CN112613662A - 公路交通量分析方法、装置、电子设备和存储介质 - Google Patents

公路交通量分析方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112613662A
CN112613662A CN202011546082.1A CN202011546082A CN112613662A CN 112613662 A CN112613662 A CN 112613662A CN 202011546082 A CN202011546082 A CN 202011546082A CN 112613662 A CN112613662 A CN 112613662A
Authority
CN
China
Prior art keywords
traffic volume
area
region
travel
traffic
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
Application number
CN202011546082.1A
Other languages
English (en)
Other versions
CN112613662B (zh
Inventor
蔡越
刘继恩
王翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Headspring Technology Co ltd
Original Assignee
Beijing Headspring Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Headspring Technology Co ltd filed Critical Beijing Headspring Technology Co ltd
Priority to CN202011546082.1A priority Critical patent/CN112613662B/zh
Publication of CN112613662A publication Critical patent/CN112613662A/zh
Application granted granted Critical
Publication of CN112613662B publication Critical patent/CN112613662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种公路交通量分析方法、装置、电子设备和存储介质，其中方法包括：基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定第一区域和第二区域之间的出行发生系数；将出行发生系数、第一区域的出行发生量、第二区域的出行吸引量，以及第一区域和第二区域之间的行驶时间输入至重力模型，得到重力模型进行OD交通量反推后输出的第一区域和第二区域之间的OD交通量。本发明提供的公路交通量分析方法、装置、电子设备和存储介质，适用于没有现存OD交通量或难于得到现存OD交通量的情况，应用范围较广，且将更多影响居民出行的因素纳入考量，提高了OD交通量的准确性。

Description

公路交通量分析方法、装置、电子设备和存储介质
技术领域
本发明涉及交通量分析技术领域，尤其涉及一种公路交通量分析方法、装置、电子设备和存储介质。
背景技术
近年来，随着我国公路交通基础设施的不断完善，以自动化交通量调查站为代表的动态监测设备的持续建设，包括控制路段断面交通量在内的动态监测数据变得更加易于获取。因此，无需OD调查而由路段交通量反推OD矩阵的方法日益得到广泛应用，成为一种经济、可行、便捷的交通量分析方法。同时，由于OD反推方法是公路网规划的基础性工作，也能对路网的承载能力进行分析，通过公路交通的饱和度分析出瓶颈路段，进而确定相应的对策和方案，因此，该方法的重要性在公路交通各个业务域的科学决策中越来越凸显。
现有的OD反推方法可以分为如下几类：
1、局部方法和全局方法
局部方法以分析单独或者少数几个交叉口及道路区间的交通状况为目的，用于审核较小范围的交通管理规划。全局方法是以大范围的网络交通流为对象，用于推算和分析城市内部或城市之间的交通需求。
2、结构化方法和非结构化方法
该分类是指是否预先赋予OD交通量qrs以某种结构。其中，结构化方法主要是重力模型、介入机会模型；非结构化方式主要是熵最大化原理、最大似然原理。
上述方法的目标函数为预测交通量与计算交通量之差最小且现存OD交通量与计算OD交通量之差最小。约束条件可以表示为
Figure BDA0002856249090000021
3、比例分配法和非比例分配法
比例分配法包括路网的几何特性和全有全无分配法，非比例分配法包括用户平衡分配和随机用户平衡分配。
4、有参考OD交通量法和无参考OD交通量法
有参考OD交通量法视为有更多的信息建立模型，使得解更贴近于现存的OD交通量，可能获得更符合实际的预测分布交通量。
5、静态方法和动态方法
静态方法推算所依据的预测交通量和欲推算的OD交通量不随时间变化，动态方法推算所依据的预测交通量和欲推算的OD交通量随时间变化。
综上所述，可以将本次说明的方法归结为静态的、全部的、比例分配的、无现存OD交通量可利用的结构化的方法。具体的推算方法主要有极大熵法、最小信息量法、广义最小二乘法、极大似然法和贝叶斯方法等。
然而，现有的OD反推方法考虑的社会经济因素较少，相对比较简单，与实际情况有比较大的偏差，交通量预测的准确性较低。
发明内容
本发明提供一种公路交通量分析方法、装置、电子设备和存储介质，用以解决现有技术中交通量预测的准确性欠佳的缺陷。
本发明提供一种公路交通量分析方法，包括：
基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定所述第一区域和所述第二区域之间的出行发生系数；
将所述出行发生系数、所述第一区域的出行发生量、所述第二区域的出行吸引量，以及所述第一区域和所述第二区域之间的行驶时间输入至重力模型，得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量。
根据本发明提供的一种公路交通量分析方法，所述重力模型具体为：
Figure BDA0002856249090000031
其中，i和j为两个不同的区域，qij为区域i和区域j之间的OD交通量，α为区域i和区域j之间的出行发生系数，Oi为区域i的出行发生量，Dj为区域j的出行吸引量，
Figure BDA0002856249090000032
为区域i和区域j之间的出行时间，γ为出行长度指数；
Figure BDA0002856249090000033
其中，
Figure BDA0002856249090000034
和
Figure BDA0002856249090000035
为区域i和区域j的城市重要性权重，Ei和Ej为区域i和区域j的经济总量，Qi和Qj为区域i和区域j的城镇人口比重，Ii和Ij为区域i和区域j的城市工业比重。
根据本发明提供的一种公路交通量分析方法，所述重力模型的出行长度指数是基于如下步骤标定的：
参数给定步骤：给定观测路段交通量与第一运算路段交通量之间偏差值的权重，以及给定所述出行长度指数的值；
