CN111833596B - 考虑出行者决策惯性的逐日路段流量预测方法 - Google Patents
考虑出行者决策惯性的逐日路段流量预测方法 Download PDFInfo
- Publication number
- CN111833596B CN111833596B CN201911134705.1A CN201911134705A CN111833596B CN 111833596 B CN111833596 B CN 111833596B CN 201911134705 A CN201911134705 A CN 201911134705A CN 111833596 B CN111833596 B CN 111833596B
- Authority
- CN
- China
- Prior art keywords
- day
- road section
- traveler
- travelers
- class
- 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
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
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明研究了出行者路径选择过程中的决策惯性,并以此为基础,提出了一种考虑出行者决策惯性的逐日路段流量预测方法。该方法可根据调查所得的初始网络路段流量分布预测其后任意第N天的路段流量分布,从而为未来一段时间内交通管控措施的制定与实施,提供宝贵的指导意见。与现有技术相比,本发明考虑了出行者的决策惯性对网络交通流量动态演化过程的影响,能够为任意时日的城市交通流量提供更加精确合理的预测,是对交通流量分布预测技术的探索与创新,具有较强的理论研究意义和实践指导价值。
Description
技术领域
本发明涉及交通流量分布预测技术领域,特别是涉及考虑出行者决策惯性的逐日路段流量预测方法。
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。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。
传统的交通流逐日动态演化模型假定出行者每天都会根据当天的道路交通情况重新评估各路径的出行费用,并没有考虑出行者的决策惯性对其路径选择行为的影响。实际上,大部分出行者不愿意每天都重新评估次日的出行路径,他们通常会连续数日选择同一条出行路径而不做任何评估。因此,传统模型的假设与实际情况并不完全相符。
针对上述问题,本发明构建了考虑出行者决策惯性的逐日路段流量预测方法,该方法能够反映出行者的决策惯性对其路径选择行为的影响,因而可以更加准确地模拟出交通流的动态演化过程。
发明内容
为了解决上述存在的问题,本发明提供考虑出行者决策惯性的逐日路段流量预测方法,本发明研究了出行者路径选择过程中的决策惯性,并以此为基础,提出了一种考虑出行者决策惯性的逐日路段流量预测方法。该方法可根据调查所得的初始网络路段流量分布预测其后任意第N天的路段流量分布,从而为未来一段时间内交通管控措施的制定与实施,提供宝贵的指导意见,为达此目的,本发明提供考虑出行者决策惯性的逐日路段流量预测方法,具体步骤如下:
将预测方法中出现的符号定义如下:
考虑交通网络G(N,L),其中N是节点集合,L是路段集合;设W是交通网络中所有OD对集合;设Rw是OD对w∈W之间的合理路径集合,r∈Rw;定义路段-路径关联矩阵Δ=(δar),若路段a∈A在路径r上,δar=1;否则δar=0,确定路段a∈A的通行能力Ca、自由流行驶时间ca0、初始路段流量
假设网络中存在m类出行者,M={1,2,...,m}为出行者类型集合,i∈M,令Hi为第i类出行者的惯性模式,Hi是一个正整数,表示第i类出行者每隔Hi天会重新评估各出行路径,设Mt为第t天愿意评估次日出行路径的出行者类型集合,Mt是M的非空子集,在愿意重新评估次日出行路径的出行者中,假设最终有比例l,0<l<1的出行者会依照评估的结果出行;
设第i类出行者在OD对w∈W之间的交通需求量为(dw)i;设第t天第w个OD对第i类出行者在路段a∈A上的流量为目标路段流量为设第t天路段a∈A的总路段流量为路段行驶时间为是的可微单调递增函数,且恒大于0;
令向量为第t天第i类出行者的路段流量分布,向量为第t天第i类出行者的目标路段流量分布,由于同一时段网络中各类出行者的路段行驶时间相同,故第i类出行者的第t天路段费用向量i∈M,令向量di=(...,(dw)i,...,-(dw)i,...)T表示第i类出行者的节点-需求量向量,其中(dw)i在向量中所在的位置,对应于该需求量的起始点,-(dw)i在向量中所在的位置,对应于该需求量的终止点,其余位置需求量为0;
