CN112767690A - 一种基于断面调查数据的区域路网重型货车流量估算方法 - Google Patents
一种基于断面调查数据的区域路网重型货车流量估算方法 Download PDFInfo
- Publication number
- CN112767690A CN112767690A CN202011571602.4A CN202011571602A CN112767690A CN 112767690 A CN112767690 A CN 112767690A CN 202011571602 A CN202011571602 A CN 202011571602A CN 112767690 A CN112767690 A CN 112767690A
- Authority
- CN
- China
- Prior art keywords
- flow
- data
- traffic
- heavy truck
- road
- 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 35
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 210000000349 chromosome Anatomy 0.000 claims description 41
- 238000009826 distribution Methods 0.000 claims description 30
- 210000004027 cell Anatomy 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000011160 research Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 238000010408 sweeping Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于断面调查数据的区域路网重型货车流量估算方法，结合公路交通流量断面观测数据和重型货车行驶轨迹数据，引入神经网络模型和遗传算法等数据驱动方法，可评估运输结构调整、货车限行等管理政策对重型货车流量变化的影响，为后续精确分析道路排放规律提供完善的交通活动水平数据。本方法依托公路网交通流观测系统和全国道路货运车辆公共监管与服务平台的重型货车交通流大数据，引入神经网络模型和遗传算法等数据驱动方法，可以更加精确地估算路网重型货车的断面流量，为定量评估管控政策实施对区域路网重型货车运行的影响提供了指导和依据。
Description
技术领域
本发明属于公路运输领域，具体涉及一种基于断面调查数据的区域路网重型货车流量估算方法。
背景技术
重型柴油货车污染治理作为大气污染防治的重要举措，路网重型货车流量是高分辨率排放清单计算和空气质量模拟的数据基础，也是制定重型货车管控政策的重要支撑。
传统基于重力模型、多比例法、原单位法等交通需求预测方法无法反映运输网络结构、货运发生吸引量(OD，Origin Destination)供需分布和路段流量的变化情况，与实际交通流量特征脱节，无法模拟预测各种政策情景下引起的货车交通流量时空变化。而目前基于智能交通信息采集技术的车辆流量数据获取主要依靠线圈、视频检测，存在覆盖范围不全、数据缺失等问题。
本发明结合公路交通流量断面观测数据和重型货车行驶轨迹数据，引入神经网络模型和遗传算法等数据驱动方法，提出了一种基于断面调查数据的区域路网重型货车流量估算方法。可评估运输结构调整、货车限行等管理政策对重型货车流量变化的影响，为后续精确分析道路排放规律提供完善的交通活动水平数据。
发明内容
本发明的目的是提供了一种基于断面调查数据的区域路网重型货车流量估算方法，可定量评估政策实施对区域路网重型货车运行的影响。
为达到上述目的，本发明的技术方案提供了一种基于断面调查数据的重型货车流量估算方法，其步骤为：
步骤1：划分交通小区，将区域划分为交通内部小区和外部小区。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2：获取区域的路网中，交通流量调查装置采集到的重型货车交通流量断面观测数据。
步骤3：重型货车OD分布估算。基于步骤2中确定的重型货车交通流量断面观测数据，采用构建的OD反推模型对区域交通小区货运OD分布进行估算。
其中，步骤3中所提到的OD反推模型通过以下方法建立：
步骤3.1：根据步骤1中已划分的交通小区，作为OD反推模型的输入。
步骤3.2：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。
步骤3.3：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。其中输入数据为交调站点采集到的货车流量数据。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。
步骤3.4：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(MeanSquared Error)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，此时训练模型可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。
步骤4：重型货车OD分布调整。根据实施的重型货车管控政策，确定各地OD的减少量，对重型货车的OD分布进行调整。其中，重型货车管控政策包括运输结构调整政策、产业结构调整政策等。