交通量偏差值标准差计算步骤：基于不考虑出行发生系数的重力模型计算所述第一区域和所述第二区域之间的OD交通量，利用全有全无分配法将所述OD交通量分配到路网，确定当前各路段的第二运算路段交通量，并计算各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差；
标准差更新步骤：更新各路段的行驶时间，重复执行所述交通量偏差值标准差计算步骤，直至所述各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差与最优标准差之间的差值小于第一预设阈值；
出行长度指数更新步骤：修改所述出行长度指数的值，并重复执行所述交通量偏差值标准差计算步骤和所述标准差更新步骤，直至所述各路段的观测路段交通量与第一运算路段交通量之间的误差达到最小值；
权重更新步骤：修改所述权重和所述出行长度指数的值，并重复执行所述交通量偏差值标准差计算步骤、所述标准差更新步骤和所述出行长度指数更新步骤，直至遍历完所述权重的所有可选值。
根据本发明提供的一种公路交通量分析方法，所述利用全有全无分配法将所述OD交通量分配到路网，确定当前各路段的第二运算路段交通量，具体包括：
利用全有全无分配法将所述OD交通量分配到路网，计算各路段的路段分配交通量；
基于如下公式确定当前各路段的第二运算路段交通量：
Figure BDA0002856249090000041
其中，
Figure BDA0002856249090000042
为当前各路段的第二运算路段交通量，
Figure BDA0002856249090000043
为上一轮迭代时计算得到的各路段的第二运算路段交通量，k为当前的迭代次数，Xa为各路段的路段分配交通量。
根据本发明提供的一种公路交通量分析方法，所述最优标准差是基于如下公式确定的：
Figure BDA0002856249090000044
其中，
Figure BDA0002856249090000045
为最优标准差，N为所述第一区域和所述第二区域之间被观测路段的总数，A为被观测路段集合，
Figure BDA0002856249090000046
为路段a的观测路段交通量，
Figure BDA0002856249090000047
为第k轮迭代过程中路段a的运算路段交通量，α为出行发生系数，
Figure BDA0002856249090000048
为第k轮迭代过程中基于不考虑出行发生系数的重力模型计算得到的路段a的运算路段交通量，ω为所述权重。
根据本发明提供的一种公路交通量分析方法，所述得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量，之后还包括：
基于互联网大数据获取所述第一区域和所述第二区域之间的OD矩阵，并基于所述OD矩阵验证所述重力模型输出的所述OD交通量。
本发明还提供一种公路交通量分析装置，包括：
出行发生系数确定单元，用于基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定所述第一区域和所述第二区域之间的出行发生系数；
OD交通量反推单元，用于将所述出行发生系数、所述第一区域的出行发生量、所述第二区域的出行吸引量，以及所述第一区域和所述第二区域之间的行驶时间输入至重力模型，得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量。
根据本发明提供的一种公路交通量分析装置，所述重力模型具体为：
Figure BDA0002856249090000051
其中，i和j为两个不同的区域，α为区域i和区域j之间的出行发生系数，Oi为区域i的出行发生量，Dj为区域j的出行吸引量，
Figure BDA0002856249090000052
为区域i和区域j之间的出行时间，γ为出行长度指数；
Figure BDA0002856249090000053
其中，
Figure BDA0002856249090000054
和
Figure BDA0002856249090000055
为区域i和区域j的城市重要性权重，Ei和Ej为区域i和区域j的经济总量，Qi和Qj为区域i和区域j的城镇人口比重，Ii和Ij为区域i和区域j的城市工业比重。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上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如上述任一种所述公路交通量分析方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述公路交通量分析方法的步骤。
本发明提供的公路交通量分析方法、装置、电子设备和存储介质，基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定第一区域和第二区域之间的出行发生系数，利用新的出行发生系数改进重力模型，得到改进的重力模型进行OD交通量反推后输出的第一区域和第二区域之间的OD交通量，适用于没有现存OD交通量或难于得到现存OD交通量的情况，应用范围较广，且将更多影响居民出行的因素纳入考量，提高了OD交通量的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的公路交通量分析方法的流程示意图；
图2为本发明提供的重力模型参数标定方法的流程示意图；
图3为本发明提供的OD反推实现方法的流程示意图；
图4为本发明提供的公路交通量分析装置的结构示意图；
图5为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
OD反推方法是基于现状路网中的断面观测流量，利用反推程序结合一种交通分配模型和一个可选的初始OD，多次迭代实现矩阵推算的方法。其中反推程序多采用多路径矩阵反推方法，由于其准确性相对于单一路径更高，因此可以不考虑单一路径OD矩阵反推方法。初始OD通常是基于交通小区之间的出行阻抗(可以是出行时间或者出行距离)进行推算得到的。
OD交通量反推即是在现状OD无法获取的情况下，由路段交通量推算OD交通量的原理。其中，路段交通量是交通小区OD之间多条路径进行选择的综合结果，其交通量含有使用该路段的所有OD交通量的信息。
Figure BDA0002856249090000071
即，在已知Va，
Figure BDA0002856249090000072
的情况下，求解qrs。
其中，上式中路段出行比例
Figure BDA0002856249090000073
通常与路段交通量Va相关。路段交通量Va的数目与建设的交通量调查站数目相同，如果其数目小于待求的qrs数量，该线性方程组就没有确定解。
现有的OD反推方法中，多采用重力模型求解OD交通量。此处，常规的重力模型考虑了两个交通小区的吸引强度和它们之间的阻力，认为两个交通小区的出行吸引与两个交通小区的出行发生量与吸引量成正比，而与交通小区之间的交通阻抗成反比，两小区的交通产生吸引与区域的人口规模成正比，与距离成反比。然而，在利用重力模型求解OD交通量时，考虑的社会经济因素较少，相对比较简单。将常规重力模型应用在区域路网规划时，由于城市交通出行以外出务工、商务、探亲为主，其出行强度、目的地不能单纯以出行时间或距离衡量，因此预测得到的交通量与实际情况有比较大的偏差，交通量预测的准确性较低。
