CN115662144A - 一种动态od交通流推算补全方法、电子设备及存储介质 - Google Patents

一种动态od交通流推算补全方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115662144A
CN115662144A CN202211663825.2A CN202211663825A CN115662144A CN 115662144 A CN115662144 A CN 115662144A CN 202211663825 A CN202211663825 A CN 202211663825A CN 115662144 A CN115662144 A CN 115662144A
Authority
CN
China
Prior art keywords
flow
path
road section
dynamic
time
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
CN202211663825.2A
Other languages
English (en)
Other versions
CN115662144B (zh
Inventor
丘建栋
唐铠
刘恒
郑又伦
张凯
刘星
庄蔚群
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center 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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202211663825.2A priority Critical patent/CN115662144B/zh
Publication of CN115662144A publication Critical patent/CN115662144A/zh
Application granted granted Critical
Publication of CN115662144B publication Critical patent/CN115662144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Traffic Control Systems (AREA)

Abstract

本发明提出一种动态OD交通流推算补全方法、电子设备及存储介质，属于交通流推算补全技术领域。包括以下步骤：S1.根据车辆的路径信息计算路段的车辆通行速度和路段的车辆流量，将车辆流量作为路段下限流量；S2.根据车辆的路径信息计算OD对最短K条路径，构建多时段路径选择概率矩阵；S3.构建多时段动态分配比矩阵；S4.计算多时段路段link预估流量；S5.根据S4所述多时段路段link预估流量构建BPR约束，将BPR约束作为路段上限流量；S6.根据路段下限流量、路径选择概率矩阵、动态分配比矩阵、link预估流量和路段上限流量创建线性优化目标函数。解决现有技术中存在的推算的流量不准确的技术问题。

Description

一种动态OD交通流推算补全方法、电子设备及存储介质
技术领域
本发明涉及一种交通流推算补全方法，尤其涉及一种动态OD交通流推算补全方法、电子设备及存储介质，属于交通流推算补全技术领域。
背景技术
随着时代发展、工业进步，各类流量监测器被布设在道路上用于监测重要路段的实时流量信息，如视频检测器、地磁监测器、红外监测器等，能够给交管部门、环境监测部门提供较为准确的流量信息，但是某些特定的应用场景下，如环境局计算车辆排放物，需要监测街区尺度所有路段的实时流量，由于该类流量监测设备的布设在空间上是稀疏的，且该类设备布设成本高，不易于维护，通过加大精密设备的布设密度是一件不切实际的事情。
为了解决“基于稀疏的路段实际流量推测全网路段流量”，路段流量推算技术应运而生，不少学者结合其他稀疏的多源大数据，建立不同的流量分配模型来对未知流量路段进行流量推算。包括基于BPR函数的流量反推方法和基于OD反推技术的流量推算技术；
基于BPR函数的流量反推方法：基于路段的GPS数据，计算路段的速度，从而计算路段的行驶时间，使用BPR公式对路段实际流量进行反推，得到流量Q。
基于OD反推技术的流量推算技术：基于基础的OD矩阵，在模型路网上执行多方式、多类型的交通分配，将分配流量和观测断面流量进行对比，然后依据对比结果更新基础OD矩阵，再次进行迭代分配，直到OD矩阵的分配流量和与实际断面的观测流量的误差小于指定精度，便认为该次OD分配的流量在所有路段上都较为接近实际流量。
现有的路段流量推算方法主要的不足为：
（1）基于BPR函数的流量反推法，该方法使用的BPR函数常用于四阶段模型中的路阻计算，本身就是作为路阻的一种近似，使用其反推流量，没有充分考虑流量、密度、速度的关系，导致推算的流量与实际流量相差甚远。
（2）基于OD反推的技术方法，其没有充分利用多源稀疏大数据对路段流量进行表征，仅仅用到了OD矩阵、部分观测断面数据，若观测断面较少，其推算精度较低，与实际相差甚远。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在的推算的流量不准确的技术问题，本发明提供一种动态OD交通流推算补全方法、电子设备及存储介质。
