CN102289932A - 基于车辆自动识别设备的动态od矩阵估计方法 - Google Patents

基于车辆自动识别设备的动态od矩阵估计方法 Download PDF

Info

Publication number
CN102289932A
CN102289932A CN2011101632062A CN201110163206A CN102289932A CN 102289932 A CN102289932 A CN 102289932A CN 2011101632062 A CN2011101632062 A CN 2011101632062A CN 201110163206 A CN201110163206 A CN 201110163206A CN 102289932 A CN102289932 A CN 102289932A
Authority
CN
China
Prior art keywords
path
vehicle
avi
information
matrix
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
CN2011101632062A
Other languages
English (en)
Other versions
CN102289932B (zh
Inventor
孙剑
李克平
冯羽
倪颖
唐克双
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN 201110163206 priority Critical patent/CN102289932B/zh
Publication of CN102289932A publication Critical patent/CN102289932A/zh
Application granted granted Critical
Publication of CN102289932B publication Critical patent/CN102289932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明属于交通规划与管理领域，具体涉及一种基于车辆自动识别设备的动态OD矩阵估计方法。该方法引入AVI检测的部分路径信息、动态行程时间信息以及检测器可测性判据，首先通过贝叶斯估计算法对路径缺失的车辆信息进行缺失路径范围确定和选择概率修正；然后利用蒙特卡洛随机仿真模拟任意车辆对缺失路径的选择，进而获得基于个体车辆部分路径的初始修复OD矩阵；最后运用AVI检测的流量信息校正初始修复OD矩阵，得到最终的OD矩阵估计值。通过本发明的技术可以克服传统方法中仅考虑路段流量和行程时间信息，对先验信息的依赖性高以及未考虑检测精度等方面的不足。