具体步骤如下:
步骤0组织交通调查,确定网络中出行者的类别数m,惯性模式Hi i∈M={1,2,...m};确定愿意按照评估结果出行的出行者所占的比例l;确定每个OD对之间不同类别出行者的交通需求量{(dw)i,w∈W,i∈M};以及路段上各类出行者的初始路段流量i∈M;令t=0;
通过上述过程,可根据初始网络路段流量分布预测任意第N天的路段流量分布。
作为本发明进一步改进,考虑出行者的决策惯性对网络交通流动态演化过程的影响,出行者的决策惯性表现在该出行者一旦习惯某条路径后,不愿意再去重新评估其他备选路径的行为,即出行者认为计算并对比各路径的行驶时间是一件非常麻烦的事,所以不愿意每天都这样做,这样如图1所示,存在三类不同的出行者,第1类出行者每天都会重新评估次日的出行路径,第2类出行者每2天评估一次次日的出行路径,第3类出行者每3天评估一次次日的出行路径。、
作为本发明进一步改进,将出行者的决策惯性用一个正整数进行量化表示,令Hi为第i类出行者的惯性模式,表示该类出行者每隔Hi天考虑重新评估次日的出行路径;
由图1可知,其中第一类出行者的惯性模式H1为0,第二类出行者的惯性模式H2为1,第三类出行者的惯性模式H3为2。
作为本发明进一步改进,所述步骤3中最优化问题的解,由以下5个子步骤求得:
假设A是一个U×Q阶矩阵。
步骤3.3若Pk==0,则计算相应的拉格朗日乘子向量Λk,转步骤3.5,否则,转步骤3.4;
本发明的有益效果如下:
与现有技术相比,本发明考虑了出行者的决策惯性对网络交通流量动态演化过程的影响,能够为任意时日的城市交通流量提供更加精确合理的预测,是对交通流量分布预测技术的探索与创新,具有较强的理论研究意义和实践指导价值。
附图说明
图1本发明网络中三类出行者的路径评估意愿示意图;
图2本发明的流程框图;
图3本发明算例网络图;
图4本发明情形1中,4类出行者的惯性模式示意图;
图5本发明情形2中,4类出行者的惯性模式示意图;
图6本发明情形1中,特定类别流量在路段2-5和5-7上演化轨迹示意图;
图7本发明情形2中,特定类别流量在路段2-5和5-7上演化轨迹示意图;
图8本发明情形1(左边)和情形2(右边)中,总流量在路段2-5和5-7上的演化轨迹示意图。
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:
本发明提供考虑出行者决策惯性的逐日路段流量预测方法,本发明研究了出行者路径选择过程中的决策惯性,并以此为基础,提出了一种考虑出行者决策惯性的逐日路段流量预测方法。该方法可根据调查所得的初始网络路段流量分布预测其后任意第N天的路段流量分布,从而为未来一段时间内交通管控措施的制定与实施,提供宝贵的指导意见。
本发明专利由求解算法、具体实施方式及算例三部分构成,具体技术方案如下:
求解算法
求解算法具体步骤如下:
步骤0组织交通调查,确定网络中出行者的类别数m,惯性模式Hi i∈M={1,2,...m};确定愿意按照评估结果出行的出行者所占的比例l;确定每个OD对之间不同类别出行者的交通需求量{(dw)i,w∈W,i∈M};以及路段上各类出行者的初始路段流量i∈M;令t=0;
算法的流程框图如图2所示:
运行上述算法,最终可以求得在考虑出行者决策惯性对路径选择行为的影响下,第N天的路段流量分布预测值。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。
(1)具体实施方式
本发明的具体实施方式如下:
步骤0组织交通调查,确定网络中出行者的类别数m,惯性模式Hi i∈M={1,2,...m};确定愿意按照评估结果出行的出行者所占的比例l;确定每个OD对之间不同类别出行者的交通需求量{(dw)i,w∈W,i∈M};确定路段a∈A的通行能力Ca、自由流行驶时间ca0、初始路段流量以及路段上各类出行者的初始路段流量i∈M;令t=0;
步骤3.3若Pk==0,则计算相应的拉格朗日乘子向量Λk,转步骤3.5,否则,转步骤3.4;
通过上述过程,可根据初始网络路段流量分布预测任意第N天的路段流量分布。
(2)算例
下面用一个算例对本发明的模型和算法进行验证。算例网络如图3所示,它包含18条路段、8个节点和4个OD对(1→3,1→4,2→3,2→4)。路段行驶时间采用BPR函数:
假设网络中有四类出行者,每类出行者每个OD对的需求量如下:
(d13,d14,d23,d24)1=(d13,d14,d23,d24)3=(1.25,2.5,3.75,5),
(d13,d14,d23,d24)2=(d13,d14,d23,d24)4=(3.75,7.5,11.25,15).
根据自由流行驶时间将每类出行者的OD需求量加载到最短路径上,由此所得的流量分布作为网络的初始状态。假设(3)式中,愿意按照评估结果出行的出行者所占的比例lt=0.1。为了探究不同出行惯性模式组合对流量演化过程的影响,考虑如下两种情形:
情形1:4类出行者的惯性模式分别为H1=3,H2=2,H3=4,H4=1,如图4所示;
情形2:4类出行者的惯性模式分别为:H1=2,H2=3,H3=2,H4=3,如图5所示;
图6给出了情形1中,特定类别流量在路段2-5和5-7上的演化过程。从该图中可以看出,不同惯性模式的出行者产生的流量演化轨迹是不同的,且每个轨迹都能演化到一个稳定状态。容易验证,该稳定状态对应于网络流量达到均衡时,每类出行者在该路段上的流量。此外,还能发现一个有趣的现象:每类出行者演化到均衡状态所需的时间大致相同。比如在路段2-5上,情形1中的4类出行者大约都需要20天,才能演化到均衡状态。该现象可以用木桶理论来解释:系统的演化速度由出行惯性最大的出行者所决定。
图7展示了情形2中,特定类别流量在路段2-5和5-7上的演化过程。与情形1类似,情形2中路段2-5和5-7的流量,也能够演化到相应的均衡状态。显然,情形1与情形2所演化达到的均衡状态是不同的,这说明了不同的惯性模式组合将导致不同的流量演化过程。
图8展示了情形1和情形2中,总流量在路段2-5和5-7上的演化过程,通过比较可知,这两种情形下路段2-5(或5-7)的流量演化轨迹是不同的,但都能演化到一个唯一的路段流量值。该现象说明在不同的情形下,不同的路段流量演化轨迹收敛于相同的均衡状态。
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.考虑出行者决策惯性的逐日路段流量预测方法,具体步骤如下,其特征在于:
将预测方法中出现的符号定义如下:
考虑交通网络G(N,L),其中N是节点集合,L是路段集合;设W是交通网络中所有OD对集合;设Rw是OD对w∈W之间的合理路径集合,r∈Rw;定义路段-路径关联矩阵Δ=(δar),若路段a∈A在路径r上,δar=1;否则δar=0,确定路段a∈A的通行能力Ca、自由流行驶时间ca0、初始路段流量
假设网络中存在m类出行者,M={1,2,...,m}为出行者类型集合,i∈M,令Hi为第i类出行者的惯性模式,Hi是一个正整数,表示第i类出行者每隔Hi天会重新评估各出行路径,设Mt为第t天愿意评估次日出行路径的出行者类型集合,Mt是M的非空子集,在愿意重新评估次日出行路径的出行者中,假设最终有比例l,0<l<1的出行者会依照评估的结果出行;
设第i类出行者在OD对w∈W之间的交通需求量为(dw)i;设第t天第w个OD对第i类出行者在路段a∈A上的流量为目标路段流量为设第t天路段a∈A的总路段流量为路段行驶时间为 是的可微单调递增函数,且恒大于0;
令向量为第t天第i类出行者的路段流量分布,向量为第t天第i类出行者的目标路段流量分布,由于同一时段网络中各类出行者的路段行驶时间相同,故第i类出行者的第t天路段费用向量令向量di=(...,(dw)i,...,-(dw)i,...)T表示第i类出行者的节点-需求量向量,其中(dw)i在向量中所在的位置,对应于该需求量的起始点,-(dw)i在向量中所在的位置,对应于该需求量的终止点,其余位置需求量为0;
具体步骤如下:
步骤0组织交通调查,确定网络中出行者的类别数m,惯性模式Hii∈M={1,2,...m};确定愿意按照评估结果出行的出行者所占的比例l;确定每个OD对之间不同类别出行者的交通需求量{(dw)i,w∈W,i∈M};以及路段上各类出行者的初始路段流量令t=0;
通过上述过程,可根据初始网络路段流量分布预测任意第N天的路段流量分布。
2.根据权利要求1所述的考虑出行者决策惯性的逐日路段流量预测方法,其特征在于:考虑出行者的决策惯性对网络交通流动态演化过程的影响,出行者的决策惯性表现在该出行者一旦习惯某条路径后,不愿意再去重新评估其他备选路径的行为,即出行者认为计算并对比各路径的行驶时间是一件非常麻烦的事,所以不愿意每天都这样做,这时该出行者会按照之前选择的路径出行。
3.根据权利要求2所述的考虑出行者决策惯性的逐日路段流量预测方法,其特征在于:将出行者的决策惯性用一个正整数进行量化表示,令Hi为第i类出行者的惯性模式,表示该类出行者每隔Hi天考虑重新评估次日的出行路径。
4.根据权利要求1所述的考虑出行者决策惯性的逐日路段流量预测方法,其特征在于:所述步骤3中最优化问题的解,由以下5个子步骤求得:
假设A是一个U×Q阶矩阵;
步骤3.3若Pk==0,则计算相应的拉格朗日乘子向量Λk,转步骤3.5,否则,转步骤3.4;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911134705.1A CN111833596B (zh) | 2019-11-19 | 2019-11-19 | 考虑出行者决策惯性的逐日路段流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911134705.1A CN111833596B (zh) | 2019-11-19 | 2019-11-19 | 考虑出行者决策惯性的逐日路段流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111833596A CN111833596A (zh) | 2020-10-27 |
CN111833596B true CN111833596B (zh) | 2022-04-29 |
Family
ID=72912546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911134705.1A Active CN111833596B (zh) | 2019-11-19 | 2019-11-19 | 考虑出行者决策惯性的逐日路段流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833596B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298967B (zh) * | 2021-04-21 | 2022-09-27 | 东南大学 | 一种考虑出行者决策惯性的逐月动态拥堵收费方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3975004B2 (ja) * | 1998-06-23 | 2007-09-12 | 松下電器産業株式会社 | 交通流データ予測装置および交通流データ予測方法 |
JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
JP3520330B2 (ja) * | 2000-11-27 | 2004-04-19 | 国土交通省国土技術政策総合研究所長 | 交通流模擬装置による交通流予測制御システム |
DE102007056225A1 (de) * | 2007-11-22 | 2009-05-28 | Siemens Ag | Verfahren und Vorrichtung zum Steuern eines Verkehrsflusses an einer Kreuzung |
CN103632212B (zh) * | 2013-12-11 | 2017-01-25 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测系统和方法 |
CN106971548B (zh) * | 2017-05-18 | 2019-06-07 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
CN108615360B (zh) * | 2018-05-08 | 2022-02-11 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
CN108847021B (zh) * | 2018-06-07 | 2021-12-21 | 华南理工大学 | 一种考虑异质用户的路网流量预测方法 |
CN108647837B (zh) * | 2018-06-12 | 2021-07-06 | 东南大学 | 考虑出行者路径选择惰性的网络交通流预测方法 |
CN108564790B (zh) * | 2018-06-12 | 2020-12-22 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
CN110379161B (zh) * | 2019-07-18 | 2021-02-02 | 中南大学 | 一种城市路网交通流量分配方法 |
-
2019
- 2019-11-19 CN CN201911134705.1A patent/CN111833596B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111833596A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN110648527B (zh) | 一种基于深度学习模型的交通速度预测方法 | |
CN112365724B (zh) | 一种基于深度强化学习的连续交叉口信号协同控制方法 | |
Juang | Combination of online clustering and Q-value based GA for reinforcement fuzzy system design | |
CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
CN107944605A (zh) | 一种基于数据预测的动态交通路径规划方法 | |
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
CN112101684B (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN111126687B (zh) | 一种交通信号的单点离线优化系统及方法 | |
CN108647837B (zh) | 考虑出行者路径选择惰性的网络交通流预测方法 | |
CN110415013A (zh) | 一种网约车短时出行需求的组合预测方法 | |
CN106485348A (zh) | 一种交易数据的预测方法及装置 | |
CN111833596B (zh) | 考虑出行者决策惯性的逐日路段流量预测方法 | |
CN113298967B (zh) | 一种考虑出行者决策惯性的逐月动态拥堵收费方法 | |
CN114399043A (zh) | 一种基于非支配排序粒子群遗传算法的车辆位置路由方法 | |
JP3509906B2 (ja) | 道路交通信号制御適正化装置、およびそれを用いた道路交通流管制システム | |
CN117994986B (zh) | 一种基于智能优化算法的交通车流量预测优化方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN111737826A (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
CN115019523A (zh) | 基于最小化压力差的深度强化学习交通信号协调优化控制方法 | |
CN110211375A (zh) | 基于改进时空关联knn算法的交通流量预测方法 | |
Cheng | Dynamic path optimization based on improved ant colony algorithm | |
CN116702389B (zh) | 一种针对混合交通流的嵌套流量计算方法 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 |
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 |