CN110853375A - 考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法 - Google Patents

Abstract

本发明提出了一种新型的考虑重叠路径影响的随机用户均衡逐日路径交通流预测方法，可以模拟随机用户均衡下的出行者路径流量的逐日演化过程。该方法可通过调查所得的初始网络路径流量模式预测其后任意第N天的路径流量模式，从而为未来一段时间内交通管控措施的制定与实施，提出指导性的意见。本发明通过定义重叠成本，将路径重叠对出行者路径选择行为的影响考虑在内，从而使模型更接近于实际情况，提高了流量预测可靠性，此外本发明中的流量调整比的数值可以随着演化过程的发展而自动调整。这不但省去了调查的麻烦，还更加符合实际情况。

Description

考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法

技术领域

本发明属于交通流量分布预测技术领域，特别是涉及考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法。

背景技术

交通分配模型用于预测在均衡状态下，交通网络中的路段流量或者路径流量。传统交通分配模型假设出行者的路径选择行为满足用户均衡分配模型(User Equilibrium简称UE)或者随机用户均衡分配模型(Stochastic User Equilibrium简称SUE)。其中SUE模型假设，人们对于路径出行时间的感知是有误差的，因此在SUE解点上，没有一个出行者可以通过单方面改变路径来降低自己的理解出行时间。

传统交通分配模型关注的是交通网络最终的均衡状态，无法描述出行者的学习行为以及路径调整过程，而交通流的逐日动态演化模型通过模拟网络交通流的动态演化过程，可预测交通流在逐步趋近均衡状态的过程中，某一天的网络流量分布情况。因此，逐日动态演化模型比交通分配模型更能够反映网络中交通流的时变特性。

其中，逐日动态演化模型根据交通流演化载体的不同可分为路径模型与路段模型，路径模型以路径流量作为变量，这类模型能够更为直观地反映出行者的出行选择行为，路段模型以路段流量作为变量，这类模型无法精确描述出行者的个体行为，只能够反映出行者路径选择的宏观情况。

由于传统的随机用户逐日动态演化模型具有不相关备选方案的独立性，即不考虑路径之间的重叠(相似性)问题，使得路径重叠程度较高的路径分配的流量可能较大，重叠程度较低的路径分配的流量较小，导致预测结果与实际情况会有较大差别，为了克服传统逐日动态演化模型不相关备选方案的独立性，本发明在随机用户均衡状态(SUE)的基础上，提出了基于路径流量的交通流逐日动态预测方法，针对重叠路径问题提出有效的解决方案。

发明内容

为了解决上述存在的问题，本发明提供考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，可以模拟随机用户均衡下的出行者路径流量的逐日演化过程。该方法可通过调查所得的初始网络路径流量模式预测其后任意第N天的路径流量模式，从而为未来一段时间内交通管控措施的制定与实施，提出指导性的意见，为达此目的，本发明提供考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，具体步骤如下：

将本预测方法中出现的符号定义如下：

考虑交通网络G＝(N,A)，其中N是节点集合、A是有向路段集合，令C表示路网中所有OD对的集合，d_pq表示OD对(p,q)∈C之间出行者的交通需求量，R_pq表示OD对(p,q)∈C之间的路径集合，设C_a、

为路段a∈A的通行能力与自由流行驶时间，为第k天路段a上的流量与行驶时间，设

为OD对(p,q)∈C之间路径r∈R_pq的自由流行驶时间，

分别为第k天OD对(p,q)之间路径r上的实际流量，目标流量及行驶时间，令

表示第k天的实际路径流量向量与目标路径流量向量，路段-路径关联系数由δ_pqra表示，如果路段a在连接OD对(p,q)的路径r上，δ_pqra＝1；否则δ_pqra＝0；

假设出行者依据Logit准则，动态调整其出行路径，令α^(k)∈[0,1]表示出行者的流量调整比，即第k天愿意重新选择路径的出行者所占出行者总数的比例，设e_pqr为OD对(p,q)的之间路径r∈R_pq与路径l∈R_pq，r≠l重叠时额外产生的重叠成本；

考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法的详细步骤如下：

步骤0.组织交通调查，确定交通网络中每个OD对之间出行者的需求量(d_pq,(p,q)∈C)^T，各路径的初始路径流量

及出行者的分散系数参数θ，给定预测时间跨度N，置k＝0；

步骤1.由(p,q)∈C，计算各路径的重叠成本e_pqr；

步骤2.若k＝＝N，则第N天的路径流量的预测值为

停止迭代；否则，转步骤3；

步骤3.由

计算第k天各路段的路段流量

步骤4.由

计算第k天各路段的行驶时间

步骤5.由

计算第k天各路径的行驶时间

步骤6.按照下式，确定第k天各路径的目标流量；

从而得到第k天的目标路径流量向量

步骤7.运用黄金分割法，求出满足下式的α^(k)，作为第k天的流量调节比

其中，

为网络中出行者的势函数；

步骤8.由h^(k+1)＝(1-α^(k))h^(k)+α^(k)y^(k)预测第k+1天的路径流量向量；

置k＝k+1，返回步骤2；

通过上述过程，可预测任意第N天的网络路径流量模式。

作为本发明进一步改进，步骤1中：考虑路径重叠对出行者路径选择行为的影响，构造路径的重叠成本函数e_pqr：

网络中同一OD对之间的路径会出现部分路段重合的现象，重叠路径的存在会降低所在路径被出行者感知的概率，从而减少该路径的效用值，使得出行者倾向于选择独立性较高的路径，避免选择与多条路径重叠的路径；

引入e_pqr表示路径r∈R_pq与路径l∈R_pq，r≠l重叠时额外产生的重叠成本，调节随机用户均衡下出行者选择路径r∈R_pq作为第k+1天出行路径的概率

以削弱重叠路径对流量预测可靠性的影响，路径r∈R_pq的重叠成本e_pqr由下式确定：

其中，

是OD对(p,q)∈C之间路径r∈R_pq的长度，

是OD对(p,q)∈C之间路径l∈R_pq的长度，是OD对(p,q)∈C之间路径r与路径l重叠部分的长度，参数β恒大于0，在实际应用时，根据网络第0天的路径流量模式h⁽⁰⁾对β进行估计。

作为本发明进一步改进，步骤7中的流量调整比α^(k)有以下5个子步骤确定：

步骤7.1给定容许误差δ＞0，设函数

令a₁＝0，b₁＝1，按照以下两式计算初始试探点λ₁，μ₁：

λ₁＝a₁+0.382(b₁-a₁), (4)

μ₁＝a₁+0.618(b₁-a₁), (5)

计算

和

置j＝1。

步骤7.2若转步骤7.3；否则，转步骤7.4。

步骤7.3若b_j-λ_j≤δ，则停止迭代，输出α^(k)＝μ_j；否则，令a_j+1＝λ_j，b_j+1＝b_j，λ_j+1＝μ_j，μ_j+1＝a_j+1+0.618(b_j+1-a_j+1)，计算

与

转步骤7.5。

步骤7.4若μ_j-a_j≤δ，则停止迭代，输出α^(k)＝λ_j；否则，令a_j+1＝a_j，b_j+1＝μ_j，μ_j+1＝λ_j，λ_j+1＝a_j+1+0.382(b_j+1-a_j+1)，计算

与

转步骤7.5。

步骤7.5令j＝j+1，转步骤7.2。

4.根据权利要求1所述的考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，其特征在于：步骤8中：第k+1天的路径流量模式h(^k+1)由下式确定：

h^(k+1)＝(1-α^(k))h^(k)+α^(k)y^(k). (6)

上式表示第k天只有α^(k)的出行者会根据当天的网络路径流量分布重新评估第k+1天的出行路径，并确定目标路径流量模式y^(k)；而其余不愿意评估次日出行路径的出行者会坚持第k天的出行路径，路径流量保持不变。

本发明提供考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，本发明的有益效果如下

(1)传统的交通流逐日动态演化模型没有考虑重叠路径对出行者路径选择行为的影响。但实际情况是，对于重叠程度较高的某两条路径，出行者往往将其视为同一条路径，导致这两条路径的实际流量比传统模型计算求得的流量要小。换句话说，如果某条路径与其他路径的重叠程度较高，则出行者对这条路径的感知阻抗就会高于其实际行驶时间。如果某条路径不与任何路径有重叠，则出行者对这条路径的感知阻抗就等于该路径的路径行驶时间。

本专利的第一个有益效果，在于通过定义重叠成本，将路径重叠对出行者路径选择行为的影响考虑在内，从而使模型更接近于实际情况，提高了流量预测可靠性。

(2)传统的交通流逐日动态演化模型在预测过程中，需要预先调查出行者的流量调整比，即愿意重新选择路径的出行者所占出行者总数的比例。为了方便调查，传统模型均假设该流量调整比是一个常数。但实际上，越到后期，愿意调整路径的出行者会越少。因此，出行者的流量调整比是随着演化过程的持续而不断发生变化的。

本发明的第二个有益效果，在于发明中的流量调整比的数值可以随着演化过程的发展而自动调整。这不但省去了调查的麻烦，还更加符合实际情况。

因此，本发明是对交通分配理论和实践有积极探索意义的创新，具有较强的理论价值和现实意义。

附图说明

图1本发明的流程框图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，可以模拟随机用户均衡下的出行者路径流量的逐日演化过程。该方法可通过调查所得的初始网络路径流量模式预测其后任意第N天的路径流量模式，从而为未来一段时间内交通管控措施的制定与实施，提出指导性的意见。

本发专利由算法设计以及具体实施方式两部分构成，具体技术方案如下：

(1)算法设计

考虑交通网络G＝(N,A)，其中N是节点集合、A是有向路段集合，令C表示路网中所有OD对的集合，d_pq表示OD对(p,q)∈C之间出行者的交通需求量，R_pq表示OD对(p,q)∈C之间的路径集合，设C_a、为路段a∈A的通行能力与自由流行驶时间，

为第k天路段a上的流量与行驶时间，设

为OD对(p,q)∈C之间路径r∈R_pq的自由流行驶时间，

分别为第k天OD对(p,q)之间路径r上的实际流量，目标流量及行驶时间，令

表示第k天的实际路径流量向量与目标路径流量向量，路段-路径关联系数由δ_pqra表示，如果路段a在连接OD对(p,q)的路径r上，δ_pqra＝1；否则δ_pqra＝0；

假设出行者依据Logit准则，动态调整其出行路径，令α^(k)∈[0,1]表示出行者的流量调整比，即第k天愿意重新选择路径的出行者所占出行者总数的比例，设e_pqr为OD对(p,q)的之间路径r∈R_pq与路径l∈R_pq，r≠l重叠时额外产生的重叠成本。

考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法步骤如下：

步骤0.组织交通调查，确定交通网络中每个OD对之间出行者的需求量(d_pq,(p,q)∈C)^T，各路径的初始路径流量

及出行者的分散系数参数θ，给定预测时间跨度N，置k＝0；

步骤1.由

(p,q)∈C，计算各路径的重叠成本e_pqr；

步骤2.若k＝＝N，则第N天的路径流量的预测值为

停止迭代；否则，转步骤3；

步骤3.由

计算第k天各路段的路段流量

步骤4.由

计算第k天各路段的行驶时间

步骤5.由

计算第k天各路径的行驶时间

步骤6.按照下式，确定第k天各路径的目标流量；

从而得到第k天的目标路径流量向量

步骤7.运用黄金分割法，求出满足下式的α^(k)，作为第k天的流量调节比

其中，为网络中出行者的势函数；

步骤8.由h^(k+1)＝(1-α^(k))h^(k)+α^(k)y^(k)预测第k+1天的路径流量向量；

置k＝k+1，返回步骤2；

本算法的流程框图如图1所示：

运行上述算法，最终可以求得在考虑路径重叠影响下，第N天的路径流量模式。值得指出的是，上述算法给出的是求解过程的总体框架，在算法实施过程中，会涉及到更多的细节问题，需要结合下面的具体实施方式作进一步说明。

(2)具体实施方式

下面结合具体实施方式对本技术方案作进一步说明：

步骤0.组织交通调查，确定交通网络中每个OD对之间出行者的需求量(d_pq,(p,q)∈C)^T，各路径的初始路径流量

及出行者的分散系数参数θ，给定预测时间跨度N，置k＝0；

步骤1.由

(p,q)∈C，计算各路径的重叠成本e_pqr；

步骤2.若k＝＝N，则第N天的路径流量的预测值为

停止迭代；否则，转步骤3；

步骤3.由

计算第k天各路段的路段流量

步骤4.由计算第k天各路段的行驶时间

步骤5.由

计算第k天各路径的行驶时间

步骤6.按照下式，确定第k天各路径的目标流量；

从而得到第k天的目标路径流量向量

步骤7.运用黄金分割法，确定第k天的流量调节比α^(k)，包含步骤7.1-7.5：

步骤7.1给定容许误差δ＞0，设函数

令a₁＝0，b₁＝1，按照以下两式计算初始试探点λ₁，μ₁：

λ₁＝a₁+0.382(b₁-a₁), (4)

μ₁＝a₁+0.618(b₁-a₁), (5)

计算

和

置j＝1。

步骤7.2若转步骤7.3；否则，转步骤7.4。

步骤7.3若b_j-λ_j≤δ，则停止迭代，输出α^(k)＝μ_j；否则，令a_j+1＝λ_j，b_j+1＝b_j，λ_j+1＝μ_j，μ_j+1＝a_j+1+0.618(b_j+1-a_j+1)，计算

与

转步骤7.5。

步骤7.4若μ_j-a_j≤δ，则停止迭代，输出α^(k)＝λ_j；否则，令a_j+1＝a_j，b_j+1＝μ_j，μ_j+1＝λ_j，λ_j+1＝a_j+1+0.382(b_j+1-a_j+1)，计算与

转步骤7.5。

步骤7.5令j＝j+1，转步骤7.2。

步骤8.由h^(k+1)＝(1-α^(k))h^(k)+α^(k)y^(k)预测第k+1天的路径流量向量；

置k＝k+1，返回步骤2；

通过上述过程，可根据已知的路径流量预测任意第N天的网络路径流量模式。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (4)

1.考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，具体步骤如下，其特征在于：

将本预测方法中出现的符号定义如下：

考虑交通网络G＝(N,A)，其中N是节点集合、A是有向路段集合，令C表示路网中所有OD对的集合，d_pq表示OD对(p,q)∈C之间出行者的交通需求量，R_pq表示OD对(p,q)∈C之间的路径集合，设C_a、

为路段a∈A的通行能力与自由流行驶时间，

为第k天路段a上的流量与行驶时间，设

为OD对(p,q)∈C之间路径r∈R_pq的自由流行驶时间，

分别为第k天OD对(p,q)之间路径r上的实际流量，目标流量及行驶时间，令

表示第k天的实际路径流量向量与目标路径流量向量，路段-路径关联系数由δ_pqra表示，如果路段a在连接OD对(p,q)的路径r上，δ_pqra＝1；否则δ_pqra＝0；

假设出行者依据Logit准则，动态调整其出行路径，令α^(k)∈[0,1]表示出行者的流量调整比，即第k天愿意重新选择路径的出行者所占出行者总数的比例，设e_pqr为OD对(p,q)的之间路径r∈R_pq与路径l∈R_pq，r≠l重叠时额外产生的重叠成本；

考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法的详细步骤如下：

步骤0.组织交通调查，确定交通网络中每个OD对之间出行者的需求量(d_pq,(p,q)∈C)^T，各路径的初始路径流量及出行者的分散系数参数θ，给定预测时间跨度N，置k＝0；

步骤1.由

计算各路径的重叠成本e_pqr；

步骤2.若k＝＝N，则第N天的路径流量的预测值为

停止迭代；否则，转步骤3；

步骤3.由

计算第k天各路段的路段流量

步骤4.由计算第k天各路段的行驶时间

步骤5.由

计算第k天各路径的行驶时间

步骤6.按照下式，确定第k天各路径的目标流量；

从而得到第k天的目标路径流量向量

步骤7.运用黄金分割法，求出满足下式的α^(k)，作为第k天的流量调节比；

其中，

为网络中出行者的势函数；

步骤8.由h^(k+1)＝(1-α^(k))h^(k)+α^(k)y^(k)预测第k+1天的路径流量向量

置k＝k+1，返回步骤2；

通过上述过程，可预测任意第N天的网络路径流量模式。

2.根据权利要求1所述的考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，其特征在于：步骤1中：考虑路径重叠对出行者路径选择行为的影响，构造路径的重叠成本函数e_pqr：

网络中同一OD对之间的路径会出现部分路段重合的现象，重叠路径的存在会降低所在路径被出行者感知的概率，从而减少该路径的效用值，使得出行者倾向于选择独立性较高的路径，避免选择与多条路径重叠的路径；

引入e_pqr表示路径r∈R_pq与路径l∈R_pq，r≠l重叠时额外产生的重叠成本，调节随机用户均衡下出行者选择路径r∈R_pq作为第k+1天出行路径的概率

以削弱重叠路径对流量预测可靠性的影响，路径r∈R_pq的重叠成本e_pqr由下式确定：

其中，

是OD对(p,q)∈C之间路径r∈R_pq的长度，

是OD对(p,q)∈C之间路径l∈R_pq的长度，

是OD对(p,q)∈C之间路径r与路径l重叠部分的长度，参数β恒大于0，在实际应用时，根据网络第0天的路径流量模式h⁽⁰⁾对β进行估计。

3.根据权利要求1所述的考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，其特征在于：步骤7中的流量调整比α^(k)有以下5个子步骤确定：

步骤7.1给定容许误差δ＞0，设函数

令a₁＝0，b₁＝1，按照以下两式计算初始试探点λ₁，μ₁：

λ₁＝a₁+0.382(b₁-a₁), (4)

μ₁＝a₁+0.618(b₁-a₁), (5)

计算

和置j＝1。

步骤7.2若

转步骤7.3；否则，转步骤7.4。

步骤7.3若b_j-λ_j≤δ，则停止迭代，输出α^(k)＝μ_j；否则，令a_j+1＝λ_j，b_j+1＝b_j，λ_j+1＝μ_j，μ_j+1＝a_j+1+0.618(b_j+1-a_j+1)，计算

与

转步骤7.5。

步骤7.4若μ_j-a_j≤δ，则停止迭代，输出α^(k)＝λ_j；否则，令a_j+1＝a_j，b_j+1＝μ_j，μ_j+1＝λ_j，λ_j+1＝a_j+1+0.382(b_j+1-a_j+1)，计算

与

转步骤7.5。

步骤7.5令j＝j+1，转步骤7.2。

4.根据权利要求1所述的考虑重叠路径影响的随机用户均衡逐日动态交通流预测方法，其特征在于：步骤8中：第k+1天的路径流量模式h^(k+1)由下式确定：

h^(k+1)＝(1-α^(k))h^(k)+α^(k)y^(k). (6)

上式表示第k天只有α^(k)的出行者会根据当天的网络路径流量分布重新评估第k+1天的出行路径，并确定目标路径流量模式y^(k)；而其余不愿意评估次日出行路径的出行者会坚持第k天的出行路径，路径流量保持不变。

Images