Description

基于车辆自动识别设备的动态OD矩阵估计方法
技术领域
本发明属于交通规划与管理领域，具体涉及一种基于车辆自动识别设备的动态OD矩阵估计方法。
背景技术
车辆出行OD矩阵是交通***规划、设计及运行管理的核心基础信息。OD信息的精度直接影响城市交通管理者，交通规划工程技术人员对于交通现状以及未来交通可能出现情况的准确判断，并因此会直接影响交通管理措施的有效性、交通规划的合理性。因此精确的OD矩阵无论对于城市交通管理人员以及城市交通规划人员的最终决策与依据是至关重要的。
车辆出行OD矩阵是描述交通网络中任意车辆从起点到达终点的一组数学矩阵，它直接反应了不同小区之间出发车辆数与到达车辆数。然而OD矩阵的获取一直以来都是交通管理与控制中的一个难点问题。传统的OD矩阵的获取方法通常是进行大规模的车辆出行抽样调查，然而这种方法存在调查技术困难、经费花费巨大、耗费时间长等缺点，并且获得的交通数据存在后期处理繁琐并且不能应用于城市交通的动态管理。因此为了避免传统OD矩阵获取方法中存在的问题，自1978年开始，Van Zuylen 和Willumsen利用布设在道路中的检测线圈获得的车辆流量数据进行OD矩阵估计方法的研究。截止目前为止，OD矩阵的估计方法主要包含了最小二乘法、状态空间法、信息论模型等类型。然而这些方法受到检测手段的制约与限制，仅仅利用了检测器中的路段车辆流量数据作为研究的主要分析数据，因此应用传统的“断面型”检测器进行OD矩阵估计受到人为假设条件过多，检测信息少，检测设备精度低等条件的严重制约。
近年来，随着车辆自动识别（Automatic Vehicle Identification，AVI）技术及设备在我国一线城市的推广与应用，交通信息采集技术已经迅速从传统的“断面型”检测技术转向“广域型”检测技术。车辆自动识别技术的核心是可检测车辆ID（车牌号）、通过时间以及车辆位置信息。基于对现有的文献资料进行研究，目前基于车辆自动识别技术进行OD矩阵估计的方法都仅仅是传统OD矩阵估计方法的一种改进。
这些传统方法存在如下的问题与挑战：
(1)对于AVI环境下的动态OD估计，目前的方法仍然是通过对经典OD估计模型进行改进，加入新的AVI检测信息来提高OD估计精度。事实上，AVI检测的路径信息对OD估计的精度至关重要。
(2)OD估计不仅与网络拓扑，路段流量相关，还与先验信息的精度有密切的关系，以往的研究通常都假设已获得可靠的先验信息来推算OD，而实际中由于OD调查间隔长，先验OD信息往往精度不高。
（3）在基于AVI检测信息的OD估计中，没有考虑AVI检测精度问题。
发明内容
本发明的目的在于针对传统动态OD矩阵估计方法的研究与技术中存在的不足，特别是针对AVI信息挖掘深度不足，先验信息依赖性过强的问题，提出了一种新的基于车辆自动识别设备的动态OD矩阵估计方法。
本方法具有以下四个特点：一、突破了传统方法中仅依赖路段流量和行程时间作为OD估计的主要信息；二、提出检测器的可测性判据，特别适用于AVI检测设施客观存在的检测精度问题；三、对于路网拓扑结构没有要求，可以适用于任何形式的开放式路网；四、解决了传统方法对先验信息的依赖，即可以在随机的先验信息下推算出较高精度的OD。
为达到以上目标，本发明提出了基于车辆自动识别设备的动态OD矩阵估计方法。首先将每个估计时段内的各个检测设备中获得的车辆牌照数据，车辆到达时刻数据，检测器编号进行提取；接着将提取获得的数据以车辆牌照数据为依据进行数据分类，根据车辆牌照数据与检测器编号转换成车辆部分路径信息，并根据车辆部分路径信息的组成方式进行数据分类；然后以先验OD信息为基础，同时根据检测器的布设位置，基于检测器可测性判据减少可选剩余路径的范围并对剩余路径的选择概率进行修正；进一步采用随机仿真的方法模拟车辆的实际路径选择的过程，以获得车辆的完整路径；并对采集获得的所有车辆的路径修复完整后获得初始的OD矩阵，最后结合AVI检测获得的路段流量进行初始OD矩阵再修正。
上述方法提到的AVI可测性（Measurability）概念定义为：基于AVI检测信息数据缺失的特点和已检测车辆的动态行程时间信息，分析判断车辆经过某一路径的可能性。根据可测性判据的结果，可大大缩小车辆剩余路径的选择范围，提高车辆剩余路径判断的可靠性进而大幅提高动态OD估计的精度。具体步骤如下：
（1）    AVI信息数据的提取与分类
     将AVI获得的信息以车辆牌照数据作为索引数据，将车辆牌照信息相同的数据进行匹配组合，并根据任一相同车辆牌照的信息量将车辆信息分为以下3大类：1、包含车辆起点，终点以及经过的所有路径节点的数据称为路径全知型车辆数据；2、至少包含车辆的经过的两个路径节点的数据称为路径半知型车辆数据；3、仅包含车辆经过的一个路径节点的数据称为路径单知型车辆数据。
（2）    先验信息的扩样
 以AVI捕获的车辆数为基础，将先验信息根据实际捕获的车辆数进行扩样处理。
（3）    过滤路径全知型车辆数据