方案一、一种动态OD交通流推算补全方法，包括以下步骤：
S1.根据车辆的路径信息计算路段的车辆通行速度和路段的车辆流量，将车辆流量作为路段下限流量；
S2.根据车辆的路径信息计算OD对最短K条路径，构建多时段路径选择概率矩阵；
S3.构建多时段动态分配比矩阵；
S4.计算多时段路段link预估流量；
S5.根据S4所述多时段路段link预估流量构建BPR约束，将BPR约束作为路段上限流量；
S6.创建线性优化目标函数。
优选的，S2具体是：
根据最短K路算法计算OD对(r，s)最短的K条路径：
设OD对r至s，在时间片
Figure 95120DEST_PATH_IMAGE001
内，可选路径有K条，第k条路径的时间开销为
Figure 481102DEST_PATH_IMAGE002
，设选择第k条路径的概率为：
Figure 260839DEST_PATH_IMAGE003
其中，
Figure 124890DEST_PATH_IMAGE004
表示起点r至终点s在时间片
Figure 939262DEST_PATH_IMAGE001
内选择路径k的概率，
Figure 761724DEST_PATH_IMAGE005
表示自然数为2.718。
由此可得，路径选择概率矩阵P为一个系数矩阵，其表示形式为：
Figure 497599DEST_PATH_IMAGE006
Figure 696499DEST_PATH_IMAGE007
其中，
Figure 332755DEST_PATH_IMAGE008
表示
Figure 326119DEST_PATH_IMAGE001
时段内第j个OD对选择第i条路径的概率，N表示时段数量，
Figure 549290DEST_PATH_IMAGE009
表示所有OD对的路径数量，
Figure 286301DEST_PATH_IMAGE010
表示od对数量；
优选的，S3具体是：
Figure 278528DEST_PATH_IMAGE011
Figure 708372DEST_PATH_IMAGE012
其中，R表示动态分配比矩阵，
Figure 418840DEST_PATH_IMAGE013
表示的是针对第j条路径，在
Figure 693963DEST_PATH_IMAGE014
时段从该路径的起点出发的车辆，能够在
Figure 806276DEST_PATH_IMAGE015
时段内到达第j条link的占比。
优选的，S4具体是：
Figure 141442DEST_PATH_IMAGE016
其中，
Figure 339205DEST_PATH_IMAGE017
表示hn时间片路段a的预估流量，
Figure 418020DEST_PATH_IMAGE018
表示在所有路径序列的第k条路径上，在时间片hi内离开该路径第一条link，在时间片hn内离开link_id为a的link的流量占比值，
Figure 384839DEST_PATH_IMAGE019
表示第i个时间片，
Figure 156485DEST_PATH_IMAGE020
表示第n个时间片，
Figure 575965DEST_PATH_IMAGE021
表示全局路径集合中第k条路径所属的OD对在时间片hn内选择该路径的概率，
Figure 192892DEST_PATH_IMAGE022
表示OD集中第k个OD对在时间片hn内预估出行量；
将观测到的路段通行流量，如基于摄像头的传感器等，加入约束：
Figure 545376DEST_PATH_IMAGE023
其中，
Figure 455300DEST_PATH_IMAGE024
表示路段
Figure 893235DEST_PATH_IMAGE025
在h n 时段观测到的流量值，
Figure 517114DEST_PATH_IMAGE026
表示a路段在hn时段推断值和观测值的正偏差，
Figure 724105DEST_PATH_IMAGE027
表示a路段在hn时段推断值和观测值的负偏差，
Figure 837554DEST_PATH_IMAGE028
表示路段编码和时段编码的组合值；
依据已知静态OD加入约束：
Figure 231627DEST_PATH_IMAGE029
其中，
Figure 455935DEST_PATH_IMAGE030
是已知静态OD需求的索引，
Figure 251852DEST_PATH_IMAGE031
是已知的静态OD需求量，
Figure 270624DEST_PATH_IMAGE032
是估计误差，同样会进行惩罚，
Figure 683151DEST_PATH_IMAGE033
表示OD对（r，s）在时间片h内的预估出行量。
优选的，S5具体是：
Figure 711149DEST_PATH_IMAGE034
其中，
Figure 361574DEST_PATH_IMAGE035
表示路段a的通行能力，
Figure 20088DEST_PATH_IMAGE036
表示a路段的BPR参数，
Figure 919911DEST_PATH_IMAGE037
表示路段a在h n 时段的通行时间（依据GPS数据推算而来），
Figure 486022DEST_PATH_IMAGE038
