算大型客车相应的旅客流量，形成大型客车对应的旅客OD矩阵；
步骤五、基于客运机动车交通量数据中的一组断面交通量数据，进行客车OD矩阵反推，分别获得小型客车OD矩阵、中型客车OD矩阵和大型客车OD矩阵；
步骤六、基于客运机动车交通量数据中的另一组断面交通量数据，对小型客车OD分布矩阵、中型客车OD分布矩阵和大型客车OD分布矩阵进行验证和修正，并乘以各车型的平均载客人数最终加和形成客流OD矩阵。
进一步地，步骤一所述的划分交通区并构建基础公路网的具体过程如下：
步骤1.1、交通区划分：
对研究区域进行交通区划分：研究区域包括直接影响区和间接影响区；
直接影响区为拟建高铁经过的区域；以地级市及行政区划级别相等的行政区域建制为单位将直接影响区划分为交通中区；以县、县级市及行政区划级别相等的行政区域建制为单位将每个交通中区划分为交通小区；
间接影响区为研究区域内除直接影响区以外的外围区，以省、地级市及省、地级市行政区划级别相等的行政区域建制为单位将间接影响区划分为交通大区；
步骤1.2、公路网构建：
绘制直接影响区内部的公路网络，作为OD反推路网；
统计公路网中所有公路的属性，包括公路名称、公路等级、设计速度、车道数、里程。
进一步地，所述步骤二具体实现过程如下：
对于交通小区i到交通小区j内的各条公路，选取相互独立的国、省道断面，进行断面交通量调查，获得客运机动车交通量数据；
每条调查路段共有两组断面交通量信息，分别针对每组断面进行交通量统计，第一组交通量作为客流OD推算的基础数据；第二组交通量不参与OD反推的过程，仅是用于OD反推结果的检验；
不同类型的机动车流量主要有两个获取途径，一是通过各条国省道上的流量观测站提供的历史数据，通过历史数据获得断面流量；另一个是另行补充调查的断面流量，即针对没有流量观测站历史数据的道路通过调查获得断面流量；二者加和即获得客运机动车交通量；
针对第一组交通量数据，根据各路段的交通流量及流向，可统计得到交通小区i各种类型车辆的产生指标Pi和交通小区j各种类型车辆的吸引指标Aj；对于不同类型的车辆，产生指标Pi表示从交通小区i出发的该类型车辆的数量，吸引指标Aj表示进入交通小区j的该类型车辆的数量
进一步地，所述步骤三确定反推路网阻抗矩阵的过程如下：
(3.1)如果路网阻抗矩阵选择距离阻抗矩阵，距离阻抗矩阵的确定过程如下：
首先确定连接两个交通小区之间所有可通行的国省道，各条国省道的长度；然后，确定两交通小区之间的最短路径及其相对次短路径，计算各路径长度；最后，对最短路径及次短路径的长度进行加权平均，得到距离阻抗矩阵；
(3.2)如果路网阻抗矩阵选择时间阻抗矩阵，时间阻抗矩阵的确定过程如下：
首先确定两交通小区之间的最短路径及次短路径的长度，并通过调查得到各条公路的运行速度；然后，计算两交通小区利用各条路径的时间阻抗；最后，对各路径的时间阻抗进行加权平均，得到时间阻抗矩阵；
将交通小区i到交通小区j的距离或行程时间记为tij。
进一步地，所述步骤四的过程如下：
步骤4.1、旅客流量推算：
在已知发车班次、车型、额定载客量和载客率的条件下，即可确定出旅客流量，即旅客流量＝班车数量×额定载客量×载客率；
步骤4.2、旅客OD矩阵确定：
针对有客运发车班次数据的交通小区，每个发车班次起点站所对应的交通小区就是该车次旅客出行的起点，即O点，终点和途经站点所对应的交通小区就是该车次旅客出行的终点，即D点；对每个发车班次整理由起点至终点或途经站点的旅客人数，即旅客发送量，填入旅客OD表中；
针对无客运发车班次数据的交通小区，依据出行平衡原理，将其它交通小区到达无客运发车班次数据的某个交通小区的旅客数量作为这些交通小区的旅客发送量，填入旅客OD表中；
不考虑间接影响区中的交通大区之间，交通大区与交通小区之间的旅客出行量，将交通大区之间，交通大区与交通小区之间的旅客发送量设为零；
根据上述交通小区旅客发送量对应的旅客OD表得到交通小区之间的旅客OD矩阵；对交通小区旅客出行量进行合并，得交通中区的旅客OD矩阵。
进一步地，所述步骤4.2中得到交通小区之间的旅客OD矩阵后需要对旅客OD矩阵进行检验，具体过程如下：
公路客运量是指在一定时期内各种公路客运交通工具实际运送的旅客人数；在统计时，无论出行远近或者票价多少均按一人一次客运量统计：各交通小区的客运量为公路运输企业报告期内实际运送的旅客人数之和；
依据各交通小区发布的公路客运量数据对旅客OD矩阵进行检验，用以核查载客率取值是否合适，如果旅客OD矩阵与在公路客运量的数据相差小于10％，则表明载客率取值合适，推算的旅客OD矩阵准确；如果两者相差大于等于10％，则返回步骤4.1需重新调查相关地点客运发车班次的载客率，并计算旅客流量，直至旅客OD矩阵与在公路客运量的数据相差小于10％。
进一步地，所述步骤五的过程如下：
基于第一组断面交通量数据，进行客车OD矩阵反推：
(5.1)针对小型客车和中型客车，采用无先验OD矩阵的OD反推，确定小型客车OD矩阵和中型客车OD矩阵，分别作为小型客车OD分布矩阵和中型客车OD分布矩阵；
在无以往OD分布矩阵时，交通小区之间的出行交换量能用重力模型进行描述，即
式中：qij为交通小区i到交通小区j的OD分布量；
Pi为交通小区i的产生指标；
Aj为交通小区j的吸引指标；
tij为交通小区i到交通小区j的行程时间或距离；
k，γ分别为重力模型参数；
在进行OD分配时，采用容量限制迭代平衡的方法对OD分布量在路段上进行反复的分配计算，以求解路径选择概率及推算交通量；
在迭代过程中，将OD分布量分配到某一路段上的公式为：
式中：Qa为路段a上的分配交通量；
为交通小区i到交通小区j的OD分布量选用路段a的概率；
(5.2)针对大型客车，采用无先验OD与有先验OD相结合的OD反推方法：
首先采用与上述小型客车和中型客车无先验OD反推确定小型客车OD矩阵和中型客车OD矩阵相同的方法，推算出大型客车的无先验OD矩阵，即大型客车OD矩阵；
然后，依据步骤四中的大型客车对应的旅客OD矩阵对无先验OD反推的大型客车OD矩阵进行修正，修正过程为：
大型客车OD矩阵乘以平均载客人数后，与大型客车的旅客OD矩阵进行比较，对于相差10％以上的数据，将大型客车OD矩阵中对应值修正为旅客OD矩阵除以平均载客人数；如果数据数据符合条件，不进行修正；得到最终的大型客车OD矩阵；
将最终的大型客车OD矩阵作为先验OD矩阵；最后，采用最大熵值法进行有先验OD矩阵时的OD反推，确定大型客车OD分布矩阵。
进一步地，所述步骤六的过程如下：
基于两组断面进行机动车交通量统计中的另一组数据交通量进行大型客车、中型客车、小型客车的OD分布矩阵的精度验证：
将步骤五得到的小型客车、中型客车、大型客车对应的OD分布矩阵重新分配到路网上，得到分配后的各路段交通量信息；以分配后的交通量与步骤二得到的第二组断面交通量间的相对误差作为评价客车OD反推精度验证指标；若相对误差大于误差阈值，则需对OD分布矩阵进行修正；当相对误差小于误差阈值，则表明反推的OD分布矩阵符合真实情况；依据小型客车OD分布矩阵、中型客车OD分布矩阵、大型客车OD分布矩阵及各车型的平均载客人数，可得到各种车型对应的客流OD矩阵，加和可得区域总客流OD矩阵。
进一步地，所述步骤六中若相对误差大于误差阈值，则需对OD分布矩阵进行修正，修正过程如下：
分别针对各种车型对应的OD分布矩阵命名为OD1，其交通分配后得到各条路段流量，其中第n个路段的流量为qn 1，与第二组断面交通量qn 2比较，相对误差大于误差阈值，则取路段n的交通量qn’＝(qn 1+qn 2)/2，按步骤五重新反推得到OD分布矩阵，记为OD3，再进行交通分配得qn 3，验算其与qn 1的相对误差，若仍不满足要求，则取交通量qn’＝(qn 3+qn 1)/2，按步骤五重新重新反推得到OD分布矩阵，记为OD4，与第二组断面交通量qn 2进行相对误差比较，如此循环迭代下去直至误差满足精度要求为止。
