CN109544916B - 一种基于抽样轨迹数据的路网车辆od估计方法 - Google Patents

一种基于抽样轨迹数据的路网车辆od估计方法 Download PDF

Info

Publication number
CN109544916B
CN109544916B CN201811331943.7A CN201811331943A CN109544916B CN 109544916 B CN109544916 B CN 109544916B CN 201811331943 A CN201811331943 A CN 201811331943A CN 109544916 B CN109544916 B CN 109544916B
Authority
CN
China
Prior art keywords
matrix
road section
road
time
flow
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
Application number
CN201811331943.7A
Other languages
English (en)
Other versions
CN109544916A (zh
Inventor
唐克双
曹喻旻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201811331943.7A priority Critical patent/CN109544916B/zh
Publication of CN109544916A publication Critical patent/CN109544916A/zh
Application granted granted Critical
Publication of CN109544916B publication Critical patent/CN109544916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于抽样轨迹数据的路网车辆OD估计方法，包括以下步骤：1)将抽样车辆轨迹数据预处理为轨迹向量，并构建先验路段流量矩阵和路段行程时间矩阵，计算得到先验OD矩阵；2)集计抽样车辆的路径选择比例作为全路网分配矩阵，通过估计得到路段流量与路段行程时间标定各路段BPR函数；3)扩展广义最小二乘框架，将OD、路段流量与路段行程时间同时作为决策变量，以交通分配关系与BPR函数作为约束条件，通过梯度下降法对优化模型进行求解。与现有技术相比，本发明具有单源数据、估计结果可靠、动态估计、适用性好等优点。