对此，本发明实施例提供了一种公路交通量分析方法。图1为本发明实施例提供的公路交通量分析方法的流程示意图，如图1所示，该方法包括：
步骤110，基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定第一区域和第二区域之间的出行发生系数；
步骤120，将出行发生系数、第一区域的出行发生量、第二区域的出行吸引量，以及第一区域和第二区域之间的行驶时间输入至重力模型，得到重力模型进行OD交通量反推后输出的第一区域和第二区域之间的OD交通量。
具体地，在区域路网规划中，居民出行以外出务工、商务、探亲为主，其出行强度、目的地不能单纯以出行时间或距离衡量，其与小区的人口、经济发展、城市定位等因素关联性较强。因此，本发明实施例为了获取更合理、更准确的OD交通量，将城市重要性权重、经济总量、城镇人口比重和城市工业比重纳入考虑，对常规的重力模型进行改进，以更贴近现实居民出行情况。具体而言，首先获取第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定重力模型中第一区域和第二区域之间的出行发生系数。其中，出行发生系数越高，第一区域和第二区域间的交通量越高。此处，区域的城市重要性权重可以结合城市性质通过专家判断量化得到。
随后，获取第一区域的出行发生量、第二区域的出行吸引量，以及第一区域和第二区域之间的行驶时间。然后，将出行发生系数、第一区域的出行发生量、第二区域的出行吸引量，以及第一区域和第二区域之间的行驶时间输入至重力模型。重力模型根据上述数据进行OD交通量反推，得到第一区域和第二区域之间的OD交通量。
本发明实施例提供的方法，基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定第一区域和第二区域之间的出行发生系数，利用新的出行发生系数改进重力模型，得到改进的重力模型进行OD交通量反推后输出的第一区域和第二区域之间的OD交通量，适用于没有现存OD交通量或难于得到现存OD交通量的情况，应用范围较广，且将更多影响居民出行的因素纳入考量，提高了OD交通量的准确性。
基于上述实施例，重力模型具体为：
Figure BDA0002856249090000091
其中，i和j为两个不同的区域，qij为区域i和区域j之间的OD交通量，α为区域i和区域j之间的出行发生系数，Oi为区域i的出行发生量，Dj为区域j的出行吸引量，
Figure BDA0002856249090000092
为区域i和区域j之间的出行时间，γ为出行长度指数；
Figure BDA0002856249090000093
其中，
Figure BDA0002856249090000094
和
Figure BDA0002856249090000095
为区域i和区域j的城市重要性权重，Ei和Ej为区域i和区域j的经济总量，Qi和Qj为区域i和区域j的城镇人口比重，Ii和Ij为区域i和区域j的城市工业比重。
具体地，重力模型可以表示如下：
Figure BDA0002856249090000096
其中，qij为区域i和区域j之间的OD交通量，α为区域i和区域j之间的出行发生系数，Oi为区域i的出行发生量，Dj为区域j的出行吸引量，
Figure BDA0002856249090000097
为区域i和区域j之间的出行时间，γ为出行长度指数。
其中，有别于常规重力模型的是，本发明实施例中的出行发生系数α是采用如下公式计算得到的：
Figure BDA0002856249090000098
其中，
Figure BDA0002856249090000101
和
Figure BDA0002856249090000102
为区域i和区域j的城市重要性权重，Ei和Ej为区域i和区域j的经济总量，Qi和Qj为区域i和区域j的城镇人口比重，Ii和Ij为区域i和区域j的城市工业比重。
基于上述出行发生系数，重力模型可以表示为：
Figure BDA0002856249090000103
利用上述方式得到的出行发生系数改进重力模型后，改进的重力模型中的各项参数易于取得，即使规划中交通小区数目较多，其参数的标定以及交通量的计算也比较容易实现。
基于上述任一实施例，重力模型的出行长度指数是基于如下步骤标定的：
参数给定步骤：给定观测路段交通量与第一运算路段交通量之间偏差值的权重，以及给定出行长度指数的值；
交通量偏差值标准差计算步骤：基于不考虑出行发生系数的重力模型计算第一区域和第二区域之间的OD交通量，利用全有全无分配法将OD交通量分配到路网，确定当前各路段的第二运算路段交通量，并计算各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差；
标准差更新步骤：更新各路段的行驶时间，重复执行交通量偏差值标准差计算步骤，直至各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差与最优标准差之间的差值小于第一预设阈值；
出行长度指数更新步骤：修改出行长度指数的值，并重复执行交通量偏差值标准差计算步骤和标准差更新步骤，直至各路段的观测路段交通量与第一运算路段交通量之间的误差达到最小值；
权重更新步骤：修改权重和出行长度指数的值，并重复执行交通量偏差值标准差计算步骤、标准差更新步骤和出行长度指数更新步骤，直至遍历完权重的所有可选值。
具体地，在使用重力模型进行OD反推之前，需要标定重力模型中的参数。由于是城际道路，因此可以假设路段交通量互相独立，并使用最大似然估计法求出重力模型的参数。其中，出行发生系数可以基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重计算得到，因此无需标定出行发生系数α。由于路段选择概率与OD交通量是相关的，因此需要同时标定出行长度指数γ和观测路段交通量与第一运算路段交通量之间偏差值的权重ω，并将交通分配算法和最大似然法结合起来才能实现由观测路段交通量推演OD交通量。此处，第一运算路段交通量是考虑了出行发生系数后计算得到的路段交通量。假设各路段的观测路段交通量
Figure BDA0002856249090000111
之间相互独立，其均值为第一运算路段交通量
Figure BDA0002856249090000112
观测路段交通量与第一运算路段交通量之间偏差值的方差随着
Figure BDA0002856249090000113
的大小变化，并且服从正态分布，即
Figure BDA0002856249090000114
其中，εa服从
Figure BDA0002856249090000115
并且σ2相互独立，权重ω即为各路段的εa的权值。权重ω可以为0、1或2，其中ω＝0表示标准偏差与路段交通量的大小无关；ω＝1表示平均值与方差成正比；ω＝2表示标准偏差与路段交通量的大小成正比，即变动系数(σa/xa)。
图2为本发明实施例提供的重力模型参数标定方法的流程示意图，如图2所示，首先，执行参数给定步骤：给定观测路段交通量
Figure BDA0002856249090000116
与第一运算路段交通量
Figure BDA0002856249090000117
之间偏差值的权重ω，以及给定所述出行长度指数γ的值。其中，γ为负实数，ω为实数，ω的值可参考其他地区的经验数据给定。然后，设定初始条件，令初始第一运算路段交通量
