CN112419131A - 交通起讫点需求估算方法 - Google Patents
交通起讫点需求估算方法 Download PDFInfo
- Publication number
- CN112419131A CN112419131A CN202011310723.3A CN202011310723A CN112419131A CN 112419131 A CN112419131 A CN 112419131A CN 202011310723 A CN202011310723 A CN 202011310723A CN 112419131 A CN112419131 A CN 112419131A
- Authority
- CN
- China
- Prior art keywords
- traffic
- travel
- demand
- semantic
- spatial
- 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 57
- 239000013598 vector Substances 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003915 cell function Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种交通起讫点需求估算方法,包括获取待分析区域的交通参数;进行空间相关性建模得到空间相关性损失;进行出行语义相关性建模得到出行语义相关性损失;根据空间相关性损失和出行语义相关性损失构建OD估算模型;对OD估算模型进行求解得到最终的交通起讫点需求估算结果。本发明提供的这种交通起讫点需求估算方法,考虑了空间关联权重对OD需求空间自相关性以及出行语义关联权重对OD需求出行目的相似性,从而构建了考虑OD需求与空间距离的相关性和OD需求与出行目的的相关性的交通起讫点需求估算模型,并对模型求解得到最终的估算结果;因此,本发明方法的可靠性高、精确性好且适用范围广。
Description
技术领域
本发明属于交通工程领域,具体涉及一种交通起讫点需求估算方法。
背景技术
随着经济技术的发展和人们生活水平的提高,机动车保有量逐年增多,从而导致城市交通问题也逐步增多。
交通起讫点需求(OD需求)矩阵能有效表达城市交通出行需求的分布,反映城市空间结构;从而引导短时交通流管理(交通信号灯配时),指导交通规划,进而缓解城市交通问题,更好地满足城市居民的交通需求。
OD需求的传统获取方法是抽样问卷调查,这种方法存在成本高、抽样统计精度不稳定、数据更新周期长等缺陷。随着大数据技术的发展,地理信息数据来源更加多样且广泛,浮动车轨迹、公交乘车数据、交通卡口过车数据、手机信令数据、兴趣点(POI)数据等众源实时数据反映着城市交通流与交通需求的实时变化。通过交通大数据对OD需求进行估计成为了当下更好的选择。
根据是否考虑OD需求的空间分布特征,目前的基于交通大数据的OD需求估计相关技术可分为结构化方法与非结构化方法。结构化方法假设OD需求满足某些先验的空间分布模型,如重力模型、介入机会模型等,通过极大似然估计法求解模型参数。但是结构化方法的精确性过度依赖于模型,因此现在较少存在应用。非结构化方法不对OD需求的空间分布进行假设,而是以熵最大模型、极大似然模型、最小二乘模型等作为优化目标,以交通量守恒关系作为约束条件,建立数学规划模型,求得最优解。
但是,无论是结构化方法还是非结构化方法,目前的交通起讫点需求估算方法均考虑的因素较少,导致算法结果精确性不高,从而影响了最终估算结果的精度。
发明内容
本发明的目的在于提供一种考虑了OD需求与空间距离的相关性和OD需求与出行目的的相关性,可靠性高、精确性好且适用范围广的交通起讫点需求估算方法。
本发明提供的这种交通起讫点需求估算方法,包括如下步骤:
S1.获取待分析区域的交通参数;
S2.对待分析区域进行空间相关性建模,从而得到空间相关性损失;
S3.对待分析区域进行出行语义相关性建模,从而得到出行语义相关性损失;
S4.根据步骤S2得到的空间相关性损失和步骤S3得到的出行语义相关性损失,构建OD估算模型;
S5.对步骤S4构建的OD估算模型进行求解,从而得到最终的交通起讫点需求估算结果。
步骤S2所述的对待分析区域进行空间相关性建模,从而得到空间相关性损失,具体为采用如下步骤建模并得到空间相关性损失:
A.将待分析区域划分为交通小区,将出行OD点匹配至交通小区;同时规定若两交通小区共边相邻,则视作两交通小区存在空间邻接;
B.规定对于任意交通需求ODi,其空间属性由起始点交通小区Oi与目的地交通小区Di共同决定;任意两个交通需求ODi与ODj之间的空间关系同时取决于起始点交通小区OiOj的空间关系与目的地交通小区DiDj的空间关系;
C.对于N个OD对,建立空间关系矩阵WN×N来表达OD对间的空间关系,其中空间关系矩阵的元素wij表示交通需求ODi与ODj之间空间权重;
D.采用如下算式作为空间相关性损失的计算式:
式中SpaceLoss为空间相关性损失;W为OD对集;W0为观测路段集合;ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;wij为交通需求ODi与ODj之间空间权重。
步骤C所述的空间关系矩阵的元素wij,具体为采用如下规则计算元素wij:
对于ODi和ODj:
若起始点交通小区相同且目的地交通小区邻接,或者目的地交通小区相同且起始点交通小区邻接,则wij=1;
若起始点交通小区邻接且目的地交通小区邻接,则wij=0.5;
否则,wij=0;
其中,所述的邻接,定义为交通小区i与交通小区j之间存在公共边;
步骤S3所述的对待分析区域进行出行语义相关性建模,从而得到出行语义相关性损失,具体为采用如下步骤进行建模并得到出行语义相关性损失:
a.定义交通小区功能向量:若兴趣点类型数量为N,则任意交通小区i的功能用途表达为一个N维向量Fi=(n1,n2,...,nk,...,nN);其中nk为落入交通小区内第k类兴趣点的数目;
c.定义出行语义相似度:对于任意两个OD对ODi和ODj,采用如下所示的向量余弦相似度计算两次出行之间的目的相似性
d.采用语义关联权重swij表示两次出行之间的语义关联:
式中Sim(i,j)为ODi和ODj之间的出行语义相似度;δ为设定的阈值;
e.采用如下算式作为出行语义相关性损失的计算式:
式中SemanticLoss为出行语义相关性损失;W为OD对集;W0为观测路段集合;swij为ODi和ODj之间的出行语义关系权重;S(ODi)为第i对OD对的需求估计值与Oi人口的比值;S(ODGj)为第j对OD对的需求观测值与Oj人口的比值。
步骤S4所述的根据步骤S2得到的空间相关性损失和步骤S3得到的出行语义相关性损失,构建OD估算模型,具体为采用如下模型作为最终的OD估算模型:
优化目标:OD=argmin LOSS(OD);
其中,LOSS(OD)为优化模型的上层总损失函数,且LOSS(OD)=(1-α-β-γ)ODLoss+α·TimeLoss+β·SpaceLoss+γ·SemanticLoss式中ODLoss为OD需求误差,且W0为观测路段集合,ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;TimeLoss为旅行时间误差,且A0为观测路段集合,ta为路段a的旅行时间的估计值,taG为路段a的旅行时间的观测值;SpaceLoss为空间相关性损失;SemanticLoss为出行语义相关性损失;α、β和γ为非负的权重参数且0≤α+β+γ≤1;
下层模型为基于Logit-SUE的配流模型;
优化目标的约束条件为:
步骤S5所述的对步骤S4构建的OD估算模型进行求解,具体为采用如下步骤进行求解:
(1)采用小批量梯度下降法求解上层模型,每次迭代中的徒弟方向R采用如下算式计算:
式中α、β和γ为非负的权重参数且0≤α+β+γ≤1;W为OD对集;W0为观测路段集合;ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;ta为路段a的旅行时间的估计值,taG为路段a的旅行时间的观测值;pia为ODi对路段a贡献的交通量占总OD需求的比例;va为路段a上的交通流量;ta为路段a的行驶时间;wij为交通需求ODi与ODj之间空间权重;swij为ODi和ODj之间的出行语义关系权重;S(ODi)为第i对OD对的需求估计值与Oi人口的比值;S(ODGj)为第j对OD对的需求观测值与Oj人口的比值;为ODi起点Oi的人口数; 为路段a的自由流行驶时间,ca为路段a的最大容量;
(2)参数pia由下层的Logit-SUE配流模型得到;
(3)下层的Logit-SUE配流模型由相继移动平均法求解。
本发明提供的这种交通起讫点需求估算方法,引入空间关联权重对OD对空间关系进行表达,引入出行语义关联权重对出行目的进行表达,从而构建了考虑OD需求与空间位置的相关性和OD需求与出行目的的相关性的交通起讫点需求估算模型,并对模型求解得到最终的估算结果;因此,本发明方法的可靠性高、精确性好且适用范围广。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的实施例的汉口区交通小区划分示意图。
图3为本发明方法的实施例的出行目的-OD需求相关系数矩阵示意图。
图4为本发明方法的实施例的迭代过程中上层损失函数变化示意图。
图5为本发明方法的实施例的需求量前100的OD对的估计值误差示意图。
图6为本发明方法的实施例的部分OD对应的交通小区示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种交通起讫点需求估算方法,包括如下步骤:
S1.获取待分析区域的交通参数;
S2.对待分析区域进行空间相关性建模,从而得到空间相关性损失;具体为采用如下步骤建模并得到空间相关性损失:
A.将待分析区域划分为交通小区,将出行OD点匹配至交通小区;同时规定若两交通小区共边相邻,则视作两交通小区存在空间邻接;
B.规定对于任意交通需求ODi,其空间属性由起始点交通小区Oi与目的地交通小区Di共同决定;任意两个交通需求ODi与ODj之间的空间关系同时取决于起始点交通小区OiOj的空间关系与目的地交通小区DiDj的空间关系;