Description

一种基于抽样轨迹数据的路网车辆OD估计方法
技术领域
本发明涉及智能交通领域的路网交通状态估计领域，尤其是涉及一种基于抽样轨迹数据的路网车辆OD估计方法。
背景技术
城市路网车辆OD，即城市路网中具有相同起讫点的路径流量的集计，是路网层面交通状态最为重要的参数之一，其能够直接反映当前时段下的路网交通需求，在此基础上，城市路网的行程时间估计、拥堵预测以及路径规划研究才能够得以开展。
在过去几十年间，大量研究采用定点检测数据(线圈、地磁、AVI数据等)对城市路网OD进行了估计，通过路网中部分路段的流量检测数据来反推路网OD，从而完成交通分配的逆运算。一方面，全路网的检测器数据源不统一、运维成本高，且大多定点检测器存在设备损坏以及检测失效的问题，另一方面，路网OD估计作为一个欠定问题，对检测器的布点以及覆盖率具有较高的要求，如基于AVI检测器的OD估计方法中，路径重构往往会存在精度不足的问题。随着近年大量联网车辆的出现，其能够提供完整的运行时空数据，同时还能够提供完整的路径与OD信息。因此，移动源的检测数据为OD估计提供了良好的数据基础。相比于传统的定点检测数据，车辆轨迹数据具有上传频率高、数据精度高的优势，且不受布点等因素的影响，能够代表全路网车辆的路径选择方式，因此，建立基于车辆轨迹数据的城市路网OD估计方法具有重要的现实意义。
另一方面，现有的OD估计解析模型大多依赖于路网的先验信息，如：通过交通调查得到的路网OD信息或是关于路网部分路径的历史流量信息，这些数据一方面只限于路网的局部，另一方面其时效性也较差；而基于机器学习的估计方法往往需要大量、多源的数据来进行训练，且往往模型泛化能力较差，不具有迁移性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于抽样轨迹数据的路网车辆OD估计方法。
本发明的目的可以通过以下技术方案来实现：
一种基于抽样轨迹数据的路网车辆OD估计方法，包括以下步骤：
1)将抽样车辆轨迹数据预处理为轨迹向量，并构建先验路段流量矩阵和路段行程时间矩阵，计算得到先验OD矩阵；
2)集计抽样车辆的路径选择比例作为全路网分配矩阵，通过估计得到路段流量与路段行程时间标定各路段BPR函数；
3)扩展广义最小二乘框架，将OD、路段流量与路段行程时间同时作为决策变量，以交通分配关系与BPR函数作为约束条件，通过梯度下降法对优化模型进行求解。
所述的步骤1)中，轨迹向量包括车辆ID、轨迹点位置以及当前速度。
所述的步骤1)具体包括以下步骤：
11)构建先验路段流量矩阵
Figure GDA0002375576640000021
其表达式为：
Figure GDA0002375576640000022
其中，下标i表示时段，下标l表示路段，
Figure GDA0002375576640000023
为路段渗透率矩阵，
Figure GDA0002375576640000024
为路段抽样流量矩阵，Nc为周期总数，c为周期，lla为最后一辆抽样轨迹停车位置，nla为时段i内停车抽样轨迹数，Rla为叉口该路段的红灯时长，la为车道编号，lns为车道总数，tla为最后一条抽样轨迹的停车时间；
12)构建先验路段行程时间矩阵：
121)对于非停车车辆轨迹，车辆的路段行程时间
Figure GDA0002375576640000025
的表达式为：
Figure GDA0002375576640000026
其中，t1为路段第一个轨迹点之前的行程时间，t2为路段最后一个轨迹点之后的行程时间，tdown-tup为路段第一个轨迹点与最后一个轨迹点之间的行程时间，lup为第一个轨迹点之前的路段长度，vup为第一个轨迹点的速度，ldown为最后一个轨迹点之后的路段长度，vdown为最后一个轨迹点的速度；
122)对于停车车辆轨迹，车辆的路段行程时间
Figure GDA0002375576640000031
的表达式为：
Figure GDA0002375576640000032
其中，lup为第一个轨迹点之前的路段长度，vup为第一个轨迹点的速度，
Figure GDA0002375576640000033
为停车位置与路段出口之间的近似轨迹点时长；
123)计算先验路段平均行程时间矩阵
Figure GDA0002375576640000034
其计算式为：
Figure GDA0002375576640000035
13)构建先验OD矩阵：采用路径流量推断法或总体需求重现法构建先验OD矩阵。
所述的步骤13)中，采用路径流量推断法构建先验OD矩阵的具体步骤如下：