Figure BDA0002856249090000118
计算初始路段行驶时间
Figure BDA0002856249090000119
令迭代次数k＝0。
随后，执行交通量偏差值标准差计算步骤：令迭代次数k＝k+1，利用
Figure BDA00028562490900001110
计算区域间的最短路径和行驶时间
Figure BDA00028562490900001111
基于不考虑出行发生系数的重力模型(即α＝1)计算第一区域和第二区域之间的OD交通量，并利用全有全无分配法将OD交通量分配到路网，确定当前各路段的第二运算路段交通量
Figure BDA00028562490900001112
其中，第二运算路段交通量
Figure BDA00028562490900001113
是在不考虑出行发生系数的情况下计算得到的路段交通量。然后，计算各路段的观测路段交通量
Figure BDA0002856249090000121
与第一运算路段交通量
Figure BDA0002856249090000122
之间偏差值的标准差σ。
然后，执行标准差更新步骤：若各路段的观测路段交通量
Figure BDA0002856249090000123
与第一运算路段交通量
Figure BDA0002856249090000124
之间偏差值的标准差σ与最优标准差
Figure BDA0002856249090000125
之间的差值
Figure BDA0002856249090000126
大于等于第一预设阈值ε，则利用
Figure BDA0002856249090000127
更新各路段的行驶时间，并重复执行交通量偏差值标准差计算步骤，直至各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差与最优标准差之间的差值
Figure BDA0002856249090000128
小于第一预设阈值ε。此处，
Figure BDA0002856249090000129
Figure BDA00028562490900001210
当各路段的观测路段交通量
Figure BDA00028562490900001211
与第一运算路段交通量
Figure BDA00028562490900001212
之间偏差值的标准差与最优标准差之间的差值
Figure BDA00028562490900001213
小于第一预设阈值ε时，执行出行长度指数更新步骤：若各路段的观测路段交通量
Figure BDA00028562490900001214
与第一运算路段交通量
Figure BDA00028562490900001215
之间的误差未达到最小值，则修改出行长度指数γ的值，并重复执行上述交通量偏差值标准差计算步骤和标准差更新步骤，直至各路段的观测路段交通量
Figure BDA00028562490900001216
与第一运算路段交通量
Figure BDA00028562490900001217
之间的误差达到最小值。此处，各路段的观测路段交通量
Figure BDA00028562490900001218
与第一运算路段交通量
Figure BDA00028562490900001219
之间的误差可以通过公式
Figure BDA00028562490900001220
计算得到，其中
Figure BDA00028562490900001221
为路段a的观测路段交通量。
当各路段的观测路段交通量
Figure BDA00028562490900001222
与第一运算路段交通量
Figure BDA00028562490900001223
之间的误差达到最小值时，还需执行权重更新步骤：若当前并未遍历完权重ω的所有可选值，则修改权重ω和出行长度指数γ的值，并重复执行交通量偏差值标准差计算步骤、标准差更新步骤和出行长度指数更新步骤，直至遍历完权重ω的所有可选值。遍历完毕后的权重ω和出行长度指数γ，即为标定后的参数值。
本发明实施例提供的方法，利用最大似然估计法对重力模型的各参数进行标定，无需事先决定起讫点间的径路选择概率，易于操作，且不考虑道路交通量间的相互关联关系，适用于交通量间相互关联相对不密切的城际间分布交通量的推演。
基于上述任一实施例，最优标准差是基于如下公式确定的：
Figure BDA0002856249090000131
其中，
Figure BDA0002856249090000132
为最优标准差，N为第一区域和第二区域之间被观测路段的总数，A为被观测路段集合，
Figure BDA0002856249090000133
为路段a的观测路段交通量，
Figure BDA0002856249090000134
为第k轮迭代过程中路段a的运算路段交通量，α为出行发生系数，
Figure BDA0002856249090000135
为第k轮迭代过程中基于不考虑出行发生系数的重力模型计算得到的路段a的运算路段交通量，ω为权重。
具体地，假定出行长度指数γ和权重ω为已知量，则参数
Figure BDA0002856249090000136
就可以通过下列公式的似然函数最大化来估计，其目标是使路段交通量的发生概率最大。
Figure BDA0002856249090000137
其中，A为被观测路段集合，
Figure BDA0002856249090000138
为路段a的观测路段交通量，
Figure BDA0002856249090000139
为第k轮迭代过程中路段a的运算路段交通量，α为出行发生系数，
Figure BDA00028562490900001310
为第k轮迭代过程中基于不考虑出行发生系数的重力模型计算得到的路段a的运算路段交通量，且
Figure BDA00028562490900001311
ω为权重。对上述似然函数取自然对数
Figure BDA00028562490900001312
从上式可以看出，似然函数最大化相当于观测路段交通量
Figure BDA00028562490900001313
和运算路段交通量
Figure BDA00028562490900001314
的差值平方和最小化。因此，各路段的观测路段交通量与运算路段交通量之间偏差值的方差σ2的最优估计值
Figure BDA00028562490900001315
可由解
Figure BDA00028562490900001316
得到。
即：
Figure BDA0002856249090000141
令
Figure BDA0002856249090000142
可得最优标准差
Figure BDA0002856249090000143
为：
Figure BDA0002856249090000144
其中，N为被观测路段的总数。
基于上述任一实施例，利用全有全无分配法将OD交通量分配到路网，确定当前各路段的第二运算路段交通量，具体包括：
利用全有全无分配法将OD交通量分配到路网，计算各路段的路段分配交通量；
基于如下公式确定当前各路段的第二运算路段交通量：
Figure BDA0002856249090000145
其中，
Figure BDA0002856249090000146
为当前各路段的第二运算路段交通量，
Figure BDA0002856249090000147
为上一轮迭代时计算得到的各路段的第二运算路段交通量，k为当前的迭代次数，Xa为各路段的路段分配交通量。
