基于多源异构数据的城市路网动态车流OD估计
发布时间：2022-01-03 17:37
作为研究道路网交通流及各种交通仿真模型的重要前提和进行精细化城市交通控制的重要依据,如何得到动态车流OD（Origin-Destination,OD）需求是交通领域中的一项重要研究课题。为此,大量研究在各种静态OD估计模型及方法的基础上,考虑车流在路网上的实际传播过程,建立OD需求与各断面流量观测值（包括路段断面流量和交叉口转向流量等）之间的动态映射关系——即建立动态分配矩阵,从而将原有的静态OD估计模型转化为动态估计模型。而随着先进的通信及计算机等技术在道路交通检测中的大范围应用（如车载GPS、视频车牌识别等）,使得道路交通流的检测突破了以往只能得到断面流量、占有率和速度的限制,进一步可得到车辆的行驶路径信息。基于此,本文综合利用了GPS数据、视频车牌识别数据以及断面流量数据等,构建了基于多源异构数据的城市路网动态车流OD估计模型。首先,为了使所构建的模型能够反映真实的OD分布情况,本文依据出租车GPS数据辅助构建了适用于动态车流OD估计的路网级交通小区。其次,在确定的交通小区分布的前提下,基于GPS数据和视频车牌识别数据提取OD点对之间的需求观测值,并基于概率统计理论对所提取的OD...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
某一辆出租车6:00~10:00GPS数据点分布图
1其中， i 即为 Z 值； 是要素 的属性值， 是要素 与要素 之间的空间权重。 1 （2.13） 2 1 ( ) （2.14）基于以上假设及统计量采用 t 检验对以上进行检验，并根据所设定的显著性水平进行判别。如下图所示，在 i 算法中，对于具有显著统计学意义的正的 Z 值，Z 值越高，高值（热点）的聚类就越紧密；而对于统计学上的显著性负 Z 值，Z 值越低，低值（冷点）的聚类就越紧密。然而不同于对一般样本的分析，在地里空间要素分析中，样本数量往往很大，而即便针对所设定的显著性水平而言，在大样本数据的前提下其出现超过误差范围的样本数据在数量上也是可观的。因此，在实际应用中常采用 FDR（FalseDiscoveryRate，FDR）对多重比较和空间依赖性检验对结果进行调整，按显著性水平进行分类，得到最终的热点区域。FDR 校正针对给定的置信度来计算误报的数量并相应地调整临界 p 值[43]。使用该方法时，具有统计显著性的 p 值按照从最小（最强）到最大（最弱）的顺序排序，并根据误报估算结果将最弱的 p 值从列表中移除。
第二章 基于出租车 GPS 轨迹的交通小区构建（2）出租车乘客上下车热点分析在此，本文选取昆山市某一区域为研究对象，如图 2-5 所示。依据前文所提取的乘客上下车位置信息（该区域的乘客上下车位置分布如图 2-5 所示），可以发现的是乘客上下车的位置点大多集中在道路两侧，且相较于下车位置点（图 2-5 中红色标记位置）的分布，乘客上车位置点（图 2-5 中绿色标记位置）的分布更为集中，这与出租车大多采用路边“招手”载客的运行特性相一致；而乘客的下车位置会尽量接近其真实的出行终点位置，即出租车上下客位置一般与乘客真实出行的起终点位置存在一些差异。因此，为了进一步分析出租车乘客上车热点与下车热点区域的异同，此处将采用上述方法分别对所选区域的出租车乘客的上车位置和下车位置进行了分析。在此基础上，本文又综合考虑了出租车乘客上下车的位置信息，不加区分地进行了热点分析以上三种情况的最终结果如下图 2-6 所示。
【参考文献】：
期刊论文
[1]基于车辆自动识别技术的动态OD矩阵估计新方法[J]. 孙剑,冯羽. 同济大学学报(自然科学版). 2013(09)
[2]城市道路网络交通小区划分方法研究[J]. 李晓丹,杨晓光,陈华杰. 计算机工程与应用. 2009(05)
[3]全路网改进动态O-D反推模型[J]. 焦朋朋,陆化普. 清华大学学报(自然科学版). 2006(09)