本发明的有益效果为：
1、本发明解决现有的OD调查中客流预测数据收集困难的问题，通过断面流量调查实现OD矩阵的反推，不仅仅方便简单，而且大大减少了工作量，更节省了费用。以实施例中条件进行调查，现有的OD调查需要拦车问询，费时又费力，在两个月的时间内完成OD调查至少需要200人，而本发明仅需观测交通流量的大小，在同样的时间内完成数据收集仅需40人左右，不仅极大简化了数据收集，而且极大的减少了工作量，减少工作量至少60％以上。
2、本发明充分考虑公路网与高铁线路的竞争关系，通过公路网旅客OD反推实现高铁客流预测，相比现有的方法，数据相对更加准确。
附图说明
图1为本发明的流程图；
图2为交通中区和交通大区划分示意图；
图3为交通小区划分示意图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，
一种基于公路网客流OD反推技术的高铁客流需求预测方法，包括以下步骤：
步骤一、划分交通区并构建基础公路网；
步骤二、筛选机动车交通量调查断面，获得客运机动车交通量数据，统计得到交通小区i各种类型车辆的产生指标和交通小区j各种类型车辆的吸引指标；
步骤三、确定反推路网阻抗矩阵；
步骤四、分析整理直接影响范围内的客运发车班次数据，结合车辆额定载客人数及实载率信息，推算大型客车相应的旅客流量，形成大型客车对应的旅客OD矩阵；
步骤五、基于客运机动车交通量数据中的一组断面交通量数据，进行客车OD矩阵反推，分别获得小型客车OD矩阵、中型客车OD矩阵和大型客车OD矩阵；
步骤六、基于客运机动车交通量数据中的另一组断面交通量数据，对小型客车OD分布矩阵、中型客车OD分布矩阵和大型客车OD分布矩阵进行验证和修正，并乘以平均载客人数最终加和形成客流OD矩阵。
具体实施方式二：
本实施方式中步骤一所述的划分交通区并构建基础公路网的具体过程如下：
步骤1.1、交通区划分：
对研究区域进行交通区划分：研究区域包括直接影响区和间接影响区；
直接影响区为拟建高铁经过的区域；以地级市及行政区划级别相等的行政区域建制为单位将直接影响区划分为交通中区，如图2中的编号1-8所示的区域；以县、县级市及行政区划级别相等的行政区域建制为单位将每个交通中区划分为交通小区，如图3中的编号1至49所示的区域；
间接影响区为研究区域内除直接影响区以外的外围区，根据实际情况以省、地级市及省、地级市行政区划级别相等的行政区域建制为单位将间接影响区划分为交通大区，如图2中的编号9-16所示的区域；
步骤1.2、公路网构建：
绘制直接影响区内部的公路网络，作为OD反推路网；由于高铁线路主要是提供长距离的客运出行，因此OD反推主要推算的是长距离的公路客运出行，故客流OD反推路网就是由直接影响区内部及周边国道和省道构成的干线公路网。
统计公路网中所有公路的属性，包括公路名称、公路等级、设计速度、车道数、里程。
其他步骤和参数与具体实施方式一相同。
具体实施方式三：
本实施方式所述步骤二具体实现过程如下：
对于交通小区i到交通小区j内的各条公路，选取相互独立的国、省道断面，进行断面交通量调查，获得客运机动车交通量数据，这是OD反推时的依据交通量；
在选择路段交通量调查断面时应当遵循以下四个基本原则：
①OD覆盖原则：调查路段应包含所有OD点对的信息，即每个OD点对至少被一条路段检测到。
②路段独立原则：保证所选断面是线性不相关的。
③最大流截断原则：在调查断面数量相同的前提下，选择的断面应尽可能多地截断交通流。
④最大流量比原则：该原则是针对单个OD点对而言的，即对某一特定的OD点对，应使得调查路段的交通量占该OD点对流量的比例尽可能大。
每条调查路段共有两组断面交通量信息，分别针对每组断面进行交通量统计，第一组交通量作为客流OD推算的基础数据；第二组交通量不参与OD反推的过程，仅是用于OD反推结果的检验；后续计算涉及的交通量来源于第一组交通量；
不同类型的机动车流量主要有两个获取途径，一是通过各条国省道上的流量观测站提供的历史数据，通过历史数据获得断面流量；另一个是另行补充调查的断面流量，即针对没有流量观测站历史数据的道路通过调查获得断面流量；二者加和即获得客运机动车交通量；流量观测站的历史数据一般含以下七种车型：小型货车、中型货车、大型货车、特大型货车、集装箱车、小型客车、中型客车和大型客车，非高速公路的观测断面还包括摩托车和拖拉机两种车型；
交通量OD推算的主要对象为客运机动车，即大、中、小型客车，因此各类客运车辆的交通量及路段流量(标准车)为数据统计的重点。故实际调查，仅需调查小型客车、中型客车、大型客车的交通量即可。
针对第一组交通量数据，根据各路段的交通流量及流向，可统计得到交通小区i各种类型车辆(小型客车、中型客车和大型客车)的产生指标Pi和交通小区j各种类型车辆的吸引指标Aj；对于不同类型的车辆，产生指标Pi表示从交通小区i出发的该类型车辆的数量，吸引指标Aj表示进入交通小区j的该类型车辆的数量。
其他步骤和参数与具体实施方式一或二相同。
具体实施方式四：
本实施方式所述步骤三确定反推路网阻抗矩阵的过程如下：
交通阻抗是反映交通区间交通便利程度的指标，是对交通区间交通设施状况和交通工具状况的综合反映。可用距离、时间或费用等表示，距离阻抗、时间阻抗及费用阻抗在一定条件下可相互转换。比较费用阻抗，距离阻抗和时间阻抗矩阵获取较易且精度可以保证，故推算路网的距离阻抗矩阵和时间阻抗矩阵。
(3.1)如果路网阻抗矩阵选择距离阻抗矩阵，距离阻抗矩阵的确定过程如下：
首先确定连接两个交通小区之间所有可通行的国省道，各条国省道的长度；然后，确定两交通小区之间的最短路径及其相对次短路径，计算各路径长度；最后，对最短路径及次短路径的长度进行加权平均，得到距离阻抗矩阵；
(3.2)如果路网阻抗矩阵选择时间阻抗矩阵，时间阻抗矩阵的确定过程如下：
首先确定两交通小区之间的最短路径及次短路径的长度，并通过调查得到各条公路的运行速度；然后，计算两交通小区利用各条路径的时间阻抗；最后，对各路径的时间阻抗进行加权平均，得到时间阻抗矩阵；
将交通小区i到交通小区j的距离或行程时间记为tij。
各条路径时间阻抗的计算采用美国联邦公路局的BPR函数，其表达式如下：
式中的Va和Ca分别代表路段a的交通量和通行能力，ta(0)为路段自由行程时间；α、β分别为系数。
本次OD反推过程中，为使获得的客运OD矩阵更加准确，将小型客车、中型客车及大型客车分别进行OD反推，即分别采用路段的小型客车、中型客车及大型客车数据进行OD反推。Va和Ca是路段a各种车型对应的交通量和通行能力，本发明采用如下方法来确定各类车型进行OD反推时的路段通行能力：
将各类车型折算为标准小汽车的折算系数见表1。
表1机动车折算系数
假设路段a上各类型车的比例见表2。
表2路段a的车型比例
则路段a上各类客运车辆的通行能力分别为：
式中：Cai′为路段a上i′类客运车辆的通行能力，i′＝1,2,3分别代表小型客车、中型客车和大型客车；
γi′为路段a上i′类客运车辆的比例；
PCEi′为i′类客运车辆的折算系数。
其他步骤和参数与具体实施方式一至三之一相同。
具体实施方式五：
本实施方式所述步骤四的过程如下：
步骤4.1、旅客流量推算：
由于交通小区i到交通小区j之间的客运车辆均为大型客车，故这里推算的旅客流量为大型客车的旅客流量。在已知发车班次、车型、额定载客量和载客率的条件下，即可确定出旅客流量，即旅客流量＝班车数量×额定载客量×载客率；
客运发车班次、车型和时刻表等信息的收集可通过现场走访各县市的公路长途客运站及互联网查询认证等方式。主要收集直接影响区内的客运数据，间接影响区由于涵盖范围较大，故不作考虑。
额定载客量，即每辆车的额定载客人数或座位数，可通过客运发车班次的车型确定。
载客率的确定可通过一个小规模的抽样调查完成。