步骤5：OD间重型货车出行路径集合生成。备选路径集生成是指针对特任一起讫点，确定哪些路径是出行者考虑的备选路径。考虑到算法的计算效率、路径集合的数量及有效性，采用K-最短路算法中执行效率相对较高的双向扫除算法(含无回路处理)筛选得到每个OD对间的K条最短路径，通过乘客对出行时间的容忍程度限制删除不满足条件的路径，构造得到备选路径集合。
步骤6：OD间重型货车出行路径集合调整。根据实施的重型货车管控政策，剔除备选路径集合中涉及限行路段的路径，确定重型货车可以通行的路径集合。
步骤7：采用遗传算法计算路径集合中每条路径的选择概率。由于决策变量xt(即路径选择概率)属于0～1之间的变量，直接将解向量X＝(x1,x2,…,xm)作为遗传算法的一个染色体进行计算。根据解X的构成发现，其表示出任意一种路径选择概率组合方案，且每一组方案必须满足任一OD间路径集合的选择概率小于等于1。基于交通流加载的遗传算法，具体包括以下步骤。
步骤7.1：初始化。设定种群规模n及最大进化代数。
步骤7.2：产生初始种群。随机生成染色体作为初始种群。
步骤7.3：计算适应度函数值。将各染色体对应的路径选择概率输入交通流加载算法，通过加载得到各路段流量值，并将其代入适应度函数中进行求解，得到各染色体对应的适应度函数值。其中，适应度函数具体是步骤2中重型货车交通流量断面观测数据与加载得到的路段流量之间绝对误差的和。
其中交通流加载算法采用非平衡分配方法中的增量分配法，具体步骤如下：
步骤7.3.1：针对任意OD，将OD间需求量等分，进行多次加载。
步骤7.3.2：初始时，认为各路段的交通量为0，根据自由流时间和路径选择模型计算各路径的选择概率，结合出行量得到各方式各路径第一次加载的货车流量。
步骤7.3.3：更新路段时间，重复上述步骤，直至将所有的交通需求都分配到各路径上。路段时间的更新采用BPR(Bureau ofPublic Roads)函数，具体形式如下：
式中：ta为路段自由流时间，xa为路段流量，ta(xa)为路段在流量xa下的旅行时间，Ca为路段通行能力，α和β为待定系数，分别取0.15和4。
步骤7.4：选择操作。采用轮盘赌的方式从父代染色体种群中选出n个染色体，组成子染色体种群。
步骤7.5：交叉操作。采用单点交叉的方式对选择出来的两个父代染色体进行交叉操作，以产生新的染色体。
步骤7.6：变异操作。对选择出的染色体进行变异，以产生新的染色体。随机产生实数b∈[0,1]，若b≤0.5，则采用基因片段内部充足规则对父代染色体进行变异，否则，采用单点变异规则对父代染色体进行变异。
步骤7.7：终止条件判断。若遗传算法达到最大进化代数，则算法结束，输出最优染色体；否则进化代数加1，并转步骤7.3。
步骤8：重型货车流量估算，采用步骤7所述流量分配方法，对调整后的货车OD进行流量分配，获得区域路网重型货车流量。
本发明的有益效果是：本发明所述基于断面调查数据的区域路网重型货车流量估算方法，依托公路网交通流观测系统和全国道路货运车辆公共监管与服务平台的重型货车交通流大数据，引入神经网络模型和遗传算法等数据驱动方法，可以更加精确地估算路网重型货车的断面流量，为定量评估管控政策实施对区域路网重型货车运行的影响提供了指导和依据。
附图说明
图1是本发明公开方法的流程图
图2是双向扫除算法处理逻辑图
图3是K-最短路搜索结果示例
图4是路径选择概率分配得到的路段流量与观测流量对比图
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楚、完整地描述。
根据本发明实施例，提供了一种基于断面调查数据的重型货车流量估算方法，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)。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(如下图所示)，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：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。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，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。
式中，n为预测数量，
表示第i个预测值，yi表示第i个实际值。
步骤5：重型货车OD分布调整。假定在“2+26”城市区域铁路增量目标全面实现的情景下，对重型货车的OD分布进行调整。调整后的OD分布如下表所示：
步骤6：OD间出行路径集合生成。采用K-最短路算法中执行效率相对较高的双向扫除算法(含无回路处理)筛选得到每个OD对间的K条最短路径，通过乘客对出行时间的容忍程度限制删除不满足条件的路径，构造得到备选路径集合。
步骤6.1：双向扫除算法的基本思想：从原始点到顶点j的第K条最短路是由原始点到顶点i(i是j的相邻顶点，最短路从i指向j)的第K条最短路加上i到j的一段弧。即把与i关联的弧作为K最短路的最后一段扫视一遍，无论是前向运算或是后向运算，都需要从L或U中取出dij元素参加运算，dij元素在运算中作为K最短路的最后一段弧被挑选，并且以前一次运算的向量为基础，取相应的中间点。算法流程如图1所示：
图2为北京至廊坊、北京至保定的K-最短路搜索结果，其中K取值为5。
步骤6.2：考虑出行者对于出行时间最为敏感，若某条路径的时间超过其最大忍耐值，出行者将不会再考虑该出行路径。因此，按照乘客可以忍受的路径时间与最短路径时间的差值(绝对值以及相对值)设定可接受的临界阈值。例如，绝对差值和相对差值的临界阈值可分别取60min和1.5倍，且只删去两种阈值均不满足的路径。
步骤7：采用遗传算法计算路径选择概率。
步骤7.1：初始化。设定种群规模n及最大进化代数。
步骤7.2：产生初始种群。随机生成染色体作为初始种群。
步骤7.3：计算适应度函数值。将各染色体对应的路径选择概率输入交通流加载模型，通过加载得到相关参数值，并将其代入适应度函数中进行求解，得到各染色体对应的适应度函数值。
步骤7.4：选择操作。采用轮盘赌的方式从父代染色体种群中选出n个染色体，组成子染色体种群。
步骤7.5：交叉操作。采用单点交叉的方式对选择出来的两个父代染色体进行交叉操作，以产生新的染色体。
步骤7.6：变异操作。对选择出的染色体进行变异，以产生新的染色体。随机产生实数b∈[0,1]，若b≤0.5，则采用基因片段内部充足规则对父代染色体进行变异，否则，采用单点变异规则对父代染色体进行变异。
步骤7.7：终止条件判断。若遗传算法达到最大进化代数，则算法结束，输出最优染色体；否则进化代数加1，并转步骤7.3。
步骤8：采用非平衡分配方法中的增量分配法进行交通流加载。
步骤8.1：将OD间需求量等分为24分，进行24次加载。
步骤8.2：初始时，认为各路段的交通量为0，根据自由流时间和路径选择模型计算各路径的选择概率，结合出行量得到各方式各路径第一次加载的货车流量。
步骤8.3：更新路段时间，重复上述步骤，直至将所有的交通需求都分配到各路径上。路段时间的更新采用BPR(Bureau ofPublic Roads)函数，具体形式如下：
式中：Ca为路段通行能力，α和β为待定系数，分别取0.15和4。
步骤8.4：基于上述分配方法得到的路段流量，与交调站点的观测路段流量值(共计3781条路段)进行对比，货车流量分配算法结果平均相对误差25.2％，分配结果在整体规律把握上尚可接受，精度在合理范围内。
| 真实值 | 估计值 | 相对误差百分比 | |
| 平均路段流量(当量) | 6694.82 | 7208.16 | 7.67％ |
| 平均绝对误差 | 1802.42 | ||
| 平均相对误差 | 25.2％ |
步骤9：本实施例针对“2+26”城市区域公转铁政策全面实现的情景下，估算得到区域路网重型货车流量。
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 (4)
1.一种基于断面调查数据的区域路网重型货车流量估算方法，其特征在于：该方法包括如下步骤：
步骤1：划分交通小区，将区域划分为交通内部小区和外部小区；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2：在步骤1获取区域的路网中，利用交通流量调查装置采集到的重型货车交通流量断面观测数据；
步骤3：重型货车OD分布估算；基于步骤2中确定的重型货车交通流量断面观测数据，采用构建的OD反推模型对区域交通小区货运OD分布进行估算；
步骤4：重型货车OD分布调整；根据实施的重型货车管控政策，确定各地OD的减少量，对重型货车的OD分布进行调整；
步骤5：OD间重型货车出行路径集合生成；备选路径集生成是指针对特任一起讫点，确定哪些路径是出行者考虑的备选路径；考虑到算法的计算效率、路径集合的数量及有效性，采用K-最短路算法中执行效率相对较高的双向扫除算法；筛选得到每个OD对间的K条最短路径，通过乘客对出行时间的容忍程度限制删除不满足条件的路径，构造得到备选路径集合；
步骤6：OD间重型货车出行路径集合调整；根据实施的重型货车管控政策，剔除备选路径集合中涉及限行路段的路径，确定重型货车可以通行的路径集合；
步骤7：采用遗传算法计算路径集合中每条路径的选择概率；由于决策变量xt属于0～1之间的变量，直接将解向量X＝(x1,x2,…,xm)作为遗传算法的一个染色体进行计算；根据解X的构成发现，其表示出任意一种路径选择概率组合方案，且每一组方案必须满足任一OD间路径集合的选择概率小于等于1；
步骤8：重型货车流量估算，采用步骤7所述流量分配方法，对调整后的货车OD进行流量分配，获得区域路网重型货车流量。
2.根据权利要求1所述的一种基于断面调查数据的区域路网重型货车流量估算方法，其特征在于：步骤3中所提到的OD反推模型通过以下方法建立：
步骤3.1：根据步骤1中已划分的交通小区，作为OD反推模型的输入；
步骤3.2：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；
步骤3.3：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；其中输入数据为交调站点采集到的货车流量数据；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；
步骤3.4：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。
3.根据权利要求1所述的一种基于断面调查数据的区域路网重型货车流量估算方法，其特征在于：基于交通流加载的遗传算法，具体包括以下步骤；
步骤7.1：初始化；设定种群规模n及最大进化代数；
步骤7.2：产生初始种群；随机生成染色体作为初始种群；
步骤7.3：计算适应度函数值；将各染色体对应的路径选择概率输入交通流加载算法，通过加载得到各路段流量值，并将其代入适应度函数中进行求解，得到各染色体对应的适应度函数值；其中，适应度函数具体是步骤2中重型货车交通流量断面观测数据与加载得到的路段流量之间绝对误差的和；
步骤7.4：选择操作；采用轮盘赌的方式从父代染色体种群中选出n个染色体，组成子染色体种群；
步骤7.5：交叉操作；采用单点交叉的方式对选择出来的两个父代染色体进行交叉操作，以产生新的染色体；
步骤7.6：变异操作；对选择出的染色体进行变异，以产生新的染色体；随机产生实数b∈[0,1]，若b≤0.5，则采用基因片段内部充足规则对父代染色体进行变异，否则，采用单点变异规则对父代染色体进行变异；
步骤7.7：终止条件判断；若遗传算法达到最大进化代数，则算法结束，输出最优染色体；否则进化代数加1，并转步骤7.3。
4.根据权利要求3所述的一种基于断面调查数据的区域路网重型货车流量估算方法，其特征在于：其中交通流加载算法采用非平衡分配方法中的增量分配法，具体步骤如下：
步骤7.3.1：针对任意OD，将OD间需求量等分，进行多次加载；
步骤7.3.2：初始时，认为各路段的交通量为0，根据自由流时间和路径选择模型计算各路径的选择概率，结合出行量得到各方式各路径第一次加载的货车流量；
步骤7.3.3：更新路段时间，重复上述步骤，直至将所有的交通需求都分配到各路径上；路段时间的更新采用BPR(Bureau of Public Roads)函数，具体形式如下：
式中：ta为路段自由流时间，xa为路段流量，ta(xa)为路段在流量xa下的旅行时间，Ca为路段通行能力，α和β为待定系数，分别取0.15和4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011571602.4A CN112767690B (zh) | 2020-12-27 | 2020-12-27 | 一种基于断面调查数据的区域路网重型货车流量估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011571602.4A CN112767690B (zh) | 2020-12-27 | 2020-12-27 | 一种基于断面调查数据的区域路网重型货车流量估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767690A true CN112767690A (zh) | 2021-05-07 |
| CN112767690B CN112767690B (zh) | 2022-03-29 |
Family
ID=75696916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011571602.4A Active CN112767690B (zh) | 2020-12-27 | 2020-12-27 | 一种基于断面调查数据的区域路网重型货车流量估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767690B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2240916A1 (en) * | 1998-05-15 | 1999-11-15 | International Road Dynamics Inc. | Truck traffic monitoring and warning systems and vehicle ramp advisory 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 |
| 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 |
| CN109003446A (zh) * | 2018-07-12 | 2018-12-14 | 重庆市城投金卡信息产业股份有限公司 | 一种基于rfid数据的城市错峰通行效果分析方法 |
| CN109544916A (zh) * | 2018-11-09 | 2019-03-29 | 同济大学 | 一种基于抽样轨迹数据的路网车辆od估计方法 |
| CN110956808A (zh) * | 2019-12-23 | 2020-04-03 | 北京交通大学 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
| CN111179589A (zh) * | 2019-12-06 | 2020-05-19 | 北京中交兴路信息科技有限公司 | 车辆od预测的方法、装置、设备及存储介质 |
| CN111340427A (zh) * | 2020-03-02 | 2020-06-26 | 西南交通大学 | 一种基于轨迹数据的货车运行状态识别方法 |
| CN111583628A (zh) * | 2020-03-27 | 2020-08-25 | 北京交通大学 | 基于数据质量控制的道路网重型货车交通流量预测方法 |
-
2020
- 2020-12-27 CN CN202011571602.4A patent/CN112767690B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2240916A1 (en) * | 1998-05-15 | 1999-11-15 | International Road Dynamics Inc. | Truck traffic monitoring and warning systems and vehicle ramp advisory 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 |
| 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 |
| CN109003446A (zh) * | 2018-07-12 | 2018-12-14 | 重庆市城投金卡信息产业股份有限公司 | 一种基于rfid数据的城市错峰通行效果分析方法 |
| CN109544916A (zh) * | 2018-11-09 | 2019-03-29 | 同济大学 | 一种基于抽样轨迹数据的路网车辆od估计方法 |
| CN111179589A (zh) * | 2019-12-06 | 2020-05-19 | 北京中交兴路信息科技有限公司 | 车辆od预测的方法、装置、设备及存储介质 |
| CN110956808A (zh) * | 2019-12-23 | 2020-04-03 | 北京交通大学 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
| CN111340427A (zh) * | 2020-03-02 | 2020-06-26 | 西南交通大学 | 一种基于轨迹数据的货车运行状态识别方法 |
| CN111583628A (zh) * | 2020-03-27 | 2020-08-25 | 北京交通大学 | 基于数据质量控制的道路网重型货车交通流量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘晓磊 等: "扬子江城市群高速公路网交通需求和空间联系结构分析", 《交通与运输》 * |
| 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》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767690B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651100B (zh) | 基于车联网优选车载监测点的空气质量评估系统及方法 | |
| CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
| CN112767688B (zh) | 一种基于交通量观测数据的区域路网货车流量分配方法 | |
| CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
| CN103606266B (zh) | 基于数据包络分析的路网交通改善方案效率评估方法 | |
| CN112990648B (zh) | 一种轨道交通网络运营稳定性评估方法 | |
| CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
| CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
| CN112434849A (zh) | 基于改进多目标算法的危险品运输路径动态规划方法 | |
| CN111046576B (zh) | 一种考虑双网信息的电动私家车充电负荷预测方法 | |
| CN113222271B (zh) | 综合交通运输体系下的中小机场选址布局方法 | |
| CN109615208B (zh) | 一种解决城市道路交通拥堵问题的方法 | |
| CN105303835B (zh) | 一种道路交通流状态的短时预测方法 | |
| CN115936240B (zh) | 共享单车需求预测与投放调度方法 | |
| CN115344653A (zh) | 一种基于用户行为的电动汽车充电站选址方法 | |
| CN113345259A (zh) | 一种基于数据驱动的地面公交线路调整的方法 | |
| Bao et al. | Optimization of airport shuttle bus routes based on travel time reliability | |
| CN112767690B (zh) | 一种基于断面调查数据的区域路网重型货车流量估算方法 | |
| CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析系统和方法 | |
| CN111126878B (zh) | 一种基于生态指数的城市交通运行评价方法 | |
| CN105046958A (zh) | 一种高速公路交通信息采集点非等距优化布局方法 | |
| Ghasedi et al. | Robust optimization of bus stop placement based on dynamic demand using meta heuristic approaches: a case study in a developing country | |
| CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 | |
| 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 | |
| CN109447352B (zh) | 一种公交出行od矩阵反推的组合方法 |
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 |