1311)设定通过路段l的抽样车辆OD对分布与通过路段的全样车辆OD对分布一致，通过将部分关键路段的流量按照抽样车辆的OD对分布比例
Figure GDA0002375576640000036
分配到各个路径上，获得路径流量
Figure GDA0002375576640000037
其计算式为：
Figure GDA0002375576640000038
1312)对具有相同起讫点的路径流量进行集计，获取OD对r的流量ni,r，其计算式为：
Figure GDA0002375576640000039
其中，pa为当前计算路径，paths为计算总路径数；
1313)通过时段波动系数ki与重复流量的期望值
Figure GDA00023755766400000310
对OD对r的流量进行修正，从而获取OD对r在时段i内的需求值
Figure GDA00023755766400000311
所述的时段波动系数ki的计算式为：
Figure GDA00023755766400000312
所述的重复流量的期望值
Figure GDA00023755766400000313
的计算式为：
Figure GDA00023755766400000314
Figure GDA00023755766400000315
其中，I为时段总数，
Figure GDA00023755766400000316
分别为通过路段平均行程时间和时段长度，pol为车辆跨时段出行的概率，Lpath为总路段数，
Figure GDA00023755766400000317
为(i-τ)时段内跨时段出行的车辆数，τ为跨时段出行车辆所跨时段数。
所述的步骤13)中，采用总体需求重现法构建先验OD矩阵的具体步骤如下：
1321)通过全路网轨迹计数与估计所得全路网平均渗透率
Figure GDA0002375576640000041
计算全路网车辆总数nW，计算式为：
Figure GDA0002375576640000042
其中，I为时段总数，ni,r为OD对r的流量，R为OD对总数；
1322)设定抽样车辆OD对分布与全样车辆OD对分布一致，则将全样车辆数按照抽样车辆OD对比例kr分配至OD对r，获取各OD对内的车辆数，计算式为：
ni,r＝kr·nW；
1323)通过时段波动系数ki与重复流量的期望值
Figure GDA0002375576640000043
对OD对r的流量进行修正，从而得到OD对r在时段i内的需求值
Figure GDA0002375576640000044
所述的步骤2)具体包括以下步骤：
21)集计抽样轨迹路径选择比例作为路网分配系数矩阵，时段i内OD对r的分配系数ai,r的计算式为：
Figure GDA0002375576640000045
其中，
Figure GDA0002375576640000046
为由时段i从OD对r出发，在时段(i+m)经过路段l的车辆数，
Figure GDA0002375576640000047
为由时段i从OD对r出发的所有车辆数；
22)在路段BPR函数基础上，通过估计路段流量与估计路段行程时间对该函数进行标定，BPR函数形式如下：
Figure GDA0002375576640000048
其中，ti,l为时段i内路段l的平均行程时间，
Figure GDA0002375576640000049
为路段l的自由流行程时间，Cl为路段l的通行能力，α、β为待标定参数。
所述的步骤3)具体包括以下步骤：
31)将OD矩阵、路段流量矩阵、路段平均行程时间矩阵同时作为决策变量，采用相对误差平方和最小化形式构建优化模型的目标函数；
32)将分配关系与BPR函数通过期望误差阈值ε约束作为不等式约束；
33)模型通过梯度下降法进行迭代求解，将第k次迭代求解的最优解作为第(k+1)次迭代求解的先验矩阵，经多次迭代后输出得到最终估计值。
所述的优化模型的表达式为：
Figure GDA0002375576640000051
Figure GDA0002375576640000052
其中，Z为目标函数，ω1,ω2,ω3为三项权值，Q,X,T分别为目标OD矩阵、目标路段流量矩阵以及目标路段行程时间矩阵，
Figure GDA0002375576640000053
分别为先验OD矩阵、路段流量矩阵以及路段行程时间矩阵，A为分配矩阵。
与现有技术相比，本发明具有以下优点：
一、单源数据：本发明的优化模型仅基于联网车辆轨迹数据来进行估计，通过充分挖掘轨迹数据计算得到多个先验矩阵，从而不需要任何历史数据来进行；