步骤4.2、旅客OD矩阵确定：
针对有客运发车班次数据的交通小区，每个发车班次起点站所对应的交通小区就是该车次旅客出行的起点，即O点，终点和途经站点所对应的交通小区就是该车次旅客出行的终点，即D点；依据上述原理，对每个发车班次整理由起点至终点或途经站点的旅客人数，即旅客发送量，填入旅客OD表中；
针对无客运发车班次数据的交通小区，依据出行平衡原理(旅客发送量与到达量大体相当的原理)，将除无客运发车班次数据的某个交通小区以外的其它交通小区到达无客运发车班次数据的某个交通小区的旅客数量(即D点对应的旅客数量)作为这些交通小区的旅客发送量(即O点对应的旅客数量)，填入旅客OD表中；
不考虑间接影响区中的交通大区之间，交通大区与交通小区之间的旅客出行量，将交通大区之间，交通大区与交通小区之间的旅客发送量设为零；
根据上述交通小区旅客发送量对应的旅客OD表得到交通小区之间的旅客OD矩阵；对交通小区旅客出行量进行合并，得交通中区的旅客OD矩阵。
其他步骤和参数与具体实施方式一至四之一相同。
具体实施方式六：
本实施方式所述步骤4.2中得到交通小区之间的旅客OD矩阵后需要对旅客OD矩阵进行检验，具体过程如下：
公路客运量是指在一定时期内(可取一年)各种公路客运交通工具实际运送的旅客人数；在统计时，无论出行远近或者票价多少均按一人一次客运量统计：各交通小区的客运量一般为公路运输企业报告期内实际运送的旅客人数之和；
依据各交通小区相关部门发布的公路客运量数据对旅客OD矩阵进行检验，用以核查载客率取值是否合适，如果旅客OD矩阵与在公路客运量的数据相差小于10％，则表明载客率取值合适，推算的旅客OD矩阵准确；如果两者相差大于等于10％，则返回步骤4.1需重新调查相关地点客运发车班次的载客率，并计算旅客流量，直至旅客OD矩阵与在公路客运量的数据相差小于10％。
其他步骤和参数与具体实施方式五相同。
具体实施方式七：
本实施方式所述步骤五的过程如下：
基于第一组断面交通量数据，进行客车OD矩阵反推：
OD反推是交通分配的逆过程。交通分配是已知交通分布(OD矩阵)的前提下，按照一定的规则将其分配道路网中的不同路径上，得到路段流量；而OD反推，就是根据现状路网的情况，通过观测路段上的机动车流量来确定一个出行分布模型(无先验OD的情况)或对已有的早期OD(或小样本调查得到的OD)分布矩阵进行修正(有先验OD的情况)。
(5.1)针对小型客车和中型客车，采用无先验OD矩阵的OD反推，确定小型客车OD矩阵和中型客车OD矩阵，分别作为小型客车OD分布矩阵和中型客车OD分布矩阵；
在无以往OD分布矩阵时，交通小区之间的出行交换量能用重力模型进行描述，即
式中：qij为交通小区i到交通小区j的OD分布量(拟通过计算确定的未知量)；
Pi为交通小区i的产生指标；
Aj为交通小区j的吸引指标；
tij为交通小区i到交通小区j的行程时间或距离(由路网确定，为已知量)；
k，γ分别为重力模型参数；
显然，在无以往OD分布矩阵时，OD反推的核心就是标定出一个重力模型。在进行OD分配时，采用容量限制迭代平衡的方法对OD分布量在路段上进行反复的分配计算，以求解路径选择概率及推算交通量；
在迭代过程中，将OD分布量分配到某一路段上的公式为：
式中：Qa为路段a上的分配交通量；
为交通小区i到交通小区j的OD分布量选用路段a的概率；
由于Qa为已知量，只需采用相应数学方法标定重力模型参数k及γ即可。
(5.2)针对大型客车，采用无先验OD与有先验OD相结合的OD反推方法：
首先采用与上述小型客车和中型客车无先验OD反推确定小型客车OD矩阵和中型客车OD矩阵相同的方法，推算出大型客车的无先验OD矩阵，即大型客车OD矩阵；
然后，依据步骤四中的大型客车对应的旅客OD矩阵对无先验OD反推的大型客车OD矩阵进行修正，修正过程为：
大型客车OD矩阵乘以平均载客人数后，与大型客车的旅客OD矩阵进行比较，对于相差10％以上的数据，将大型客车OD矩阵中对应值修正为旅客OD矩阵除以平均载客人数；如果数据数据符合条件，不进行修正；得到最终的大型客车OD矩阵；
将最终的大型客车OD矩阵作为先验OD矩阵；最后，采用最大熵值法进行有先验OD矩阵时的OD反推，确定大型客车OD分布矩阵。
由于是在先验OD历史数据上进行修正，其推算结果一般远远高于无先验OD的情况，因此，在条件允许的情况下，应尽量选用历史OD作为先验矩阵。
其他步骤和参数与具体实施方式一至六之一相同。
具体实施方式八：
本实施方式所述步骤六的过程如下：
基于两组断面进行机动车交通量统计中的另一组数据交通量进行大型客车、中型客车、小型客车的OD分布矩阵的精度验证：
将步骤五得到的小型客车、中型客车、大型客车对应的OD分布矩阵重新分配到路网上，得到分配后的各路段交通量信息；以分配后的交通量与步骤二得到的第二组断面交通量间的相对误差作为评价客车OD反推精度验证指标；若相对误差大于误差阈值，则需对OD分布矩阵进行修正；当相对误差小于误差阈值，则表明反推的OD分布矩阵符合真实情况；依据小型客车OD分布矩阵、中型客车OD分布矩阵、大型客车OD分布矩阵及各车型的平均载客人数，可得到各种车型对应的客流OD矩阵，加和可得区域总客流OD矩阵。
其他步骤和参数与具体实施方式一至七之一相同。
具体实施方式九：
本实施方式所述步骤六中若相对误差大于误差阈值，则需对OD分布矩阵进行修正，修正过程如下：
分别针对各种车型(小型客车、中型客车、大型客车)对应的OD分布矩阵命名为OD1，其交通分配后得到各条路段流量，其中第n个路段的流量为qn 1，与第二组断面交通量qn 2比较，相对误差大于误差阈值，则取路段n的交通量qn’＝(qn 1+qn 2)/2，按步骤五重新反推得到OD分布矩阵，记为OD3，再进行交通分配得qn 3，验算其与qn 1的相对误差，若仍不满足要求，则取交通量qn’＝(qn 3+qn 1)/2，按步骤五重新重新反推得到OD分布矩阵，记为OD4，与第二组断面交通量qn 2进行相对误差比较，如此循环迭代下去直至误差满足精度要求为止。
其他步骤和参数与具体实施方式八相同。
实施例：
本实施例一种基于公路网客流OD反推技术的高铁客流需求预测方法具体是按照以下步骤实现的：
具体实施方式以郑州至合肥区域公路网现状客流OD推算为例。依据本研究的目的并结合断面流量调查和客运发车班次基础数据，对公路网客流OD进行推算。研究范围为郑州至合肥间的2个省会城市和6个地级市，外围区、交通中区、交通小区划分结果分别见表2、表3、表4。
表2外围区一览表
表3交通中区一览表
表4交通小区一览表
| 小区编号 | 小区名称 | 小区编号 | 小区名称 | 小区编号 | 小区名称 |
| 1 | 郑州市区 | 18 | 鄢陵县 | 35 | 颍上县 |
| 2 | 新郑市 | 19 | 襄城县 | 36 | 淮南市区 |
| 3 | 登封市 | 20 | 周口市区 | 37 | 凤台县 |
| 4 | 新密市 | 21 | 项城市 | 38 | 六安市区 |
| 5 | 巩义市 | 22 | 扶沟县 | 39 | 寿县 |
| 6 | 荥阳市 | 23 | 西华县 | 40 | 霍邱县 |
| 7 | 中牟县 | 24 | 商水县 | 41 | 舒城县 |
| 8 | 开封市区 | 25 | 太康县 | 42 | 金寨县 |
| 9 | 开封县 | 26 | 鹿邑县 | 43 | 霍山县 |
| 10 | 尉氏县 | 27 | 郸城县 | 44 | 合肥市区 |
| 11 | 通许县 | 28 | 淮阳县 | 45 | 长丰县 |
| 12 | 杞县 | 29 | 沈丘县 | 46 | 肥东县 |
| 13 | 兰考县 | 30 | 阜阳市区 | 47 | 肥西县 |
| 14 | 许昌市区 | 31 | 界首市 | 48 | 巢湖市 |
