基于多源数据的动态OD估计方法研究

发布时间：2020-10-10 06:06

　　随着社会、经济、科技的快速发展,城市化问题日益严重,特别是人口急剧膨胀打破了城市交通需求和交通供给间的平衡,最直接的表现为交通拥挤及出行时间变长。为解决日益严重的交通问题,智能交通系统(ITS)应运而生,它能够根据路网实时的交通状态提供切实有效的交通管理和诱导方案,为缓解交通拥堵、提高道路通行效率提供技术支撑。OD需求信息是分析路网交通状态的基础,近年来各国学者从不同方面对OD需求进行了研究,然而受网络结构的复杂程度、多种数据不易获取的影响,目前建立的OD估计模型多是基于路段流量展开的,综合多源检测器数据进行的研究较少。因此在此背景下,本文提出基于多源数据的动态OD估计方法研究,以期充分挖掘多种检测器数据价值实现对动态OD需求的有效估计,从而为路径诱导系统和交通管理系统提供基础支撑,对缓解交通拥堵,建设和谐、宜居、便利的城市环境具有重要意义。本文的研究目的在于以多类型数据和多种交通检测器数据为基础,利用多源数据与交通需求间的内在联系建立用于城市交通网络的动态OD估计模型,能够根据路网中检测到的部分路段流量、交叉口转向流量、车牌识别系统检测到的部分轨迹流量、浮动车行驶轨迹等交通信息,求解得到路网动态OD需求,简化路网动态交通需求的获取途径,提高交通大数据的利用率,为智能交通管理系统提供理论支撑。全文的主要工作如下:1、动态OD估计理论基础研究。回顾现有动态OD需求研究中主要的建模方法、建模思路、基础数据的类型,重点研究路网动态OD估计中涉及的路径选择问题、动态交通分配问题和行程时间问题及其解决方法,理清路网中交通参数间的动态关系,明确模型所需的基础数据类型、输出结果、约束条件等。2、多源数据处理及修复方法研究。对多源数据的采集方法和主要应用方向进行了回顾,重点研究了多源数据用于提高检测数据质量的方法。针对检测数据存在数据异常或缺失等情况按照问题数据出现的频率,分别提出了单个时段数据修复方法和连续时段数据修复方法。在案例研究中,将提出的方法与传统数据修复方法进行对比,通过计算不同修复方法的误差评价指标(MAE、MSE、RMSE、MAPE),说明提出方法的可行性及数据修复效果。此外,研究并分析了问题数据的个数对数据修复结果的影响。3、基于车辆轨迹信息的分配矩阵计算方法。利用实时检测的车辆行驶轨迹数据和车牌识别系统检测的车辆牌照信息描述交通需求与交通流量检测过程的动态关系,构建交通分配矩阵计算方法。在路径选择模型中,引入Path-Size Logit模型,综合考虑实时获取的行程时间和路段长度作为出行阻抗,避免了MNL模型的缺陷和既有研究中关于选择同一路径行驶的车辆组中车辆保持相同车头间距的假设,使路径选择行为打破了FIFO的规则。4、基于多源数据的动态OD估计方法研究。通过分析路网中各交通参数与OD需求的内在联系,从时间和空间两个角度构建了基于状态空间模型的多源数据路网动态OD估计模型,模型中将部分路段流量、交叉口转向流量、部分路径流量作为直接检测数据,减少了未知参数的个数。案例研究中设计了4种情景进行对比分析,通过对比不同情景的误差评价指标(MAE、MSE、RMSE、MAPE)结果,分析得到不同已知交通数据类型和已知数据数目对动态OD估计结果的影响:(1)已知数据类型越丰富,估计结果越接近真实OD需求结果;(2)对于同种数据类型,已知数据个数越多,估计结果精度越高。情景Ⅳ中考虑了检测数据存在缺失或异常的情况,通过对比分析模型计算结果与实际需求结果的误差指标,得到数据质量对OD估计结果的影响,并且解释了数据修复方法对动态OD估计模型的误差传递影响。
【学位单位】：北京建筑大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U491
【部分图文】：

曲线图,节点,曲线图,问题数据

第 4 章问题数据识别与修复模型,j k x ，则, ,, , =i j j ki j ki kf x x f x xf x x xx x 。推广到一般情况，kx的 k 阶差商为 0 1, , ,f x x 0 1 -1 1 20, , , - , , ,, =k kkkf x x x f x x xxx x 。有如下曲线（如图 4-1 所示），已知节点 0 0x ,y ， 1 1x ,y ，则图中（一次多项式）可用 1 01 0 01 0y yx y x xx x 表示。

曲线,时变,流量,曲线

第 4 章问题数据识别与修复模型故证明得到每增加一个节点，多项式函数仅增加一项的结论，假设成立。交通流数据具有时变、非线性的特点，另外受信号灯控制、行人过街、交通堵塞等因素影响，相邻短时间内（2-5min）的交通量检测值可能变化很大如图 4-2 所示，如果利用时间序列的数据进行牛顿插值计算，插值点前后的数据不具有系统整体变化趋势，插值结果可能会有较大偏差，因此如果能利用体现系统整体变化趋势的数据进行插值计算，则可以减小误差的程度。

关系图,占有率,关系图,流量

33图 4-3 流量-占有率关系图Fig. 4-3 The relation curve between traffic flow and occupancy图 4-3 表示的是流量与占有率的趋势变化图，从图中可以看出两者存在明显的函数关系：占有率越大，每 5 分钟内的车流量越大。利用这一关系计算得到问题数据的修复值可以大大降低由插值数据趋势不准确导致的误差，因此本文提出在问题数据修复之前，先将流量数据按照对应占有率大小升序排列，然后再进行牛顿插值计算。此方法的优点在于利用了离散数据信息和流量与占有率之间的关系，在计算前缩小节点偏差，借助系统平均变化趋势提高插值精度。因此，将此方法称为改进牛顿插值数据修复法。

【参考文献】