CN112767689A - 一种基于公路网货车流量数据估算区域货运od分布的方法 - Google Patents

一种基于公路网货车流量数据估算区域货运od分布的方法 Download PDF

Info

Publication number
CN112767689A
CN112767689A CN202011571597.7A CN202011571597A CN112767689A CN 112767689 A CN112767689 A CN 112767689A CN 202011571597 A CN202011571597 A CN 202011571597A CN 112767689 A CN112767689 A CN 112767689A
Authority
CN
China
Prior art keywords
data
traffic
freight
distribution
regional
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
CN202011571597.7A
Other languages
English (en)
Other versions
CN112767689B (zh
Inventor
宋媛媛
徐洪磊
吴睿
杨孝文
刘胜强
王人洁
杨扬
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.)
Transport Planning And Research Institute Ministry Of Transport
Original Assignee
Transport Planning And Research Institute Ministry Of Transport
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 Transport Planning And Research Institute Ministry Of Transport filed Critical Transport Planning And Research Institute Ministry Of Transport
Priority to CN202011571597.7A priority Critical patent/CN112767689B/zh
Publication of CN112767689A publication Critical patent/CN112767689A/zh
Application granted granted Critical
Publication of CN112767689B publication Critical patent/CN112767689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于公路网货车流量数据估算区域货运OD分布的方法，本方法交调站点采集到的重型货车交通流量断面观测数据。在对交调站点数据进行稳定性检验的基础上，选定满足稳定性检验的交调站点作为输入数据集合。基于确定的输入数据集合，即重型货车交通流量断面观测数据，采用构建好的OD反推模型对区域交通小区货运OD分布进行估算。建立交调站点流量数据与区域交通小区OD分布之间的关系。本发明能够克服传统OD分布预测依赖大规模人工调查的缺点，从工程实践出发，以覆盖范围广、采集频率高、稳定性好的公路网交调站点监测到的断面货车流量数据为基础，为掌握区域货运交通分布情况、预测路网交通流量提供技术支撑。