表示路段a的自由流通行时间，
Figure 256531DEST_PATH_IMAGE039
表示允许推断误差。
优选的，S6具体是：
根据路段下限流量、路径选择概率矩阵、动态分配比矩阵、link预估流量和路段上限流量创建线性优化目标函数：
Figure 617106DEST_PATH_IMAGE041
其中，
Figure 971601DEST_PATH_IMAGE042
表示未知的流量预估
Figure 341403DEST_PATH_IMAGE043
代价超参数，
Figure 700840DEST_PATH_IMAGE044
表示OD需求预估
Figure 497895DEST_PATH_IMAGE043
代价超参数，
Figure 575572DEST_PATH_IMAGE045
表示正偏差代价超参数，
Figure 749064DEST_PATH_IMAGE046
表示负偏差代价超参数，
Figure 759746DEST_PATH_IMAGE047
表示BPR偏差代价超参数，
Figure 196543DEST_PATH_IMAGE048
表示OD需求预估偏差代价超参数，
Figure 292675DEST_PATH_IMAGE049
表示OD集中OD对(r,s)在时间片hn内出行量，
Figure 473121DEST_PATH_IMAGE050
表示OD集中OD对(r，s)的OD估计误差。
方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述一种动态OD交通流推算补全方法的步骤。
方案三、一种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方案一所述的一种动态OD交通流推算补全方法。
本发明的有益效果如下：本发明的兼顾了准确性和计算效率，解决了现有技术中存在的推算的流量不准确的技术问题，充分融合了道路运行多源大数据，可求解在实际观测值限制下的最优推算结果；整合了路网构建、路径选择矩阵构建、动态分配矩阵构建、流量预估线性目标函数求解等全流程技术路线，支持考虑时间范围内的不同时间窗口。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种动态OD交通流推算补全方法流程示意图；
图2为本发明最短的K条路径示意图；
图3为本发明推算结果示意图。
具体实施方式
为了使本发明实施例中的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图3说明本实施方式，一种动态OD交通流推算补全方法，包括以下步骤：
S1.根据车辆的路径信息计算路段的车辆通行速度和路段的车辆流量，将车辆流量作为路段下限流量；
具体的，车辆的路径信息是将GPS数据按照天切分后，取出轨迹点信息，进行地图匹配，得到车辆的时序路径信息；
S2.根据车辆的路径信息计算OD对最短K条路径（参照图2），构建多时段路径选择概率矩阵；
根据最短K路算法计算OD对(r，s)最短的K条路径：
设OD对r至s，在时间片
Figure 338309DEST_PATH_IMAGE051
内，可选路径有K条，第k条路径的时间开销为
Figure 211587DEST_PATH_IMAGE052
，设选择第k条路径的概率为：
Figure 795015DEST_PATH_IMAGE053
其中，
Figure 513572DEST_PATH_IMAGE054
表示起点r至终点s在时间片
Figure 498846DEST_PATH_IMAGE051
内选择路径k的概率，
Figure 277446DEST_PATH_IMAGE055
表示自然数为2.718。
由此可得，路径选择概率矩阵P为一个系数矩阵，其表示形式为：
Figure 348170DEST_PATH_IMAGE056
Figure 368953DEST_PATH_IMAGE057
其中，
Figure 208733DEST_PATH_IMAGE058
表示
Figure 689393DEST_PATH_IMAGE051
时段内第j个OD对选择第i条路径的概率，N表示时段数量，
Figure 450676DEST_PATH_IMAGE059
表示所有OD对的路径数量，
Figure 307774DEST_PATH_IMAGE060
表示od对数量。
S3.构建多时段动态分配比矩阵：
Figure 470902DEST_PATH_IMAGE061
Figure 122463DEST_PATH_IMAGE062
其中，R表示动态分配比矩阵，
Figure 636621DEST_PATH_IMAGE063
表示的是针对第j条路径，在
Figure 31830DEST_PATH_IMAGE064
时段从该路径的起点出发的车辆，能够在
Figure 49465DEST_PATH_IMAGE051
时段内到达第j条link的占比。
S4.计算多时段路段link预估流量：
Figure 137506DEST_PATH_IMAGE065
其中，
Figure 873381DEST_PATH_IMAGE066
表示hn时间片路段a的预估流量，
Figure 72281DEST_PATH_IMAGE067