C.对于N个OD对,建立空间关系矩阵WN×N来表达OD对间的空间关系,其中空间关系矩阵的元素wij表示交通需求ODi与ODj之间空间权重;采用如下规则计算元素wij:
对于ODi和ODj:
若起始点交通小区相同且目的地交通小区邻接,或者目的地交通小区相同且起始点交通小区邻接,则wij=1;
若起始点交通小区邻接且目的地交通小区邻接,则wij=0.5;
否则,wij=0;
其中,所述的邻接,定义为交通小区i与交通小区j之间存在公共边;
D.为了充分利用已有的OD观测值,在估算OD对ODi的OD需求时,考虑到ODi的估计值应与和ODi空间相关性越高的观测OD越相近,与和ODi相关性越低的观测OD越相互独立;因此,基于广义最小二乘法提出空间相关性损失,采用如下算式作为空间相关性损失的计算式:
式中SpaceLoss为空间相关性损失;W为OD对集;W0为观测路段集合;ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;wij为交通需求ODi与ODj之间空间权重;
S3.对待分析区域进行出行语义相关性建模,从而得到出行语义相关性损失;具体为采用如下步骤进行建模并得到出行语义相关性损失:
交通出行往往伴随有目的性,出行目的与起讫点周边功能用途存在相关性。通过城市兴趣点(POI)分布数据表达起讫点周边区域功能类型,从而对OD对的出行语义信息进行提取;
a.定义交通小区功能向量:若兴趣点类型数量为N,则任意交通小区i的功能用途表达为一个N维向量Fi=(n1,n2,...,nk,...,nN);其中nk为落入交通小区内第k类兴趣点的数目;
c.定义出行语义相似度:对于任意两个OD对ODi和ODj,采用如下所示的向量余弦相似度计算两次出行之间的目的相似性
d.采用语义关联权重swij表示两次出行之间的语义关联:
式中Sim(i,j)为ODi和ODj之间的出行语义相似度;δ为设定的阈值;
e.假设居民个体出行行为受到其出行目的影响,在出行目的相似的情况下,其出行需求由出行起点人口数决定;基于上述假设,若ODi与ODj出行目的是类似的,则当Oi与Oj人口相同的情况下,ODi与ODj的OD需求也应是类似的;因此,基于广义最小二乘法利用出行语义信息对ODi进行估计,采用如下算式作为出行语义相关性损失的计算式:
式中SemanticLoss为出行语义相关性损失;W为OD对集;W0为观测路段集合;ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;swij为ODi和ODj之间的出行语义关系权重;S(ODi)为第i对OD对的需求估计值与Oi人口的比值,即 为ODi起点Oi的人口数;S(ODGj)为第j对OD对的需求观测值与Oj人口的比值;
S4.根据步骤S2得到的空间相关性损失和步骤S3得到的出行语义相关性损失,构建OD估算模型;具体为采用如下模型作为最终的OD估算模型:
本方法使用双层规划模型。上层模型是多目标优化模型,用广义最小二乘模型表达优化目标,其优化目标有四:1、最小化OD需求观测值与估计值之差;2、最小化路段旅行时间观测值与估计值之差;3、OD需求符合空间相关性假设,即不同OD对之间OD需求存在相关性,距离越近相关性越强;4、出行语义(出行目的)相似性越高的OD需求除以区域人口数的比例越相似。下层模型是配流模型,给定OD需求实现流量分配;
因此,优化目标为:OD=argmin LOSS(OD);
其中,LOSS(OD)为优化模型的上层总损失函数,且LOSS(OD)=(1-α-β-γ)ODLoss+α·TimeLoss+β·SpaceLoss+γ·SemanticLoss式中ODLoss为OD需求误差,表达OD对之间的估计OD需求与观测OD需求之间的差距,且W0为观测路段集合,ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;TimeLoss为旅行时间误差,表达了路段的估计旅行时间与观测旅行时间之间的差距,且A0为观测路段集合,ta为路段a的旅行时间的估计值,taG为路段a的旅行时间的观测值;SpaceLoss为空间相关性损失;SemanticLoss为出行语义相关性损失;α、β和γ为非负的权重参数且0≤α+β+γ≤1,用于调节OD需求误差、旅行时间误差、空间相关性损失与出行语义相关性损失在优化目标中占的权重;
下层模型为基于Logit-SUE的配流模型;
优化目标的约束条件为:
S5.对步骤S4构建的OD估算模型进行求解,从而得到最终的交通起讫点需求估算结果;具体为采用如下步骤进行求解:
(1)采用小批量梯度下降法求解上层模型,每次迭代中的徒弟方向R采用如下算式计算:
式中α、β和γ为非负的权重参数且0≤α+β+γ≤1;W为OD对集;W0为观测路段集合;ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;ta为路段a的旅行时间的估计值,taG为路段a的旅行时间的观测值;pia为ODi对路段a贡献的交通量占总OD需求的比例;va为路段a上的交通流量;ta为路段a的行驶时间;wij为交通需求ODi与ODj之间空间权重;swij为ODi和ODj之间的出行语义关系权重;S(ODi)为第i对OD对的需求估计值与Oi人口的比值;S(ODGj)为第j对OD对的需求观测值与Oj人口的比值;为ODi起点Oi的人口数; 为路段a的自由流行驶时间,ca为路段a的最大容量;