[4]城市道路网络动态OD估计模型[J]. 何兆成,余志. 交通运输工程学报. 2005(02)
[5]基于广义最小二乘模型的动态交通OD矩阵估计[J]. 林勇,蔡远利,黄永宣. 系统工程理论与实践. 2004(01)
[6]基于卡尔曼滤波的动态OD矩阵估计[J]. 林勇,蔡远利,黄永宣. 系统工程理论与实践. 2003(10)
博士论文
[1]基于交通传播特性分析的城市路网动态OD在线估计[D]. 聂庆慧.东南大学 2017
本文编号：3566691
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
某一辆出租车6:00~10:00GPS数据点分布图
1其中， i 即为 Z 值； 是要素 的属性值， 是要素 与要素 之间的空间权重。 1 （2.13） 2 1 ( ) （2.14）基于以上假设及统计量采用 t 检验对以上进行检验，并根据所设定的显著性水平进行判别。如下图所示，在 i 算法中，对于具有显著统计学意义的正的 Z 值，Z 值越高，高值（热点）的聚类就越紧密；而对于统计学上的显著性负 Z 值，Z 值越低，低值（冷点）的聚类就越紧密。然而不同于对一般样本的分析，在地里空间要素分析中，样本数量往往很大，而即便针对所设定的显著性水平而言，在大样本数据的前提下其出现超过误差范围的样本数据在数量上也是可观的。因此，在实际应用中常采用 FDR（FalseDiscoveryRate，FDR）对多重比较和空间依赖性检验对结果进行调整，按显著性水平进行分类，得到最终的热点区域。FDR 校正针对给定的置信度来计算误报的数量并相应地调整临界 p 值[43]。使用该方法时，具有统计显著性的 p 值按照从最小（最强）到最大（最弱）的顺序排序，并根据误报估算结果将最弱的 p 值从列表中移除。
第二章 基于出租车 GPS 轨迹的交通小区构建（2）出租车乘客上下车热点分析在此，本文选取昆山市某一区域为研究对象，如图 2-5 所示。依据前文所提取的乘客上下车位置信息（该区域的乘客上下车位置分布如图 2-5 所示），可以发现的是乘客上下车的位置点大多集中在道路两侧，且相较于下车位置点（图 2-5 中红色标记位置）的分布，乘客上车位置点（图 2-5 中绿色标记位置）的分布更为集中，这与出租车大多采用路边“招手”载客的运行特性相一致；而乘客的下车位置会尽量接近其真实的出行终点位置，即出租车上下客位置一般与乘客真实出行的起终点位置存在一些差异。因此，为了进一步分析出租车乘客上车热点与下车热点区域的异同，此处将采用上述方法分别对所选区域的出租车乘客的上车位置和下车位置进行了分析。在此基础上，本文又综合考虑了出租车乘客上下车的位置信息，不加区分地进行了热点分析以上三种情况的最终结果如下图 2-6 所示。
【参考文献】：
期刊论文
[1]基于车辆自动识别技术的动态OD矩阵估计新方法[J]. 孙剑,冯羽. 同济大学学报(自然科学版). 2013(09)
[2]城市道路网络交通小区划分方法研究[J]. 李晓丹,杨晓光,陈华杰. 计算机工程与应用. 2009(05)
[3]全路网改进动态O-D反推模型[J]. 焦朋朋,陆化普. 清华大学学报(自然科学版). 2006(09)
[4]城市道路网络动态OD估计模型[J]. 何兆成,余志. 交通运输工程学报. 2005(02)
[5]基于广义最小二乘模型的动态交通OD矩阵估计[J]. 林勇,蔡远利,黄永宣. 系统工程理论与实践. 2004(01)
[6]基于卡尔曼滤波的动态OD矩阵估计[J]. 林勇,蔡远利,黄永宣. 系统工程理论与实践. 2003(10)
博士论文
[1]基于交通传播特性分析的城市路网动态OD在线估计[D]. 聂庆慧.东南大学 2017
本文编号：3566691
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3566691.html