| 15 | 禹州市 | 32 | 临泉县 | 49 | 庐江县 |
| 16 | 长葛市 | 33 | 太和县 | ||
| 17 | 许昌县 | 34 | 阜南县 |
由表2至表4可知，外围区基本上覆盖了项目直接影响区外的河南、安徽两省剩余地市及全国其他省市(不含港澳台地区)。交通中区划分至地级市，交通小区则细分到县级。
OD反推由郑州至合肥间的81条国省干线公路构成，其中，国道30条(高速公路14条，普通国道16条)，省道51条(高速公路17条，普通省道34条)。反推路网中各条公路的名称、行政等级、技术等级、设计速度、车道数、里程等属性见表5。
表5OD反推路网一览表
主要依据最大流截断原则，即调查路段的选择以高等级公路(高速、一级公路)为主、低等级公路为辅(二级及以下等级公路)，最终选择了242个流量调查断面，其中，河南省210个断面，安徽省32个断面。调查断面数约占反推路网路段总数的40.5％，远高于最低10％的要求。各断面的机动车交通量调查结果见表6。
表6OD机动车交通量一览表
由表6可知，242个断面流量合计为428.7万辆标准小汽车，其中客运车辆164.2万辆标准小汽车。断面流量从高速公路、普通国道至普通省道呈递减趋势分布，平均日交通量分别为23333辆标准小汽车、14327辆标准小汽车和9260辆标准小汽车。高速公路、普通国道和普通省道小型客车、中型客车和大型客车的断面流量依次为8013辆、201辆、739辆，4228辆、108辆、400辆和3167辆、88辆、257辆。
通过现场走访各县市的公路长途客运站并通过互联网查询认证后，收集了直接影响区内38个县市(即交通小区)的日公路客运发车班次、车型及时刻表等信息。剩余登封市、中牟县等11个县市的客运发车班次尚未获得，需作补遗处理。
通过一个小规模的抽样调查确定了载客率的取值标准如下：到达站为终点站且日发车班次小于15次/日时，载客率为0.55～0.70；到达站为终点站且日发车班次大于15次/日时，载客率为0.70～0.75；到达站为途经站时，载客率为0.30。
根据客运发车班次及载客率获得旅客流量，从而确定出旅客出行OD矩阵见表7。由于交通小区较多，这里仅列出前10个小区的出行OD作为示意。
表7旅客出行OD矩阵
| OD | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| 1 | 10049 | 13312 | 6180 | 9958 | 13291 | 7572 | 30635 | 12731 | 5305 | 5754 |
| 2 | 2120 | 13598 | 0 | 2852 | 0 | 32 | 0 | 107 | 0 | 0 |
| 3 | 6180 | 0 | 0 | 1969 | 0 | 58 | 0 | 77 | 0 | 0 |
| 4 | 8199 | 82 | 1969 | 0 | 0 | 1179 | 0 | 0 | 0 | 31 |
| 5 | 1424 | 0 | 0 | 0 | 0 | 42 | 0 | 38 | 38 | 0 |
| 6 | 319 | 32 | 58 | 1179 | 42 | 155 | 32 | 32 | 13 | 0 |
| 7 | 30635 | 0 | 0 | 0 | 0 | 32 | 0 | 0 | 0 | 0 |
| 8 | 2996 | 107 | 77 | 0 | 38 | 32 | 0 | 0 | 0 | 806 |
| 9 | 5305 | 0 | 0 | 0 | 38 | 13 | 0 | 0 | 0 | 0 |
| 10 | 7997 | 0 | 0 | 31 | 0 | 0 | 0 | 4868 | 0 | 0 |
根据安徽省公路运输管理局发布的《公路客运调查技术方案》中公路客运量数据，对上述OD矩阵进行检验，核查客运车辆载客率取值是否合适。对比结果见表8。
表8公路客运量与发车班次客运量的对比
由表8可知，在9个核查市县中，6个市县发送量的误差在5％以内，3个在10％以内，说明客运发车班次的载客率取值是比较合适的。
根据道路长度、运行速度等参数确定路网的距离阻抗矩阵和时间阻抗矩阵，见表9、表10，同样仅示意前10个交通小区。
表9距离阻抗矩阵
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
| 1 | 0 | 35 | 59 | 22 | 68 | 23 | 13 | 51 | 76 | 90 |
| 2 | 35 | 0 | 70 | 36 | 122 | 63 | 23 | 61 | 86 | 56 |
| 3 | 59 | 70 | 0 | 29 | 51 | 64 | 80 | 112 | 145 | 129 |
| 4 | 22 | 36 | 29 | 0 | 73 | 31 | 38 | 77 | 96 | 95 |
| 5 | 68 | 122 | 51 | 73 | 0 | 42 | 89 | 129 | 155 | 171 |
| 6 | 23 | 63 | 64 | 31 | 42 | 0 | 38 | 78 | 101 | 119 |
| 7 | 13 | 23 | 80 | 38 | 89 | 38 | 0 | 36 | 60 | 73 |
| 8 | 51 | 61 | 112 | 77 | 129 | 78 | 36 | 0 | 24 | 53 |
| 9 | 76 | 86 | 145 | 96 | 155 | 101 | 60 | 24 | 0 | 60 |
| 10 | 90 | 56 | 129 | 95 | 171 | 119 | 73 | 53 | 60 | 0 |
表10时间阻抗矩阵
大客车采用有先验OD矩阵的OD反推技术，中客车和小客车采用无先验OD矩阵的OD反推技术，分别得到三种车型的OD矩阵见表11至表13。
表11大客车出行OD矩阵
| OD | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| 1 | 0 | 158 | 86 | 101 | 75 | 111 | 121 | 275 | 63 | 48 |
| 2 | 158 | 0 | 1 | 4 | 1 | 1 | 6 | 107 | 1 | 30 |
| 3 | 86 | 1 | 0 | 49 | 1 | 81 | 1 | 37 | 1 | 1 |
| 4 | 101 | 4 | 49 | 0 | 1 | 68 | 1 | 46 | 1 | 29 |
| 5 | 75 | 1 | 1 | 1 | 0 | 14 | 14 | 47 | 16 | 1 |
| 6 | 111 | 1 | 81 | 68 | 14 | 0 | 1 | 57 | 1 | 1 |
| 7 | 121 | 6 | 1 | 1 | 14 | 1 | 0 | 28 | 1 | 1 |
| 8 | 275 | 107 | 37 | 46 | 47 | 57 | 28 | 0 | 65 | 42 |
| 9 | 63 | 1 | 1 | 1 | 16 | 1 | 1 | 65 | 0 | 1 |
| 10 | 48 | 30 | 1 | 29 | 1 | 1 | 1 | 42 | 1 | 0 |
表12中客车出行OD矩阵
| OD | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| 1 | 0 | 26 | 50 | 79 | 107 | 61 | 62 | 101 | 44 | 46 |
| 2 | 26 | 0 | 1 | 23 | 1 | 1 | 2 | 3 | 1 | 28 |
| 3 | 49 | 1 | 0 | 16 | 1 | 15 | 1 | 6 | 1 | 1 |
