CN104915731B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN104915731B CN104915731B CN201510318819.7A CN201510318819A CN104915731B CN 104915731 B CN104915731 B CN 104915731B CN 201510318819 A CN201510318819 A CN 201510318819A CN 104915731 B CN104915731 B CN 104915731B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- path
- msubsup
- mtd
- 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.)
- Active
Links
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数据（Automatic Vehicle Identification，AVI）的车辆出行路径重构宏微观整合新方法。该方法仅利用车辆自动识别数据构筑了一个宏观、微观混合的重构框架：在微观层面基于个体路径选择原理整合粒子滤波理论重构车辆路径，并为宏观层面的路径流量估计器增加重构路径流量和路径集约束；宏观层面基于随机用户均衡原理整合路径流量估计器实现路径流量估计，并更新粒子滤波的行程时间一致性和路径引力观测方程。该方法可在仅有AVI数据且AVI覆盖率较低的条件下获得高精度的车辆完整出行路径，以及路径流量和路段流量。
Description
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数据的车辆出行路径重构宏微观整合方法。
背景技术
近年来，交通***信息采集已呈现从以感应线圈为代表的“断面型”检测、以浮动车为代表的“移动型”检测快速向以视频车牌自动识别为代表的“广域”车辆自动识别(Automatic Vehicle Identification，AVI)检测转变的趋势。AVI技术包括视频牌照自动识别技术、射频识别技术和不停车电子收费技术等。AVI***可以采集车辆ID、车辆通过时间以及车辆位置等信息。AVI技术特别是视频牌照自动识别技术在我国得到了迅猛的发展，北京、上海等城市已大规模推广实施。目前，AVI数据已被应用于OD(Origin-Destination)矩阵估计、路径流量估计、行程时间估计、交通运行风险估计以及路径重构等领域。然而，目前还没有利用纯AVI数据进行路径重构的应用。
中国专利公开号CN103440764A的发明，公开了一种基于车辆自动识别数据的车辆出行路径重构方法，该方法输入信息以AVI检测数据为主，但需结合传统流量检测设施所采集的数据。另外，该方法仅从微观个体车辆出行层面重构车辆出行路径，并未从宏观网络均衡的角度分析车辆出行路径，更没有实现宏观和微观路径信息的整合，因而AVI检测的车辆出行的有效信息并未充分利用。
车辆出行路径重构对研究交通拥堵成因，城市OD结构，驾驶员路径选择行为等理论研究具有重要价值。此外，车辆出行路径还将在城市动态交通管理、精细化交通分析、重大政策评估及管理(公车管理、车辆单双号限行、拥挤收费等)以及公共安全管理(车辆跟踪、VIP安全保卫等)等领域发挥巨大作用。
发明内容
本发明的目的在于针对基于纯AVI数据的路径重构问题，提出了一种基于车辆自动识别数据的车辆出行路径重构宏微观方法。
本方法具有以下两个特点：一、宏微观混合重构框架结合了基于微观层面粒子滤波的个体车辆路径选择和基于宏观层面路径流量估计器的随机用户均衡原理；二、在只有AVI数据且AVI覆盖率有限的条件下，能实现较大规模路网车辆完整出行路径的高精度获取。
为达到以上目标，本发明提出的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。本发明考虑只有AVI数据、AVI覆盖率有限且存在误差的情况，利用宏微观混合重构框架进行车辆出行路径重构，同时能够产生路径流量、路段流量和OD矩阵数据。基于粒子滤波和路径流量估计器的宏微观混合重构框架如下：
混合框架由两个组件组成：微观粒子滤波组件基于AVI部分路径数据和四个观测方程(路径一致性方程、AVI可测性方程、行程时间一致性方程和路径引力方程)重构车辆路径，宏观路径流量估计器组件基于AVI部分路段流量数据估计路径及路段流量。混合框架同时结合了两个组件的估计能力并使其存在交互。一方面，路径流量估计器组件初始化粒子滤波观测方程，并更新观测方程来减少粒子滤波组件的估计误差；另一方面，粒子滤波组件观测路径流量估计器的估计结果，产生重构路径流量和路径集约束路径流量估计器因而减少其估计误差。通过相互交互更新，基于粒子滤波的个体路径选择估计结果与基于多项逻辑特的路径流量估计器估计结果能趋于一致。并且通过两个组件的交互，混合框架克服了检测器误差和路径选择分布假设，因而能产生更加精确现实的估计结果。