Description

一种基于公路网货车流量数据估算区域货运OD分布的方法
技术领域
本发明属于公路运输技术领域，具体涉及一种区域公路货运OD分布的估算方法。
背景技术
交通分布是指区域内各小区间始发和终到交通量，常用OD矩阵来表示，也可称为OD分布。OD分布模型作为一种宏观交通模型，考虑了路网结构、土地利用、运输方式以及交通管控等因素，可对路网OD供需分布、路段交通流量进行预测，从而为路网交通规划、土地利用及相关政策研究提供科学指导。近年来，货车的管控逐步受到关注，掌握实时、精准的路段货车流量可为制定货车流量管控政策提供支撑，而获取货车的OD分布是预测路网路段货车流量的基础，因此，开展货运OD分布的估算十分必要。
传统的OD分布估算方法有：1)基于OD调查的方法；2)OD矩阵反推法。
由于在公路上进行OD调查的难度较大，同时进行一次大范围、足够数量的OD调查需要花费大量的人力、物力和财力，这两者都使得通过OD调查的方式取得公路交通出行OD较难实施。
OD反推是指由路段交通流量推算出行分布的数学模型，能克服大规模OD调査的缺点，其原理是依据从分配OD表得到路段交通量的计算步骤可逆向进行。
OD反推建模方法主要有多比例法、极大熵OD反推模型等，但针对大规模路网，均存在精度不高、效率较低等问题。鉴于OD调查方法数据获取难度大、传统OD反推方法精度低等问题，本发明运用断面流量数据，提出了基于数据驱动方法的OD分布估算方法，增加了方法的实用性和准确性。
发明内容
本发明的目的是提供了一种基于公路网货车流量数据估算区域公路货运OD的方法，为提高求解效率和估计精度，该发明引入数据驱动模型中的BP神经网络模型用于构建区域OD反推模型。
为达到上述目的，本发明的技术方案是提供了一种基于公路网货车流量数据估算区域公路货运OD的方法，其特征在于：
步骤1：划分交通小区，将研究区域划分为交通小区和外部小区。
步骤1.1：根据研究区域范围的大小，以不同的区划边界划分交通小区；所述不同的区划是地市或者区县行政区划，或者是自定义的空间范围。
步骤1.2：考虑交通小区的空间结构，筛选各交通小区的对外交通节点，均作为交通小区的质心点。
步骤2：获取区域路网中，交调站点采集到的重型货车交通流量断面观测数据。
步骤3：获取交调站点数据，在对交调站点数据进行稳定性检验的基础上，选定满足稳定性检验的交调站点作为输入数据集合。其中，该交调站点集合与建立基于神经网络模型时确定的交调站点结合保持一致。
步骤4：基于步骤3中确定的输入数据集合，即重型货车交通流量断面观测数据，采用构建好的OD反推模型对区域交通小区货运OD分布进行估算。建立交调站点流量数据与区域交通小区OD分布之间的关系。其中，步骤4中所提到的OD反推模型通过以下方法建立：
4.1)根据步骤1中已划分的交通小区，作为构建基于神经网络模型的输入。
4.2)交调站点数据稳定性筛选：考虑到交调站点数据的缺失和错误，为保证输入数据具有长期、稳定来源，选取两个月的交调站点数据作为稳定性检验基础数据，对交调站点数据的稳定进行检验，最终筛选出覆盖所有稳定性检验日期的交调站点数据作为模型的输入参数。
4.3)对基于神经网络模型的OD反推模型进行框架设计，其中设置隐含层为二层、模型总层数为四层。
4.4)获取基于神经网络模型的训练数据和验证数据，选取不同日期的数据分别作为训练数据和验证数据，均包括输入数据和目标数据。其中输入数据为经过稳定性检验的交调站点数据。目标数据按如下流程获取：第一步，根据道路货运车辆公共监管与服务平台获取高频货运车辆GPS位置数据，匹配得到单辆货车单次出行的行驶轨迹。第二步，根据一天内所有货车单次出行的行驶轨迹，对行程进行划分，提取起讫城市后统计得到不同交通小区间的OD分布量。
4.5)基于神经网络模型的训练和调参，将基于神经网络模型训练到满意状态。满意状态按照如下两个步骤进行限定：第一步，选取学习速率、均方误差MSE(Mean SquaredError)和迭代次数等三个指标，当神经网络模型学习速率小于0.05、或者迭代次数大于3000次、或者均方误差MSE小于1*10-3，此时训练模型进入下一步继续判定是否为满意状态；第二步，采用验证数据对神经网络模型进行检验，估计误差小于20％时，模型即训练至满意状态。