| 4 | 66 | 1 | 16 | 0 | 1 | 11 | 1 | 6 | 1 | 7 |
| 5 | 20 | 1 | 1 | 1 | 0 | 15 | 20 | 9 | 15 | 1 |
| 6 | 2 | 1 | 15 | 11 | 15 | 0 | 1 | 6 | 1 | 1 |
| 7 | 62 | 2 | 1 | 1 | 20 | 1 | 0 | 6 | 1 | 1 |
| 8 | 24 | 3 | 6 | 6 | 9 | 6 | 6 | 0 | 39 | 6 |
| 9 | 42 | 1 | 1 | 1 | 15 | 1 | 1 | 39 | 0 | 1 |
| 10 | 65 | 28 | 1 | 7 | 1 | 1 | 1 | 40 | 1 | 0 |
表13小客车出行OD矩阵
在已获得交通量信息的242个断面交通量中，选取一组断面交通量用于客车OD矩阵反推，剩余的断面交通量用于反推OD的精度验证。小客车、中客车、大客车OD反推精度验证结果见表14。
表14小客车、中客车、大客车OD反推精度验证结果
注：表中流量均为道路双向流量，单位为veh/day。
由表14可知，小客车与中客车分配流量与实际流量平均相对误差约为10％，其中70％的路段相对误差在10％以内；大客车OD反推过程中由于引入先验OD(小客车、中客车反推过程中不具备构造先验OD的条件)，其反推OD的精度进一步提高，路段分配流量与实际流量平均相对误差约为5％，其中80％的路段相对误差在10％以内。
依据小客车、中客车、大客车现状出行OD矩阵及各车型的平均载客人数，可得到三种车型对应的客流OD矩阵，进而可得区域总客流OD矩阵见表15。
表15区域客流出行OD矩阵
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，包括以下步骤：
步骤一、划分交通区并构建基础公路网；
步骤二、筛选机动车交通量调查断面，获得客运机动车交通量数据，统计得到交通小区i各种类型车辆的产生指标和交通小区j各种类型车辆的吸引指标；
步骤三、确定反推路网阻抗矩阵；
步骤四、分析整理直接影响范围内的客运发车班次数据，结合车辆额定载客人数及实载率信息，推算大型客车相应的旅客流量，形成大型客车对应的旅客OD矩阵；
步骤五、基于客运机动车交通量数据中的一组断面交通量数据，进行客车OD矩阵反推，分别获得小型客车OD矩阵、中型客车OD矩阵和大型客车OD矩阵；
步骤六、基于客运机动车交通量数据中的另一组断面交通量数据，对小型客车OD分布矩阵、中型客车OD分布矩阵和大型客车OD分布矩阵进行验证和修正，并乘以各车型的平均载客人数最终加和形成客流OD矩阵。
2.根据权利要求1所述的一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，步骤一所述的划分交通区并构建基础公路网的具体过程如下：
步骤1.1、交通区划分：
对研究区域进行交通区划分：研究区域包括直接影响区和间接影响区；
直接影响区为拟建高铁经过的区域；以地级市及行政区划级别相等的行政区域建制为单位将直接影响区划分为交通中区；以县、县级市及行政区划级别相等的行政区域建制为单位将每个交通中区划分为交通小区；
间接影响区为研究区域内除直接影响区以外的外围区，以省、地级市及省、地级市行政区划级别相等的行政区域建制为单位将间接影响区划分为交通大区；
步骤1.2、公路网构建：
绘制直接影响区内部的公路网络，作为OD反推路网；
统计公路网中所有公路的属性，包括公路名称、公路等级、设计速度、车道数、里程。
3.根据权利要求2所述的一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，所述步骤二具体实现过程如下：
对于交通小区i到交通小区j内的各条公路，选取相互独立的国、省道断面，进行断面交通量调查，获得客运机动车交通量数据；
每条调查路段共有两组断面交通量信息，分别针对每组断面进行交通量统计，第一组交通量作为客流OD推算的基础数据；第二组交通量不参与OD反推的过程，仅是用于OD反推结果的检验；
不同类型的机动车流量主要有两个获取途径，一是通过各条国省道上的流量观测站提供的历史数据，通过历史数据获得断面流量；另一个是另行补充调查的断面流量，即针对没有流量观测站历史数据的道路通过调查获得断面流量；二者加和即获得客运机动车交通量；
针对第一组交通量数据，根据各路段的交通流量及流向，可统计得到交通小区i各种类型车辆的产生指标Pi和交通小区j各种类型车辆的吸引指标Aj；对于不同类型的车辆，产生指标Pi表示从交通小区i出发的该类型车辆的数量，吸引指标Aj表示进入交通小区j的该类型车辆的数量。
4.根据权利要求3所述的一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，所述步骤三确定反推路网阻抗矩阵的过程如下：
(3.1)如果路网阻抗矩阵选择距离阻抗矩阵，距离阻抗矩阵的确定过程如下：
首先确定连接两个交通小区之间所有可通行的国省道，各条国省道的长度；然后，确定两交通小区之间的最短路径及其相对次短路径，计算各路径长度；最后，对最短路径及次短路径的长度进行加权平均，得到距离阻抗矩阵；
(3.2)如果路网阻抗矩阵选择时间阻抗矩阵，时间阻抗矩阵的确定过程如下：
首先确定两交通小区之间的最短路径及次短路径的长度，并通过调查得到各条公路的运行速度；然后，计算两交通小区利用各条路径的时间阻抗；最后，对各路径的时间阻抗进行加权平均，得到时间阻抗矩阵；
将交通小区i到交通小区j的距离或行程时间记为tij。
5.根据权利要求4所述的一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，所述步骤四的过程如下：
步骤4.1、旅客流量推算：
在已知发车班次、车型、额定载客量和载客率的条件下，即可确定出旅客流量，即旅客流量＝班车数量×额定载客量×载客率；
步骤4.2、旅客OD矩阵确定：
针对有客运发车班次数据的交通小区，每个发车班次起点站所对应的交通小区就是该车次旅客出行的起点，即O点，终点和途经站点所对应的交通小区就是该车次旅客出行的终点，即D点；对每个发车班次整理由起点至终点或途经站点的旅客人数，即旅客发送量，填入旅客OD表中；
针对无客运发车班次数据的交通小区，依据出行平衡原理，将其它交通小区到达无客运发车班次数据的某个交通小区的旅客数量作为这些交通小区的旅客发送量，填入旅客OD表中；
不考虑间接影响区中的交通大区之间，交通大区与交通小区之间的旅客出行量，将交通大区之间，交通大区与交通小区之间的旅客发送量设为零；
根据上述交通小区旅客发送量对应的旅客OD表得到交通小区之间的旅客OD矩阵；对交通小区旅客出行量进行合并，得交通中区的旅客OD矩阵。
6.根据权利要求5所述的一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，所述步骤4.2中得到交通小区之间的旅客OD矩阵后需要对旅客OD矩阵进行检验，具体过程如下：
公路客运量是指在一定时期内各种公路客运交通工具实际运送的旅客人数；在统计时，无论出行远近或者票价多少均按一人一次客运量统计：各交通小区的客运量为公路运输企业报告期内实际运送的旅客人数之和；
依据各交通小区发布的公路客运量数据对交通小区之间的旅客OD矩阵进行检验，用以核查载客率取值是否合适，如果旅客OD矩阵与在公路客运量的数据相差小于10％，则表明载客率取值合适，推算的旅客OD矩阵准确；如果两者相差大于等于10％，则返回步骤4.1需重新调查相关地点客运发车班次的载客率，并计算旅客流量，直至旅客OD矩阵与在公路客运量的数据相差小于10％。