 将路径全知型的车辆数据转换成OD矩阵信息，并将此OD矩阵信息与扩样后的先验信息进行相减（若先验信息中对应的OD对流量小于0，则赋予一个最小流量1），获得过滤后的先验OD信息。
（4）    估计时段内的路径行程时间
根据不同AVI的布设信息，将任意相邻两组AVI经过的车辆的行程时间进行统计获得其平均行程时间；另外根据不同车辆行程时间分布，基于概率论的原理，建立AVI行程时间概率分布函数，并通过此函数分析其余车辆未经过这两组AVI检测器的可能性；接着通过路段-路径行程时间关系函数，获得路径的行程时间，并将此作为判断车辆是否在估计时段内进入路网的判据。
（5）    路径半知型车辆的路径估计
 将路径半知型车辆缺失的部分路径按行车方向划分为上游缺失路径与下游缺失路径。根据不同的缺失路径，参照检测器可测性依据，通过贝叶斯估计算法，缩小任意车辆可选缺失路径搜索范围。并在过滤先验OD信息的基础上将可能路径的选择概率进行修正；最后通过蒙特卡洛随机仿真对任意车辆在其可选路径中作出路径选择，并以此进行路径修复。已获得的任意一组路径半知型车辆的路径信息，可通过路径行程时间，判断车辆进入路网的时间和离开路网的时间。
（6）    先验OD信息的二次过滤
     将修复后的路径半知型数据转换成OD矩阵信息，并将此OD矩阵信息与扩样后的先验信息进行相减（若先验信息中对应的OD对流量小于0，则赋予一个最小流量1）。接着根据剩余的路径单知型车辆数进行二次扩样，最终获得二次过滤后的先验OD信息。
    （7） 路径单知型车辆的路径估计
路径单知型车辆路径估计的方法与路径半知型车辆路径估计的方法相似，具体可参见路径半知型车辆路径估计方法，并以此得到单知型车辆信息的OD矩阵信息。
（8） 初始修复OD矩阵获得
将前面3类得到的OD矩阵信息进行累加以获得初始修复OD矩阵。
（9） 基于流量调整初始修复OD矩阵信息
将初始修复的OD矩阵信息与AVI信息截取的路段流量数据根据路段—路径流量函数关系进行动态漫步拟合。当路径流量与路段实测流量相对误差为5%时，停止漫步拟合，并以此为最终的OD矩阵信息。
本发明中，步骤(5)中所述路径半知型车辆的路径估计和步骤(7)中路径单知型车辆的路径估计，具体为：
当某一车辆有充足时间到达下一个路段检测器，但车辆的路径信息却不包含下一路段检测器时，存在下述情况中的任一种：
(1)、车辆通过下一路段，但由于检测误差而没有被记录；
(2)、车辆没有经过布设检测器的路段，直接到达无检测器布设的路段；
对车辆的可能剩余路径，依据先验信息建立初始的路径选择概率集，                                                
Figure 15878DEST_PATH_IMAGE001
，然后根据下式分析车辆能否在本时段内通过下一路段，并以此缩小对剩余路径的选择范围；
Figure 577440DEST_PATH_IMAGE002
                               （1.1）
                                                                 （1.2）
Figure 583366DEST_PATH_IMAGE004
                             （1.3）
其中
Figure 383963DEST_PATH_IMAGE005
：表示任意两个AVI之间的行程时间；
Figure 545954DEST_PATH_IMAGE006
：表示第i辆车经过任意相邻AVI检测器的时间；
      ：表示任意两个相邻AVI检测器之间的距离；
Figure 967500DEST_PATH_IMAGE008
：表示两个AVI检测器之间所在的两个节点之间的距离；
：表示行程时间计算中的随机误差。
Figure 955496DEST_PATH_IMAGE010
：表示h时段内，通过两个AVI检测器的第i个行程时间区间的选择概率；
Figure 12445DEST_PATH_IMAGE011
：表示h时段内，通过两个AVI检测器的第i个行程时间区间的车辆数；
Figure 343063DEST_PATH_IMAGE012
：表示h时段内，通过两个AVI检测器的车辆总数；
：表示h时段内，编号为j的车辆通过两个AVI检测器的行程时间；
Figure 556799DEST_PATH_IMAGE014
：表示h时段内，根据两个AVI检测器检测车辆平均行程时间；
S ：表示随机概率数值；
n ：表示时间区间长度，即单位时间长度；
Figure 530572DEST_PATH_IMAGE015
：表示计算的随机误差；
对于可以选择的剩余路径，依据下式重新修订剩余路径的选择概率，获得新的路径选择概率集；
Figure 32091DEST_PATH_IMAGE016
    （2.1）
Figure 91314DEST_PATH_IMAGE017
    （2.2）
Figure 333552DEST_PATH_IMAGE018
：表示下游行驶方向中第n组缺失路径的先验信息；
  