具体地，利用全有全无分配法将OD交通量分配到路网，计算各路段的路段分配交通量Xa。其中
Figure BDA0002856249090000148
OD交通量qij利用路段a的概率
Figure BDA0002856249090000149
可以利用近似的平衡分配法求出。
由于
Figure BDA00028562490900001410
因此，可以推导得到：
Figure BDA00028562490900001411
利用上式即可计算得到当前各路段的第二运算路段交通量
Figure BDA00028562490900001412
其中，
Figure BDA00028562490900001413
为上一轮迭代时计算得到的各路段的第二运算路段交通量，k为当前的迭代次数。
基于上述任一实施例，步骤120之后还包括：
基于互联网大数据获取第一区域和第二区域之间的OD矩阵，并基于OD矩阵验证重力模型输出的OD交通量。
具体地，根据工程咨询方面的相关规定，要求项目规划阶段预测的误差不超过10％。基于此，OD反推得到的OD交通量与实际OD交通量间的误差结果若在10％以内，则可认为OD反推的结果可以接受。为了验证OD反推得到的OD交通量的准确性，需要对上述OD交通量进行验证。目前的OD交通量验证方法通常是通过人力进行OD调查，以验证OD反推结果正确与否，然而，该人力调查的方式人力成本高、效率低，应用范围较窄。对此，本发明实施例基于互联网大数据，获取第一区域和第二区域之间的OD矩阵，再利用该OD矩阵验证重力模型输出的OD交通量的准确性。其中，可以使用高德地图等地图APP中基于城市OD的API，获取其OD矩阵数据进行对比。若重力模型通过反推得到的OD交通量与高德地图API获取的OD矩阵之间的误差率低于预设阈值，例如10％，表明其精确度虽然存在一定误差，但是在可以接受的范围之内，其结果可以用在交通量预测中。
本发明实施例提供的方法，通过互联网大数据获取第一区域和第二区域之间的OD矩阵，并基于OD矩阵验证重力模型输出的OD交通量，数据易于获取、来源广泛且质量较好，无需任何的OD调查，节约了人力成本且提高了验证效率，扩大了OD反推的应用范围。
基于上述任一实施例，图3为本发明实施例提供的OD反推实现方法的流程示意图，如图3所示，该方法利用多路径OD反推方式预测OD交通量，其中包括数据准备阶段、技术实现阶段和误差验证阶段。数据准备阶段提供OD反推所需的各类动静态数据。其中，静态数据为路网基础数据和社会经济数据，动态数据为交通量传感器获取的路段断面交通量数据。同时，产生初始的OD交通量。技术实现阶段即多路径OD反推通过程序和算法进行交通分配，然后估计路段流量，比较两者的路段流量误差是否符合误差检验标准，不符合的继续交通分配进行迭代，符合标准的，即得到最终的结果。误差验证阶段通过与实测的OD数据进行比较，得出其误差范围，从而评估该方法的精确度。
在数据准备阶段，路网基础数据使用公路交通行业的养护统计年报与导航数据融合后的路网数据，包括高等级路网数据(高速公路、普通国省道)、路网拓扑数据和行政区划数据。路网数据中的属性包括路线编码、名称、桩号、上下行、车道数量、行政等级、技术等级等。路网拓扑数据包括节点数据。行政区划的几何数据即为交通小区数据。社会经济数据使用社会公开的省统计年鉴和城市统计年鉴中的人口和GDP数据。交通量数据包括两部分，一是交调站的位置数据和属性数据(主要是控制路段数据，即交调站控制的起止桩号数据)，二是实时断面交通量数据，包括路段日断面实时交通当量PCU(将各型车辆数量折算为小汽车数量)数据、设计交通量数据等。
城市重要性权重可以参考基年的中国城市等级划分方法以及专家评估进行权重的分配，例如可以参考表1中的城市等级划分设定城市重要性权重。也可以直接使用其相关指数进行权重分配的依据，本发明实施例对此不做具体限定。
初始OD交通量可以采用上述任一实施例提供的公路交通量分析方法反推得到，在此不再赘述。
在技术实现阶段，OD反推的模型算法实现有两种技术实现方式，一种为JAVA结合通用算法打包为JAR包进行实现，一种为使用TransCAD的Python接口结合WEB前端进行实现。静态数据以文件格式进行导入和访问。交通量数据通过数据库访问接口进行数据库物理表的访问。通过导入和访问的数据生成初始OD交通量。然后调用相关的模型和算法计算出OD矩阵数据。调用的模型和算法内部，包括交通分配、估计交通流量、计算估计交通流量和实测交通流量之间的误差、判断是否符合误差检验标准、迭代计算等多个子步骤。如使用TransCAD的Python接口，以上各个子步骤相对比较简单，仅需输入方法名称、输入参数等。如使用JAVA实现，则需代码实现各个子步骤。
表1
Figure BDA0002856249090000171
在误差验证阶段，为了验证OD反推结果的准确性，使用高德地图的基于城市OD的API获取其OD矩阵数据进行对比。通过反推的OD矩阵与高德地图API获取的OD矩阵误差计算，若结果显示误差率基本在10％以内，其精确度虽然存在一定误差，但是在可以接受的范围之内，其结果可以用在交通量预测中。
下面对本发明提供的公路交通量分析装置进行描述，下文描述的公路交通量分析装置与上文描述的公路交通量分析方法可相互对应参照。
基于上述任一实施例，图4为本发明实施例提供的公路交通量分析装置的结构示意图，如图4所示，该装置包括：出行发生系数确定单元410和OD交通量反推单元420。
其中，出行发生系数确定单元410用于基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定第一区域和第二区域之间的出行发生系数；
OD交通量反推单元420用于将出行发生系数、第一区域的出行发生量、第二区域的出行吸引量，以及第一区域和第二区域之间的行驶时间输入至重力模型，得到重力模型进行OD交通量反推后输出的第一区域和第二区域之间的OD交通量。
本发明实施例提供的装置，基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定第一区域和第二区域之间的出行发生系数，利用新的出行发生系数改进重力模型，得到改进的重力模型进行OD交通量反推后输出的第一区域和第二区域之间的OD交通量，适用于没有现存OD交通量或难于得到现存OD交通量的情况，应用范围较广，且将更多影响居民出行的因素纳入考量，提高了OD交通量的准确性。
基于上述任一实施例，重力模型具体为：
Figure BDA0002856249090000181
其中，i和j为两个不同的区域，qij为区域i和区域j之间的OD交通量，α为区域i和区域j之间的出行发生系数，Oi为区域i的出行发生量，Dj为区域j的出行吸引量，
Figure BDA0002856249090000182
为区域i和区域j之间的出行时间，γ为出行长度指数；
Figure BDA0002856249090000183
其中，
Figure BDA0002856249090000184
和
Figure BDA0002856249090000185
为区域i和区域j的城市重要性权重，Ei和Ej为区域i和区域j的经济总量，Qi和Qj为区域i和区域j的城镇人口比重，Ii和Ij为区域i和区域j的城市工业比重。
基于上述任一实施例，该装置还包括参数标定单元，用于执行：
参数给定步骤：给定观测路段交通量与第一运算路段交通量之间偏差值的权重，以及给定出行长度指数的值；