7.根据权利要求5或6所述的一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，所述步骤五的过程如下：
基于第一组断面交通量数据，进行客车OD矩阵反推：
(5.1)针对小型客车和中型客车，采用无先验OD矩阵的OD反推，确定小型客车OD矩阵和中型客车OD矩阵，分别作为小型客车OD分布矩阵和中型客车OD分布矩阵；
在无以往OD分布矩阵时，交通小区之间的出行交换量能用重力模型进行描述，即
式中：qij为交通小区i到交通小区j的OD分布量；
Pi为交通小区i的产生指标；
Aj为交通小区j的吸引指标；
tij为交通小区i到交通小区j的行程时间或距离；
k，γ分别为重力模型参数；
在进行OD分配时，采用容量限制迭代平衡的方法对OD分布量在路段上进行反复的分配计算，以求解路径选择概率及推算交通量；
在迭代过程中，将OD分布量分配到某一路段上的公式为：
式中：Qa为路段a上的分配交通量；
为交通小区i到交通小区j的OD分布量选用路段a的概率；
(5.2)针对大型客车，采用无先验OD与有先验OD相结合的OD反推方法：
首先采用与上述小型客车和中型客车无先验OD反推确定小型客车OD矩阵和中型客车OD矩阵相同的方法，推算出大型客车的无先验OD矩阵，即大型客车OD矩阵；
然后，依据步骤四中的大型客车对应的旅客OD矩阵对无先验OD反推的大型客车OD矩阵进行修正，修正过程为：
大型客车OD矩阵乘以平均载客人数后，与大型客车的旅客OD矩阵进行比较，对于相差10％以上的数据，将大型客车OD矩阵中对应值修正为旅客OD矩阵除以平均载客人数；如果数据数据符合条件，不进行修正；得到最终的大型客车OD矩阵；
将最终的大型客车OD矩阵作为先验OD矩阵；最后，采用最大熵值法进行有先验OD矩阵时的OD反推，确定大型客车OD分布矩阵。
8.根据权利要求7所述的一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，所述步骤六的过程如下：
基于两组断面进行机动车交通量统计中的另一组数据交通量进行大型客车、中型客车、小型客车的OD分布矩阵的精度验证：
将步骤五得到的小型客车、中型客车、大型客车对应的OD分布矩阵重新分配到路网上，得到分配后的各路段交通量信息；以分配后的交通量与步骤二得到的第二组断面交通量间的相对误差作为评价客车OD反推精度验证指标；若相对误差大于误差阈值，则需对OD分布矩阵进行修正；当相对误差小于误差阈值，则表明反推的OD分布矩阵符合真实情况；依据小型客车OD分布矩阵、中型客车OD分布矩阵、大型客车OD分布矩阵及各车型的平均载客人数，可得到各种车型对应的客流OD矩阵，加和可得区域总客流OD矩阵。
9.根据权利要求8所述的一种基于公路网客流OD反推技术的高铁客流需求预测方法，其特征在于，所述步骤六中若相对误差大于误差阈值，则需对OD分布矩阵进行修正，修正过程如下：
分别针对各种车型对应的OD分布矩阵命名为OD1，其交通分配后得到各条路段流量，其中第n个路段的流量为qn 1，与第二组断面交通量qn 2比较，相对误差大于误差阈值，则取路段n的交通量qn’＝(qn 1+qn 2)/2，按步骤五重新反推得到OD分布矩阵，记为OD3，再进行交通分配得qn 3，验算其与qn 1的相对误差，若仍不满足要求，则取交通量qn’＝(qn 3+qn 1)/2，按步骤五重新重新反推得到OD分布矩阵，记为OD4，与第二组断面交通量qn 2进行相对误差比较，如此循环迭代下去直至误差满足精度要求为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810069399.7A CN108269399B (zh) | 2018-01-24 | 2018-01-24 | 一种基于公路网客流od反推技术的高铁客流需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810069399.7A CN108269399B (zh) | 2018-01-24 | 2018-01-24 | 一种基于公路网客流od反推技术的高铁客流需求预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108269399A true CN108269399A (zh) | 2018-07-10 |
| CN108269399B CN108269399B (zh) | 2020-12-25 |
Family
ID=62776617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810069399.7A Active CN108269399B (zh) | 2018-01-24 | 2018-01-24 | 一种基于公路网客流od反推技术的高铁客流需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108269399B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009175A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | Od需求分析算法的性能评估方法和装置 |
| CN110021166A (zh) * | 2019-03-29 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 用于处理用户出行数据的方法、装置和计算设备 |
| CN110363994A (zh) * | 2019-07-25 | 2019-10-22 | 北京建筑大学 | 路网全路段动态交通量获取方法 |
| CN110443422A (zh) * | 2019-08-05 | 2019-11-12 | 北京交通大学 | 基于od吸引度的城市轨道交通od客流预测方法 |
| CN110599765A (zh) * | 2019-08-16 | 2019-12-20 | 华南理工大学 | 一种基于多源数据融合的公路客货运输量指标统计方法 |
| CN111145562A (zh) * | 2018-11-06 | 2020-05-12 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
| CN111160633A (zh) * | 2019-12-19 | 2020-05-15 | 金陵科技学院 | 基于sbs-bp神经网络的公路客运量预测方法 |
| CN112613662A (zh) * | 2020-12-23 | 2021-04-06 | 北京恒达时讯科技股份有限公司 | 公路交通量分析方法、装置、电子设备和存储介质 |
| CN112767689A (zh) * | 2020-12-27 | 2021-05-07 | 交通运输部规划研究院 | 一种基于公路网货车流量数据估算区域货运od分布的方法 |
| CN112767690A (zh) * | 2020-12-27 | 2021-05-07 | 交通运输部规划研究院 | 一种基于断面调查数据的区域路网重型货车流量估算方法 |
| CN114005274A (zh) * | 2021-10-21 | 2022-02-01 | 浙江综合交通大数据开发有限公司 | 基于小客车当量的高速公路收费站分级联动管控方法 |
| CN114372182A (zh) * | 2021-12-24 | 2022-04-19 | 东南大学 | 基于od矩阵反推特定时间多种交通方式出行分布分析方法 |
| CN114626247A (zh) * | 2022-03-28 | 2022-06-14 | 中铁第六勘察设计院集团有限公司 | 一种可验证的基于极大似然法的旅游交通od预测方法 |
| CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
| CN116341882A (zh) * | 2023-05-29 | 2023-06-27 | 中铁第四勘察设计院集团有限公司 | 基于广义效益模型的高铁转移客运量分析方法及系统 |
| CN117725356A (zh) * | 2024-02-08 | 2024-03-19 | 交通运输部科学研究院 | 高速中大客车人员出行量计算方法、装置、设备及介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127040A (zh) * | 2007-09-14 | 2008-02-20 | 东南大学 | 公路起讫点交通流特征的提取方法 |
| CN101350138A (zh) * | 2008-09-02 | 2009-01-21 | 天津市市政工程设计研究院 | 基于货类反推的海港规划年交通生成量预测系统 |
| CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
| CN102393928A (zh) * | 2011-11-22 | 2012-03-28 | 广州市交通规划研究所 | 基于宏、中、微观交通仿真平台交互使用的交通仿真集成系统 |
| CN104183119A (zh) * | 2014-08-19 | 2014-12-03 | 中山大学 | 基于路段od反推的实时交通流分布预测系统 |
| CN104217129A (zh) * | 2014-09-22 | 2014-12-17 | 北京交通大学 | 一种城轨路网客流估算方法 |
| CN105095993A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院（集团）有限责任公司 | 一种轨道站点客流量预测系统及方法 |
| US9208682B2 (en) * | 2014-03-13 | 2015-12-08 | Here Global B.V. | Lane level congestion splitting |
| CN105185116A (zh) * | 2015-09-15 | 2015-12-23 | 广州地理研究所 | 网络集约小客车出行需求热力图构建方法 |
| CN105389640A (zh) * | 2015-12-21 | 2016-03-09 | 苏交科集团股份有限公司 | 市郊铁路客流的预测方法 |
| CN105654721A (zh) * | 2016-01-21 | 2016-06-08 | 哈尔滨工业大学 | 一种采用公交ic卡和车载gps数据计算公交od量的方法 |
| CN106504535A (zh) * | 2016-11-30 | 2017-03-15 | 东南大学 | 一种结合重力模型与Fratar模型的交通分布预测方法 |
| CN107038862A (zh) * | 2017-05-04 | 2017-08-11 | 东南大学 | 一种尾号限行条件下的交通分配修正方法 |
-
2018
- 2018-01-24 CN CN201810069399.7A patent/CN108269399B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127040A (zh) * | 2007-09-14 | 2008-02-20 | 东南大学 | 公路起讫点交通流特征的提取方法 |
| CN101350138A (zh) * | 2008-09-02 | 2009-01-21 | 天津市市政工程设计研究院 | 基于货类反推的海港规划年交通生成量预测系统 |
| CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
| CN102393928A (zh) * | 2011-11-22 | 2012-03-28 | 广州市交通规划研究所 | 基于宏、中、微观交通仿真平台交互使用的交通仿真集成系统 |
| US9208682B2 (en) * | 2014-03-13 | 2015-12-08 | Here Global B.V. | Lane level congestion splitting |
| CN104183119A (zh) * | 2014-08-19 | 2014-12-03 | 中山大学 | 基于路段od反推的实时交通流分布预测系统 |
| CN104217129A (zh) * | 2014-09-22 | 2014-12-17 | 北京交通大学 | 一种城轨路网客流估算方法 |
| CN105095993A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院（集团）有限责任公司 | 一种轨道站点客流量预测系统及方法 |
| CN105185116A (zh) * | 2015-09-15 | 2015-12-23 | 广州地理研究所 | 网络集约小客车出行需求热力图构建方法 |
| CN105389640A (zh) * | 2015-12-21 | 2016-03-09 | 苏交科集团股份有限公司 | 市郊铁路客流的预测方法 |
| CN105654721A (zh) * | 2016-01-21 | 2016-06-08 | 哈尔滨工业大学 | 一种采用公交ic卡和车载gps数据计算公交od量的方法 |
| CN106504535A (zh) * | 2016-11-30 | 2017-03-15 | 东南大学 | 一种结合重力模型与Fratar模型的交通分布预测方法 |
| CN107038862A (zh) * | 2017-05-04 | 2017-08-11 | 东南大学 | 一种尾号限行条件下的交通分配修正方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李夏苗 等: "基于模糊预测的高速铁路客流OD表的推算方法", 《交通运输系统工程与信息》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145562A (zh) * | 2018-11-06 | 2020-05-12 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
| CN111145562B (zh) * | 2018-11-06 | 2021-01-15 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
| CN110009175A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | Od需求分析算法的性能评估方法和装置 |
| CN110021166A (zh) * | 2019-03-29 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 用于处理用户出行数据的方法、装置和计算设备 |
| CN110363994A (zh) * | 2019-07-25 | 2019-10-22 | 北京建筑大学 | 路网全路段动态交通量获取方法 |
| CN110363994B (zh) * | 2019-07-25 | 2020-08-25 | 北京建筑大学 | 路网全路段动态交通量获取方法 |