Figure 365093DEST_PATH_IMAGE019
：表示上游行驶方向中第n组缺失路径的先验信息；
Figure 99831DEST_PATH_IMAGE020
：表示第n组缺失路径下游行驶方向中符合可测条件的AVI检测器共有j组；
Figure 584033DEST_PATH_IMAGE021
：表示第n组缺失路径上游行驶方向中符合可测条件的AVI检测器共有k组；
Figure 429629DEST_PATH_IMAGE022
：表示在车辆i最后一次被检测到的时刻；
Figure 336185DEST_PATH_IMAGE023
：表示在车辆i第一次被检测到的时刻；
   
Figure 241824DEST_PATH_IMAGE024
：表示估计时段的开始时刻；
  ：表示估计时段的长度。
与现有技术相比，本发明突破了传统意义上以路段流量作为动态OD估计主要信息依据的缺陷，通过以车辆的微观路径修复作为动态OD估计的主要手段，以路段流量信息为辅助修正手段，使得AVI信息得到充分利用。该方法同时能非常好的适应任何开放性路网，而且能在较低AVI覆盖率条件下改良精度较低的OD先验信息。这对于国内OD调查信息不足、精度不高的实际具有相当重要的现实意义，在我国交通管理与控制实际中有非常广阔的应用空间。
附图说明
图1为本发明提出的动态OD矩阵估计方法流程图。
图2为本发明提出的基于可测性判据的开放性路网的路径修复示意图。
图3 为本发明实施例1采用的路网图。
图4为本发明实施例1中在较低精度覆盖率与先验信息前提下的OD矩阵估计结果示意图。
图5 为本发明实施例1中对精度较低的初始OD的改良效果示意图。
具体实施方式
下面结合附图3对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：本估计方法用于图3所示的某地速路***，该快速路***共有17个出入口以及9个断面的AVI设备，其中被AVI设施实际覆盖可检测的OD对的个数为216组，占全体OD对个数的74.74%。需要的设备输入：在道路断面或匝道出入口布设AVI视频检测器。所要求获得输入信息：识别后的车辆牌照信息，车辆到达时刻，AVI检测器编号。
在获取上述输入信息后，以某路径半知型车辆数据的路径修复为例，按照图2修复任意车辆的行驶路径，步骤如下：
（1）      当已知车辆牌照为A的车辆分别通过编号为AVI1和AVI4的时候，分别可以获取车辆A在这两组检测器的到达时间T1和T4。并根据路网的拓扑结构，分析车辆A的可选剩余路径并以不同路径的先验信息对其进行标定。
（2）    通过路径行程时间函数计算车辆A到达AVI3的行程时间。
Figure 868742DEST_PATH_IMAGE027
                               （1）
Figure 880036DEST_PATH_IMAGE028
                                                                 （2）
Figure 135568DEST_PATH_IMAGE029
                             （3）
其中
Figure 526229DEST_PATH_IMAGE030
：表示任意两个AVI之间的行程时间；
Figure 449186DEST_PATH_IMAGE031
：表示第i辆车经过任意相邻AVI检测器的时间；
      
Figure 634311DEST_PATH_IMAGE032
：表示任意两个相邻AVI检测器之间的距离；
Figure 374209DEST_PATH_IMAGE033
：表示两个AVI检测器之间所在的两个节点之间的距离；
Figure 302982DEST_PATH_IMAGE009
：表示行程时间计算中的随机误差；
Figure 80445DEST_PATH_IMAGE010
：表示h时段内，通过两个AVI检测器的第i个行程时间区间的选择概率；
Figure 436471DEST_PATH_IMAGE011
：表示h时段内，通过两个AVI检测器的第i个行程时间区间的车辆数；
Figure 932175DEST_PATH_IMAGE012
：表示h时段内，通过两个AVI检测器的车辆总数；
：表示h时段内，编号为j的车辆通过两个AVI检测器的行程时间；
：表示h时段内，根据两个AVI检测器检测车辆平均行程时间；
S ：表示随机概率数值；
n ：表示时间区间长度，即单位时间长度；
Figure 820606DEST_PATH_IMAGE015
：表示计算的随机误差。
（3）    根据检测器可测性判据，当车辆A有充足时间到达下一个路段检测器AVI3，但车辆A的路径信息却不包含检测器AVI3时，存在两种情景：
      情景1：车辆A通过AVI5，但由于检测误差而没有被记录。
      情景2：车辆没有经过布设AVI5的路段，并基于走行时间最短到达D6。
Figure 538026DEST_PATH_IMAGE034
      （4）
Figure 808602DEST_PATH_IMAGE017
      （5）
Figure 560657DEST_PATH_IMAGE018
：表示下游行驶方向中第n组缺失路径的先验信息；
  
