CN111915903A

CN111915903A - 一种基于多源数据的快速路od矩阵获取方法

Info

Publication number: CN111915903A
Application number: CN202010499116.XA
Authority: CN
Inventors: 任刚; 孙文婷; 何煜洪; 李豪杰; 凌小静; 顾克东
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2020-06-04
Filing date: 2020-06-04
Publication date: 2020-11-10
Anticipated expiration: 2040-06-04
Also published as: CN111915903B

Abstract

本发明公开了一种基于多源数据的快速路OD矩阵获取方法，通过处理卡口数据、手机数据和浮动车数据为代表的多源数据，结合城市快速路的交通特性，构建基于转向比例优化构建基于AVI/GSM/GPS多源数据的路径流量估计模型，以卡口监测路段流量与卡口监测数据相对误差最小以及路段流量乘分流点左转比例与路口分流点左行路径流量相对误差最小作为目标函数，通过引入蜂窝网格和蜂窝路径流量的概念构建约束条件，由估计的路径流量推得OD矩阵。这种估计方法可操作性性强，估计出的较精准的快速路OD交通量对实施相应的交通管理与控制手段以进一步提高城市交通安全与效率具有十分重要的理论价值和实际意义。

Description

一种基于多源数据的快速路OD矩阵获取方法

技术领域

本发明属于城市交通规划领域，具体涉及一种基于多源数据的快速路OD矩阵获取方法。

背景技术

城市快速路具有单向多车道、中央设分隔带、全部立体交叉、保证连续行驶且通行能力大的特点，可以从整体上提高城市交通可达性，因此系统运输效益巨大，成为缓解大城市交通拥堵的重要措施。精准获取快速路网的交通OD，对城市快速路高效治理、提高快速路通行能力，缓解交通拥堵并促进经济发展等具有重要意义。

现状获取快速路OD矩阵主要依靠卡口数据，但由于卡口数据本身覆盖范围不足，会影响估计OD矩阵的精度。虽然近年来逐渐有利用手机信令数据推算OD矩阵的方法，但往往仅限于使用所得蜂窝路径流量作为约束，估计的OD矩阵精度受制于手机信令数据精度，探究提高精度的方法大多局限于对手机信令数据本身清洗、除噪，或是提高出行端点到交通小区匹配的精确性，但这些方法还是局限在手机信令数据这一单数据源，结果具有很大的局限性。因此在原有的单数据源(GSM)模型中，引入AVI+GPS数据，建立一种基于多源数据的快速路OD矩阵获取方法，可以充分发挥各数据源的优势，更精确的估计OD矩阵，从而为研究城市区域性交通状况，更科学合理的进行快速路的规划提供了数据支撑。

发明内容

为解决上述问题，本发明公开了一种基于多源数据的快速路OD矩阵获取方法，可操作性性强，估计出的较精准的快速路OD交通量，对实施相应的交通管理与控制手段、进一步提高城市交通安全与效率提供了数据支撑。

为达到上述目的，本发明的技术方案如下：

一种基于多源数据的快速路OD矩阵获取方法，包括以下步骤：

步骤1：建立路段流量与路口分流点转向流量的关系；

步骤2：使用AVI/GSM/GPS多源数据精确估计路径流量，建立目标函数设置限制条件；

步骤3：处理AVI/GSM/GPS多源数据，得到视频卡口观测值矩阵、蜂窝路径流量值矩阵、分流点转向率矩阵；

步骤4：运用MATLAB估计城市快速路路径流量；

步骤5：推算快速路OD矩阵。

如前所述的一种基于多源数据的快速路OD矩阵获取方法，进一步地，步骤1中，快速路“路径-路段流量”关系如下：(“路径-路段流量”关系就是步骤1所述的路段流量与路口分流点转向流量的关系)

Bx＝k (1)

其中：

B为一个0-1矩阵，表达路径与分流点的映射关系，|H|为快速路网中分流点数，|R|为快速路中的路径数；

x＝[x₁…x_n]^T，x为快速路中n条路径的路径流量列向量；

k＝[k₁…k_h]^T，k为快速路中h个路口的路段流量列向量。

如前所述的一种基于多源数据的快速路OD矩阵获取方法，进一步地，步骤1中，快速路“路径-转向流量”关系如下：

Fx＝j (2)

其中：

F为0-1矩阵，表达路径与分流点左(右)行分支的映射关系；

x＝[x₁…x_n]^T，x为快速路中n条路径的路径流量列向量；

j＝[j₁…j_h]^T，j为快速路中h个路口分流点左行路径流量列向量。

如前所述的一种基于多源数据的快速路OD矩阵获取方法，进一步地，步骤1中，引入基于浮动车GPS数据的快速路分流点左行比例：

R·k＝j (3)