| CN110443422B (zh) * | 2019-08-05 | 2021-11-19 | 北京交通大学 | 基于od吸引度的城市轨道交通od客流预测方法 |
| CN110443422A (zh) * | 2019-08-05 | 2019-11-12 | 北京交通大学 | 基于od吸引度的城市轨道交通od客流预测方法 |
| CN110599765A (zh) * | 2019-08-16 | 2019-12-20 | 华南理工大学 | 一种基于多源数据融合的公路客货运输量指标统计方法 |
| CN111160633A (zh) * | 2019-12-19 | 2020-05-15 | 金陵科技学院 | 基于sbs-bp神经网络的公路客运量预测方法 |
| CN112613662A (zh) * | 2020-12-23 | 2021-04-06 | 北京恒达时讯科技股份有限公司 | 公路交通量分析方法、装置、电子设备和存储介质 |
| CN112613662B (zh) * | 2020-12-23 | 2023-11-17 | 北京恒达时讯科技股份有限公司 | 公路交通量分析方法、装置、电子设备和存储介质 |
| CN112767689B (zh) * | 2020-12-27 | 2022-06-21 | 交通运输部规划研究院 | 一种基于公路网货车流量数据估算区域货运od分布的方法 |
| CN112767690A (zh) * | 2020-12-27 | 2021-05-07 | 交通运输部规划研究院 | 一种基于断面调查数据的区域路网重型货车流量估算方法 |
| CN112767689A (zh) * | 2020-12-27 | 2021-05-07 | 交通运输部规划研究院 | 一种基于公路网货车流量数据估算区域货运od分布的方法 |
| CN114005274A (zh) * | 2021-10-21 | 2022-02-01 | 浙江综合交通大数据开发有限公司 | 基于小客车当量的高速公路收费站分级联动管控方法 |
| CN114005274B (zh) * | 2021-10-21 | 2023-03-03 | 浙江综合交通大数据开发有限公司 | 基于小客车当量的高速公路收费站分级联动管控方法 |
| CN114372182A (zh) * | 2021-12-24 | 2022-04-19 | 东南大学 | 基于od矩阵反推特定时间多种交通方式出行分布分析方法 |
| CN114372182B (zh) * | 2021-12-24 | 2024-07-23 | 东南大学 | 基于od矩阵反推特定时间多种交通方式出行分布分析方法 |
| CN114626247A (zh) * | 2022-03-28 | 2022-06-14 | 中铁第六勘察设计院集团有限公司 | 一种可验证的基于极大似然法的旅游交通od预测方法 |
| CN114626247B (zh) * | 2022-03-28 | 2024-05-24 | 中铁第六勘察设计院集团有限公司 | 一种可验证的基于极大似然法的旅游交通od预测方法 |
| CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
| CN115620525B (zh) * | 2022-12-16 | 2023-03-10 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
| CN116341882A (zh) * | 2023-05-29 | 2023-06-27 | 中铁第四勘察设计院集团有限公司 | 基于广义效益模型的高铁转移客运量分析方法及系统 |
| CN117725356A (zh) * | 2024-02-08 | 2024-03-19 | 交通运输部科学研究院 | 高速中大客车人员出行量计算方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108269399B (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108269399A (zh) | 一种基于公路网客流od反推技术的高铁客流需求预测方法 | |
| Gao et al. | Does high-speed rail boost tourism growth? New evidence from China | |
| CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及系统 | |
| CN110428096B (zh) | 基于票务信息的城市轨道交通多交路运输组织优化方法 | |
| CN111260221B (zh) | 一种面向城市全局基于动态模型的交通设施承载力评估方法 | |
| Liu et al. | Willingness to board: a novel concept for modeling queuing up passengers | |
| Bi et al. | Express delivery with high-speed railway: Definitely feasible or just a publicity stunt | |
| CN109299438B (zh) | 一种基于网约车数据的公共交通设施供给水平评价方法 | |
| CN107527293A (zh) | 基于统计模型的城市群空间联系强度分析系统 | |
| CN110599765A (zh) | 一种基于多源数据融合的公路客货运输量指标统计方法 | |
| CN107301492A (zh) | 一种基于高斯混合模型的地铁票务清分方法 | |
| CN110222912A (zh) | 基于时间依赖模型的铁路行程路线规划方法及装置 | |
| CN106651728A (zh) | 一种综合运输体系客运方式优势运距的确定方法 | |
| CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
| CN107437123A (zh) | 基于层次分析法的生鲜产品动态优化配送方法 | |
| 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 | |
| CN117745108B (zh) | 一种先进空中交通的客流需求预测方法和系统 | |
| Ke et al. | Determinants of urban spatial scale: Chinese cities in transition | |
| CN113393104A (zh) | 一种轨道交通运行状态对周边公共自行车影响的评价方法 | |
| CN106203887A (zh) | 一种基于交叉分类法的公路网特性分析方法及装置 | |
| Shiau et al. | Mode-based transport sustainability: a comparative study of Taipei and Kaohsiung Cities | |
| CN115169669A (zh) | 一种基于轨迹大数据支持的出租车合乘方法 | |
| CN114119314A (zh) | 基于多源要素流的城市网络综合分析方法和系统 | |
| CN112052898A (zh) | 一种城际高铁乘客的潜在分类模型构建方法和系统 | |
| CN112163807A (zh) | 一种省域在地公路货物运输量的统计方法 |
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 |