Figure 255556DEST_PATH_IMAGE019
：表示上游行驶方向中第n组缺失路径的先验信息；
Figure 397955DEST_PATH_IMAGE020
：表示第n组缺失路径下游行驶方向中符合可测条件的AVI检测器共有j组；
Figure 472222DEST_PATH_IMAGE021
：表示第n组缺失路径上游行驶方向中符合可测条件的AVI检测器共有k组；
  
Figure 78784DEST_PATH_IMAGE022
：表示在车辆i最后一次被检测到的时刻；
Figure 944584DEST_PATH_IMAGE023
：表示在车辆i第一次被检测到的时刻；
   
Figure 636597DEST_PATH_IMAGE024
：表示估计时段的开始时刻；
  
Figure 514554DEST_PATH_IMAGE025
：表示估计时段的长度。
 [0036] 因此可以修正这些可选剩余路径的概率 。
(4)  将修正后的路径选择概率通过蒙特卡罗随机仿真的方法最大逼近实际的车辆路径选择的过程，来获得车辆的完整路径。
 [0038] （5）    其余路径不完整的车辆数据都可以通过上述的方法进行路径的修复并转换成初始修复的OD矩阵，并通过路段-路径流量函数关系修复初始矩阵。
Figure 15253DEST_PATH_IMAGE036
    （6）
其中
Figure 129315DEST_PATH_IMAGE037
：表示在h时段第n条缺失路径修正后的路径选择概率；
    
Figure 607701DEST_PATH_IMAGE038
：表示在h时段第n条缺失路径的先验选择概率；
   
Figure 860959DEST_PATH_IMAGE039
：表示路径选择概率的随机误差；
  其余字母意义与上式相同。
其中图4表示的在较低覆盖率条件下，估计OD与实际OD的相对误差，图5表示的是对先验OD信息的改良效果的示意图。即使当AVI覆盖率为60%，先验OD精度为40%时，其相对误差也仅为21.8%。     

Claims (2)