(2)参数pia由下层的Logit-SUE配流模型得到;
(3)下层的Logit-SUE配流模型由相继移动平均法求解。
以下,结合武汉市汉口地区的OD需求估计为例,具体说明本发明在OD需求估计中的具体应用。
本实例中原始数据包含:2014年5月10日武汉市浮动车轨迹数据、武汉市汉口区2014年道路网络数据、武汉市汉口区2014年POI数据、武汉市汉口区2014年人口分布数据。
其中浮动车轨迹数据为2014年5月10日武汉市出租车GPS轨迹数据(1.2万辆车,共1300万个轨迹点);道路网络数据为武汉市2014年道路网数据;POI数据为2014年武汉市内全部POI数据,共计130万条,分为11类,数据来源于大众点评网;武汉市汉口区2014年人口数据,空间分辨率为500m*500m;以上数据地理坐标系均转换为WGS-84坐标系。
在验证本申请方法前,需要对实验数据进行预处理,预处理步骤如下。
根据武汉市汉口区道路网数据对研究区域进行交通小区划分,共划分为225个交通小区,如图2所示。
根据《2014年武汉市交通发展报告》:2014年,武汉市过长江日均交通量约为45万辆。基于过江日均交通量对出租车OD需求进行扩样,使得扩样后轨迹满足全天过江数量为45万次,以表示武汉市内所有车辆交通需求。
出租车GPS轨迹数据带有载客状态变量,其中1为载客状态,0为未载客状态。在去除GPS轨迹偏移点后,将载客状态变量由0变至1的点视作O点,对应后续轨迹中载客状态变量由1变至0的点为D点,确定OD对。筛选OD点均落在汉口区的轨迹,共获取OD对78637对。将OD点约束至交通小区内,得到各个交通小区间的OD需求。
基于ST-Match算法,将轨迹点匹配至道路上。统计出各个路段上的平均旅行时间,将路径上各路段的平均旅行时间累加得到路径平均旅行时间。
以2014年5月10日早高峰(7:00-9:00)为例,对OD需求进行估计。取部分OD需求真实值与旅行时间真实统计值作为观测值,对路网中其余OD需求进行估计,具体实施方式如下所述。
引入空间相关性与出行语义相关性的OD需求估计模型:
1)空间相关性建模
根据地理学第一定律,OD需求的分布存在空间相关性。确定O点(D点)后,OD需求量与D点(O点)的空间位置存在相关性,且D点(O点)空间位置越近,相关性越强。
基于空间邻接性构建OD对间空间关系权重矩阵。若两交通小区共边相邻,则视作两交通小区存在空间邻接。以下展示了部分OD对之间的空间关系权重:
表1部分OD对之间的空间关系权重示意表
通过全局莫兰指数与局部莫兰指数对OD需求空间相关性进行度量。全局莫兰指数是一种度量全局空间相关性的指标,其定义如下:
式中n为研究区域内地理单元总数,wij为地理单元i与j之间的空间关系权重,xi和xj是地理单元i与地理单元j的属性值,S2为属性值的方差;当莫兰指数为正数,Z得分高于2.58,P值小于0.01时,则数据的空间分布在99%置信度下具有显著的正空间自相关性;
按照全局莫兰指数的定义,求得OD对间全局莫兰指数、P值、Z得分分别为:I=0.5945,P=0.004,Z=125.2827;即在OD需求在99%置信度下具有显著的正向空间相关性;
然后,基于广义最小二乘法对空间相关性损失进行建模:
2)出行语义相关性建模
武汉市汉口区2014年POI数据共分为餐饮服务、风景名胜、公共设施、公司企业等共11类,故任意交通小区i的功能用途可以被表达为一个11维向量Fi=(n1,n2,...,n11);
居民个体出行行为受到其出行目的影响,在出行目的相似的情况下,其出行需求由出行起点人口数决定。
采用距离相关系数来度量OD需求与出行语义之间的相关性。距离相关系数能衡量两个变量(u,v)之间的非线性相关程度,记作dcorr(u,v);其取值范围为[0,1];当dcorr(u,v)=0时,说明(u,v)之间相互独立;dcorr(u,v)越大,表示(u,v)之间相关性越强。距离相关系数表达式如下:
式中dcov2(u,v)=S1+S2-2S3,S1、S2和S3为:
将OD需求除以出发地交通小区人口表达出行概率,本节后文中提到的出行需求均为出行概率。构建出行语义向量与OD需求间的相关系数矩阵如图3所示,表达OD需求和单类POI数目之间的相关性,其中相关系数为距离相关系数dcorr(u,v)。由图3可知,除风景名胜外,OD需求与单类别POI数目之间相关性均在0.5左右,存在一定相关性。
因此将风景名胜剔除出出行语义向量中,更新后的出行语义向量是一个10维向量。计算出行语义向量与OD需求之间的距离相关系数,其中出行语义向量之间的距离定义为两出行语义向量之间向量余弦相似度的倒数。求得dcorr(SemVec,OD)=0.6858,即出行语义向量与OD需求之间存在较强相关性。
对于两个OD对ODi与ODj,采用向量余弦相似度来描述两次出行之间的目的相似性,表达为:
表2展示了部分OD对之间的出行语义相似性。