其中：

R是由浮动车GPS推导得到的h个路口的左行比例堆叠成的对角阵；将式子(1)、(2)代入(3)移项可得：

(RB-F)x＝0

如前所述的一种基于多源数据的快速路OD矩阵获取方法，进一步地，步骤2中，目标函数如以下公式所示：

其中，A为卡口-路径关联矩阵，如果路段卡口l可以监测到路径r的流量，则A_lr＝1，否则为0，即

b为视频卡口观测值矩阵。

如前所述的一种基于多源数据的快速路OD矩阵获取方法，进一步地，步骤2中，限制条件如下：

s.t.Ux＝f

其中，U为蜂窝网格路径-路径关联矩阵，如果蜂窝网格路径p中包含路径r，则U_pr＝1，否则为0，即

f为蜂窝路径流量值矩阵。

如前所述的一种基于多源数据的快速路OD矩阵获取方法，进一步地，步骤3中，利用python，借助os模块，panda模块，从原始数据中筛选出研究范围内的有效数据，由视频卡口数据得视频卡口观测值矩阵，由手机信令数据得蜂窝路径流量值矩阵，由GPS数据得分流点转向率矩阵。

如前所述的一种基于多源数据的快速路OD矩阵获取方法，进一步地，步骤4中，在MATLAB调用lsqlin函数，采用内点法(interior-point method)求解此带约束的最小二乘问题；估计城市快速路路径流量。

如前所述的一种基于多源数据的快速路OD矩阵获取方法，进一步地，步骤5中，将路径起终点与OD小区匹配，由快速路路径流量估计值获取快速路OD矩阵。

本发明的有益效果是：

1)本发明以城市快速路为研究对象，基于多源数据，对城市快速路的路径流量进行估计，推算城市快速路的OD矩阵。

2)本发明采用基于AVI/GSM/GPS多源数据的路径流量估计模型，以城市快速路为研究对象、以提高城市快速路的OD估计精度为研究目的、以多源数据融合为研究方法，有效克服目前主流的采用单数据源估计的OD矩阵造成的因为数据源本身产生的精度局限性，使本发明更具有科学性。

3)本发明建立的路径流量估计模型中，约束条件可以根据实际情况进行修正和更换，使得本发明具有较大的灵活性和可操作性。

附图说明

图1为基于多源数据的快速路OD矩阵获取方法流程图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

现代城市快速路作用越来越大，但其OD交通量估计精度较低，无法有针对性的提升道路利用效率，针对这一情况，本发明提出一种基于多源数据的快速路OD矩阵获取方法。本发明的核心方法是利用与城市快速路相关的多源数据(AVI+GSM+GPS数据)，通过设置合理的目标函数和限制条件，构建基于AVI/GSM/GPS多源数据的路径流量估计模型，从而提出一种可操作性强、精度高的快速路OD矩阵获取方法。

如图1所示，本发明所述的基于多源数据的快速路OD矩阵获取方法包括以下几个步骤：

步骤1：建立路段流量与路口分流点转向流量的关系

步骤1.1：建立快速路“路径-路段流量”关系

快速路路径和路段流量关系是通过分流点建立起来的，路径与分流点的映射关系可以用矩阵表示，B∈{0，1}^|H|×|R|，

B为一个0-1矩阵，|H|为快速路中分流点数，|R|为快速路中的路径数，“路径-路段流量”关系为：

Bx＝k (1)

表1为矩阵示例：

表1

步骤1.2：建立快速路“路径-转向流量”关系

快速路路径流量与转向流量的映射关系是通过路径是否在分流点的某一分支上而建立起来的。快速路大多为右行分支，因此为简化计算，建立路径-右转流量的关系。F∈{0，1}^|H|×|R|，

F为0-1矩阵，表达路径与分流点左(右)行分支的映射关系。路径-转向流量”关系为：

Fx＝j (2)

表2为矩阵示例。

表2

步骤1.3：引入基于浮动车GPS数据的快速路分流点左行比例。

R·k＝j (3)

