CN110942625A - 基于现实路径流量回溯调节的动态od估计方法及装置 - Google Patents
基于现实路径流量回溯调节的动态od估计方法及装置 Download PDFInfo
- Publication number
- CN110942625A CN110942625A CN201911075332.5A CN201911075332A CN110942625A CN 110942625 A CN110942625 A CN 110942625A CN 201911075332 A CN201911075332 A CN 201911075332A CN 110942625 A CN110942625 A CN 110942625A
- Authority
- CN
- China
- Prior art keywords
- traffic
- path
- simulation
- precision
- simulation result
- 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 54
- 238000004088 simulation Methods 0.000 claims abstract description 235
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000011897 real-time detection Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000011664 signaling Effects 0.000 claims description 5
- HKUFIYBZNQSHQS-UHFFFAOYSA-N n-octadecyloctadecan-1-amine Chemical compound CCCCCCCCCCCCCCCCCCNCCCCCCCCCCCCCCCCCC HKUFIYBZNQSHQS-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G08G1/0125—Traffic data processing
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请适用于交通仿真技术领域,提供了基于现实路径流量回溯调节的动态OD估计方法,包括:采集目标交通路网的交通实时检测数据;获取目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;在目标交通路网上对初始OD矩阵进行动态交通分配,得到目标交通路网的交通仿真结果;将交通仿真结果与交通实时检测数据进行比较,计算出交通仿真结果的仿真精度;若仿真精度不符合预设精度要求,则对目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并返回执行将交通仿真结果与交通实时检测数据进行比较,计算出交通仿真结果的仿真精度的步骤;若仿真精度符合预设精度要求,则输出交通仿真结果。
Description
技术领域
本申请属于交通仿真技术领域,尤其涉及基于现实路径流量回溯调节的动态OD估计方法及装置。
背景技术
动态OD矩阵描述了交通网络中动态的交通需求,是动态交通分配(DTA)模型和一些实用的微观交通仿真器的基础输入数据。在智能交通系统(ITS)中,先进的出行者信息系统(ATIS)面临的问题是如何将动态的交通需求合理分配到不同路径上,以降低个人或整个系统范围内的出行费用。由于传统的OD矩阵的获取需要开展大规模的交通调查,耗费大量的人力、物力和财力。因而通过路段检测数据(流量、速度等)进行实时OD矩阵的反推是十分经济且高效的方法,该方法也称为OD估计。OD估计经历了静态OD估计和动态OD估计两个阶段。
其中,动态OD矩阵估计问题分为离线估计(off-line)和实时估计(real-time)两种,前者在已知各个时段路段检测流量的情况下,估计出相应于各时段的OD分布交通量,主要用于研究当前交通小区在较短时间内的交通分布情况。后者指对当前时段OD进行估计并预测下一时段的分布交通量,并迭代循环。主要用于动态交通管理系统的评价和预测。
然而,现有的动态OD估计技术虽在一定程度上能解决动态OD估计的问题,但也存在不少缺点,比如在现有以路径为基础进行动态OD估计的模型中,多只考虑了路径上的检测器数据并且简单地进行对比,并没有考虑流量实时传输的问题,忽视了仿真数据的时效性,导致动态OD估计的精准度不足。
发明内容
本申请实施例提供了基于现实路径流量回溯调节的动态OD估计方法、装置、计算机设备和存储介质,可以解决现有交通仿真的动态OD估计时效性和精准度较差的问题。
第一方面,本申请实施例提供了一种基于现实路径流量回溯调节的动态OD估计方法,包括:
采集目标交通路网的交通实时检测数据;
获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;
在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果;
将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度;
若所述仿真精度不符合预设精度要求,则对所述目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并返回执行所述将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度的步骤;
若所述仿真精度符合预设精度要求,则输出所述交通仿真结果。
第二方面,本申请实施例提供了一种基于现实路径流量回溯调节的动态OD估计装置,包括:
检测数据采集模块,用于采集目标交通路网的交通实时检测数据;
初始矩阵获取模块,用于获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;
动态交通分配模块,用于在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果;
精度计算模块,用于将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度;
流量调整模块,用于若所述仿真精度不符合预设精度要求,则对所述目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并再次触发所述精度计算模块;
仿真结果输出模块,用于若所述仿真精度符合预设精度要求,则输出所述交通仿真结果。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于现实路径流量回溯调节的动态OD估计方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于现实路径流量回溯调节的动态OD估计方法。
可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
上述基于现实路径流量回溯调节的动态OD估计方法,首先,采集目标交通路网的交通实时检测数据;然后,获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;接着,在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果;再之,将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度;若所述仿真精度不符合预设精度要求,则对所述目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并返回执行所述将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度的步骤;若所述仿真精度符合预设精度要求,则输出所述交通仿真结果。可见,本申请从路径流量调整的角度出发进行动态OD估计,调整路径流量使得交通仿真结果与交通实时检测数据一致,充分考虑了仿真数据的时效性,提升了动态OD估计的精准度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例中基于现实路径流量回溯调节的动态OD估计方法的一应用环境示意图;
图2是本申请一实施例中基于现实路径流量回溯调节的动态OD估计方法的一流程图;
图3是本申请一实施例中基于现实路径流量回溯调节的动态OD估计方法步骤102在一个应用场景下的流程示意图;
图4是本申请一实施例中基于现实路径流量回溯调节的动态OD估计方法步骤104在一个应用场景下的流程示意图;
图5是本申请一实施例中基于现实路径流量回溯调节的动态OD估计方法在一个应用场景下调整OD路径流量的流程示意图;
图6是本申请一实施例中基于现实路径流量回溯调节的动态OD估计方法在一个应用场景下进行迭代次数判定的流程示意图;
图7是本申请一实施例中基于现实路径流量回溯调节的动态OD估计装置的结构示意图;
图8是本申请一实施例中计算机设备的一示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请提供的基于现实路径流量回溯调节的动态OD估计方法,可应用在如图1的应用环境中,其中,客户端可以通过网络与服务器进行通信。其中,该客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种基于现实路径流量回溯调节的动态OD估计方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
101、采集目标交通路网的交通实时检测数据;
本实施例中,服务器可以通过安放在各个交通路段上的线圈检测、电子警察、车牌识别、地磁、射频识别(RFID)等前端采集设备,也即检测器,采集得该目标交通路网上的交通数据,经过数据整理和分析后,可以作为该目标交通路网的交通实时检测数据使用。其中,交通实时检测数据可以包括但不限于车辆流量、密度、流速等数据。特别地,本实施例中该交通实时检测数据的时间颗粒度可以细分为15分钟。
102、获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;
服务器在采集得到交通实时检测数据之后,可以获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵。这里所说的交通出行数据是指能够表征目标交通路网中车辆出行状况的数据,比如停车场出入口的流量数据、路段路口的车牌识别数据、手机导航软件的信令数据等等。
为便于理解,如图3所示,进一步地,步骤102具体可以包括:
201、获取指定多源数据和所述仿真区域内的转向流量数据,所述指定多源数据至少包括表征车辆交通出行的手机信令数据和停车场出入数据;
202、根据所述指定多源数据和转向流量数据分析得到所述仿真区域内全天种子OD矩阵;
203、根据OD时变特征将所述全天种子OD矩阵细分为预设时间颗粒度的OD矩阵,作为所述初始OD矩阵。
对于步骤201,可以理解的是,服务器可以从指定多源数据中挖掘出表征车辆交通出行的信息,例如手机信令数据和停车场出入数据,还可以包括路段路口的车牌识别数据、地磁识别数据、建筑普查数据等,从大数据融合挖掘的角度具体确定这些指定多源数据进行表征。另外,服务器还可以获取仿真区域内的转向流量数据。
对于步骤202,在获取到指定多源数据和所述仿真区域内的转向流量数据之后,服务器可以根据所述指定多源数据和转向流量数据分析得到所述仿真区域内全天种子OD矩阵。
对于步骤203,容易理解的是,通过分析OD的时变特征,服务器可以将所述全天种子OD矩阵细分为预设时间颗粒度的OD矩阵,作为所述初始OD矩阵。其中,该预设时间颗粒度具体可以为15分钟,通过划分细的时间颗粒度OD矩阵,能够提升交通仿真的时效性,有助于实时的交通管控。
103、在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果;
在得到初始OD矩阵之后,服务器可以在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果。具体的动态交通分配(DTA,Dynamic Traffic Assignment)技术可以有多种,根据实际使用情况选定即可,此处不再赘述。
104、将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度;
为了评价该交通仿真结果是否符合实际交通的情况,服务器可以通过计算其仿真精度来进行判定。具体地,如图4所示,步骤104可以包括:
301、针对所述目标交通路网上每个检测器路段,将所述每个检测器路段的路段仿真值与路段检测值进行对比,计算所述每个检测器路段的仿真精度;
302、根据所述目标交通路网上各个检测器路段各自对应的仿真精度计算所述交通仿真结果的仿真精度。
对于步骤301,服务器可以先针对该目标交通路网上每个检测器路段进行仿真精度的统计计算。具体为:将所述每个检测器路段的路段仿真值与路段检测值进行对比,根据第二公式计算所述每个检测器路段的仿真精度;所述第二公式为:
其中,Si为检测器路段i的路段仿真值,Oi为检测器路段i的路段检测值,δi为检测器路段i的仿真精度。
可知,通过第二公式,可以将每个检测器路段i的仿真精度计算出来,共得到n个检测器路段的仿真精度。
对于步骤302,在计算出所述每个检测器路段的仿真精度之后,可以根据所述目标交通路网上各个检测器路段各自对应的仿真精度计算所述交通仿真结果的仿真精度,具体地,将所述目标交通路网上各个检测器路段各自对应的仿真精度代入第三公式计算所述目标交通路网的仿真精度,作为所述交通仿真结果的仿真精度;所述第三公式为:
其中,δ为所述目标交通路网的仿真精度,n为所述目标交通路网上检测器路段的数量。
105、若所述仿真精度不符合预设精度要求,则对所述目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并返回执行步骤104;
服务器在计算出交通仿真结果的仿真精度之后,需要判断该仿真精度是否符合预设精度要求,若符合,可以认为该交通仿真结果符合实际交通现实的OD分布;反之,若不符合,可以认为该交通仿真结果与实际交通现实的OD分布存在较大差异,应当重新进行优化调整。本实施例中采用基于真实路径流量的优化调整方式对各条OD路径上的流量进行调整,在调整后重新进行动态交通分配,得到新的交通仿真结果,然后返回上一步进行比较并计算仿真精度。
关于各条OD路径上的流量调整,本实施例采用三项调节项分别对每条OD路径的流量进行调整,进一步地,如图5所示,所述对所述目标交通路网的各条OD路径上的流量进行调整包括:
401、分别获取所述各条OD路径各自对应的交通实时检测数据和交通仿真结果,记为路径检测数据和路径仿真结果;
402、针对每条OD路径,计算所述每条OD路径的初始OD数据和现有OD数据的第一偏差值,其中,所述初始OD数据来自于初始OD矩阵,所述现有OD数据来自于所述每条OD路径仿真结果;
403、针对每条OD路径,计算所述每条OD路径上车辆的仿真旅行时间与实际旅行时间的第二偏差值,其中,所述仿真旅行时间来自于路径仿真结果,所述实际旅行时间来自于路径检测数据;
404、针对每条OD路径,根据所述每条OD路径的路径检测数据统计得到在回溯时间片内路径仿真值与路径检测值的第三偏差值,其中,路径仿真值来自于路径仿真结果,所述路径检测值来自于路径检测数据,所述回溯时间片是指仿真车辆在所述每条OD路径的回溯过程中经过各个检测器的时间,所述各个检测器设于所述目标交通路网上采集交通实时检测数据;
405、针对每条OD路径,根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量;
406、针对每条OD路径,根据所述调节量调节所述每条OD路径的流量。
对于步骤401,可以理解的是,交通实时检测数据和交通仿真结果中包括了目标交通路网上每条OD路径的数据,即该路径检测数据和路径仿真结果,服务器容易从中提取得到这些数据。
对于步骤402,服务器可以从初始OD矩阵获取到一条OD路径的初始OD数据,然后从路径检测数据或路径仿真结果中获取到一条OD路径的现有OD数据,然后计算这条OD路径的初始OD数据和现有OD数据的第一偏差值。
对于步骤403,针对该条OD路径上的车辆,服务器可以从路径仿真结果获取到其仿真旅行时间,从路径检测数据获取到期实际旅行时间,然后计算两者的差值得到第二偏差值。
对于步骤404,服务器可以根据交通实时检测数据,通过每条OD路径的路径检测数据统计得到在回溯时间片内路径仿真值与路径检测值的第三偏差值,这里所说的回溯时间片是指仿真车辆在所述每条OD路径的回溯过程中经过各个检测器的时间,该时间的引入可以保证流量调节过程中仿真数据与检测数据在时间片上是一致的。另外,上述的路径仿真值可以由服务器从路径仿真结果中提取得到,同理,所述路径检测值由服务器从路径检测数据中提取得到。
对于步骤405,对于每条OD路径来说,在得到第一、第二、第三偏差值这三个调节项之后,服务器可以根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量。具体为:针对每条OD路径,将所述第一偏差值、第二偏差值和第三偏差值代入第一公式计算出所述每条OD路径的调节量;所述第一公式为:
DAll=α*DOD+β*DTime+λ*DMeasure
其中,DAll为所述每条OD路径的调节量,DOD为所述每条OD路径的第一偏差值,DTime为所述每条OD路径的第二偏差值,DMeasure为所述每条OD路径的第三偏差值,α、β和λ为预设的置信参数。
考虑到存在经过多次对各条OD路径上流量调整仍无法使得新的交通仿真结果的仿真精度满足要求的情况,此时可能对服务器造成较大负担且难以得到满意的结果,因此,本实施例中还可以加入迭代次数的限制,当迭代调整的次数达到一定值时,跳出调节过程并输出最后的交通仿真结果。如图6所示,进一步地,该动态OD估计方法还可以包括:
501、每当对所述目标交通路网的各条OD路径上的流量进行调整时,累计迭代次数加1;
502、在对所述目标交通路网的各条OD路径上的流量进行调整之前,判断当前的迭代次数是否超过预设的次数阈值,若否,则执行步骤503,若是,则执行步骤504;
503、执行所述对所述目标交通路网的各条OD路径上的流量进行调整的步骤;
504、直接输出所述交通仿真结果。
对于步骤501,在每次对所述目标交通路网的各条OD路径上的流量进行调整之后,服务器可以累计迭代次数加1。
对于步骤502,在下一次调整之前,服务器可以判断当前的迭代次数是否超过预设的次数阈值,若否,则说明迭代次数尚在可接受范围内,可以执行步骤503,若是,则说明迭代次数已达到限制值,进一步迭代也难以得到效果更好的仿真结果,为了减轻服务器负担且提升仿真结果的输出效率,可以执行步骤504。
对于步骤503和步骤504,可以理解的是,若当前的迭代次数不超过预设的次数阈值,则服务器可以执行所述对所述目标交通路网的各条OD路径上的流量进行调整的步骤,即执行上述步骤105;反之,若当前的迭代次数超过预设的次数阈值,则可以认为该交通仿真结果是目前最接近实际交通状况的结果,可以直接输出所述交通仿真结果。
特别地,该次数阈值可以根据实际使用情况设定,并且,服务器在进入流量调整的迭代循环之前,可以预先初始化该次数阈值,还可以一并对上述的预设精度要求中的预设精度值、置信度参数α、β和λ进行初始化处理。
106、若所述仿真精度符合预设精度要求,则输出所述交通仿真结果。
可知,当所述仿真精度符合预设精度要求,说明该交通仿真结果符合实际交通现实的OD分布,满足仿真需求,因此服务器可以直接输出所述交通仿真结果。
本申请实施例中,首先,采集目标交通路网的交通实时检测数据;然后,获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;接着,在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果;再之,将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度;若所述仿真精度不符合预设精度要求,则对所述目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并返回执行所述将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度的步骤;若所述仿真精度符合预设精度要求,则输出所述交通仿真结果。可见,本申请从路径流量调整的角度出发进行动态OD估计,调整路径流量使得交通仿真结果与交通实时检测数据一致,充分考虑了仿真数据的时效性,提升了动态OD估计的精准度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种基于现实路径流量回溯调节的动态OD估计装置,该基于现实路径流量回溯调节的动态OD估计装置与上述实施例中基于现实路径流量回溯调节的动态OD估计方法一一对应。如图7所示,该基于现实路径流量回溯调节的动态OD估计装置包括检测数据采集模块601、初始矩阵获取模块602、动态交通分配模块603、精度计算模块604、流量调整模块605和仿真结果输出模块606。各功能模块详细说明如下:
检测数据采集模块601,用于采集目标交通路网的交通实时检测数据;
初始矩阵获取模块602,用于获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;
动态交通分配模块603,用于在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果;
精度计算模块604,用于将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度;
流量调整模块605,用于若所述仿真精度不符合预设精度要求,则对所述目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并再次触发所述精度计算模块;
仿真结果输出模块606,用于若所述仿真精度符合预设精度要求,则输出所述交通仿真结果。
进一步地,所述流量调整模块可以包括:
路径数据获取单元,用于分别获取所述各条OD路径各自对应的交通实时检测数据和交通仿真结果,记为路径检测数据和路径仿真结果;
第一偏差计算单元,用于针对每条OD路径,计算所述每条OD路径的初始OD数据和现有OD数据的第一偏差值,其中,所述初始OD数据来自于初始OD矩阵,所述现有OD数据来自于所述每条OD路径的路径检测数据或路径仿真结果;
第二偏差计算单元,用于针对每条OD路径,计算所述每条OD路径上车辆的仿真旅行时间与实际旅行时间的第二偏差值,其中,所述仿真旅行时间来自于路径仿真结果,所述实际旅行时间来自于路径检测数据;
第三偏差计算单元,用于针对每条OD路径,根据所述每条OD路径的路径检测数据统计得到在回溯时间片内路径仿真值与路径检测值的第三偏差值,其中,路径仿真值来自于路径仿真结果,所述路径检测值来自于路径检测数据,所述回溯时间片是指仿真车辆在所述每条OD路径的回溯过程中经过各个检测器的时间,所述各个检测器设于所述目标交通路网上采集交通实时检测数据;
调节量确定单元,用于针对每条OD路径,根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量;
流量调节单元,用于针对每条OD路径,根据所述调节量调节所述每条OD路径的流量。
进一步地,所述调节量确定单元包括:调节量计算子单元,用于针对每条OD路径,将所述第一偏差值、第二偏差值和第三偏差值代入第一公式计算出所述每条OD路径的调节量;所述第一公式为:
DAll=α*DOD+β*DTime+λ*DMeasure
其中,DAll为所述每条OD路径的调节量,DOD为所述每条OD路径的第一偏差值,DTime为所述每条OD路径的第二偏差值,DMeasure为所述每条OD路径的第三偏差值,α、β和λ为预设的置信参数。
进一步地,所述精度计算模块可以包括:
路段精度计算单元,用于针对所述目标交通路网上每个检测器路段,将所述每个检测器路段的路段仿真值与路段检测值进行对比,计算所述每个检测器路段的仿真精度;
结果仿真精度计算单元,用于根据所述目标交通路网上各个检测器路段各自对应的仿真精度计算所述交通仿真结果的仿真精度。
进一步地,所述路段精度计算单元包括:检测器路段计算子单元,用于将所述每个检测器路段的路段仿真值与路段检测值进行对比,根据第二公式计算所述每个检测器路段的仿真精度;所述第二公式为:
其中,Si为检测器路段i的路段仿真值,Oi为检测器路段i的路段检测值,δi为检测器路段i的仿真精度;
所述结果仿真精度计算单元包括:路网仿真精度计算子单元,用于将所述目标交通路网上各个检测器路段各自对应的仿真精度代入第三公式计算所述目标交通路网的仿真精度,作为所述交通仿真结果的仿真精度;所述第三公式为:
其中,δ为所述目标交通路网的仿真精度,n为所述目标交通路网上检测器路段的数量。
进一步地,所述基于现实路径流量回溯调节的动态OD估计装置还可以包括:
迭代次数累积模块,用于每当对所述目标交通路网的各条OD路径上的流量进行调整时,累计迭代次数加1;
迭代次数判断模块,用于在对所述目标交通路网的各条OD路径上的流量进行调整之前,判断当前的迭代次数是否超过预设的次数阈值;
触发模块,用于若所述迭代次数判断模块的判断结果为否,则触发所述流量调整模块;
结果输出模块,用于若所述迭代次数判断模块的判断结果为是,则直接输出所述交通仿真结果。
进一步地,所述初始矩阵获取模块可以包括:
出行流量数据获取单元,用于获取指定多源数据和所述仿真区域内的转向流量数据,所述指定多源数据至少包括表征车辆交通出行的手机信令数据和停车场出入数据;
全天OD矩阵分析单元,用于根据所述指定多源数据和转向流量数据分析得到所述仿真区域内全天种子OD矩阵;
矩阵细分单元,用于根据OD时变特征将所述全天种子OD矩阵细分为预设时间颗粒度的OD矩阵,作为所述初始OD矩阵。
关于基于现实路径流量回溯调节的动态OD估计装置的具体限定可以参见上文中对于基于现实路径流量回溯调节的动态OD估计方法的限定,在此不再赘述。上述基于现实路径流量回溯调节的动态OD估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,如图8所示,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中基于现实路径流量回溯调节的动态OD估计方法的步骤,例如图2所示的步骤101至步骤106。或者,处理器执行计算机程序时实现上述实施例中基于现实路径流量回溯调节的动态OD估计装置的各模块/单元的功能,例如图7所示模块601至模块606的功能。为避免重复,这里不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中基于现实路径流量回溯调节的动态OD估计方法的步骤,例如图2所示的步骤101至步骤106。或者,计算机程序被处理器执行时实现上述实施例中基于现实路径流量回溯调节的动态OD估计装置的各模块/单元的功能,例如图7所示模块601至模块606的功能。为避免重复,这里不再赘述。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于现实路径流量回溯调节的动态OD估计方法,其特征在于,包括:
采集目标交通路网的交通实时检测数据;
获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;
在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果;
将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度;
若所述仿真精度不符合预设精度要求,则对所述目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并返回执行所述将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度的步骤;
若所述仿真精度符合预设精度要求,则输出所述交通仿真结果。
2.如权利要求1所述的基于现实路径流量回溯调节的动态OD估计方法,其特征在于,所述对所述目标交通路网的各条OD路径上的流量进行调整包括:
分别获取所述各条OD路径各自对应的交通实时检测数据和交通仿真结果,记为路径检测数据和路径仿真结果;
针对每条OD路径,计算所述每条OD路径的初始OD数据和现有OD数据的第一偏差值,其中,所述初始OD数据来自于初始OD矩阵,所述现有OD数据来自于所述每条OD路径仿真结果;
针对每条OD路径,计算所述每条OD路径上车辆的仿真旅行时间与实际旅行时间的第二偏差值,其中,所述仿真旅行时间来自于路径仿真结果,所述实际旅行时间来自于路径检测数据;
针对每条OD路径,根据所述每条OD路径的路径检测数据统计得到在回溯时间片内路径仿真值与路径检测值的第三偏差值,其中,路径仿真值来自于路径仿真结果,所述路径检测值来自于路径检测数据,所述回溯时间片是指仿真车辆在所述每条OD路径的回溯过程中经过各个检测器的时间,所述各个检测器设于所述目标交通路网上采集交通实时检测数据;
针对每条OD路径,根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量;
针对每条OD路径,根据所述调节量调节所述每条OD路径的流量。
3.如权利要求2所述的基于现实路径流量回溯调节的动态OD估计方法,其特征在于,所述针对每条OD路径,根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量具体为:
针对每条OD路径,将所述第一偏差值、第二偏差值和第三偏差值代入第一公式计算出所述每条OD路径的调节量;所述第一公式为:
DAll=α*DOD+β*DTime+λ*DMeasure
其中,DAll为所述每条OD路径的调节量,DOD为所述每条OD路径的第一偏差值,DTime为所述每条OD路径的第二偏差值,DMeasure为所述每条OD路径的第三偏差值,α、β和λ为预设的置信参数。
4.如权利要求1所述的基于现实路径流量回溯调节的动态OD估计方法,其特征在于,所述将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度包括:
针对所述目标交通路网上每个检测器路段,将所述每个检测器路段的路段仿真值与路段检测值进行对比,计算所述每个检测器路段的仿真精度;
根据所述目标交通路网上各个检测器路段各自对应的仿真精度计算所述交通仿真结果的仿真精度。
5.如权利要求4所述的基于现实路径流量回溯调节的动态OD估计方法,其特征在于,所述将所述每个检测器路段的路段仿真值与路段检测值进行对比,计算所述每个检测器路段的仿真精度具体为:
将所述每个检测器路段的路段仿真值与路段检测值进行对比,根据第二公式计算所述每个检测器路段的仿真精度;所述第二公式为:
其中,Si为检测器路段i的路段仿真值,Oi为检测器路段i的路段检测值,δi为检测器路段i的仿真精度;
所述根据所述目标交通路网上各个检测器路段各自对应的仿真精度计算所述交通仿真结果的仿真精度具体为:将所述目标交通路网上各个检测器路段各自对应的仿真精度代入第三公式计算所述目标交通路网的仿真精度,作为所述交通仿真结果的仿真精度;所述第三公式为:
其中,δ为所述目标交通路网的仿真精度,n为所述目标交通路网上检测器路段的数量。
6.如权利要求1所述的基于现实路径流量回溯调节的动态OD估计方法,其特征在于,还包括:
每当对所述目标交通路网的各条OD路径上的流量进行调整时,累计迭代次数加1;
在对所述目标交通路网的各条OD路径上的流量进行调整之前,判断当前的迭代次数是否超过预设的次数阈值;
若当前的迭代次数不超过预设的次数阈值,则执行所述对所述目标交通路网的各条OD路径上的流量进行调整的步骤;
若当前的迭代次数超过预设的次数阈值,则直接输出所述交通仿真结果。
7.如权利要求1至6中任一项所述的基于现实路径流量回溯调节的动态OD估计方法,其特征在于,所述获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵包括:
获取指定多源数据和所述仿真区域内的转向流量数据,所述指定多源数据至少包括表征车辆交通出行的手机信令数据和停车场出入数据;
根据所述指定多源数据和转向流量数据分析得到所述仿真区域内全天种子OD矩阵;
根据OD时变特征将所述全天种子OD矩阵细分为预设时间颗粒度的OD矩阵,作为所述初始OD矩阵。
8.一种基于现实路径流量回溯调节的动态OD估计装置,其特征在于,包括:
检测数据采集模块,用于采集目标交通路网的交通实时检测数据;
初始矩阵获取模块,用于获取所述目标交通路网的仿真区域内的交通出行数据,得到初始OD矩阵;
动态交通分配模块,用于在所述目标交通路网上对所述初始OD矩阵进行动态交通分配,得到所述目标交通路网的交通仿真结果;
精度计算模块,用于将所述交通仿真结果与所述交通实时检测数据进行比较,计算出所述交通仿真结果的仿真精度;
流量调整模块,用于若所述仿真精度不符合预设精度要求,则对所述目标交通路网的各条OD路径上的流量进行调整,然后重新进行动态交通分配,得到新的交通仿真结果,并再次触发所述精度计算模块;
仿真结果输出模块,用于若所述仿真精度符合预设精度要求,则输出所述交通仿真结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于现实路径流量回溯调节的动态OD估计方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于现实路径流量回溯调节的动态OD估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911075332.5A CN110942625B (zh) | 2019-11-06 | 2019-11-06 | 基于现实路径流量回溯调节的动态od估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911075332.5A CN110942625B (zh) | 2019-11-06 | 2019-11-06 | 基于现实路径流量回溯调节的动态od估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942625A true CN110942625A (zh) | 2020-03-31 |
CN110942625B CN110942625B (zh) | 2021-03-26 |
Family
ID=69906362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911075332.5A Active CN110942625B (zh) | 2019-11-06 | 2019-11-06 | 基于现实路径流量回溯调节的动态od估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942625B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680377A (zh) * | 2020-06-11 | 2020-09-18 | 杭州海康威视数字技术股份有限公司 | 一种交通态势仿真方法、系统和电子设备 |
CN112069636A (zh) * | 2020-09-07 | 2020-12-11 | 华设设计集团股份有限公司 | 一种路网仿真输入模型构建方法、装置及存储介质 |
CN112532747A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
CN112560368A (zh) * | 2020-12-29 | 2021-03-26 | 海光信息技术股份有限公司 | 电路仿真方法、装置、电子设备和计算机可读存储介质 |
CN112927513A (zh) * | 2021-03-02 | 2021-06-08 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种实时在线交通仿真方法及系统 |
CN113191029A (zh) * | 2021-06-30 | 2021-07-30 | 深圳坤湛科技有限公司 | 基于集群计算的交通仿真方法、程序及介质 |
CN113297794A (zh) * | 2021-05-28 | 2021-08-24 | 佳都科技集团股份有限公司 | 仿真器的训练方法、交通路况的预测方法以及相关装置 |
CN113947922A (zh) * | 2021-09-23 | 2022-01-18 | 重庆理工大学 | 基于网络切分的路网精细化动态od流量估计方法 |
CN115481531A (zh) * | 2022-09-06 | 2022-12-16 | 苏州大学 | 基于sumo的路网交通流实时孪生方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015015235A1 (en) * | 2013-07-29 | 2015-02-05 | Ren Jinxiang | Dynamic travel guidance system for motorists |
CN105355035A (zh) * | 2015-11-16 | 2016-02-24 | 清华大学 | 基于交通配流分布差异制定的交通疏导方法 |
CN105976613A (zh) * | 2016-05-30 | 2016-09-28 | 西华大学 | 基于多项式趋势滤波的od矩阵估计方法 |
CN106875686A (zh) * | 2017-04-16 | 2017-06-20 | 北京工业大学 | 一种基于信令和浮动车数据的小汽车od提取方法 |
CN108847037A (zh) * | 2018-06-27 | 2018-11-20 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
JP2019012494A (ja) * | 2017-07-03 | 2019-01-24 | 株式会社日立製作所 | 人流推定装置及び人流推定システム並びに人流測定方法 |
-
2019
- 2019-11-06 CN CN201911075332.5A patent/CN110942625B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015015235A1 (en) * | 2013-07-29 | 2015-02-05 | Ren Jinxiang | Dynamic travel guidance system for motorists |
CN105355035A (zh) * | 2015-11-16 | 2016-02-24 | 清华大学 | 基于交通配流分布差异制定的交通疏导方法 |
CN105976613A (zh) * | 2016-05-30 | 2016-09-28 | 西华大学 | 基于多项式趋势滤波的od矩阵估计方法 |
CN106875686A (zh) * | 2017-04-16 | 2017-06-20 | 北京工业大学 | 一种基于信令和浮动车数据的小汽车od提取方法 |
JP2019012494A (ja) * | 2017-07-03 | 2019-01-24 | 株式会社日立製作所 | 人流推定装置及び人流推定システム並びに人流測定方法 |
CN108847037A (zh) * | 2018-06-27 | 2018-11-20 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
Non-Patent Citations (2)
Title |
---|
LEONARDO CAGGIANI 等: "A metaheuristic dynamic traffic assignment model for O-D matrix estimation using aggregate data", 《ELSEVIER》 * |
陈振武 等: "城市道路交通实时在线仿真平台优化与提升", 《交通与运输》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680377B (zh) * | 2020-06-11 | 2024-02-09 | 杭州海康威视数字技术股份有限公司 | 一种交通态势仿真方法、系统和电子设备 |
CN111680377A (zh) * | 2020-06-11 | 2020-09-18 | 杭州海康威视数字技术股份有限公司 | 一种交通态势仿真方法、系统和电子设备 |
CN112069636A (zh) * | 2020-09-07 | 2020-12-11 | 华设设计集团股份有限公司 | 一种路网仿真输入模型构建方法、装置及存储介质 |
CN112532747B (zh) * | 2020-12-23 | 2023-04-18 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
CN112532747A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
CN112560368A (zh) * | 2020-12-29 | 2021-03-26 | 海光信息技术股份有限公司 | 电路仿真方法、装置、电子设备和计算机可读存储介质 |
CN112927513A (zh) * | 2021-03-02 | 2021-06-08 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种实时在线交通仿真方法及系统 |
CN113297794A (zh) * | 2021-05-28 | 2021-08-24 | 佳都科技集团股份有限公司 | 仿真器的训练方法、交通路况的预测方法以及相关装置 |
CN113191029B (zh) * | 2021-06-30 | 2022-02-11 | 深圳坤湛科技有限公司 | 基于集群计算的交通仿真方法、程序及介质 |
CN113191029A (zh) * | 2021-06-30 | 2021-07-30 | 深圳坤湛科技有限公司 | 基于集群计算的交通仿真方法、程序及介质 |
CN113947922A (zh) * | 2021-09-23 | 2022-01-18 | 重庆理工大学 | 基于网络切分的路网精细化动态od流量估计方法 |
CN115481531A (zh) * | 2022-09-06 | 2022-12-16 | 苏州大学 | 基于sumo的路网交通流实时孪生方法及系统 |
CN115481531B (zh) * | 2022-09-06 | 2023-07-11 | 苏州大学 | 基于sumo的路网交通流实时孪生方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110942625B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942625B (zh) | 基于现实路径流量回溯调节的动态od估计方法及装置 | |
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN112364439B (zh) | 自动驾驶系统的仿真测试方法、装置以及存储介质 | |
Mazaré et al. | Trade-offs between inductive loops and GPS probe vehicles for travel time estimation: A Mobile Century case study | |
CN109982366A (zh) | 基于大数据的目标价值区域分析方法、装置、设备及介质 | |
Saffari et al. | A methodology for identifying critical links and estimating macroscopic fundamental diagram in large-scale urban networks | |
CN111898578B (zh) | 人群密度的获取方法、装置、电子设备 | |
CN110517500B (zh) | 一种人车关联处理方法及装置 | |
Azevedo et al. | Dealing with uncertainty in detailed calibration of traffic simulation models for safety assessment | |
Kim et al. | Determining optimal sensor locations in freeway using genetic algorithm-based optimization | |
CN108091132A (zh) | 一种交通流量预测方法及装置 | |
CN106452934B (zh) | 一种网络性能指标变化趋势的分析方法和装置 | |
CN109684986B (zh) | 一种基于车辆检测跟踪的车辆分析方法及系统 | |
CN113570867A (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
CN113781767A (zh) | 一种基于多源感知的交通数据融合方法及系统 | |
Dahiya et al. | A study of speed-density functional relations for varying spatiotemporal resolution using Zen Traffic Data | |
Dahiya et al. | Analysis of the single-regime speed-density fundamental relationships for varying spatiotemporal resolution using Zen Traffic Data | |
Mena-Oreja et al. | On the impact of floating car data and data fusion on the prediction of the traffic density, flow and speed using an error recurrent convolutional neural network | |
CN114373309A (zh) | 服务区车流量的计算方法、装置、终端设备及介质 | |
Wei et al. | Queue length estimation for signalized intersections under partially connected vehicle environment | |
Vidović et al. | Methodology for public transport mode detection using telecom big data sets: case study in Croatia | |
CN113379334B (zh) | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 | |
CN112182302B (zh) | 基于换乘管理的地铁乘车路线溯源方法及装置 | |
Yan et al. | A new approach for identifying urban employment centers using mobile phone data: A case study of Shanghai |
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 |