该方法包含两个算法步骤：(1)针对每一辆车，利用粒子滤波基于四个观测方程为可能路径粒子分配权重；(2)针对每次路径流量估计器及粒子滤波组件更新，利用路径流量估计器决定最优路径流量、路段流量和路段行程时间。
本发明提出的基于车辆自动识别数据的车辆出行路径重构宏微观方法，包含五大步骤：(1)路径流量估计器初始化，(2)粒子滤波组件初始化，(3)利用粒子滤波组件进行路径重构，(4)利用路径流量估计器更新估计结果，(5)更新粒子滤波组件观测方程；具体步骤如下：
(1)路径流量估计器初始化
(1.1)根据获得的AVI数据，得到AVI部分路段流量v,路段通行能力C和路段自由流行程时间令AVI布设路段对偶变量非AVI布设路段对偶变量da＝0，路径对偶变量
(1.2)初始路径集生成，令最外层迭代计数器n＝n+1，使用AVI路段对偶变量非AVI路段对偶变量da和路径对偶变量更新路段成本以路段成本为权值，计算所有OD对之间权值最小的路径，更新路径流量估计器工作路径集Krs；
(1.3)定义交通网络(N,A)，其中N是节点集合，A是路段集合，根据已知部分路段观测流量va，重构路径集及路径流量；控制路径流量估计器在满足路段流量限制、路段通行能力及重构路径流量限制的条件下，寻求满足随机用户均衡原理的可行路径流量解，方程如下：
最小化:
其中：M和U分别表示观测路段集合和非观测路段集合；RS和Krs分别表示OD对集合和OD对rs的路径集；θ表示离散参数；εa表示路段a观测流量的允许观测误差；xa表示路段a的估计流量；Ca,ta(·)分别表示路段a的通行能力和行程时间；表示路径路段因子：如果路段a属于OD对rs路径k，则其等于1，反之等于0。εe表示路径重构允许的重构误差；分别表示OD对rs路径k的流量，粒子滤波重构n辆车后OD对rs路径k的流量；PN表示粒子滤波重构n辆车后重构OD对集合；
(1.4)路径流量估计器收敛性测试；如果两次迭代计算得到路径流量可行解最大差值小于某一阈值，进行步骤(2)；否则返回步骤(1.2)；
(2)粒子滤波组件初始化
从步骤(1)中读入路径流量估计器路段行程时间ta，基于估计器路段行程时间和路网拓扑，使用深度优先遍历算法针对所有OD对产生粒子滤波可能路径集Kpossible进行估计，根据估计结果(例如估计路段流量x和路段行程时间ta)，产生粒子滤波的行程时间一致性观测方程和路径引力观测方程。行程时间一致性观测方程如下：
其中：是第i条路径第m个连续AVI基于行程时间一致性模型的更新概率；是可能路径i两个连续AVI之间的平均行程时间；ttrue(AVIm1,AVIm2)是两个连续AVI之间的实际行程时间；是第i条路径基于行程时间一致性模型的最终更新概率；a,b是行程时间系数；Nm是路径上两个连续AVI的数目；
路径引力观测方程如下：
其中：是第i条路径基于路径引力模型的更新概率，Fij是可能路径i中的路段j的估计流量,n是可能路径i的路段数，Nk是车辆k的可能路径数；
(3)利用粒子滤波组件进行路径重构
(3.1)初始化粒子集。选择第A辆车，令所有可能路径x1,x2,...,xI为初始粒子集，p(x1),p(x2),...,p(xI)表示初始粒子先验概率。如果没有历史数据，则令初始粒子先验概率为1/I。
(3.2)重要性采样
对于AVI部分路径数据，根据节点一致性观测方程分配粒子权重并归一化。节点一致性观测方程如下：
其中：id：表示部分路径的车辆编号；path：表示完整路径的编号；Nid(n)表示部分路径的拓扑结构中节点集合；Npath(n)表示完整路径的拓扑结构中节点集合。
对于PFE估计的路段行程时间数据和AVI个体车辆行程时间数据，根据行程时间一致性观测方程分配粒子权重并归一化；
对于AVI部分路径数据和观测起终时刻，根据AVI可测性观测方程分配粒子权重并归一化。AVI可测性观测方程是根据检测器检测误差造成的事实进行逆向推理，减少检测器误差对车辆出行路径重构的影响。检测器未检测到目标车辆具体可以分为两种情况。第一种情况是车辆路过检测器所在的路段，但由于检测误差的原因未能检测到车辆；第二种情况是车辆选择了未安装检测器所在的路段，因而检测器未能检测到车辆。
对于PFE估计的路段流量数据，根据路径引力观测方程分配粒子权重并归一化；
(3.3)输出路径最优估计，选择最大后验概率路径为最优估计。
(3.4)粒子滤波收敛性测试。通过车辆出行路径集计算构造路径流量矩阵如果l＝Lmax(重构车辆总数目)，则停止迭代输出路径流量和车辆完整路径。
(3.5)组件更新测试。如果l＝Lcycle(更新周期)同时某一粒子滤波估计路径流量比路径流量估计器估计路径流量大，那么更新粒子滤波重构路径流量，进入步骤(4)；否则，返回步骤(3.1)。
(4)路径流量估计器更新估计结果
(4.1)路径集生成。使用AVI路段对偶变量非AVI路段对偶变量da和路径对偶变量更新路段成本以路段成本为权值，计算所有OD对之间权值最小的路径，更新路径流量估计器工作路径集Krs。将新产生的重构路径集加入工作路径集
