CN112598338B - 路径选择模型的构建方法及客流分配方法 - Google Patents
路径选择模型的构建方法及客流分配方法 Download PDFInfo
- Publication number
- CN112598338B CN112598338B CN202110232581.1A CN202110232581A CN112598338B CN 112598338 B CN112598338 B CN 112598338B CN 202110232581 A CN202110232581 A CN 202110232581A CN 112598338 B CN112598338 B CN 112598338B
- Authority
- CN
- China
- Prior art keywords
- path
- mobile phone
- time
- travel
- phone user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010276 construction Methods 0.000 title claims description 5
- 238000012546 transfer Methods 0.000 claims description 88
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 10
- 238000011835 investigation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 108091034117 Oligonucleotide Proteins 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 241000488484 Craugastor andi Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011664 signaling Effects 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种路径选择模型的构建方法及客流分配方法,路径选择模型的构建方法包括:获取手机用户轨道出行轨迹数据;将所述手机用户轨道出行轨迹数据匹配至候选路径集,获得所述候选路径集中每个路径的手机用户出行数量;从所述候选路径集中,获取所述手机用户出行数量大于或等于第一预设数量的有效路径,得到有效路径集;获取有效路径数量大于或等于第二预设数量,且出行总数量大于或等于第三预设数量的OD对,确定所述OD对中每条路径的手机用户出行数量和效用;根据所述OD对中每条路径的手机用户出行数量和效用,标定路径选择模型。本发明利用大量的、真实的轨道出行路径选择数据,可标定出精度高、可靠性高的路径选择模型。
Description
技术领域
本发明涉及交通流分配技术领域,具体而言,涉及一种路径选择模型的构建方法及客流分配方法。
背景技术
随着轨道网络规模的不断扩大,乘客可选的路径越来越多,简单的、基于最短路径的分配算法无法可靠地分配轨道客流。Logit等离散选择模型是分析复杂网络情况下的用户路径选择行为的有效模型,但是标定这类模型需要充足的样本,即轨道乘客的实际的路径数据。
乘客路径选择意愿调查是获得轨道乘客路径选择样本的传统方案。调查问卷方式的优点是可以获得收入、性别、年龄等多种用户属性。调查方式可以分为RP调查和SP调查。RP调查是基于实际出行路径选择的调查,SP调查是基于假想的路径集下的出行路径选择行为的调查。这两种方案的缺点如下:
1)RP调查的缺点是难以获得数量足够的用于标定离散选择模型所需要的样本。
2)SP调查虽然可以获得较多的有效样本,但是因路径集和费用等信息是假想的,所以基于SP调查的路径选择行为模型不一定符合实际的情况。
可见,传统调查方案难以获得标定离散选择模型所需的实际的路径选择数据,基于传统调查方案获得的实际路径选择数据标定获得的离散选择模型准确性较低。
发明内容
本发明解决的问题是传统调查方案难以获得标定离散选择模型所需的实际的路径选择数据,基于传统调查方案获得的实际路径选择数据标定获得的离散选择模型准确性较低。
为解决上述问题,本发明提供一种路径选择模型的构建方法,包括:
获取手机用户轨道出行轨迹数据;
将所述手机用户轨道出行轨迹数据匹配至候选路径集,获得所述候选路径集中每个路径的手机用户出行数量;
从所述候选路径集中,获取所述手机用户出行数量大于或等于第一预设数量的有效路径,得到有效路径集;
获取有效路径数量大于或等于第二预设数量,且出行总数量大于或等于第三预设数量的OD对,确定所述OD对中每条路径的手机用户出行数量和效用;
根据所述OD对中每条路径的手机用户出行数量和效用,标定路径选择模型。
可选地,所述获取手机用户轨道出行轨迹数据之后,所述将所述手机用户轨道出行轨迹数据匹配至候选路径集,获得所述候选路径集中每个路径的手机用户出行数量之前,还包括:
获取每个OD对间的初始路径集合;
获取所述初始路径集合中每条路径的换乘次数和实际行程时间;
根据所述每条路径的换乘次数,确定所述每条路径的最长行程时间;
将所述初始路径集合中,所述实际行程时间大于或等于所述最长行程时间的路径去除,得到所述候选路径集。
可选地,所述根据所述每条路径的换乘次数,确定所述每条路径的最长行程时间包括:
基于所述每条路径的换乘次数和第一预设公式计算所述每个路径的最长行程时间,其中,所述第一预设公式为:
可选地,所述获取每个OD对间的初始路径集合包括:
获取所述每个OD对间行程时间最短的预设数量的路径,组成所述初始路径集合。
可选地,所述将所述手机用户轨道出行轨迹数据匹配至候选路径集,获得所述候选路径集中每个路径的手机用户出行数量包含:
从所述手机用户轨道出行轨迹数据中,获取手机用户出行轨迹;
将所述候选路径集中与所述手机用户出行轨迹完全一致的路径与所述手机用户出行轨迹匹配,和/或,当所述手机用户出行轨迹为所述候选路径集中一条且仅一条路径的完全子集时,将所述手机用户出行轨迹与该路径匹配。
可选地,所述效用的效用函数为:
其中,为站点对之间编号为的路径行程时间,为编号为的轨道路段的长度,表示该路段属于编号为的轨道线路,为路段与路径之间的关联变量,为编号为的轨道线路的速度的倒数,为站点对之间编号为的路径在线路上的总长度,为总车内行驶时间,为线路上的一次站点停车时间,为线路上的停站次数,为总站点停车时间,为编号为的换乘线段的步行时间,为换乘线段与路径之间的关联变量,为一次换乘等待时间,为所述换乘次数,包括进出站时间和等车时间。
本发明还提出一种客流分配方法,包括:
将交通流输入至预设的路径选择模型,获得所述路径选择模型的输出结果,将所述输出结果作为客流分配结果,其中,所述路径选择模型基于如上所述的路径选择模型的构建方法生成。
为实现上述目的,本发明还提供一种计算机设备,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上所述的路径选择模型的构建方法或客流分配方法。
本发明还提供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读取并运行时,实现如上所述的路径选择模型的构建方法或客流分配方法。
本发明通过利用手机用户轨道出行轨迹数据,确定有效路径集,并提供大量的、真实的轨道出行路径选择数据,可满足路径选择模型(离散选择模型)的标定需要,样本充足,可建立精度高、可靠性高的路径选择模型。且本发明实施例应用于地铁等轨道交通网络,其所经站点固定,线路少,换乘节点少而固定,再结合实际的手机用户轨道出行轨迹数据,使得建立较为简单的路径选择模型也可得到较高的选择精度,构建方式简单,计算量低,使得后续基于路径选择模型的客流分配具有较高的分配效率。
附图说明
图1为本发明路径选择模型的构建方法的一实施例流程示意图;
图2为本发明路径选择模型的构建方法的另一实施例流程示意图;
图3为本发明路径选择模型的构建方法一实例中行程时间计算模型的行程时间估计值的相对误差的示意图;
图4为本发明路径选择模型的构建方法一实例中行程时间计算模型的行程时间估计值的绝对误差的示意图;
图5为本发明计算机设备的一实施例示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
本发明提出一种路径选择模型的构建方法。下文中以深圳地铁轨道交通为例进行说明。
如图1,在本发明路径选择模型的构建方法一实施例中,所述路径选择模型的构建方法包括:
步骤S10,获取手机用户轨道出行轨迹数据。
手机用户轨道出行轨迹数据,由多条路径及各路径的出行数量组成,其中,路径由途经站点组成,途经站点包含进站、出站、中间站点序列,以深圳市地铁5号线为例,起始点为5号线兴东站,终点站在5号线大学城站,则一条路径可表示为:兴东、留仙洞、西丽、大学城。又例如,如表1所示为手机用户轨道出行轨迹数据的一种示例。
表 1手机用户轨道出行轨迹汇总结果
在步骤S10之前,还包括:对现实中的城市轨道交通网络进行抽象,构建轨道交通网络作为客流分配的网络基础;基于轨道交通网络确定所需的OD(起始点-终点)数据,由轨道线路站点对组成OD集合。
手机用户轨道出行轨迹数据,可由移动运营商提供,也可从采集手机用户地理位置信息的应用程序获得。
步骤S60,将所述手机用户轨道出行轨迹数据匹配至候选路径集,获得所述候选路径集中每个路径的手机用户出行数量。
将手机用户轨道出行轨迹数据匹配至候选路径集,可确定手机用户所选路径在候选路径集中的编号,确定每一条路径的手机用户出行数量。
候选路径集,可由每个OD对的所有路径组成,也可由每个OD对中行程时间最短的N个路径组成(N≥2)。
由于手机信令数据存在数据漂移等问题,手机用户轨道出行轨迹中存在较多的途经点缺失情况。表2显示了龙华到少年宫的轨迹列表按出行数排序(倒序)的结果。如表2所示,263个出行的站点序列与实际路径的站点序列一致,但229个出行只有进出站信息,丢失了全部的途经点信息,而其他出行站点序列也存在不同程度的中途站丢失现象。中途站点缺失现象,使得无法用站点序列集合确定站点对之间的有效路径集,需要采取一定手段确定有效路径集,此外,也使得基于手机用户轨道出行轨迹数据,难以或无法识别手机用户实际选择的路径,对于因途经点缺失导致无法唯一确定路径的手机用户轨道出行轨迹数据,需去除,以排除干扰。
表 2 手机用户轨道出行轨迹中的中途站丢失现象
在将手机用户轨道出行轨迹数据匹配至候选路径集时,保留能匹配且仅能匹配一条路径的手机用户轨道出行轨迹数据,将无法匹配至候选路径集,或者能匹配两条及两条路径以上的手机用户轨道出行轨迹数据去除,不作为后续实际使用的标定样本,筛选出有效数据用于路径选择模型的标定,保证路径选择模型精度。
步骤S70,从所述候选路径集中,获取所述手机用户出行数量大于或等于第一预设数量的有效路径,得到有效路径集。
为建立路径选择模型,首先需要明确有效路径集,即有可能被乘客选择的路径集合。
为保证路径选择模型标定样本的真实性、常规性(符合通常情况),根据手机用户出行数量筛选出有效路径。因为客流分配是基于常规情况的分配,手机用户出行数量较多的路径,是手机用户常规情况下会使用的路径,手机用户出行数量较少的路径,可能是特殊情况下、非常规情况下会使用的路径,也有可能是因数据漂移等问题产生的错误数据,因此,通过从候选路径集中,筛选出手机用户出行数量大于或等于第一预设数量的路径,作为有效路径,候选路径集中手机用户出行数量小于第一预设数量的路径,作为无效路径,筛除出去。
例如,排除候选路径集中手机用户出行数量少于3次的路径,把剩下的路径集作为最终的有效路径集。
步骤S80,获取有效路径数量大于或等于第二预设数量,且出行总数量大于或等于第三预设数量的OD对,确定所述OD对中每条路径的手机用户出行数量和效用。
为提高模型标定数据的可靠性,将有效路径数量大于或等于第二预设数量,且出行总数量大于或等于第三预设数量的OD对,作为模型标定数据。对于有效路径数量较少,例如,仅为1条时,手机用户100%会选择该唯一的有效路径,无需判断选择概率,因而把有效路径数量过少的OD对排除出去,第二预设数量可选为2。对于出行总数量较少的OD对,例如,少于50条时,存在该OD对的设置不合理的可能,也因为出行总数量较少,数据量不足以标定出准确的路径选择模型,因而将出行总数量小于第三预设数量的OD对排除出去,第三预设数量可选为80至120。
一实施方式中,可保留有效路径数量大于或等于2,且出行总数量大于或等于100的OD对之间的出行轨迹,作为标定路径选择模型的样本。
一个OD对之间可能有多条路径,分别获取每条路径上实际的手机用户出行数量和效用。其中,基于前文所述的步骤,可确定每条路径上实际的手机用户出行数量。其中的效用,可以路径的行程时间、步行时间和/或换乘次数表征。
步骤S90,根据所述OD对中每条路径的手机用户出行数量和效用,标定路径选择模型。
路径选择模型可基于Logit模型构建。其标定用数据包括:OD(起始站、终点站)、路径编号、出行数量、效用。一实施方式中,效用包含行程时间(不含步行时间)、步行时间和换乘次数。
在确定好标定用数据后,对路径选择模型进行标定,具体的标定方式为现有技术,此处不赘述。
本发明实施例通过利用手机用户轨道出行轨迹数据,确定有效路径集,并提供大量的、真实的轨道出行路径选择数据,可满足路径选择模型(离散选择模型)的标定需要,样本充足,可建立精度高、可靠性高的路径选择模型。且本发明实施例应用于地铁等轨道交通网络,其所经站点固定,线路少,换乘节点少而固定,再结合实际的手机用户轨道出行轨迹数据,使得建立较为简单的路径选择模型也可得到较高的选择精度,构建方式简单,计算量低,使得后续基于路径选择模型的客流分配具有较高的分配效率。
可选地,如图2,步骤S10之后,步骤S20之前,还包括:
步骤S20,获取每个OD对间的初始路径集合。
在确定标定用的OD对集合后,获取每个OD对间的初始路径集合。其中,标定用的OD对集合可人为基于实际需要确定。
OD对间的初始路径集合,可为OD对间的所有路径,也可为OD对间的部分路径。
可选地,步骤S20包括:
获取所述每个OD对间行程时间最短的预设数量的路径,组成所述初始路径集合。其中,预设数量可选为大于或等于2,可选为10。
可选地,基于k-最短路径搜索算法,搜索出每个OD对间行程时间最短的预设数量的路径。一实施方式中,k-最短路径搜索算法中,不设置站点停留时间、换乘等待时间等节点权重,而将站点停留时间转移到该站到后续站点间的行驶时间里,即站点区间的路段旅行时间为行驶时间和站点停留时间之和,将换乘等待时间转移到换乘连杆上,即换乘连杆的旅行时间为步行时间和换乘等待时间之和。
在选择轨道交通路径,行程时间是用户必考虑的因素,路径的行程时间越短,用户越有可能选择该路径。此外,对于地铁轨道交通,用户只能在特定的节点进入或离开轨道交通网络,且进入或离开轨道交通网络的节点数量相对较少,获取最短的预设数量的路径也较快。通过将每个OD对间行程时间最短的预设数量的路径组成初始路径集合,可降低后续步骤中的数据处理量,降低计算量,同时保证筛选出的路径中包含尽可能多的有效路径,即有可能被乘客选择的路径。
步骤S30,获取所述初始路径集合中每条路径的换乘次数和实际行程时间。
步骤S40,根据所述每条路径的换乘次数,确定所述每条路径的最长行程时间。
最长行程时间,是用于从初始路径集合中筛选出有效路径的行程上限。将实际行程时间大于或等于相应最长行程时间的路径筛除,筛选出实际行程时间小于相应最长行程时间的路径作为有效路径。
通过分析手机用户轨道出行轨迹数据,发现换乘次数对有效路径具有较大的影响,对于实际行程时间相等的两个路径,换乘次数越少,路径为有效路径的几率越大。因此,将每条路径的换乘次数与最长行程时间关联,基于每条路径的换乘次数,确定所述每条路径的最长行程时间,以获得更为准确的最长行程时间。
一实施方式中,以映射表的形式存储换乘次数与最长行程时间之间的对应关系。例如,0次换乘对应的最长行程时间为40分钟,1次换乘对应的最长行程时间为30-35分钟,2次换乘对应的最长行程时间为25-30分钟。
另一实施方式中,步骤S40包括:基于所述每条路径的换乘次数和第一预设公式计算所述每个路径的最长行程时间,其中,所述第一预设公式为:
当某一路径的实际换乘次数等于预设的最小换乘次数时,最长行程时间取,其中,指预设的最短行程时间与绝对容忍阈值之和,指预设的最短行程时间与相对容忍阈值之乘积。当某一路径的实际换乘次数大于预设的最小换乘次数时,最长行程时间取,即预设的最短行程时间与绝对容忍阈值之和。
通过上述预设公式,建立每条路径的换乘次数与最长行程时间的关联关系,对于具有不同换乘次数的路径,分别确定每条路径的最长行程时间,可保证最后确定的最长行程时间具有较高的准确性,保证筛选出的候选路径集具有较高准确性。
步骤S50,将所述初始路径集合中,所述实际行程时间大于或等于所述最长行程时间的路径去除,得到所述候选路径集。
初始路径集合中,将实际行程时间大于或等于最长行程时间的路径去除,剩余的路径组成候选路径集。因为在实际选择路径时,用户通常不会选择行程时间过大的路径,在这个阶段将行程时间过大的路径去除,可降低后续操作中的数据量,降低计算量。
本发明实施例通过将每条路径的换乘次数与最长行程时间关联,基于每条路径的换乘次数确定相应的最长行程时间,并基于最长行程时间,将实际行程时间大于或等于最长行程时间的路径去除,可减少后续数据处理量,保证筛选出的候选路径集的准确性,进而提高路径选择模型标定的准确性。
可选地,步骤S60包括:从所述手机用户轨道出行轨迹数据中,获取手机用户出行轨迹;将所述候选路径集中与所述手机用户出行轨迹完全一致的路径与所述手机用户出行轨迹匹配,和/或,当所述手机用户出行轨迹为所述候选路径集中一条且仅一条路径的完全子集时,将所述手机用户出行轨迹与该路径匹配。
其中,手机用户出行轨迹由站点组成,例如,兴东->留仙洞->西丽->大学城。将每条手机用户出行轨迹与候选路径集中的所有候选路径进行对比,判断是否能匹配成功。
与手机用户出行轨迹完全一致的路径指起始站点、途经站点、终站点都一致,例如,手机用户出行轨迹为a,b,c,d,e,f,g,路径1为a,b,c,d,e,f,g,则手机用户出行轨迹与路径1完全一致。
手机用户出行轨迹为候选路径集中一条且仅一条路径的完全子集,则根据手机用户出行轨迹可在候选路径集中确定唯一一条路径。例如,路径1为 a,b,c,d,e,f,g,路径2为a,b,c,I,j,k,f,g,若手机用户出行轨迹为a,b,c,d,f,g,则手机用户出行轨迹仅为路径1的完全子集,可确定该手机用户走的就是路径1,由此,一条手机用户出行轨迹可匹配一条且仅一条候选路径。若手机用户出行轨迹为a,b,c,f,g,则该手机用户出行轨迹为路径1、路径2共同的子集,无法确定手机用户实际选择的路径是哪一个,则无法成功匹配。
本发明实施例可将无法确定唯一路径的手机用户轨道出行轨迹数据去除,不作为路径选择模型标定样本,可筛选出有效的手机用户轨道出行轨迹数据,保证标定样本的有效性、准确性。
可选地,所述效用的效用函数为:
其中,表示所述效用,为OD对之间编号为的路径除换乘步行时间和换乘等待时间以外的总行程时间,为所述换乘步行时间,为所述换乘次数,、、为待标定系数,不同的站点对具有相同的待标定系数、、,指OD对的起点,指OD对的终点。
其中,上述效用函数为可观测的效用函数。本发明实施例采用Logit模型建立路径选择模型。
上述效用函数结构简单,仅考虑了行程时间、换乘步行时间以及换乘次数等关键的影响因素,同时,结合数量庞大的真实路径选择数据,具有较高的可靠性,可满足后续客流分配的精度。
其中,为站点对之间编号为的路径行程时间,为编号为的轨道路段的长度,表示该路段属于编号为的轨道线路,为路段与路径之间的关联变量,如果编号为的路段在站点对之间的编号为的路径上则为1,其他则为0,为编号为的轨道线路的速度的倒数,为站点对之间编号为的路径在线路上的总长度,为总车内行驶时间,为线路上的一次站点停车时间,为线路上的停站次数,为总站点停车时间,为编号为的换乘线段的步行时间,为换乘线段与路径之间的关联变量,如果编号为的换乘线段在站点对之间的编号为的路径上,则为1,其他则为0,为一次换乘等待时间,为所述换乘次数,包括进出站时间和等车时间。
使用实际的进出站刷卡数据,标定行程时间计算用参数:、、和。、、、、、为已知量。上述第二预设公式对未知变量:、、和是线性的,可用线性回归模型标定未知变量,具体标定方式为现有技术,此处不做限定,也不赘述。
上述第二预设公式中,路径行程时间包含车内行驶时间、站点停车时间、换乘步行时间、换乘等车时间、进出站时间以及等车时间等。本文假设同一线路上具有相同的速度和停站时间,即和只与线路有关,此外,还假设每个进出站刷卡记录对应的路径为距离最短的路径,由于绝大多数进出站刷卡记录无换乘(在同一个线路上)或最短距离的路径为唯一有效路径,该假设对标定公式中的未知参数影响非常小,不影响最后计算出的轨道路径行程时间的准确性。
为展现本发明路径选择模型的构建方法的精度,现给出以下实例。
表 3路径行程时间参数标定结果
上述参数可用于可靠地估计站点对之间的行程时间。本发明实例筛选了同一站点对之间进出站刷卡记录数超过50条的OD对,并用这些记录的平均行程时间评估了模型的精度,即评估过程中剔除了相同OD对的不同IC卡之间的行程时间差异。图3和图4分别表示估计值的相对误差和绝对误差。如图3和图4所示,相对误差的80%落在-10%~10%范围内,而绝对误差的80%落在-2.8~2.4分钟之内,可见行程时间计算模型具有较高的精度,满足后续分析需要。
针对每个OD对(站点对),本发明实例收集行程时间最短前10条路径作为初始路径集,采用c=1.333(为30分钟时,有效路径的行程时间时间允许多出10分钟)、秒和秒等参数筛选了有效路径,并与手机用户的出行轨迹进行了匹配。保留有效路径数量大于或等于2条且出行总数量大于等于100的OD对之间的出行轨迹,作为标定路径选择模型的样本。初始的手机用户轨迹有800多万条,由于很多OD对之间只有一条有效路径,加上中途站丢失等原因,筛除无效路径后,得到有效路径1557个,满足离散选择模型标定需要。路径选择模型(Logit模型)标定用数据如表4所示。
表 4 Logit模型标定用数据
针对每个OD对的每一个路径,计算该路径的行程时间、步行时间和换乘次数,并用Logit模型标定系数。
如表5所示,计算结果符合预期。首先,旅行时间、步行时间和换乘次数的系数都为负数,且显著不等于0。其次,步行时间的系数绝对值大于行程时间的系数,说明步行具有更高的负边际效用。第三,换乘次数的系数的绝对值最大,与行程时间的系数的比值约为234,说明一次换乘的负效用约等于234秒。
表 5 Logit模型标定结果
为了进一步评估路径选择模型的标定结果,选择了手机用户出行数量最多的5个OD对,比较了路径选择比例的实际值和预测值。如表6所示,预测值和实际值之间误差较小,可满足工程应用的需求。
表 6 Logit模型预测结果
从上述发明实例可看出,本发明模型结构非常简单,仅考虑了行程时间、换乘步行时间以及换乘次数等几个关键的影响因素,但由于利用了数量庞大的真实路径选择数据,具有较高的可靠性,可满足客流分配的精度。
在本发明客流分配方法的一实施例中,所述客流分配方法包括:
将交通流输入至预设的路径选择模型,获得所述路径选择模型的输出结果,将所述输出结果作为客流分配结果,其中,所述路径选择模型基于如上所述的路径选择模型的构建方法生成。
其中,轨道客流分配,指将轨道起讫点的出行分布按照现有或规划中的轨道网络分配到各线路上,从而推测各断面和换乘站的交通量。
此处的交通流,指已知的客流量,当本发明客流分配方法应用于地铁轨道交通时,交通流指进站客流,可通过进站刷卡数据确定。
通过如上所述的路径选择模型的构建方法生成的路径选择模型,可准确地进行客流分配,相关解释说明如上文所述,此处不赘述。
如图5,在本发明计算机设备一实施例中,计算机设备包括存储有计算机程序的计算机可读存储介质102和处理器101,所述计算机程序被所述处理器101读取并运行时,实现如上任一实施例/实施方式所述的路径选择模型的构建方法或所述的客流分配方法,相关解释说明如上文所示,此处不赘述。
在本发明计算机设备一实施例中,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读取并运行时,实现如上任一实施例/实施方式所述的路径选择模型的构建方法或所述的客流分配方法,相关解释说明如上文所示,此处不赘述。
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (8)
1.一种路径选择模型的构建方法,其特征在于,包括:
获取手机用户轨道出行轨迹数据;
将所述手机用户轨道出行轨迹数据匹配至候选路径集,获得所述候选路径集中每个路径的手机用户出行数量;
从所述候选路径集中,获取所述手机用户出行数量大于或等于第一预设数量的有效路径,得到有效路径集;
获取有效路径数量大于或等于第二预设数量,且出行总数量大于或等于第三预设数量的OD对,确定所述OD对中每条路径的手机用户出行数量和效用;
根据所述OD对中每条路径的手机用户出行数量和效用,标定路径选择模型;
所述获取手机用户轨道出行轨迹数据之后,所述将所述手机用户轨道出行轨迹数据匹配至候选路径集,获得所述候选路径集中每个路径的手机用户出行数量之前,还包括:
获取每个OD对间的初始路径集合;
获取所述初始路径集合中每条路径的换乘次数和实际行程时间;
根据所述每条路径的换乘次数,确定所述每条路径的最长行程时间;
将所述初始路径集合中,所述实际行程时间大于或等于所述最长行程时间的路径去除,得到所述候选路径集;
所述根据所述每条路径的换乘次数,确定所述每条路径的最长行程时间包括:
基于所述每条路径的换乘次数和第一预设公式计算所述每个路径的最长行程时间,其中,所述第一预设公式为:
2.如权利要求1所述的路径选择模型的构建方法,其特征在于,所述获取每个OD对间的初始路径集合包括:
获取所述每个OD对间行程时间最短的预设数量的路径,组成所述初始路径集合。
3.如权利要求1所述的路径选择模型的构建方法,其特征在于,所述将所述手机用户轨道出行轨迹数据匹配至候选路径集,获得所述候选路径集中每个路径的手机用户出行数量包含:
从所述手机用户轨道出行轨迹数据中,获取手机用户出行轨迹;
将所述候选路径集中与所述手机用户出行轨迹完全一致的路径与所述手机用户出行轨迹匹配,和/或,当所述手机用户出行轨迹为所述候选路径集中一条且仅一条路径的完全子集时,将所述手机用户出行轨迹与该路径匹配。
6.一种客流分配方法,其特征在于,包括:
将交通流输入至预设的路径选择模型,获得所述路径选择模型的输出结果,将所述输出结果作为客流分配结果,其中,所述路径选择模型基于如权利要求1至5中任一项所述的路径选择模型的构建方法生成。
7.一种计算机设备,其特征在于,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1至5中任一项所述的路径选择模型的构建方法,或如权利要求6所述的客流分配方法。
8.一种计算机可读存储介质,其特征在于,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读取并运行时,实现如权利要求1至5中任一项所述的路径选择模型的构建方法,或如权利要求6所述的客流分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232581.1A CN112598338B (zh) | 2021-03-03 | 2021-03-03 | 路径选择模型的构建方法及客流分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232581.1A CN112598338B (zh) | 2021-03-03 | 2021-03-03 | 路径选择模型的构建方法及客流分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598338A CN112598338A (zh) | 2021-04-02 |
CN112598338B true CN112598338B (zh) | 2021-06-29 |
Family
ID=75210096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232581.1A Active CN112598338B (zh) | 2021-03-03 | 2021-03-03 | 路径选择模型的构建方法及客流分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598338B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705902B (zh) * | 2021-08-31 | 2024-02-27 | 中铁第一勘察设计院集团有限公司 | 一种基于人群管理的交通枢纽客运组织评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020435A (zh) * | 2012-12-03 | 2013-04-03 | 高新现代智能系统股份有限公司 | 轨道交通出行路径估算方法和系统 |
CN106097226A (zh) * | 2016-06-20 | 2016-11-09 | 华南理工大学 | 基于层次规划的城市常规公交线网设计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810851B (zh) * | 2014-01-23 | 2015-10-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
CN109905845A (zh) * | 2018-12-10 | 2019-06-18 | 华南理工大学 | 一种基于手机信令的公交客流od获取方法 |
CN110175691B (zh) * | 2019-04-09 | 2023-06-02 | 创新先进技术有限公司 | 规划区域交通运营线路的方法、装置和电子设备 |
CN112434844B (zh) * | 2020-11-10 | 2024-01-26 | 郑州天迈科技股份有限公司 | 基于凸包计算和遗传算法排序线网的新开及延长方法 |
CN112381470B (zh) * | 2021-01-12 | 2021-06-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于智能体的交通流量分配方法、设备及存储介质 |
-
2021
- 2021-03-03 CN CN202110232581.1A patent/CN112598338B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020435A (zh) * | 2012-12-03 | 2013-04-03 | 高新现代智能系统股份有限公司 | 轨道交通出行路径估算方法和系统 |
CN106097226A (zh) * | 2016-06-20 | 2016-11-09 | 华南理工大学 | 基于层次规划的城市常规公交线网设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112598338A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428096B (zh) | 基于票务信息的城市轨道交通多交路运输组织优化方法 | |
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
CN104331422B (zh) | 一种路段类型推测方法 | |
US9536210B2 (en) | Origin-destination estimation system for a transportation system | |
Lo et al. | Modeling advanced traveler information services: static versus dynamic paradigms | |
CN112990648B (zh) | 一种轨道交通网络运营稳定性评估方法 | |
Sevtsuk et al. | Predicting pedestrian flow along city streets: A comparison of route choice estimation approaches in downtown San Francisco | |
Guo et al. | Urban link travel speed dataset from a megacity road network | |
JP5273106B2 (ja) | 交通流計算装置及びプログラム | |
Yamamoto et al. | Structured random walk parameter for heterogeneity in trip distance on modeling pedestrian route choice behavior at downtown area | |
CN107808217A (zh) | 一种基于北斗定位与客流量的公交换乘优化方法 | |
Altieri et al. | Give public transit a chance: A comparative analysis of competitive travel time in public transit modal share | |
CN112598338B (zh) | 路径选择模型的构建方法及客流分配方法 | |
CN114358808A (zh) | 基于多源数据融合的公交od估计及分配方法 | |
Wu et al. | Data-driven inverse learning of passenger preferences in urban public transits | |
Thakurzx et al. | Modeling and characterization of urban vehicular mobility using web cameras | |
Bhatt et al. | GIS and Gravity Model-Based Accessibility Measure for Delhi Metro | |
Tomhave et al. | Refined choice set generation and the investigation of multi-criteria transit route choice behavior | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
Mepparambath et al. | A novel modelling approach of integrated taxi and transit mode and route choice using city-scale emerging mobility data | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
Wang et al. | Recursive decomposition probability model for demand estimation of street-hailing taxis utilizing GPS trajectory data | |
CN116451867A (zh) | 一种基于时空出行路径标定的地铁短时客流预测方法 | |
CN116434566A (zh) | 交通流量的确定方法及设备 | |
Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem |
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 |