二、估计结果可靠：本发明在扩展广义最小二乘模型的基础上，通过结合交通分配与路段行程时间两大交通流宏观、微观约束，同时得到了可靠的路网OD矩阵、路段流量矩阵以及路段行程时间矩阵；
三、动态估计：模型通过将非线性约束近似化，从而完成了快速的迭代求解，为模型的动态估计提供了计算基础，同时，模型本身能够通过更新收集的轨迹数据进行动态估计，具有较佳的现实适用性。
附图说明
图1为路段非停车轨迹行程时间估计示意图。
图2为路段停车轨迹行程时间估计示意图。
图3为仿真路网参数设置示意图。
图4为仿真场景模型迭代求解精度变化图，其中，图(4a)为OD矩阵RMSE，图(4b)为OD估计值WMAPE，图(4c)为路段流量RMSE，图(4d)为路段流量WMAPE，图(4e)为路段行程时间RMSE，图(4f)为路段行程时间WMAPE。
图5为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例：
如图5所示，本发明提供一种基于抽样轨迹数据的路网车辆OD估计方法，包括以下步骤：
1)获取抽样车辆轨迹数据与预处理，并挖掘构建先验路段流量矩阵、路段行程时间矩阵，并计算得到先验OD矩阵；
11)构建先验路段流量矩阵。根据抽样轨迹数据按分析时段i以及路段l分别计数即可得到路段抽样流量矩阵
Figure GDA0002375576640000061
根据各交叉口该路段的红灯时长Rla、时段i内停车抽样轨迹数nla以及最后一辆抽样轨迹停车位置lla，的可估算得到一个周期内的路段平均渗透率矩阵
Figure GDA0002375576640000062
对Nc个周期内的渗透率矩阵取均值，则可估计得到路段渗透率矩阵
Figure GDA0002375576640000063
通过该矩阵对抽样流量矩阵进行放大，建立先验路段流量矩阵
Figure GDA0002375576640000064
计算如下：
Figure GDA0002375576640000065
12)构建先验路段行程时间矩阵。将抽样轨迹按照分析时段i以及路段l进行划分，在同一时段内，对非停车车辆轨迹与停车车辆轨迹进行分别讨论：
(1)对于非停车车辆轨迹(见图1)，车辆的路段行程时间
Figure GDA0002375576640000066
为三部分时间之和：路段第一个轨迹点之前的行程时间t1(由第一个轨迹点之前的路段长度lup以及第一个轨迹点的速度vup计算)，路段最后一个轨迹点之后的行程时间t2(由最后一个轨迹点之后的路段长度ldown以及最后一个轨迹点的速度vdown计算)以及两轨迹点之间的行程时间(tdown-tup)，计算如下：
Figure GDA0002375576640000067
(2)对于停车车辆轨迹(见图2)，车辆的路段行程时间
Figure GDA0002375576640000068
也为三部分时间之和：路段第一个轨迹点之前的行程时间t1(由第一个轨迹点之前的路段长度lup以及第一个轨迹点的速度vup计算)，路段最后一个轨迹点之后的行程时间t2(通过停车位置与路段出口之间的距离le选取近似轨迹点时长
Figure GDA0002375576640000069
对该时间进行估计)以及两轨迹点之间的行程时间(tdown-tup)，计算如下：
Figure GDA00023755766400000610
对时段i内通过路段l所有抽样车辆行程时间进行平均，即可得到先验路段平均行程时间矩阵，计算如下：
Figure GDA0002375576640000071
13)构建先验OD矩阵。发明提出两种方法对先验OD矩阵进行估计：路径流量推断法以及总体需求重现法。
路径流量推断法步骤如下：
(1)假设通过路段l的抽样车辆OD对分布与通过路段的全样车辆OD对分布一致，则通过将部分关键路段的流量按照抽样车辆的OD对分布比例
Figure GDA0002375576640000072
分配到各个路径上，即可得出路径流量
Figure GDA0002375576640000073
计算如下：
Figure GDA0002375576640000074
(2)对具有相同起讫点的路径流量进行集计，即可得到OD对r的流量，计算如下：
Figure GDA0002375576640000075
(3)通过时段波动系数ki与重复流量的期望值
Figure GDA0002375576640000076
对OD对r的流量进行修正，从而得到OD对r在时段i内的需求值
Figure GDA0002375576640000077