(4.2)在满足路段流量限制、路段通行能力限制和路径重构流量限制的条件下进行路段流量估计。使用迭代平衡框架、线性搜索和可行解更新算法。
(4.3)路径流量估计器收敛性测试。如果两次迭代计算得到路径流量可行解最大差值小于某一阈值，进行步骤(5)；否则返回步骤(4.1)。
(5)粒子滤波观测方程更新。根据估计结果(例如路段估计流量x和行程时间ta)，更新粒子滤波行程时间一致性观测方程和路径引力观测方程，返回步骤(3)。
本发明针对纯AVI数据且AVI覆盖率低的路径重构问题，在无历史信息的条件下，利用检测到的AVI信息，利用粒子滤波与路径流量估计器混合框架及算法获取真实的车辆完整出行路径，进一步可推出车辆出行OD矩阵、路径流量和路段流量等附加信息。该方法能适应较大规模路网，能在只有AVI数据且AVI覆盖率较低的条件下获得高精度的车辆完整出行路径。
附图说明
图1为本发明提出的宏微观整合路径重构框架。
图2为本发明提出的基于车辆自动识别数据的路径重构流程图。
图3为本发明实施例1采用的较大规模路网图。
图4为本发明实施例1在不同AVI覆盖率条件下路径流量估计结果。
图5为本发明实施例1在不同AVI覆盖率条件下路段流量估计结果。
图6为本发明实施例1在不同AVI覆盖率条件下车辆出行路径重构准确度。
具体实施方式
下面结合附图2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：本路径重构方法用于图2所示的某较大规模路网。该路网中包含127个节点，151条路段，并设置交通小区42个。在道路断面布设车辆牌照视频检测器。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，以车辆A的完整出行路径重构为例，已知车辆A的部分路径，步骤如下：
(1)路径流量估计器初始化
(1.1)路径集生成。使用AVI路段对偶变量非AVI路段对偶变量da和路径对偶变量更新路段成本决定所有OD对的最短路，更新路径流量估计器工作路径集Krs。
(1.2)路径流量估计器在满足路段流量限制、路段通行能力及重构路径流量限制的条件下，寻求满足随机用户均衡原理的可行路径流量解。使用迭代平衡框架、线性搜索和可行解更新算法。
(1.3)路径流量估计器收敛性测试。如果两次迭代计算得到路径流量可行解最大差值小于某一阈值，进行步骤(2)；否则返回步骤(1.2)。
(2)粒子滤波初始化
(2.1)可能路径集生成。基于估计行程时间和路网拓扑，使用深度优先遍历算法针对所有OD对产生粒子滤波可能路径集Kpossible。
(2.2)观测方程生成。根据估计结果(例如估计路段流量x和路段行程时间ta)，产生粒子滤波的行程时间一致性观测方程和路径引力观测方程。
(3)使用粒子滤波进行路径重构
(3.1)初始化粒子集。选择第A辆车，令所有可能路径x1,x2,...,xI为初始粒子集，p(x1),p(x2),...,p(xI)表示初始粒子先验概率。如果没有历史数据，则令初始粒子先验概率为1/I。
(3.2)重要性采样。输入AVI部分路径数据，根据节点一致性观测方程分配粒子权重并归一化。输入PFE估计的路段行程时间数据和AVI个体车辆行程时间数据，根据行程时间一致性观测方程分配粒子权重并归一化。输入AVI部分路径数据和观测起终时刻，根据AVI可测性观测方程分配粒子权重并归一化。输入PFE估计的路段流量数据，根据路径引力观测方程分配粒子权重并归一化。
(3.3)输出路径最优估计。选择最大后验概率路径为最优估计。
(3.4)粒子滤波收敛性测试。通过车辆出行路径集计构造路径流量矩阵如果l＝Lmax(重构车辆总数目)，则停止迭代输出路径流量和车辆完整路径。
(3.5)组件更新测试。如果l＝Lcycle(更新周期)同时某一粒子滤波估计路径流量比路径流量估计器估计路径流量大，那么更新粒子滤波重构路径流量，进入步骤(4)；否则，返回步骤(3.1)。
(4)路径流量估计器更新估计结果
(4.1)路径集生成。使用AVI路段对偶变量非AVI路段对偶变量da和路径对偶变量更新路段成本决定所有OD对的最短路，更新路径流量估计器工作路径集Krs。将新产生的重构路径集加入工作路径集
(4.2)在满足路段流量限制、路段通行能力限制和路径重构流量限制的条件下进行路段流量估计。使用迭代平衡框架、线性搜索和可行解更新算法。
(4.3)路径流量估计器收敛性测试。如果两次迭代计算得到路径流量可行解最大差值小于某一阈值，进行步骤(5)；否则返回步骤(4.1)。
(5)粒子滤波观测方程更新。根据估计结果(例如路段估计流量x和行程时间ta)，更新粒子滤波行程时间一致性观测方程和路径引力观测方程，返回步骤(3)。
其中图4表示的是不同AVI覆盖率条件下路径流量估计结果，图5表示的是不同AVI覆盖率条件下路段流量估计结果，图6表示的是不同AVI覆盖率条件下车辆出行路径重构准确度。针对实施例1路网，在30％-80％的AVI覆盖率条件下，路径流量估计和路段流量估计结果良好。在30％-80％的AVI覆盖率条件下，车辆出行路径重构准确度从68％升至99％。