1.一种基于AVI检测设备的动态OD矩阵估计算法，其特征在于具体步骤如下：
 (1) AVI信息数据的提取与分类
     将AVI获得的信息以车辆牌照数据作为主要索引数据，将车辆牌照信息相同的数据进行匹配组合，并根据任一相同车辆牌照的信息量将车辆信息分为以下3大类：
①、包含车辆起点，终点以及经过的所有路径节点的数据称为路径全知型车辆数据；
②、至少包含车辆的经过的两个路径节点的数据称为路径半知型车辆数据；
③、仅包含车辆经过的一个路径节点的数据称为路径单知型车辆数据；
(2)先验信息的扩样
 以AVI捕获的车辆数为基础，将先验信息根据实际捕获的车辆数进行扩样处理；
(3)过滤路径全知型车辆数据
 将路径全知型车辆数据转换成OD矩阵信息，并将此OD矩阵信息与扩样后的先验信息进行相减，若先验信息中对应的OD对流量小于0，则赋予一个最小流量1，进而获得过滤后的先验OD信息；
(4)估计时段内的路径行程时间
根据不同AVI的布设信息，将任意相邻两组AVI经过的车辆的行程时间进行统计获得其平均行程时间；根据不同车辆行程时间分布，基于概率论模型，建立AVI行程时间概率分布函数，并通过此函数分析其余车辆未经过这两组AVI检测器的可能性；接着通过路段-路径行程时间关系函数，获得路径的行程时间，并将此作为一个判断车辆是否在估计时段内进入路网的判据；
(5)路径半知型车辆的路径估计
 将路径半知型车辆缺失的部分路径按行车方向划分为上游缺失路径与下游缺失路径；根据不同的缺失路径，参照检测器可测性依据，通过贝叶斯估计算法，对任意车辆的可选缺失路径迅速缩小搜索范围，并在过滤先验OD信息的基础将可能路径的选择概率进行修正；最后通过蒙特卡洛随机仿真对任意车辆在其可选路径中作出路径选择，并以此进行路径修复；已获得的任意一组路径半知型车辆的路径信息，通过路径行程时间，判断车辆进入路网的时间和离开路网的时间；
(6)先验OD信息的二次过滤
     将修复后的路径半知型数据转换成OD矩阵信息，并将此OD矩阵信息与扩样后的先验信息进行相减，若先验信息中对应的OD对流量小于0，则赋予一个最小流量1，同时根据剩余的单知型车辆数进行二次扩样，最终获得二次过滤后的OD信息；
    （7） 路径单知型车辆的路径估计
路径单知型车辆路径估计的方法与路径半知型车辆的路径估计的方法相似，根据步骤(5)的路径半知型车辆路径估计方法，并以此得到单知型车辆信息的OD矩阵信息；
（8） 初始修复OD矩阵获得
将前面3类得到的OD矩阵信息进行累加以获得初始修复OD矩阵；
（9） 基于流量调整初始修复OD矩阵信息
将初始修复的OD矩阵信息与AVI检测的路段流量信息根据路段—路径流量函数关系进行动态漫步拟合；当路径流量与路段实测流量相对误差为5%时，停止漫步拟合，并以此为最终的OD矩阵信息。
2.根据权利要求1所述的基于AVI检测设备的动态OD矩阵估计方法，其特征在于步骤(5)中所述路径半知型车辆的路径估计和步骤(7)中路径单知型车辆的路径估计，具体为：
当某一车辆有充足时间到达下一个路段检测器，但车辆的路径信息却不包含下一路段检测器时，存在下述情况中的任一种：
(1)、车辆通过下一路段，但由于检测误差而没有被记录；
(2)、车辆没有经过布设检测器的路段，直接到达无检测器布设的路段；
对车辆的可能剩余路径，依据先验信息建立初始的路径选择概率集，                                                
Figure 494257DEST_PATH_IMAGE001
，然后根据下式分析车辆能否在本时段内通过下一路段，并以此缩小对剩余路径的选择范围；
Figure 656248DEST_PATH_IMAGE002
                               （1.1）
Figure 858690DEST_PATH_IMAGE003
                                                                 （1.2）
Figure 812215DEST_PATH_IMAGE004
                             （1.3）
其中：表示任意两个AVI之间的行程时间；
Figure 65790DEST_PATH_IMAGE006
：表示第i辆车经过任意相邻AVI检测器的时间；
       
Figure 122739DEST_PATH_IMAGE007
：表示任意两个相邻AVI检测器之间的距离；
Figure 515674DEST_PATH_IMAGE008
：表示两个AVI检测器之间所在的两个节点之间的距离；
Figure 2011101632062100001DEST_PATH_IMAGE009
：表示行程时间计算中的随机误差；
：表示h时段内，通过两个AVI检测器的第i个行程时间区间的选择概率；
Figure 424952DEST_PATH_IMAGE011
：表示h时段内，通过两个AVI检测器的第i个行程时间区间的车辆数；
Figure 539670DEST_PATH_IMAGE012
：表示h时段内，通过两个AVI检测器的车辆总数；
Figure 38260DEST_PATH_IMAGE013
：表示h时段内，编号为j的车辆通过两个AVI检测器的行程时间；
Figure 35166DEST_PATH_IMAGE014
：表示h时段内，根据两个AVI检测器检测车辆平均行程时间；
S ：表示随机概率数值；
n ：表示时间区间长度，即单位时间长度；
Figure 280333DEST_PATH_IMAGE015
：表示计算的随机误差；
对于可以选择的剩余路径，依据下式重新修订剩余路径的选择概率，获得新的路径选择概率集；
Figure 374191DEST_PATH_IMAGE016
    （2.1）
Figure 46612DEST_PATH_IMAGE017
    （2.2）
：表示下游行驶方向中第n组缺失路径的先验信息；
   
Figure 311164DEST_PATH_IMAGE019
：表示上游行驶方向中第n组缺失路径的先验信息；
Figure 134895DEST_PATH_IMAGE020
：表示第n组缺失路径下游行驶方向中符合可测条件的AVI检测器共有j组；
Figure 975287DEST_PATH_IMAGE021
：表示第n组缺失路径上游行驶方向中符合可测条件的AVI检测器共有k组；
   