交通量偏差值标准差计算步骤：基于不考虑出行发生系数的重力模型计算第一区域和第二区域之间的OD交通量，利用全有全无分配法将OD交通量分配到路网，确定当前各路段的第二运算路段交通量，并计算各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差；
标准差更新步骤：更新各路段的行驶时间，重复执行交通量偏差值标准差计算步骤，直至各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差与最优标准差之间的差值小于第一预设阈值；
出行长度指数更新步骤：修改出行长度指数的值，并重复执行交通量偏差值标准差计算步骤和标准差更新步骤，直至各路段的观测路段交通量与第一运算路段交通量之间的误差达到最小值；
权重更新步骤：修改权重和出行长度指数的值，并重复执行交通量偏差值标准差计算步骤、标准差更新步骤和出行长度指数更新步骤，直至遍历完权重的所有可选值。
本发明实施例提供的装置，利用最大似然估计法对重力模型的各参数进行标定，无需事先决定起讫点间的径路选择概率，易于操作，且不考虑道路交通量间的相互关联关系，适用于交通量间相互关联相对不密切的城际间分布交通量的推演。
基于上述任一实施例，最优标准差是基于如下公式确定的：
Figure BDA0002856249090000191
其中，
Figure BDA0002856249090000192
为最优标准差，N为第一区域和第二区域之间被观测路段的总数，A为被观测路段集合，
Figure BDA0002856249090000193
为路段a的观测路段交通量，
Figure BDA0002856249090000194
为第k轮迭代过程中路段a的运算路段交通量，α为出行发生系数，
Figure BDA0002856249090000195
为第k轮迭代过程中基于不考虑出行发生系数的重力模型计算得到的路段a的运算路段交通量，ω为权重。
基于上述任一实施例，利用全有全无分配法将OD交通量分配到路网，确定当前各路段的第二运算路段交通量，具体包括：
利用全有全无分配法将OD交通量分配到路网，计算各路段的路段分配交通量；
基于如下公式确定当前各路段的第二运算路段交通量：
Figure BDA0002856249090000201
其中，
Figure BDA0002856249090000202
为当前各路段的第二运算路段交通量，
Figure BDA0002856249090000203
为上一轮迭代时计算得到的各路段的第二运算路段交通量，k为当前的迭代次数，Xa为各路段的路段分配交通量。
基于上述任一实施例，该装置还包括验证单元，用于：
基于互联网大数据获取第一区域和第二区域之间的OD矩阵，并基于OD矩阵验证重力模型输出的OD交通量。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行公路交通量分析方法，该方法包括：基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定所述第一区域和所述第二区域之间的出行发生系数；将所述出行发生系数、所述第一区域的出行发生量、所述第二区域的出行吸引量，以及所述第一区域和所述第二区域之间的行驶时间输入至重力模型，得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量。
此外，上述的存储器530中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的公路交通量分析方法，该方法包括：基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定所述第一区域和所述第二区域之间的出行发生系数；将所述出行发生系数、所述第一区域的出行发生量、所述第二区域的出行吸引量，以及所述第一区域和所述第二区域之间的行驶时间输入至重力模型，得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的公路交通量分析方法，该方法包括：基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定所述第一区域和所述第二区域之间的出行发生系数；将所述出行发生系数、所述第一区域的出行发生量、所述第二区域的出行吸引量，以及所述第一区域和所述第二区域之间的行驶时间输入至重力模型，得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种公路交通量分析方法，其特征在于，包括：
基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定所述第一区域和所述第二区域之间的出行发生系数；
将所述出行发生系数、所述第一区域的出行发生量、所述第二区域的出行吸引量，以及所述第一区域和所述第二区域之间的行驶时间输入至重力模型，得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量。
2.根据权利要求1所述的公路交通量分析方法，其特征在于，所述重力模型具体为：
Figure FDA0002856249080000011
其中，i和j为两个不同的区域，qij为区域i和区域j之间的OD交通量，α为区域i和区域j之间的出行发生系数，Oi为区域i的出行发生量，Dj为区域j的出行吸引量，
Figure FDA0002856249080000012
为区域i和区域j之间的出行时间，γ为出行长度指数；
Figure FDA0002856249080000013
其中，
Figure FDA0002856249080000014
和
Figure FDA0002856249080000015
为区域i和区域j的城市重要性权重，Ei和Ej为区域i和区域j的经济总量，Qi和Qj为区域i和区域j的城镇人口比重，Ii和Ij为区域i和区域j的城市工业比重。
3.根据权利要求2所述的公路交通量分析方法，其特征在于，所述重力模型的出行长度指数是基于如下步骤标定的：
参数给定步骤：给定观测路段交通量与第一运算路段交通量之间偏差值的权重，以及给定所述出行长度指数的值；
交通量偏差值标准差计算步骤：基于不考虑出行发生系数的重力模型计算所述第一区域和所述第二区域之间的OD交通量，利用全有全无分配法将所述OD交通量分配到路网，确定当前各路段的第二运算路段交通量，并计算各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差；
标准差更新步骤：更新各路段的行驶时间，重复执行所述交通量偏差值标准差计算步骤，直至所述各路段的观测路段交通量与第一运算路段交通量之间偏差值的标准差与最优标准差之间的差值小于第一预设阈值；
出行长度指数更新步骤：修改所述出行长度指数的值，并重复执行所述交通量偏差值标准差计算步骤和所述标准差更新步骤，直至所述各路段的观测路段交通量与第一运算路段交通量之间的误差达到最小值；
权重更新步骤：修改所述权重和所述出行长度指数的值，并重复执行所述交通量偏差值标准差计算步骤、所述标准差更新步骤和所述出行长度指数更新步骤，直至遍历完所述权重的所有可选值。
4.根据权利要求3所述的公路交通量分析方法，其特征在于，所述利用全有全无分配法将所述OD交通量分配到路网，确定当前各路段的第二运算路段交通量，具体包括：