表2部分OD对之间的出行语义相似性
当Sim(i,j)大于一定阈值δ=0.8时,视作OD对ODi与ODj之间存在强语义关联;否则视作OD对ODi与ODj语义关联弱,可以忽略不记。用出行语义关联权重swij表示两次出行之间的语义关联:
出行语义相关损失表达式如下:
3)构建引入空间相关性与出行语义相关性的OD需求估计模型:
4)模型求解
步骤1:初始化上层模型,设置迭代次数n=1,收敛精度ε=0.02,随机初始化OD需求OD(0),随机取真实OD的50%作为观测OD需求集合{ODG},随机取50%的真实路段平均旅行时间作为观测路段旅行时间集合{taG},设置权重系数α=β=γ=0.25,迭代步长λ=10;
步骤2(求解下层模型):采用相继移动平均算法求解Logit-SUE模型,即给定OD需求OD(n),给出配流结果:OD-路段关联比例{pia};
其中k为总OD对数量,根据梯度更新OD需求D=D(n)-λR;
图4展示了上层模型迭代过程中损失函数的变化过程。
最后,实验结果与分析:
采用仅考虑OD需求观测值与路段旅行时间观测值的双层规划模型(以下简称传统方法)、引入空间相关性的双层规划模型、引入出行语义相关性的双层规划模型以及引入空间相关性与出行语义相关性的双层规划模型对2014年5月10日7:00-9:00武汉市汉口区交通小区间OD量进行估计,估计结果的精度以均方根误差RMSE描述,结果如下表3所示,真实数据中OD需求量前100的OD与以上四种对比方法得到的对应OD估计结果的误差的可视化效果如下图5所示。本专利提出的方法在精度方面取得了最好的估计效果。
表3各类估计方法的RMSE
OD估计方法 | RMSE |
传统方法 | 3.7101 |
引入空间相关性的双层规划模型 | 3.0712 |
引入出行语义相关性的双层规划模型 | 2.9616 |
引入空间相关性与出行语义相关性的双层规划模型 | 2.9314 |
下面以部分区域之间的OD交互为例,对本专利提出的模型进行进一步分析。如图6所示,以206号交通小区为O点,以187号交通小区及与187号交通小区空间相关与功能相关的交通小区为D点,分析不同估计方法对OD需求估计值的影响,其中OD对[206,187]、[206,181]、[206,171]、[206,194]、[206,195]、[206,159]存在观测值。真实值、估计结果与相对误差如下表4所示:
表4部分OD的估计值与相对误差
O | D | 真实值 | 传统方法 | 相对误差 | 空间&语义 | 相对误差 |
206 | 186 | 12 | 12.1764 | 1.47% | 11.7495 | -2.09% |
206 | 181 | 10 | 10.1861 | 1.86% | 9.6814 | -3.19% |
206 | 176 | 1 | 4.3741 | 337.41% | 2.4843 | 148.43% |
206 | 176 | 11 | 4.8708 | -55.72% | 7.6050 | -30.86% |
206 | 171 | 4 | 4.1246 | 3.12% | 4.1038 | 2.59% |
206 | 183 | 14 | 3.2267 | -76.95% | 11.0946 | -20.75% |
206 | 191 | 5 | 5.2319 | 4.64% | 5.3151 | 6.30% |
206 | 195 | 5 | 5.2158 | 4.32% | 5.0810 | 1.62% |
206 | 194 | 16 | 5.7731 | -63.92% | 12.0716 | -24.55% |
206 | 108 | 10 | 1.0724 | -89.28% | 7.8881 | -21.12% |
206 | 159 | 12 | 12.1764 | 1.47% | 11.7495 | -2.09% |
由上表可知,在不存在OD观测值时,传统方法与真实值的相对误差较大;在考虑了OD需求的空间与语义相关性后,对于不存在OD观测值的的OD对,引入了与其空间临近与出行语义相似的存在观测值的OD为其估计提供信息,所以相对误差相较传统方法有所降低。
本发明的上述实施例所述的方法针对于OD需求分布的空间相关性与出行语义相关性,通过对OD出行的出行语义进行建模,将出行相关性损失与语义相关性损失引入基于最小二乘法的双层规划模型中,实现了对OD需求的高精度预测。该方法融合了地理加权回归的思路与传统双层规划模型,将地理学第一定律与地理学第三定律引入OD估计中,弥补了现有OD估计方法的不足。与现有技术相比,本发明方法预测的准确度较传统的预测方法误差小,在同样的工作条件下,可以产生更好的结果。
Claims (6)
1.一种交通起讫点需求估算方法,包括如下步骤:
S1.获取待分析区域的交通参数;
S2.对待分析区域进行空间相关性建模,从而得到空间相关性损失;
S3.对待分析区域进行出行语义相关性建模,从而得到出行语义相关性损失;
S4.根据步骤S2得到的空间相关性损失和步骤S3得到的出行语义相关性损失,构建OD估算模型;
S5.对步骤S4构建的OD估算模型进行求解,从而得到最终的交通起讫点需求估算结果。