Figure 946785DEST_PATH_IMAGE022
：表示在车辆i最后一次被检测到的时刻；
Figure 533756DEST_PATH_IMAGE023
：表示在车辆i第一次被检测到的时刻；
    
Figure 274310DEST_PATH_IMAGE024
：表示估计时段的开始时刻；
   ：表示估计时段的长度。
CN 201110163206 2011-06-17 2011-06-17 基于车辆自动识别设备的动态od矩阵估计方法 Active CN102289932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110163206 CN102289932B (zh) 2011-06-17 2011-06-17 基于车辆自动识别设备的动态od矩阵估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110163206 CN102289932B (zh) 2011-06-17 2011-06-17 基于车辆自动识别设备的动态od矩阵估计方法

Publications (2)

Publication Number Publication Date
CN102289932A true CN102289932A (zh) 2011-12-21
CN102289932B CN102289932B (zh) 2013-10-23

Family

ID=45336311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110163206 Active CN102289932B (zh) 2011-06-17 2011-06-17 基于车辆自动识别设备的动态od矩阵估计方法

Country Status (1)

Country Link
CN (1) CN102289932B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440764A (zh) * 2013-08-19 2013-12-11 同济大学 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法
CN103646187A (zh) * 2013-12-27 2014-03-19 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
CN103903437A (zh) * 2014-02-27 2014-07-02 中国科学院自动化研究所 基于视频交通检测数据的机动车出行od矩阵获取方法
CN104915731A (zh) * 2015-06-11 2015-09-16 同济大学 一种基于车辆自动识别数据的车辆出行路径重构宏微观整合新方法
CN105631945A (zh) * 2014-10-30 2016-06-01 国际商业机器公司 用于识别起点/终点配对的方法和装置
CN105679037A (zh) * 2016-03-29 2016-06-15 重庆云途交通科技有限公司 一种基于用户出行习惯的动态路径规划方法
CN109035784A (zh) * 2018-09-17 2018-12-18 江苏智通交通科技有限公司 基于多源异构数据的动态车流od估计方法
CN109461307A (zh) * 2018-11-16 2019-03-12 中电科新型智慧城市研究院有限公司 一种预估路段平均车辆流量和od需求的方法
CN110245423A (zh) * 2019-06-14 2019-09-17 重庆大学 一种高速公路收费站间流量关系分析方法
CN110491157A (zh) * 2019-07-23 2019-11-22 中山大学 一种基于停车场数据和卡口数据的车辆关联方法
CN110910647A (zh) * 2019-12-17 2020-03-24 江苏智城慧宁交通科技有限公司 基于电子警察的交通出行od矩阵估计***
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0902404A2 (de) * 1997-09-11 1999-03-17 Siemens Aktiengesellschaft Verfahren zur Ermittlung von Verkehrsinformationen
CN101739824A (zh) * 2009-11-12 2010-06-16 上海第二工业大学 基于数据融合技术的交通状况估计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0902404A2 (de) * 1997-09-11 1999-03-17 Siemens Aktiengesellschaft Verfahren zur Ermittlung von Verkehrsinformationen
CN101739824A (zh) * 2009-11-12 2010-06-16 上海第二工业大学 基于数据融合技术的交通状况估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙剑等: "OD矩阵估计中的AVI设施布局优化", 《公路交通科技》 *
孙剑等: "基于视频牌照识别的动态交通OD估计仿真优化", 《公路交通科技》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440764B (zh) * 2013-08-19 2015-10-28 同济大学 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法
CN103440764A (zh) * 2013-08-19 2013-12-11 同济大学 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法
CN103646187A (zh) * 2013-12-27 2014-03-19 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
CN103646187B (zh) * 2013-12-27 2017-02-08 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
CN103903437A (zh) * 2014-02-27 2014-07-02 中国科学院自动化研究所 基于视频交通检测数据的机动车出行od矩阵获取方法
US10346235B2 (en) 2014-10-30 2019-07-09 International Business Machines Corporation Identifying origin and destination pairs
CN105631945A (zh) * 2014-10-30 2016-06-01 国际商业机器公司 用于识别起点/终点配对的方法和装置
CN105631945B (zh) * 2014-10-30 2018-11-23 国际商业机器公司 用于识别起点/终点配对的方法和装置
CN104915731A (zh) * 2015-06-11 2015-09-16 同济大学 一种基于车辆自动识别数据的车辆出行路径重构宏微观整合新方法
CN104915731B (zh) * 2015-06-11 2018-04-27 同济大学 一种基于车辆自动识别数据的车辆出行路径重构宏微观整合方法
CN105679037A (zh) * 2016-03-29 2016-06-15 重庆云途交通科技有限公司 一种基于用户出行习惯的动态路径规划方法
CN105679037B (zh) * 2016-03-29 2019-03-08 招商局重庆交通科研设计院有限公司 一种基于用户出行习惯的动态路径规划方法
CN109035784A (zh) * 2018-09-17 2018-12-18 江苏智通交通科技有限公司 基于多源异构数据的动态车流od估计方法
CN109035784B (zh) * 2018-09-17 2021-01-26 江苏智通交通科技有限公司 基于多源异构数据的动态车流od估计方法
CN109461307A (zh) * 2018-11-16 2019-03-12 中电科新型智慧城市研究院有限公司 一种预估路段平均车辆流量和od需求的方法
CN109461307B (zh) * 2018-11-16 2021-09-24 中电科新型智慧城市研究院有限公司 一种预估路段平均车辆流量和od需求的方法
CN110245423A (zh) * 2019-06-14 2019-09-17 重庆大学 一种高速公路收费站间流量关系分析方法
CN110245423B (zh) * 2019-06-14 2023-01-31 重庆大学 一种高速公路收费站间流量关系分析方法
CN110491157A (zh) * 2019-07-23 2019-11-22 中山大学 一种基于停车场数据和卡口数据的车辆关联方法
CN110491157B (zh) * 2019-07-23 2022-01-25 中山大学 一种基于停车场数据和卡口数据的车辆关联方法
CN110910647A (zh) * 2019-12-17 2020-03-24 江苏智城慧宁交通科技有限公司 基于电子警察的交通出行od矩阵估计***
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
CN110956808B (zh) * 2019-12-23 2020-11-24 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