时段波动系数ki，通过计算当前计算路径pa所包含的路段流量在当前时段的归一值来计算；假设行程跨时段的车辆数服从二项分布，，则行程跨时段的车辆数的概率为通过路段平均行程时间
Figure GDA0002375576640000078
与时段长度
Figure GDA0002375576640000079
之比，则重复流量的期望值
Figure GDA00023755766400000710
可计算如下：
Figure GDA00023755766400000711
Figure GDA00023755766400000712
Figure GDA00023755766400000713
总体需求重现法步骤如下：
(1)通过全路网轨迹计数与估计所得全路网平均渗透率
Figure GDA00023755766400000714
可得到全路网车辆总数求nW，计算如下：
Figure GDA00023755766400000715
(2)假设抽样车辆OD对分布与全样车辆OD对分布一致，则将全样车辆数按照抽样车辆OD对比例kr分配至OD对r，即可得到各OD对内的车辆数，计算如下：
ni,r＝kr·nW
(3)同路段流量推断法第三步，通过时段波动系数ki与重复流量的期望值
Figure GDA0002375576640000081
对OD对r的流量进行修正，从而得到OD对r在时段i内的需求值
Figure GDA0002375576640000082
2)集计抽样车辆的路径选择比例作为全路网分配矩阵、通过估计得到路段流量与路段行程时间标定各路段BPR函数：
21)集计抽样轨迹路径选择比例作为路网分配系数矩阵。集计由时段i从OD对r出发，在时段(i+m)经过路段l的车辆数
Figure GDA0002375576640000083
集计由时段i从OD对r出发的所有车辆数
Figure GDA0002375576640000084
则时段i、OD对r的分配系数ai,r，计算如下：
Figure GDA0002375576640000085
22)在路段BPR函数基础上，通过估计路段流量与估计路段行程时间对该函数进行标定，BPR函数形式如下：
Figure GDA0002375576640000086
3)扩展广义最小二乘框架，将OD、路段流量与路段行程时间同时作为决策变量，以交通分配关系与BPR函数作为约束条件，通过梯度下降法对优化模型进行求解：
31)将OD矩阵、路段流量矩阵、路段平均行程时间矩阵同时作为决策变量，ω1,ω2,ω3为三项权值，采用相对误差平方和最小化形式构建目标函数；
32)将分配关系与BPR函数通过期望误差阈值ε约束为不等式约束；
33)模型通过梯度下降法进行迭代求解，将第k次迭代求解的最优解作为第(k+1)次迭代求解的先验矩阵，经多次迭代后输出得到最终估计值。
优化模型表示如下：
Figure GDA0002375576640000087
Figure GDA0002375576640000091
其中，Z为目标函数，Q,X,T分别为目标OD矩阵、目标路段流量矩阵以及目标路段行程时间矩阵，
Figure GDA0002375576640000092
分别为估计所得先验OD矩阵、路段流量矩阵以及路段行程时间矩阵，A为分配矩阵。
4)运用VISSIM建立城市车辆路网的仿真模型，对OD估计方法进行验证。
本发明运用VISSIM建立城市车辆路网的仿真模型对OD估计方法进行验证，图3所示为有由9个单点信号控制交叉口与48条路段组成的路网，路网设置有107个OD对，前600秒为路网预热阶段，计算分析时长为3效实，并将其等分为18个时段(每个时段10分钟)。车辆轨迹采样为在每个车辆输入口处随机抽取，采样率为15％，采样频率为5秒/次，采样保证了路网各路段的渗透率的随机性。路网各车辆输入口、限速值、路段长度、配时方案与周其长度见图3。估计结果通过计算估计值与真实值得均方误差(RMSE)与加权平均绝对百分误差(WMAPE)进行评估，指标计算如下：
Figure GDA0002375576640000093
Figure GDA0002375576640000094
表1 仿真场景估计精度
Figure GDA0002375576640000095
通过迭代求解算法，两项指标均逐步下降(见图4)，由仿真验证结果可知，实施例中本发明估计所得先验OD矩阵、先验路段流量矩阵、先验路段行程时间矩阵均有较佳的精度，通过扩展的广义最小二乘框架进行优化，得到了可靠的估计值，总体上在有限的计算成本内获得了可靠的OD矩阵、全路网的路段流量与路段行程时间值。