2.根据权利要求1所述的交通起讫点需求估算方法,其特征在于步骤S2所述的对待分析区域进行空间相关性建模,从而得到空间相关性损失,具体为采用如下步骤建模并得到空间相关性损失:
A.将待分析区域划分为交通小区,将出行OD点匹配至交通小区;同时规定若两交通小区共边相邻,则视作两交通小区存在空间邻接;
B.规定对于任意交通需求ODi,其空间属性由起始点交通小区Oi与目的地交通小区Di共同决定;任意两个交通需求ODi与ODj之间的空间关系同时取决于起始点交通小区OiOj的空间关系与目的地交通小区DiDj的空间关系;
C.对于N个OD对,建立空间关系矩阵WN×N来表达OD对间的空间关系,其中空间关系矩阵的元素wij表示交通需求ODi与ODj之间空间权重;
D.采用如下算式作为空间相关性损失的计算式:
式中SpaceLoss为空间相关性损失;W为OD对集;W0为观测路段集合;ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;wij为交通需求ODi与ODj之间空间权重。
3.根据权利要求2所述的交通起讫点需求估算方法,其特征在于步骤C所述的空间关系矩阵的元素wij,具体为采用如下规则计算元素wij:
对于ODi和ODj:
若起始点交通小区相同且目的地交通小区邻接,或者目的地交通小区相同且起始点交通小区邻接,则wij=1;
若起始点交通小区邻接且目的地交通小区邻接,则wij=0.5;
否则,wij=0;
其中,所述的邻接,定义为交通小区i与交通小区j之间存在公共边。
4.根据权利要求1所述的交通起讫点需求估算方法,其特征在于步骤S3所述的对待分析区域进行出行语义相关性建模,从而得到出行语义相关性损失,具体为采用如下步骤进行建模并得到出行语义相关性损失:
a.定义交通小区功能向量:若兴趣点类型数量为N,则任意交通小区i的功能用途表达为一个N维向量Fi=(n1,n2,...,nk,...,nN);其中nk为落入交通小区内第k类兴趣点的数目;
c.定义出行语义相似度:对于任意两个OD对ODi和ODj,采用如下所示的向量余弦相似度计算两次出行之间的目的相似性
d.采用语义关联权重swij表示两次出行之间的语义关联:
式中Sim(i,j)为ODi和ODj之间的出行语义相似度;δ为设定的阈值;
e.采用如下算式作为出行语义相关性损失的计算式:
式中SemanticLoss为出行语义相关性损失;W为OD对集;W0为观测路段集合;ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;swij为ODi和ODj之间的出行语义关系权重;S(ODi)为第i对OD对的需求估计值与Oi人口的比值;S(ODGj)为第j对OD对的需求观测值与Oj人口的比值。
5.根据权利要求1~4之一所述的交通起讫点需求估算方法,其特征在于步骤S4所述的根据步骤S2得到的空间相关性损失和步骤S3得到的出行语义相关性损失,构建OD估算模型,具体为采用如下模型作为最终的OD估算模型:
优化目标:OD=argmin LOSS(OD);
其中,LOSS(OD)为优化模型的上层总损失函数,且
LOSS(OD)=(1-α-β-γ)ODLoss+α·TimeLoss+β·SpaceLoss+γ·SemanticLoss
式中ODLoss为OD需求误差,且W0为观测路段集合,ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;TimeLoss为旅行时间误差,且A0为观测路段集合,ta为路段a的旅行时间的估计值,taG为路段a的旅行时间的观测值;SpaceLoss为空间相关性损失;SemanticLoss为出行语义相关性损失;α、β和γ为非负的权重参数且0≤α+β+γ≤1;
下层模型为基于Logit-SUE的配流模型;
优化目标的约束条件为:
6.根据权利要求5所述的交通起讫点需求估算方法,其特征在于步骤S5所述的对步骤S4构建的OD估算模型进行求解,具体为采用如下步骤进行求解:
(1)采用小批量梯度下降法求解上层模型,每次迭代中的徒弟方向R采用如下算式计算:
式中α、β和γ为非负的权重参数且0≤α+β+γ≤1;W为OD对集;W0为观测路段集合;ODi为第i对OD对的需求估计值;ODGj为第j对OD对的需求观测值;ta为路段a的旅行时间的估计值,taG为路段a的旅行时间的观测值;pia为ODi对路段a贡献的交通量占总OD需求的比例;va为路段a上的交通流量;ta为路段a的行驶时间;wij为交通需求ODi与ODj之间空间权重;swij为ODi和ODj之间的出行语义关系权重;S(ODi)为第i对OD对的需求估计值与Oi人口的比值;S(ODGj)为第j对OD对的需求观测值与Oj人口的比值;为ODi起点Oi的人口数; 为路段a的自由流行驶时间,ca为路段a的最大容量;
(2)参数pia由下层的Logit-SUE配流模型得到;