利用全有全无分配法将所述OD交通量分配到路网，计算各路段的路段分配交通量；
基于如下公式确定当前各路段的第二运算路段交通量：
Figure FDA0002856249080000021
其中，
Figure FDA0002856249080000022
为当前各路段的第二运算路段交通量，
Figure FDA0002856249080000023
为上一轮迭代时计算得到的各路段的第二运算路段交通量，k为当前的迭代次数，Xa为各路段的路段分配交通量。
5.根据权利要求3所述的公路交通量分析方法，其特征在于，所述最优标准差是基于如下公式确定的：
Figure FDA0002856249080000031
其中，
Figure FDA0002856249080000032
为最优标准差，N为所述第一区域和所述第二区域之间被观测路段的总数，A为被观测路段集合，
Figure FDA0002856249080000033
为路段a的观测路段交通量，
Figure FDA0002856249080000034
为第k轮迭代过程中路段a的运算路段交通量，α为出行发生系数，
Figure FDA0002856249080000035
为第k轮迭代过程中基于不考虑出行发生系数的重力模型计算得到的路段a的运算路段交通量，ω为所述权重。
6.根据权利要求1所述的公路交通量分析方法，其特征在于，所述得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量，之后还包括：
基于互联网大数据获取所述第一区域和所述第二区域之间的OD矩阵，并基于所述OD矩阵验证所述重力模型输出的所述OD交通量。
7.一种公路交通量分析装置，其特征在于，包括：
出行发生系数确定单元，用于基于第一区域和第二区域的城市重要性权重、经济总量、城镇人口比重和城市工业比重，确定所述第一区域和所述第二区域之间的出行发生系数；
OD交通量反推单元，用于将所述出行发生系数、所述第一区域的出行发生量、所述第二区域的出行吸引量，以及所述第一区域和所述第二区域之间的行驶时间输入至重力模型，得到所述重力模型进行OD交通量反推后输出的所述第一区域和所述第二区域之间的OD交通量。
8.根据权利要求7所述的公路交通量分析装置，其特征在于，所述重力模型具体为：
Figure FDA0002856249080000036
其中，i和j为两个不同的区域，α为区域i和区域j之间的出行发生系数，Oi为区域i的出行发生量，Dj为区域j的出行吸引量，
Figure FDA0002856249080000037
为区域i和区域j之间的出行时间，γ为出行长度指数；
Figure FDA0002856249080000041
其中，
Figure FDA0002856249080000042
和
Figure FDA0002856249080000043
为区域i和区域j的城市重要性权重，Ei和Ej为区域i和区域j的经济总量，Qi和Qj为区域i和区域j的城镇人口比重，Ii和Ij为区域i和区域j的城市工业比重。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至6任一项所述公路交通量分析方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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6任一项所述公路交通量分析方法的步骤。
CN202011546082.1A 2020-12-23 2020-12-23 公路交通量分析方法、装置、电子设备和存储介质 Active CN112613662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546082.1A CN112613662B (zh) 2020-12-23 2020-12-23 公路交通量分析方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546082.1A CN112613662B (zh) 2020-12-23 2020-12-23 公路交通量分析方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112613662A true CN112613662A (zh) 2021-04-06
CN112613662B CN112613662B (zh) 2023-11-17

Family

ID=75244574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546082.1A Active CN112613662B (zh) 2020-12-23 2020-12-23 公路交通量分析方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112613662B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111271A (zh) * 2021-04-20 2021-07-13 智慧足迹数据科技有限公司 出行od数据扩样方法、装置、计算机设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003272083A (ja) * 2002-03-15 2003-09-26 Natl Inst For Land & Infrastructure Management Mlit Ｏｄ交通量修正システム
JP2007128121A (ja) * 2005-11-01 2007-05-24 Tadataka Iida ゾーン別発生・集中交通量とｏｄ交通量の高精度推定方法
CN102147890A (zh) * 2011-04-11 2011-08-10 复旦大学 城市土地使用与交通一体化规划决策支持方法及系统
CN105070042A (zh) * 2015-07-22 2015-11-18 济南市市政工程设计研究院（集团）有限责任公司 一种交通预测的建模方法
CN106504535A (zh) * 2016-11-30 2017-03-15 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
CN108269399A (zh) * 2018-01-24 2018-07-10 哈尔滨工业大学 一种基于公路网客流od反推技术的高铁客流需求预测方法
CN108446810A (zh) * 2018-05-15 2018-08-24 东南大学 一种公路od数据重构方法
CN109035112A (zh) * 2018-08-02 2018-12-18 东南大学 基于多源数据融合的城市建设与更新模式确定方法及系统
JP2019101445A (ja) * 2017-11-28 2019-06-24 株式会社日立製作所 Ｏｄ交通量推定装置及びｏｄ交通量推定システム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003272083A (ja) * 2002-03-15 2003-09-26 Natl Inst For Land & Infrastructure Management Mlit Ｏｄ交通量修正システム
JP2007128121A (ja) * 2005-11-01 2007-05-24 Tadataka Iida ゾーン別発生・集中交通量とｏｄ交通量の高精度推定方法
CN102147890A (zh) * 2011-04-11 2011-08-10 复旦大学 城市土地使用与交通一体化规划决策支持方法及系统
CN105070042A (zh) * 2015-07-22 2015-11-18 济南市市政工程设计研究院（集团）有限责任公司 一种交通预测的建模方法
CN106504535A (zh) * 2016-11-30 2017-03-15 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
JP2019101445A (ja) * 2017-11-28 2019-06-24 株式会社日立製作所 Ｏｄ交通量推定装置及びｏｄ交通量推定システム
CN108269399A (zh) * 2018-01-24 2018-07-10 哈尔滨工业大学 一种基于公路网客流od反推技术的高铁客流需求预测方法
CN108446810A (zh) * 2018-05-15 2018-08-24 东南大学 一种公路od数据重构方法
CN109035112A (zh) * 2018-08-02 2018-12-18 东南大学 基于多源数据融合的城市建设与更新模式确定方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱鸿国;张;马壮林;胡大伟;: "城际间出行分布量预测方法", 长安大学学报(自然科学版), no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111271A (zh) * 2021-04-20 2021-07-13 智慧足迹数据科技有限公司 出行od数据扩样方法、装置、计算机设备及存储介质
CN113111271B (zh) * 2021-04-20 2023-08-29 智慧足迹数据科技有限公司 出行od数据扩样方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112613662B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN107945507B (zh) 行程时间预测方法及装置
Yang et al. Origin‐destination estimation using probe vehicle trajectory and link counts
US9726502B2 (en) Route planner for transportation systems
Bhatta et al. Errors in variables in multinomial choice modeling: A simulation study applied to a multinomial logit model of travel mode choice
CN112990648B (zh) 一种轨道交通网络运营稳定性评估方法
Wei et al. Look-ahead insertion policy for a shared-taxi system based on reinforcement learning
Barceló et al. Robustness and computational efficiency of Kalman filter estimator of time-dependent origin–destination matrices: Exploiting traffic measurements from information and communications technologies
CN114882696B (zh) 道路容量的确定方法、装置及存储介质
CN111192090A (zh) 航班的座位分配方法、装置、存储介质和电子设备
Petrik et al. Uncertainty analysis of an activity-based microsimulation model for Singapore
Wilbur et al. An online approach to solve the dynamic vehicle routing problem with stochastic trip requests for paratransit services
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN104331746B (zh) 一种分离式的动态路径优化系统及其方法
Lu et al. A sample average approximation approach for the stochastic dial-a-ride problem on a multigraph with user satisfaction
Liu et al. Effects of link capacity reductions on the reliability of an urban rail transit network
Chen et al. Methods for estimating vehicle queues at a marine terminal: A computational comparison
CN112613662A (zh) 公路交通量分析方法、装置、电子设备和存储介质
CN116030617A (zh) 一种基于公路od数据进行车流量预测的方法及装置
Mehrabani et al. Development, calibration, and validation of a large-scale traffic simulation model: Belgium road network
Li et al. Planning-level methodology for evaluating traveler information provision strategies under stochastic capacity conditions
Djukic et al. Modified bi-level optimization framework for dynamic OD demand estimation in the congested networks
Gracious et al. Performance Evaluation of Passenger Information Systems
Ouyang et al. An activity-based model for the estimation of origin-destination matrix on road networks
CN116071912A (zh) 一种道路交通量分配的确定方法及装置
CN116030616A (zh) 一种利用大数据进行交通量预测的方法及装置

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