本发明的有益效果是：本发明所述基于公路网货车流量数据估算区域货运OD分布的方法，能够克服传统OD分布预测依赖大规模人工调查的缺点，从工程实践出发，以覆盖范围广、采集频率高、稳定性好的公路网交调站点监测到的断面货车流量数据为基础，估算不同区域尺度、不同时间粒度的区域货运OD分布，为掌握区域货运交通分布情况、预测路网交通流量提供技术支撑。
附图说明
图1是本发明公开方法的流程图。
图2是神经网络模型计算流程图。
图3是OD反推结果与真实OD对比图。
图4是货车出行轨迹示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清除、完整地描述。根据本发明实施例，提供了一种基于公路网货车流量数据估算区域公路货运发生吸引量的方法，步骤为：
步骤1：划分交通小区，研究区域是“2+26”城市，“2+26”城市是指京津冀大气污染传输通道城市，包括北京市，天津市，河北省石家庄、唐山、廊坊、保定、沧州、衡水、邢台、邯郸市，山西省太原、阳泉、长治、晋城市，山东省济南、淄博、济宁、德州、聊城、滨州、菏泽市，河南省郑州、开封、安阳、鹤壁、新乡、焦作、濮阳市(含河北雄安新区、辛集市、定州市，河南巩义市、兰考县、滑县、长垣县、郑州航空港区)。
步骤1.1：根据研究区域，以城市为单位划分交通小区，将研究区域划分为28个交通小区和7个外部小区
步骤1.2：考虑交通小区的空间结构，筛选各小区的对外交通节点，均作为交通小区的质心点，例如北京市筛选得到39个小区质心点。
步骤2：从全国道路货运车辆公共监管与服务平台，提取35个交通小区之间的历史OD分布。
步骤2.1：货运车辆数据匹配，根据高频货运车辆GPS位置数据，匹配得到单辆货车单次出行的行驶轨迹。
步骤2.2：货运车辆OD分布提取，根据一天内所有货车单次出行的行驶轨迹(如图所示)，提取起讫城市后统计得到不同交通小区间的OD分布量。
步骤3：获取区域路网中，交调站点采集到的重型货车交通流量断面观测数据。首先进行交调站点数据匹配，以交调站点经纬度坐标为桥梁，将监测站与路网信息进行匹配，进而将检测的流量数据匹配值路网中的路段上。京津冀范围内共有共计483892条链路，经过匹配后12732条链路得到路段流量信息，占总数的2.6％。
步骤4：基于BP神经网络模型估算区域OD分布。
步骤4.1：交调站点数据稳定性检验。此次研究路段交通量来源于公路网交调系统中的检测数据，涵盖了京津冀2+26城市范围内公路网上所有的交调站点，每个交调站点数据包含各类型交通量，并区分了上行、下行和断面流量。项目组共提取了2018年5月份28天、9月10日～9月16日和11月29天的交调站点数据作为基础数据。由于神经网络模型要求输入参数是固定的、持续的，考虑到交调站点数据的缺失和错误，先对交调站点数据的稳定做了检验，最终筛选出232个监测站点、681条数据作为BP神经网络模型的输入参数。
步骤4.2：神经网络模型输出参数设计，交通小区OD分布作为模型的输出参数，此次研究共划分为28个内部小区、7个外部小区，因此，输出参数包括内部小区间的OD分布(28×27)和内部小区与外部小区间OD分布(28×7×2)，共计1148个。
步骤4.3：神经网络层数设计。神经网络包含输入层、隐含层和输出层，其中隐含层可以是一层，也可以是多层。隐含层数越多，网络结构也越复杂，神经网络的训练时间也越长。根据Kolmogorov原理，三层及以上BP神经网络可以逼近任一连续函数，能实现任意复杂非线性映射问题。经过尝试，此次研究设置隐含层为二层，故BP神经网络模型总层数为四层。
步骤4.4：传递函数选取及隐含层神经元数量设计。隐层1节点、隐层2节点和输出节点的传递函数分别采用tansig、tansig、logsig函数。通过试算最终选定隐层1为35个、隐层2为1147个。
logsig(n)＝1/(1+exp(-n)) (1)
tansig(n)＝2/(1+exp(-2*n))-1 (2)
步骤4.4：建立交调站点流量数据与区域交通小区OD分布之间的关系。此次研究选取5月的21天、11月的22天作为训练数据，5月的7天、11月的7天和9月份的7天作为检验数据。模型检验结果如下表所示。从附图3可以看出，OD反推结果在整体规律上把握较好，精度在合理范围内。