Claims (4)

1.一种基于抽样轨迹数据的路网车辆OD估计方法，其特征在于，包括以下步骤：
1)将抽样车辆轨迹数据预处理为轨迹向量，并构建先验路段流量矩阵和路段行程时间矩阵，计算得到先验OD矩阵，具体包括以下步骤：
11)构建先验路段流量矩阵
Figure FDA0002375576630000011
其表达式为：
Figure FDA0002375576630000012
其中，下标i表示时段，下标l表示路段，
Figure FDA0002375576630000013
为路段渗透率矩阵，
Figure FDA0002375576630000014
为路段抽样流量矩阵，Nc为周期总数，c为周期，lla为最后一辆抽样轨迹停车位置，nla为时段i内停车抽样轨迹数，Rla为叉口该路段的红灯时长，la为车道编号，lns为车道总数，tla为最后一条抽样轨迹的停车时间；
12)构建先验路段行程时间矩阵：
121)对于非停车车辆轨迹，车辆的路段行程时间
Figure FDA0002375576630000015
的表达式为：
Figure FDA0002375576630000016
其中，t1为路段第一个轨迹点之前的行程时间，t2为路段最后一个轨迹点之后的行程时间，tdown-tup为路段第一个轨迹点与最后一个轨迹点之间的行程时间，lup为第一个轨迹点之前的路段长度，vup为第一个轨迹点的速度，ldown为最后一个轨迹点之后的路段长度，vdown为最后一个轨迹点的速度；
122)对于停车车辆轨迹，车辆的路段行程时间
Figure FDA0002375576630000017
的表达式为：
Figure FDA0002375576630000018
其中，lup为第一个轨迹点之前的路段长度，vup为第一个轨迹点的速度，
Figure FDA0002375576630000019
为停车位置与路段出口之间的近似轨迹点时长；
123)计算先验路段平均行程时间矩阵
Figure FDA00023755766300000110
其计算式为：
Figure FDA00023755766300000111
13)构建先验OD矩阵：采用路径流量推断法或总体需求重现法构建先验OD矩阵，采用路径流量推断法构建先验OD矩阵的具体步骤如下：
1311)设定通过路段l的抽样车辆OD对分布与通过路段的全样车辆OD对分布一致，通过将部分关键路段的流量按照抽样车辆的OD对分布比例
Figure FDA0002375576630000021
分配到各个路径上，获得路径流量
Figure FDA0002375576630000022
其计算式为：
Figure FDA0002375576630000023
1312)对具有相同起讫点的路径流量进行集计，获取OD对r的流量ni，r，其计算式为：
Figure FDA0002375576630000024
其中，pa为当前计算路径，paths为计算总路径数；
1313)通过时段波动系数ki与重复流量的期望值
Figure FDA0002375576630000025
对OD对r的流量进行修正，从而获取OD对r在时段i内的需求值
Figure FDA0002375576630000026
所述的时段波动系数ki的计算式为：
Figure FDA0002375576630000027
所述的重复流量的期望值
Figure FDA0002375576630000028
的计算式为：
Figure FDA0002375576630000029
Figure FDA00023755766300000210
其中，I为时段总数，
Figure FDA00023755766300000211
分别为通过路段平均行程时间和时段长度，pol为车辆跨时段出行的概率，Lpath为总路段数，
Figure FDA00023755766300000212
为(i-τ)时段内跨时段出行的车辆数，τ为跨时段出行车辆所跨时段数；
2)集计抽样车辆的路径选择比例作为全路网分配矩阵，通过估计得到路段流量与路段行程时间标定各路段BPR函数；
3)扩展广义最小二乘框架，将OD、路段流量与路段行程时间同时作为决策变量，以交通分配关系与BPR函数作为约束条件，通过梯度下降法对优化模型进行求解，具体包括以下步骤：
31)将OD矩阵、路段流量矩阵、路段平均行程时间矩阵同时作为决策变量，采用相对误差平方和最小化形式构建优化模型的目标函数；
32)将分配关系与BPR函数通过期望误差阈值ε约束作为不等式约束；
33)模型通过梯度下降法进行迭代求解，将第k次迭代求解的最优解作为第(k+1)次迭代求解的先验矩阵，经多次迭代后输出得到最终估计值；
所述的优化模型的表达式为：
Figure FDA0002375576630000031
Figure FDA0002375576630000032
其中，Z为目标函数，ω1，ω2，ω3为三项权值，Q，X，T分别为目标OD矩阵、目标路段流量矩阵以及目标路段行程时间矩阵，
Figure FDA0002375576630000033
分别为先验OD矩阵、路段流量矩阵以及路段行程时间矩阵，A为分配矩阵。
2.根据权利要求1所述的一种基于抽样轨迹数据的路网车辆OD估计方法，其特征在于，所述的步骤1)中，轨迹向量包括车辆ID、轨迹点位置以及当前速度。
3.根据权利要求1所述的一种基于抽样轨迹数据的路网车辆OD估计方法，其特征在于，所述的步骤13)中，采用总体需求重现法构建先验OD矩阵的具体步骤如下：
1321)通过全路网轨迹计数与估计所得全路网平均渗透率
Figure FDA0002375576630000034
计算全路网车辆总数nW，计算式为：
Figure FDA0002375576630000035
其中，I为时段总数，ni，r为OD对r的流量，R为OD对总数；
1322)设定抽样车辆OD对分布与全样车辆OD对分布一致，则将全样车辆数按照抽样车辆OD对比例kr分配至OD对r，获取各OD对内的车辆数，计算式为：
ni，r＝kr·nW；
1323)通过时段波动系数ki与重复流量的期望值
Figure FDA0002375576630000036
对OD对r的流量进行修正，从而得到OD对r在时段i内的需求值
Figure FDA0002375576630000037
4.根据权利要求1所述的一种基于抽样轨迹数据的路网车辆OD估计方法，其特征在于，所述的步骤2)具体包括以下步骤：
21)集计抽样轨迹路径选择比例作为路网分配系数矩阵，时段i内OD对r的分配系数ai，r的计算式为：
Figure FDA0002375576630000041
其中，
Figure FDA0002375576630000042
为由时段i从OD对r出发，在时段(i+m)经过路段l的车辆数，
Figure FDA0002375576630000043
为由时段i从OD对r出发的所有车辆数；
22)在路段BPR函数基础上，通过估计路段流量与估计路段行程时间对该函数进行标定，BPR函数形式如下：
Figure FDA0002375576630000044
其中，ti，l为时段i内路段l的平均行程时间，
Figure FDA0002375576630000045
为路段l的自由流行程时间，Cl为路段l的通行能力，α、β为待标定参数。
CN201811331943.7A 2018-11-09 2018-11-09 一种基于抽样轨迹数据的路网车辆od估计方法 Active CN109544916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811331943.7A CN109544916B (zh) 2018-11-09 2018-11-09 一种基于抽样轨迹数据的路网车辆od估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811331943.7A CN109544916B (zh) 2018-11-09 2018-11-09 一种基于抽样轨迹数据的路网车辆od估计方法