Claims (1)
1.一种提出的基于车辆自动识别数据的车辆出行路径重构宏微观方法，其特征在于包含五大步骤：(1)路径流量估计器初始化，(2)粒子滤波组件初始化，(3)利用粒子滤波组件进行路径重构，(4)利用路径流量估计器更新估计结果，(5)更新粒子滤波组件观测方程；具体步骤如下：
(1)路径流量估计器初始化
(1.1)根据获得的AVI数据，得到AVI部分路段流量v,路段通行能力C和路段自由流行程时间令AVI布设路段对偶变量非AVI布设路段对偶变量da＝0，路径对偶变量
(1.2)初始路径集生成，令最外层迭代计数器n＝n+1，使用AVI路段对偶变量非AVI路段对偶变量da和路径对偶变量更新路段成本以路段成本为权值，计算所有OD对之间权值最小的路径，更新路径流量估计器工作路径集Krs；
<mrow>
<msubsup>
<mover>
<mi>t</mi>
<mo>~</mo>
</mover>
<mi>a</mi>
<mi>n</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>t</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>a</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>a</mi>
<mo>-</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>a</mi>
<mo>+</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>-</mo>
<msubsup>
<mi>d</mi>
<mi>a</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
(1.3)定义交通网络(N,A)，其中N是节点集合，A是路段集合，根据已知部分路段观测流量va，重构路径集及路径流量；控制路径流量估计器在满足路段流量限制、路段通行能力及重构路径流量限制的条件下，寻求满足随机用户均衡原理的可行路径流量解，方程如下：
最小化:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>a</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>k</mi>
<mi>a</mi>
</mrow>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>a</mi>
<mo>&Element;</mo>
<mi>A</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&epsiv;</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
<mo>&CenterDot;</mo>
<msub>
<mi>v</mi>
<mi>a</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mi>a</mi>
</msub>
<mo>&le;</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
<mo>&CenterDot;</mo>
<msub>
<mi>v</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>a</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>a</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>C</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>a</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>d</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>&GreaterEqual;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&epsiv;</mi>
<mi>e</mi>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>c</mi>
<mrow>
<mi>n</mi>
<mi>k</mi>
</mrow>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>r</mi>
<mi>s</mi>
<mo>&Element;</mo>
<mi>P</mi>