Figure BDA0002862899280000041
Figure BDA0002862899280000051
式中，n为预测数量，
Figure BDA0002862899280000052
表示第i个预测值，yi表示第i个实际值。
最后应说明的是：以上示例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的示例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于公路网货车流量数据估算区域货运OD分布的方法，其特征在于：该方法包括如下步骤，
步骤1：划分交通小区，将研究区域划分为交通小区和外部小区；
步骤2：获取区域路网中，交调站点采集到的重型货车交通流量断面观测数据；
步骤3：获取交调站点数据，在对交调站点数据进行稳定性检验的基础上，选定满足稳定性检验的交调站点作为输入数据集合；交调站点集合与建立基于神经网络模型时确定的交调站点结合保持一致；
步骤4：基于步骤3中确定的输入数据集合，即重型货车交通流量断面观测数据，采用构建好的OD反推模型对区域交通小区货运OD分布进行估算；建立交调站点流量数据与区域交通小区OD分布之间的关系。
2.根据权利要求1所述的一种基于公路网货车流量数据估算区域货运OD分布的方法，其特征在于：步骤1中，步骤1.1：根据研究区域范围的大小，以不同的区划边界划分交通小区；所述不同的区划是地市或者区县行政区划，或者是自定义的空间范围；
步骤1.2：考虑交通小区的空间结构，筛选各交通小区的对外交通节点，均作为交通小区的质心点。
3.根据权利要求1所述的一种基于公路网货车流量数据估算区域货运OD分布的方法，其特征在于：步骤4中所提到的OD反推模型通过以下方法建立：
4.1)根据步骤1中已划分的交通小区，作为构建基于神经网络模型的输入；
4.2)交调站点数据稳定性筛选：考虑到交调站点数据的缺失和错误，选取两个月的交调站点数据作为稳定性检验基础数据，对交调站点数据的稳定进行检验，最终筛选出覆盖所有稳定性检验日期的交调站点数据作为神经网络模型的输入参数；
4.3)对基于神经网络模型的OD反推模型进行框架设计，其中设置隐含层为二层、模型总层数为四层；
4.4)获取基于神经网络模型的训练数据和验证数据，选取不同日期的数据分别作为训练数据和验证数据，均包括输入数据和目标数据；其中输入数据为经过稳定性检验的交调站点数据；目标数据按如下流程获取：第一步，根据道路货运车辆公共监管与服务平台获取高频货运车辆GPS位置数据，匹配得到单辆货车单次出行的行驶轨迹；第二步，根据一天内所有货车单次出行的行驶轨迹，对行程进行划分，提取起讫城市后统计得到不同交通小区间的OD分布量；
4.5)基于神经网络模型的训练和调参，将基于神经网络模型训练到满意状态；满意状态按照如下两个步骤进行限定：第一步，选取学习速率、均方误差MSE和迭代次数等三个指标，当神经网络模型学习速率小于0.05、或者迭代次数大于3000次、或者均方误差MSE小于1*10-3，此时训练模型进入下一步继续判定是否为满意状态；第二步，采用验证数据对神经网络模型进行检验，估计误差小于20％时，模型即训练至满意状态。
CN202011571597.7A 2020-12-27 2020-12-27 一种基于公路网货车流量数据估算区域货运od分布的方法 Active CN112767689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011571597.7A CN112767689B (zh) 2020-12-27 2020-12-27 一种基于公路网货车流量数据估算区域货运od分布的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011571597.7A CN112767689B (zh) 2020-12-27 2020-12-27 一种基于公路网货车流量数据估算区域货运od分布的方法

Publications (2)

Publication Number Publication Date
CN112767689A true CN112767689A (zh) 2021-05-07
CN112767689B CN112767689B (zh) 2022-06-21

Family

ID=75696962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011571597.7A Active CN112767689B (zh) 2020-12-27 2020-12-27 一种基于公路网货车流量数据估算区域货运od分布的方法

Country Status (1)

Country Link
CN (1) CN112767689B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187871A (zh) * 2023-04-27 2023-05-30 广州市交通规划研究院有限公司 一种基于多源数据的公路货运交通模型构建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020198694A1 (en) * 2001-06-22 2002-12-26 Qi Yang Traffic data management and simulation system
CN101436345A (zh) * 2008-12-19 2009-05-20 天津市市政工程设计研究院 基于TransCAD宏观仿真平台的港区道路交通需求预测系统
CN102663579A (zh) * 2012-04-27 2012-09-12 同济大学 基于货运流程的港口道路交通需求od估计方法
CN106485359A (zh) * 2016-10-13 2017-03-08 东南大学 一种基于列车运行时刻表的城市轨道交通断面客流推测方法
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
CN109934382A (zh) * 2019-01-25 2019-06-25 中国人民解放军陆军工程大学 一种基于轴幅式布局的多级地铁货运网络系统及建构方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020198694A1 (en) * 2001-06-22 2002-12-26 Qi Yang Traffic data management and simulation system
CN101436345A (zh) * 2008-12-19 2009-05-20 天津市市政工程设计研究院 基于TransCAD宏观仿真平台的港区道路交通需求预测系统
CN102663579A (zh) * 2012-04-27 2012-09-12 同济大学 基于货运流程的港口道路交通需求od估计方法
CN106485359A (zh) * 2016-10-13 2017-03-08 东南大学 一种基于列车运行时刻表的城市轨道交通断面客流推测方法
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
CN109934382A (zh) * 2019-01-25 2019-06-25 中国人民解放军陆军工程大学 一种基于轴幅式布局的多级地铁货运网络系统及建构方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHANG G L等: "Recursive estimation of time-varying", 《TRANSPORTATION RES.B》, 31 December 1994 (1994-12-31) *
MUSSONE LORENZO等: "基于神经网络的OD分布矩阵反推方法", 《交通运输系统工程与信息》 *
MUSSONE LORENZO等: "基于神经网络的OD分布矩阵反推方法", 《交通运输系统工程与信息》, 31 August 2013 (2013-08-31), pages 1 - 11 *
俞洁等: "基于改进BP神经网络的公交线路OD矩阵推算方法", 《系统工程》, 31 December 2006 (2006-12-31) *
单晋等: "区域综合货运OD推算方法及信息价值研究", 《交通信息与安全》, no. 03, 20 June 2012 (2012-06-20) *
张玲瑞等: "货运OD矩阵反推中改进的BPR道路阻抗函数研究", 《公路交通科技》 *
张玲瑞等: "货运OD矩阵反推中改进的BPR道路阻抗函数研究", 《公路交通科技》, 31 July 2016 (2016-07-31), pages 1 - 6 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187871A (zh) * 2023-04-27 2023-05-30 广州市交通规划研究院有限公司 一种基于多源数据的公路货运交通模型构建方法
CN116187871B (zh) * 2023-04-27 2023-07-14 广州市交通规划研究院有限公司 一种基于多源数据的公路货运交通模型构建方法

Also Published As

Publication number Publication date
CN112767689B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
Yuan et al. Effects of urban form on haze pollution in China: Spatial regression analysis based on PM2. 5 remote sensing data
CN104865353A (zh) 基于无人机的工业园区大气污染数据采集方法
CN103234883B (zh) 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法
CN112100299B (zh) 一种用于突发性毒气泄漏应急预警的可视化方法
CN114371260A (zh) 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法
CN110346518B (zh) 一种交通排放污染可视化预警方法及其系统
CN111414974B (zh) 基于通信基站的微波链路测雨网络拓扑结构优化方法
Huang et al. A new air quality forecasting model using data mining and artificial neural network
CN105827688A (zh) 城市场景中车联网大规模异构网络连通性质的研究方法
CN114936957A (zh) 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型
CN108632832B (zh) 网络覆盖分析方法及系统
CN115855761B (zh) 五基协同天空地一体化大气环境立体遥感监测系统及方法
CN110658307A (zh) 评估污染源对环境空气质量影响的方法
CN104156622A (zh) 一种城市交通颗粒物排放量的估算方法
CN112767689B (zh) 一种基于公路网货车流量数据估算区域货运od分布的方法
CN111027778A (zh) 基于多目标规划的区域大气环境风险监控布点优化方法
CN108828332B (zh) 一种计算雷电定位系统探测效率的方法
Ren et al. Analysis of the spatial characteristics of inhalable particulate matter concentrations under the influence of a three-dimensional landscape pattern in Xi'an, China
CN111898296B (zh) 一种核物质大气扩散及沉降多尺度模拟方法及系统
CN113127530A (zh) 一种基于铁路网的大气三维结构动态探测信息群同化系统
CN112257329A (zh) 一种判定台风对线路影响的方法
Zhang et al. The CA model based on data assimilation
CN106408194A (zh) 一种基于gis网格化输电线路运维难度量化评估方法
CN114444796A (zh) 一种基于图神经网络的跨区域空气污染预测方法及系统
Saeb et al. Air pollution estimation from traffic flows in Tehran highways

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