其中：

(RB-F)x＝0

步骤2：建立目标函数设置限制条件。

步骤2.1：建立一个满足卡口监测路段流量与卡口监测数据相对误差最小以及路段流量乘分流点左转比例与路口分流点左行路径流量相对误差最小的目标函数：

b为视频卡口观测值矩阵。矩阵A示例如表3：

表3

步骤2.2：设置蜂窝路径流量一致性为约束条件：

s.t.Ux＝f

f为蜂窝路径流量值矩阵，表4蜂窝路径信息示例：

表4

约束条件连同上述目标函数最终表达成一个可以求解的凸二次优化最小化问题。

步骤3：处理AVI/GSM/GPS多源数据，得到视频卡口观测值矩阵、蜂窝路径流量值矩阵、分流点转向率矩阵。

步骤3.1：处理视频卡口数据得视频卡口观测值矩阵。

步骤3.2：处理手机信令数据得蜂窝路径流量值矩阵。

步骤3.3：处理GPS数据得分流点转向率矩阵。

步骤4：运用MATLAB估计城市快速路路径流量

在MATLAB调用lsqlin函数，采用内点法(interior-point method)求解此带约束的最小二乘问题，估计城市快速路路径流量。

步骤5：推算快速路OD矩阵

将路径起终点与OD小区匹配，由快速路路径流量估计值获取快速路OD矩阵。

实施例1：

选取深圳市泥岗路为研究对象，结合2016年9月1日星期四全天监测数据，包含深圳市视频卡口数据、手机信令数据和GPS数据，估计泥岗路的OD交通量，对本发明的方法实施做进一步说明：

步骤1：选取与深圳市泥岗路立体相交的道路，根据路网拓扑结构，建立路段流量与路口分流点转向流量的关系，路网拓扑结构信息如表5：

表5

步骤1.1：建立快速路“路径-路段流量”关系

泥岗路及其相交道路中，路径和路段流量关系是通过分流点建立起来的，路径与分流点的映射关系可以用矩阵表示，B∈{0，1}^|H|×|R|，

B为一个0-1矩阵，|H|为快速路网中分流点数，|R|为快速路中的路径数，“路径-路段流量”关系为：

Bx＝k

表6为泥岗路分流点-路径关联矩阵：

表6

步骤1.2：建立快速路“路径-转向流量”关系

泥岗路及其立体相交道路的路径流量与转向流量的映射关系是通过路径是否在分流点的某一分支上而建立起来的。本发明研究范围内的分支大多为右行分支，因此为简化计算，建立路径-右转流量的关系。F∈{0，1}^|H|×|R|，

Fx＝j

表7为泥岗路分流点-右行路径关联矩阵：

表7

步骤1.3：引入基于浮动车GPS数据的快速路分流点左行比例。

R·k＝j

泥岗路分流点右行比例矩阵R如表8：

表8

步骤2：建立目标函数设置限制条件

b为视频卡口观测值矩阵。泥岗路视频卡口-路径关联矩阵A如表9：

表9

步骤2.2：设置蜂窝路径流量一致性为约束条件：

s.t.Ux＝f

f为蜂窝路径流量值矩阵，表10为研究范围内蜂窝路径信息示例：

表10

步骤3.1：在深圳市全市视频卡口中筛选出泥岗路沿线区域中的6个卡口，依据卡口ID对2016年9月1日星期四全天监测数据进行检索，按照卡口ID出现次数进行计数，得到各卡口的全天流量值如表11。

表11

卡口编号	卡口名称	卡口ID	全天流量值(veh)
				1	北环大道皇岗路口西行	2010262	93738
2	笋岗西路笔架山公园人行天桥西行	2010319	95884
				3	泥岗路泥岗人行天桥西往东	2110051	100964
4	泥岗路红岗东人行天桥东往西	2110050	159623
				5	泥岗路金豪人行天桥西往东	2110046	88409
6	泥岗路红岗东人行天桥西行	2010318	55486

步骤3.2：对运营商原始数据按照基站经纬度和手机识别码进行分类计数，得到2016年9月1日深圳市泥岗路沿线区域的41条蜂窝路径对应的蜂窝路径流量(veh)见表12。

表12

步骤3.3：对2016年9月1日的全市出租车GPS轨迹进行提取，地图匹配后筛选计算得到泥岗路沿线11个路口分流点的右行比例，如表13所示：

表13

分流点编号	右行比例	分流点编号	右行比例	分流点编号	右行比例
						D1	0.30	D5	0.70	D9	0.60
D2	0.10	D6	0.15	D10	0.30
						D3	0.30	D7	0.50	D11	0.40
D4	0.70	D8	0.50

步骤4：运用MATLAB估计泥岗路路径流量

在MATLAB调用lsqlin函数，采用内点法(interior-point method)求解此带约束的最小二乘问题。

步骤4.1：在MATLAB中导入矩阵R、矩阵B与矩阵F，计算矩阵。

步骤4.2：设置选项使用“interior-point”算法并进行迭代显示。

options＝optimoptions(′lsqlin′，′Algorithm′，′interior-point′，′Display′，′iter′)；

步骤4.3：将矩阵

U，向量b、f以Excel数据表的形式导入MATLAB，设置线性最小二乘问题。

步骤4.4：运行问题。

步骤4.5：得到迭代结果。

步骤4.6：找到符合约束的最小值，得到路径流量，从而得到快速路OD。

2016年9月1日泥岗路路径流量估算值如表14：

表14

步骤5：推算快速路OD矩阵

将路径起终点与OD小区匹配，由步骤4路径流量估计值获取泥岗路OD矩阵。2016年9月1日泥岗路OD矩阵如表15：

表15

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。