(3)下层的Logit-SUE配流模型由相继移动平均法求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310723.3A CN112419131B (zh) | 2020-11-20 | 2020-11-20 | 交通起讫点需求估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310723.3A CN112419131B (zh) | 2020-11-20 | 2020-11-20 | 交通起讫点需求估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419131A true CN112419131A (zh) | 2021-02-26 |
CN112419131B CN112419131B (zh) | 2022-07-08 |
Family
ID=74776944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011310723.3A Active CN112419131B (zh) | 2020-11-20 | 2020-11-20 | 交通起讫点需求估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419131B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192321A (zh) * | 2021-03-17 | 2021-07-30 | 东南大学 | 一种面向综合土地利用的交通需求分布提取方法 |
CN113240902A (zh) * | 2021-03-25 | 2021-08-10 | 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 |
CN114626247A (zh) * | 2022-03-28 | 2022-06-14 | 中铁第六勘察设计院集团有限公司 | 一种可验证的基于极大似然法的旅游交通od预测方法 |
CN116127330A (zh) * | 2022-09-14 | 2023-05-16 | 兰州交通大学 | 一种路网语义相似性度量模型 |
CN116663871A (zh) * | 2023-08-02 | 2023-08-29 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170138751A1 (en) * | 2015-11-13 | 2017-05-18 | HERE Global B. V. | Private and Personalized Estimation of Travel Time |
CN108009972A (zh) * | 2017-10-24 | 2018-05-08 | 北京交通大学 | 一种基于多源数据校核的多方式出行o-d需求估计方法 |
CN108665708A (zh) * | 2018-05-24 | 2018-10-16 | 中南大学 | 一种城市交通流不平衡模式挖掘方法及系统 |
CN108876042A (zh) * | 2018-06-08 | 2018-11-23 | 东南大学 | 新型交通分布与交通流分配组合模型的r语言处理方法 |
US20190094030A1 (en) * | 2017-09-22 | 2019-03-28 | Conduent Business Services, Llc | Goal-based travel reconstruction |
CN110210648A (zh) * | 2019-04-30 | 2019-09-06 | 南京航空航天大学 | 基于灰色长短期记忆网络的管制空域战略流量预测方法 |
-
2020
- 2020-11-20 CN CN202011310723.3A patent/CN112419131B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170138751A1 (en) * | 2015-11-13 | 2017-05-18 | HERE Global B. V. | Private and Personalized Estimation of Travel Time |
US20190094030A1 (en) * | 2017-09-22 | 2019-03-28 | Conduent Business Services, Llc | Goal-based travel reconstruction |
CN108009972A (zh) * | 2017-10-24 | 2018-05-08 | 北京交通大学 | 一种基于多源数据校核的多方式出行o-d需求估计方法 |
CN108665708A (zh) * | 2018-05-24 | 2018-10-16 | 中南大学 | 一种城市交通流不平衡模式挖掘方法及系统 |
CN108876042A (zh) * | 2018-06-08 | 2018-11-23 | 东南大学 | 新型交通分布与交通流分配组合模型的r语言处理方法 |
CN110210648A (zh) * | 2019-04-30 | 2019-09-06 | 南京航空航天大学 | 基于灰色长短期记忆网络的管制空域战略流量预测方法 |
Non-Patent Citations (3)
Title |
---|
AFSHIN ABADI等: ""Traffic Flow Prediction for Road Transportation Networks With Limited Traffic Data"", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
姚逸等: "一种航路扇区交通需求评估模型", 《哈尔滨商业大学学报(自然科学版)》 * |
朱倩: ""基于大数据的城市轨道交通客流预测方法研究"", 《中国优秀硕士学位论文全文数据 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192321A (zh) * | 2021-03-17 | 2021-07-30 | 东南大学 | 一种面向综合土地利用的交通需求分布提取方法 |
CN113240902A (zh) * | 2021-03-25 | 2021-08-10 | 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 |
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 |
CN114626247A (zh) * | 2022-03-28 | 2022-06-14 | 中铁第六勘察设计院集团有限公司 | 一种可验证的基于极大似然法的旅游交通od预测方法 |
CN114626247B (zh) * | 2022-03-28 | 2024-05-24 | 中铁第六勘察设计院集团有限公司 | 一种可验证的基于极大似然法的旅游交通od预测方法 |
CN116127330A (zh) * | 2022-09-14 | 2023-05-16 | 兰州交通大学 | 一种路网语义相似性度量模型 |
CN116127330B (zh) * | 2022-09-14 | 2023-11-03 | 兰州交通大学 | 一种路网语义相似性度量模型 |
CN116663871A (zh) * | 2023-08-02 | 2023-08-29 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
CN116663871B (zh) * | 2023-08-02 | 2023-10-13 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112419131B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419131B (zh) | 交通起讫点需求估算方法 | |
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
WO2018214675A1 (zh) | 一种量化分析城市建成环境对道路行程时间影响的方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
CN113902011A (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN106951976A (zh) | 一种基于模式分类的公交客流预测方法 | |
CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
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 | |
CN111598333B (zh) | 客流数据的预测方法及装置 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
ChikkaKrishna et al. | Short-term traffic prediction using fb-prophet and neural-prophet | |
CN109215374A (zh) | 一种公交车到站时间预测算法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN113051811A (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN115034429A (zh) | 基于深度图神经网络的城市出租车接客点推荐方法 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
CN112258029B (zh) | 地铁站周边共享单车的需求预测方法 | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 |
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 |