Publications (2)

Publication Number Publication Date
CN109544916A CN109544916A (zh) 2019-03-29
CN109544916B true CN109544916B (zh) 2020-06-26

Family

ID=65846594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811331943.7A Active CN109544916B (zh) 2018-11-09 2018-11-09 一种基于抽样轨迹数据的路网车辆od估计方法

Country Status (1)

Country Link
CN (1) CN109544916B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111063189B (zh) * 2019-11-05 2022-05-03 阿里巴巴集团控股有限公司 一种车流量的处理方法、装置、及电子设备
CN112767690B (zh) * 2020-12-27 2022-03-29 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
CN113240902B (zh) * 2021-03-25 2022-06-07 同济大学 一种基于抽样车辆轨迹数据的信控路网路径流量估计方法
CN115273452A (zh) * 2021-04-29 2022-11-01 阿里巴巴新加坡控股有限公司 路况确定方法、装置及计算机可读存储介质
CN114093196B (zh) * 2021-11-17 2023-05-09 湖北大学 基于移动性权重分簇算法的智能停车位选择方法
CN115662144B (zh) * 2022-12-23 2023-04-07 深圳市城市交通规划设计研究中心股份有限公司 一种动态od交通流推算补全方法、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4481235B2 (ja) * 2005-11-01 2010-06-16 恭敬 飯田 ゾーン別発生・集中交通量とｏｄ交通量の高精度推定方法
CN101373559B (zh) * 2007-08-24 2010-08-18 同济大学 基于浮动车数据评估城市路网交通状态的方法
CN101751777B (zh) * 2008-12-02 2011-11-16 同济大学 基于空间聚类分析的城市路网交通小区动态划分方法
CN105787858B (zh) * 2016-03-29 2020-05-15 交通运输部公路科学研究所 一种高速公路网态势推演方法
CN107978152B (zh) * 2017-11-23 2021-03-12 上海交通大学 一种用于交通子网络出行矩阵估算的最大熵方法

Also Published As

Publication number Publication date
CN109544916A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109544916B (zh) 一种基于抽样轨迹数据的路网车辆od估计方法
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
WO2021012982A1 (zh) 一种车外大气污染环境下列车乘员健康预警系统及其方法
CN111667101B (zh) 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统
KR20200023697A (ko) 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체
CN111951553B (zh) 一种基于交通大数据平台与中观仿真模型的预测方法
CN105513356B (zh) 一种基于轨迹追踪的od矩阵估计方法与系统
CN113724489B (zh) 基于多源数据的交通拥堵溯源方法
CN104574967A (zh) 一种基于北斗的城市大面积路网交通感知方法
CN114881356A (zh) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
CN113255088B (zh) 一种卡口过车记录的数据补全方法及系统
CN112652172B (zh) 一种基于车辆gps轨迹的路段交通量分析方法
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN111881557B (zh) 基于道路平均速度的车流仿真方法
Chen et al. Prediction of dynamic freeway travel times based on vehicle trajectory construction
KR101123967B1 (ko) 교통 정체 예측 시스템, 예측 방법 및 그 기록 매체
CN112967493A (zh) 一种基于神经网络的车辆通过交叉口行程时间的预测方法
Zhang et al. Extracting origin-destination with vehicle trajectory data and applying to coordinated ramp metering
Anusha et al. Data fusion based hybrid approach for the estimation of urban arterial travel time
Mirzahossein et al. How realistic is static traffic assignment? Analyzing automatic number-plate recognition data and image processing of real-time traffic maps for investigation
CN111710160A (zh) 一种基于浮动车数据的行程时间预测方法
Zhou et al. Dynamic origin-destination trip demand estimation for subarea analysis
CN112201061B (zh) 一种基于电警卡口数据的交叉口配时方案估计方法
CN107730882A (zh) 基于人工智能的道路拥堵预测系统及方法
CN112201035A (zh) 一种轨迹数据驱动的信控交叉口周期流量估计方法

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