表示在所有路径序列的第k条路径上，在时间片hi内离开该路径第一条link，在时间片hn内离开link_id为a的link的流量占比值，
Figure 475581DEST_PATH_IMAGE068
表示第i个时间片，
Figure 203365DEST_PATH_IMAGE069
表示第n个时间片，
Figure 957695DEST_PATH_IMAGE070
表示全局路径集合中第k条路径所属的OD对在时间片hn内选择该路径的概率，
Figure 163548DEST_PATH_IMAGE071
表示OD集中第k个OD对在时间片hn内预估出行量；
将观测到的路段通行流量，如基于摄像头的传感器等，加入约束：
Figure 686933DEST_PATH_IMAGE072
其中，
Figure 116778DEST_PATH_IMAGE073
表示路段
Figure 60201DEST_PATH_IMAGE074
在h n 时段观测到的流量值，
Figure 600904DEST_PATH_IMAGE075
表示a路段在hn时段推断值和观测值的正偏差，
Figure 713216DEST_PATH_IMAGE076
表示a路段在hn时段推断值和观测值的负偏差，
Figure 48382DEST_PATH_IMAGE077
表示路段编码和时段编码的组合值；
依据已知静态OD加入约束：
Figure 246146DEST_PATH_IMAGE078
其中，
Figure 324960DEST_PATH_IMAGE079
是已知静态OD需求的索引，
Figure 291779DEST_PATH_IMAGE080
是已知的静态OD需求量，
Figure 797847DEST_PATH_IMAGE081
是估计误差，同样会进行惩罚，
Figure 748485DEST_PATH_IMAGE082
表示OD对（r，s）在时间片h内的预估出行量。
S5.根据S4多时段路段link预估流量构建BPR约束，将BPR约束作为路段上限流量：
Figure 99832DEST_PATH_IMAGE083
其中，
Figure 452316DEST_PATH_IMAGE084
表示路段a的通行能力，
Figure 394864DEST_PATH_IMAGE085
表示a路段的BPR参数，
Figure 301640DEST_PATH_IMAGE086
表示路段a在h n 时段的通行时间，
Figure 722257DEST_PATH_IMAGE087
表示路段a的自由流通行时间，
Figure 663669DEST_PATH_IMAGE088
表示允许推断误差。
S6.创建线性优化目标函数，根据路段下限流量、路径选择概率矩阵、动态分配比矩阵、link预估流量和路段上限流量创建线性优化目标函数：
Figure 511539DEST_PATH_IMAGE090
其中，
Figure 905611DEST_PATH_IMAGE091
表示未知的流量预估
Figure 129919DEST_PATH_IMAGE092
代价超参数，
Figure 424372DEST_PATH_IMAGE044
表示OD需求预估
Figure 708723DEST_PATH_IMAGE092
代价超参数，
Figure 590091DEST_PATH_IMAGE093
表示正偏差代价超参数，
Figure 352511DEST_PATH_IMAGE094
表示负偏差代价超参数，
Figure 2935DEST_PATH_IMAGE095
表示BPR偏差代价超参数，
Figure 458187DEST_PATH_IMAGE096
表示OD需求预估偏差代价超参数，
Figure 561272DEST_PATH_IMAGE097
表示OD集中OD对(r,s)在时间片hn内出行量，
Figure 127383DEST_PATH_IMAGE098
表示OD集中OD对(r，s)的OD估计误差。
为了证明本实施例的效果，采用本实施例提出的流量推断方法与真实值的平均绝对百分比误（MAPE）作为参考，误差的计算如下：
Figure 897893DEST_PATH_IMAGE099
其中，
Figure 258467DEST_PATH_IMAGE100
代表真实数据，
Figure DEST_PATH_IMAGE101
代表推断数据，N代表总数据点量。
参照图3，某路段在一小时时间片内的流量推算结果,，从图中可见，经过“OD反推-流量分配”循环迭代得到调整后的分时段OD矩阵、结合动态交通流模型推算全网路段流量，输出流量推算结果整体精度为71.2%。高速路、次干路流量分配精度满足要求，快速路关键断面数据较少，流量分配精度较低；次干路里程长、关键断面少。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3 、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (8)

1.一种动态OD交通流推算补全方法，其特征在于，包括以下步骤：
S1.根据车辆的路径信息计算路段的车辆通行速度和路段的车辆流量，将车辆流量作为路段下限流量；
S2.根据车辆的路径信息计算OD对最短K条路径，构建多时段路径选择概率矩阵；
S3.构建多时段动态分配比矩阵；
S4.计算多时段路段link预估流量；
S5.根据S4所述多时段路段link预估流量构建BPR约束，将BPR约束作为路段上限流量；
S6.创建线性优化目标函数。
2.根据权利要求1所述的一种动态OD交通流推算补全方法，其特征在于，S2具体是：
根据最短K路算法计算OD对(r，s)最短的K条路径：
设OD对r至s，在时间片
Figure 673367DEST_PATH_IMAGE001
内，可选路径有K条，第k条路径的时间开销为
Figure 590507DEST_PATH_IMAGE002
，设选择第k条路径的概率为：
Figure 839086DEST_PATH_IMAGE003
其中，
Figure 234295DEST_PATH_IMAGE004
表示起点r至终点s在时间片
Figure 783088DEST_PATH_IMAGE001
内选择路径k的概率，
Figure 605551DEST_PATH_IMAGE005
表示自然数为2.718；
由此可得，路径选择概率矩阵P为一个系数矩阵，其表示形式为：
Figure 341425DEST_PATH_IMAGE006
Figure 540326DEST_PATH_IMAGE007
其中，
Figure 209204DEST_PATH_IMAGE008
表示
Figure 671410DEST_PATH_IMAGE001
时段内第j个OD对选择第i条路径的概率，N表示时段数量，
Figure 425739DEST_PATH_IMAGE009
表示所有OD对的路径数量，
Figure 631593DEST_PATH_IMAGE010
表示od对数量。
3.根据权利要求2所述的一种动态OD交通流推算补全方法，其特征在于，S3具体是：
Figure 154978DEST_PATH_IMAGE011
Figure 53664DEST_PATH_IMAGE012
其中，R表示动态分配比矩阵，
Figure 295289DEST_PATH_IMAGE013
表示的是针对第j条路径，在
Figure 39254DEST_PATH_IMAGE014
时段从该路径的起点出发的车辆，能够在
Figure 682725DEST_PATH_IMAGE015
时段内到达第j条link的占比。
4.根据权利要求3所述的一种动态OD交通流推算补全方法,其特征在于，S4具体是：
Figure 486733DEST_PATH_IMAGE016
其中，
Figure 215655DEST_PATH_IMAGE017
表示hn时间片路段a的预估流量，
Figure 294469DEST_PATH_IMAGE018
表示在所有路径序列的第k条路径上，在时间片hi内离开该路径第一条link，在时间片hn内离开link_id为a的link的流量占比值，
Figure 494244DEST_PATH_IMAGE019
表示第i个时间片，
Figure 312DEST_PATH_IMAGE020
表示第n个时间片，
Figure 950950DEST_PATH_IMAGE021
表示全局路径集合中第k条路径所属的OD对在时间片hn内选择该路径的概率，
Figure 567876DEST_PATH_IMAGE022
表示OD集中第k个OD对在时间片hn内预估出行量；
将观测到的路段通行流量，如基于摄像头的传感器，加入约束：
Figure 654781DEST_PATH_IMAGE023
其中，
Figure 331750DEST_PATH_IMAGE024
表示路段
Figure 769685DEST_PATH_IMAGE025
在h n 时段观测到的流量值，
Figure 190302DEST_PATH_IMAGE026
表示a路段在hn时段推断值和观测值的正偏差，
Figure 131713DEST_PATH_IMAGE027
表示a路段在hn时段推断值和观测值的负偏差，
Figure 245162DEST_PATH_IMAGE028
表示路段编码和时段编码的组合值；
依据已知静态OD加入约束：
Figure 904814DEST_PATH_IMAGE029
其中，
Figure 129122DEST_PATH_IMAGE030
是已知静态OD需求的索引，
Figure 659460DEST_PATH_IMAGE031
是已知的静态OD需求量，
Figure 943811DEST_PATH_IMAGE032
是估计误差，同样会进行惩罚，
Figure 356338DEST_PATH_IMAGE033
表示OD对（r，s）在时间片h内的预估出行量。
5.根据权利要求4所述的一种动态OD交通流推算补全方法,其特征在于，S5具体是：
Figure 853178DEST_PATH_IMAGE034
其中，
Figure 34761DEST_PATH_IMAGE035
表示路段a的通行能力，
Figure 693275DEST_PATH_IMAGE036
表示a路段的BPR参数，
Figure 593098DEST_PATH_IMAGE037
表示路段a在h n 时段的通行时间（依据GPS数据推算而来），
Figure 126585DEST_PATH_IMAGE038
表示路段a的自由流通行时间，
Figure 428254DEST_PATH_IMAGE039
表示允许推断误差。
6.根据权利要求5所述的一种动态OD交通流推算补全方法，其特征在于，S6具体是：
根据路段下限流量、路径选择概率矩阵、动态分配比矩阵、link预估流量和路段上限流量创建线性优化目标函数：
Figure 257670DEST_PATH_IMAGE041
其中，
Figure 644789DEST_PATH_IMAGE042
表示未知的流量预估
Figure 483432DEST_PATH_IMAGE043
代价超参数，
Figure 374027DEST_PATH_IMAGE044
表示OD需求预估
Figure 171082DEST_PATH_IMAGE043
代价超参数，
Figure 248759DEST_PATH_IMAGE045
表示正偏差代价超参数，
Figure 422252DEST_PATH_IMAGE046
表示负偏差代价超参数，
Figure 901775DEST_PATH_IMAGE047
表示BPR偏差代价超参数，
Figure 869731DEST_PATH_IMAGE048
表示OD需求预估偏差代价超参数，
Figure 434704DEST_PATH_IMAGE049
表示OD集中OD对(r,s)在时间片hn内出行量，
Figure 146308DEST_PATH_IMAGE050
表示OD集中OD对(r，s)的OD估计误差。
7.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-6任一项所述的一种动态OD交通流推算补全方法的步骤。
8.一种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权利要求1-6任一项所述的一种动态OD交通流推算补全方法。
CN202211663825.2A 2022-12-23 2022-12-23 一种动态od交通流推算补全方法、电子设备及存储介质 Active CN115662144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211663825.2A CN115662144B (zh) 2022-12-23 2022-12-23 一种动态od交通流推算补全方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211663825.2A CN115662144B (zh) 2022-12-23 2022-12-23 一种动态od交通流推算补全方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115662144A true CN115662144A (zh) 2023-01-31
CN115662144B CN115662144B (zh) 2023-04-07

Family

ID=85022997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211663825.2A Active CN115662144B (zh) 2022-12-23 2022-12-23 一种动态od交通流推算补全方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115662144B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307318A (zh) * 2023-03-06 2023-06-23 深圳市城市交通规划设计研究中心股份有限公司 一种基于卡口车牌识别数据的道路流量溯源系统及其方法
CN117576918A (zh) * 2024-01-17 2024-02-20 四川国蓝中天环境科技集团有限公司 一种基于多源数据的城市道路流量全域预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009259158A (ja) * 2008-04-21 2009-11-05 Toyota Central R&D Labs Inc 交通状態シミュレーション装置及びプログラム
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
US20160180705A1 (en) * 2014-12-18 2016-06-23 Jing Liu Origin destination estimation based on vehicle trajectory data
CN105761492A (zh) * 2016-05-04 2016-07-13 北京大学 一种基于网络流的大范围高速路网动态配流方法
CN107134142A (zh) * 2017-07-10 2017-09-05 中南大学 一种基于多源数据融合的城市道路流量预测方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009259158A (ja) * 2008-04-21 2009-11-05 Toyota Central R&D Labs Inc 交通状態シミュレーション装置及びプログラム
US20160180705A1 (en) * 2014-12-18 2016-06-23 Jing Liu Origin destination estimation based on vehicle trajectory data
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
CN105761492A (zh) * 2016-05-04 2016-07-13 北京大学 一种基于网络流的大范围高速路网动态配流方法
CN107134142A (zh) * 2017-07-10 2017-09-05 中南大学 一种基于多源数据融合的城市道路流量预测方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王建军 等: "OD反推理论应用中的关键问题研究" *
谭章智 等: "场景驱动的交通大数据平台数据架构设计" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307318A (zh) * 2023-03-06 2023-06-23 深圳市城市交通规划设计研究中心股份有限公司 一种基于卡口车牌识别数据的道路流量溯源系统及其方法
CN116307318B (zh) * 2023-03-06 2023-10-20 深圳市城市交通规划设计研究中心股份有限公司 一种基于卡口车牌识别数据的道路流量溯源系统及其方法
CN117576918A (zh) * 2024-01-17 2024-02-20 四川国蓝中天环境科技集团有限公司 一种基于多源数据的城市道路流量全域预测方法
CN117576918B (zh) * 2024-01-17 2024-04-02 四川国蓝中天环境科技集团有限公司 一种基于多源数据的城市道路流量全域预测方法

Also Published As

Publication number Publication date
CN115662144B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115662144B (zh) 一种动态od交通流推算补全方法、电子设备及存储介质
Zhan et al. Urban link travel time estimation using large-scale taxi data with partial information
Ashok Estimation and prediction of time-dependent origin-destination flows
US8103448B2 (en) Information storage apparatus for storing new road, program for the same, and system for the same
US8165793B1 (en) System and method for route representation with waypoint storage
CN112071060B (zh) 一种基于城市路网交通环境变化的应急救援路径规划方法
CN102324128A (zh) 基于ic卡记录的公交站间od客流预测方法及装置
CN110595493A (zh) 一种实时动态路径规划方法和装置
CN112017436B (zh) 城市市内交通旅行时间的预测方法及系统
CN112382091A (zh) 一种道路积水预警方法及装置
WO2022142418A1 (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN114937366B (zh) 一种基于多尺度交通需求与供给转化的交通流推算方法
CN110956341A (zh) 停车场流量预测方法、装置、电子设备及存储介质
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN108345987B (zh) 一种道路基础设施建设项目影响评价决策支持系统及方法
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
JP4353862B2 (ja) 交通流データ予測装置および交通流データ予測方法
CN112598338B (zh) 路径选择模型的构建方法及客流分配方法
CN114912669A (zh) 基于多源数据的公交客流组合图神经网络预测方法
CN104677366B (zh) 基于gps信息的道路地图更新方法
CN114638428A (zh) 一种交通路况预测方法、装置及车辆
JP2005208791A (ja) 道路リンク旅行時間推計方法、道路リンク旅行時間推計装置、プログラム、および、記録媒体
CN108665705A (zh) 交通诱导统计模型校对方法及装置
Xiong et al. Field evaluation of model-based estimation of arterial link travel times
Supriatna et al. Spatial Model of Traffic Congestion by the Changes on City Transportation Route

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