Also Published As

Publication number Publication date
CN102289932B (zh) 2013-10-23

Similar Documents

Publication Publication Date Title
CN102289932B (zh) 基于车辆自动识别设备的动态od矩阵估计方法
CN103646187B (zh) 一种统计周期内车辆出行路线及od矩阵获取方法
US9240124B2 (en) Traffic-volume prediction device and method
CN104574967B (zh) 一种基于北斗的城市大面积路网交通感知方法
CN103440764B (zh) 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法
CN104484994B (zh) 基于阵列雷达的城市路网交通运行指数评价方法
CN104484996B (zh) 一种基于多源数据的路段交通状态判别方法
CN102663890B (zh) 利用浮动车数据确定禁左交限路口的方法
CN105489008A (zh) 基于浮动车卫星定位数据的城市道路拥堵计算方法及***
CN101944288A (zh) 城市公交线路停靠站设置方法
CN103093625B (zh) 一种基于可信度验证的城市道路交通状态实时估计方法
CN104021674A (zh) 一种快速准确预测车辆通过路段旅行时间的方法
CN106327864A (zh) 一种基于高速公路联网收费数据的交通流估计方法
CN104794895A (zh) 一种面向高速公路的多源交通信息融合方法
CN106097717A (zh) 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法
CN104900057A (zh) 一种城市快速路主辅道的浮动车地图匹配方法
CN104750963A (zh) 交叉口延误时长估计方法及装置
CN102592440A (zh) 道路网关键节点诊断技术
CN113935158A (zh) 一种针对高速公路事故多发点的交通检测器优化布设方法
Zhu et al. Simulated analysis of exclusive bus lanes on expressways: case study in Beijing, China
Sun et al. A novel OD estimation method based on automatic vehicle identification data
CN102156909A (zh) 一种基于手机信号数据的轨道交通出行方式识别方法
CN106651061A (zh) 一种基于dsrc数据与点检测器数据的实时融合方法
CN102184636A (zh) 基于浮动车技术的道路拓宽识别方法
CN105427394A (zh) 基于试错法和机动车流量的拥堵收费最优费率确定方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant