数据驱动的动态路径优化和停车诱导模型与算法

发布时间：2020-08-24 14:39

【摘要】：交通拥堵和“停车难”问题是日常出行中的两大难题。由于各种因素的影响,出行时间和停车场空闲车位数呈现高度的动态性和随机性,如何充分考虑并有效处理交通网络中的动态性和随机性,为出行者推荐可靠的出行路径和停车场是需要深入研究的课题。针对交通网络中行程时间和停车场空闲车位数的动态性和随机性,本论文从实际数据出发,对行程时间和停车场空闲车位数服从的分布、可靠路径选择、空闲车位数预测、停车诱导模型和算法进行研究,并将模型和算法应用到实际路网中寻找可靠路径和停车场。论文的主要研究内容和创新点归纳如下:(1)建立了基于行程时间分组的最可靠路径模型和基于可靠度边界的求解算法通过数据分析发现,即使在相同道路设施类型中(相同车道数和单双向类型),不同星期、节假日、一天中的不同时段以及交通拥堵状态等都会导致行程时间具有动态性和随机性。基于这些影响因素对行程时间数据进行分组,将分组后的行程时间服从的分布定义为扩展的转换对数正态分布(ESLN)。基于ESLN分布,建立路段和路径的行程时间模型,提出给定期望行程时间的最可靠路径模型和基于可靠度边界的求解算法,并应用于实际路网中寻找最可靠路径。ESLN分布和SLN分布的对比结果表明,基于ESLN分布的最可靠路径模型和算法能够有效提高可靠路径的精确度。(2)建立考虑到达时间和出发时间的可靠路径模型和基于行程时间边界的求解算法在行程时间服从ESLN分布的基础上,对可靠路径的“正向问题”和“反向问题”进行研究。其中,可靠路径“正向问题”是给定可靠度和出发时间,求解最早到达时间和对应的可靠路径;可靠路径“反向问题”是给定可靠度和到达时间,求解最晚出发时间和对应的可靠路径。针对这两个问题分别建立数学规划模型,提出基于行程时间边界的求解算法,并给出了行程时间边界值的确定方法和推导过程。利用北京市实际路网进行算例分析,结果验证了模型和算法的有效性和高效性。(3)建立空闲车位数预测模型,并提出考虑最可靠路径的停车诱导模型和基于可靠度边界的求解算法通过分析停车场历史空闲车位数,发现相同小时和星期内的空闲车位数具有高度的相似性,但不同节假日、星期和小时之间的空闲车位数存在较大差异。基于该结论将停车场空闲车位数进行分组。KS检验结果表明,分组后的空闲车位数服从正态分布。基于停车场空闲车位数服从正态分布的规律,建立了空闲车位数的预测模型,并提出考虑最可靠路径的停车诱导模型和基于可靠度边界的求解算法,解决了给定期望行程时间,求解综合可靠度最大的停车场和到达该停车场的最可靠路径的问题。利用北京市实际路网进行算例分析,结果验证了模型和算法的有效性。(4)提出考虑最早到达时间和最晚出发时间的停车诱导模型和基于行程时间边界的求解算法对两种停车诱导问题建立数学规划模型,并提出基于行程时间边界的求解算法:1)为了解决给定出发时间和路径可靠度,求解到达综合可靠度最大的停车场的最早到达时间和相应可靠路径的问题,提出了考虑最早到达时间的停车诱导模型和基于行程时间边界的求解算法;2)为了解决给定到达时间和路径可靠度,求解准点到达综合可靠度最大的停车场的最晚出发时间和相应可靠路径的问题,提出了考虑最晚出发时间的停车诱导模型和基于行程时间边界的求解算法。最后,利用北京市实际路网进行算例分析,结果验证了模型和算法的有效性。(5)开发可靠路径和停车诱导系统系统实现了无停车需求和有停车需求两种情景下的功能。当无停车需求时,系统只进行可靠路径的计算,实现了给定行程时间计算最可靠路径、给定可靠度计算最早到达时间、给定可靠度计算最晚出发到时间三种功能。当有停车需求时,系统进行停车场选择和可靠路径的计算,实现了考虑最可靠路径的停车诱导、考虑最早到达时间的停车诱导、考虑最晚出发时间的停车诱导三种功能。
【学位授予单位】：北京交通大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：U491
【图文】：

图１论文的结构逡逑Ｆｉｇｕｒｅ邋１邋Ｔｈｅ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ｔｈｅ邋ｔｈｅｓｉｓ逡逑

行程时间,交通拥堵,自由流,对数转换

如果ｅｍａｘ邋＝邋３６００ｓ／ｋｍ，ｙｍｉｎ邋＝邋１８ｓ／ｋｍ，ａ邋＝邋０．１Ｓ，Ｗｏ邋＝邋１０，则／ｍａｘ＝１３３３，艮［］逡逑９邋＜［５邋１３３３。这意味着７；邋＝邋１０覆盖了从９到１３３３范围内的所有值，覆盖范围显逡逑然太大。＾和／￡之间的关系是非线性的，如图３ａ所示。经过对数转换后，１0＃认）逡逑的变化范围为３．１７到１０．３８之间，如图３ｂ所示，丨ｌｏｇ２（／ｉ）ｌ的变化范围为４到＞１１逡逑之间。因此，引入对数转换对行程时间做进一步分组，如图３ｃ所示。／＜的对数转逡逑换形式／；｜｜（＾的计算公式如下：逡逑ｒ邋＿邋（逦0，邋0邋＜邋Ｉｉ＜Ｎ0－ｌ逡逑－邋Ｕｌ0ｇ２（／ｉ）ｌ，邋／ｖ０邋－邋１邋＜邋／；邋＜邋／ｍａｘ逦Ｗ逡逑（、／＂＾ｇ和／ｉ对应的交通状态如表１所示，其中％二１０。当Ｊｍａｘ邋＝邋１３３３时，９邋＜逡逑幺邋１３３３，邋／；，ｌｏｇ邋＝『１0８２认）１邋＝邋｛４，５，６，７，８，９，１０，１１｝。逡逑４０００逦－｜逦１４．００逦１逡逑３５００逦－逦１２．００逦－逦．逡逑３０００邋－逦ｉｎｎｎ逦ｙ邋＝邋０．０５０７ｘ邋＋４．６４６９逦／逡逑２５００邋－逦

示意图,示意图,头节点,节点

２．５基于行程时间分组的最可靠路径模型逡逑将路网模型化为有向图ｇ（NB其中，义表示节点集，表示有向弧集，逡逑表示离散化的时间。每个节点有一组前置节点和一组后续节点（如图５所示），逡逑例如，节点／的后继节点（Ｓｕｃｃｅｓｓｏｒｎｏｄｅｓ，简写为ＳＣＳ）是５，ＳＣＳ（／）邋＝邋｛５｝，节逡逑点／的前置节点（Ｐｒｅｄｅｃｅｓｓｏｒｎｏｄｅｓ，简写为ＰＤＳ）是ｔ，ＰＤＳ（／）邋＝邋｛ｔ｝。每条路段有逡逑一个尾节点和一个头节点，例如，路段的尾节点是／，头节点是化路段ａＴｆ的尾逡逑节点是Ｔ，头节点是／；邋｛Ｔ，／，＿ｇ｝邋ｅ邋ｉＶＧ，ｅ邋４Ｇ。逡逑２６逡逑

【参考文献】