<mi>N</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>e</mi>
<mo>)</mo>
</mrow>
</mrow>
其中：M和U分别表示观测路段集合和非观测路段集合；RS和Krs分别表示OD对集合和OD对rs的路径集；θ表示离散参数；εa表示路段a观测流量的允许观测误差；xa表示路段a的估计流量；Ca,ta(·)分别表示路段a的通行能力和行程时间；表示路径路段因子：如果路段a属于OD对rs路径k，则其等于1，反之等于0；εe表示路径重构允许的重构误差；分别表示OD对rs路径k的流量，粒子滤波重构n辆车后OD对rs路径k的流量；PN表示粒子滤波重构n辆车后重构OD对集合；
(1.4)路径流量估计器收敛性测试；如果两次迭代计算得到路径流量可行解最大差值小于某一阈值，进行步骤(2)；否则返回步骤(1.2)；
(2)粒子滤波组件初始化
从步骤(1)中读入路径流量估计器路段行程时间ta，基于估计器路段行程时间和路网拓扑，使用深度优先遍历算法针对所有OD对产生粒子滤波可能路径集Kpossible进行估计，根据估计结果，即估计路段流量x和路段行程时间ta，产生粒子滤波的行程时间一致性观测方程和路径引力观测方程；行程时间一致性观测方程如下：
<mrow>
<msubsup>
<mi>P</mi>
<mi>m</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0.01</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
</msub>
<mo><</mo>
<msubsup>
<mi>at</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>i</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msubsup>
<mi>t</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>AVI</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>AVI</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>AVI</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>AVI</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>at</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
</msub>
<mo><</mo>
<msubsup>
<mi>t</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>i</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<msubsup>
<mi>t</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>AVI</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>AVI</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>AVI</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>AVI</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>t</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
</msub>
<mo><</mo>
<msubsup>
<mi>bt</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>i</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.01</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>bt</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
<mi>i</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mi>a</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
</munderover>
<msubsup>
<mi>P</mi>
<mi>m</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
其中：是第i条路径第m个连续AVI基于行程时间一致性模型的更新概率；是可能路径i两个连续AVI之间的平均行程时间；ttrue(AVIm1,AVIm2)是两个连续AVI之间的实际行程时间；是第i条路径基于行程时间一致性模型的最终更新概率；a,b是行程时间系数；Nm是路径上两个连续AVI的数目；
路径引力观测方程如下：
<mrow>
<msubsup>
<mi>p</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>a</mi>
<mi>p</mi>
<mi>h</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
</munderover>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>}</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中：是第i条路径基于路径引力模型的更新概率，Fij是可能路径i中的路段j的估计流量,n是可能路径i的路段数，Nk是车辆k的可能路径数；
(3)利用粒子滤波组件进行路径重构
(3.1)初始化粒子集；选择第A辆车，令所有可能路径x1,x2,...,xI为初始粒子集，p(x1),p(x2),...,p(xI)表示初始粒子先验概率；如果没有历史数据，则令初始粒子先验概率为1/I；
(3.2)重要性采样
对于AVI部分路径数据，根据节点一致性观测方程分配粒子权重并归一化；节点一致性观测方程如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>p</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>p</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>&NotElement;</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中：id：表示部分路径的车辆编号；path：表示完整路径的编号；Nid(n)表示部分路径的拓扑结构中节点集合；Npath(n)表示完整路径的拓扑结构中节点集合；
对于PFE估计的路段行程时间数据和AVI个体车辆行程时间数据，根据行程时间一致性观测方程分配粒子权重并归一化；
对于AVI部分路径数据和观测起终时刻，根据AVI可测性观测方程分配粒子权重并归一化；AVI可测性观测方程是根据检测器检测误差造成的事实进行逆向推理，减少检测器误差对车辆出行路径重构的影响；检测器未检测到目标车辆具体可以分为两种情况；第一种情况是车辆路过检测器所在的路段，但由于检测误差的原因未能检测到车辆；第二种情况是车辆选择了未安装检测器所在的路段，因而检测器未能检测到车辆；
对于PFE估计的路段流量数据，根据路径引力观测方程分配粒子权重并归一化；
(3.3)输出路径最优估计，选择最大后验概率路径为最优估计；
(3.4)粒子滤波收敛性测试；通过车辆出行路径集计算构造路径流量矩阵如果l＝Lmax，则停止迭代输出路径流量和车辆完整路径；
(3.5)组件更新测试；如果l＝Lcycle同时某一粒子滤波估计路径流量比路径流量估计器估计路径流量大，那么更新粒子滤波重构路径流量，进入步骤(4)；否则，返回步骤(3.1)；
(4)路径流量估计器更新估计结果
(4.1)路径集生成；使用AVI路段对偶变量非AVI路段对偶变量da和路径对偶变量更新路段成本以路段成本为权值，计算所有OD对之间权值最小的路径，更新路径流量估计器工作路径集Krs；将新产生的重构路径集加入工作路径集
(4.2)在满足路段流量限制、路段通行能力限制和路径重构流量限制的条件下进行路段流量估计；使用迭代平衡框架、线性搜索和可行解更新算法；
(4.3)路径流量估计器收敛性测试；如果两次迭代计算得到路径流量可行解最大差值小于某一阈值，进行步骤(5)；否则返回步骤(4.1)；
(5)粒子滤波观测方程更新；根据估计结果，更新粒子滤波行程时间一致性观测方程和路径引力观测方程，返回步骤(3)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510318819.7A CN104915731B (zh) | 2015-06-11 | 2015-06-11 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510318819.7A CN104915731B (zh) | 2015-06-11 | 2015-06-11 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104915731A CN104915731A (zh) | 2015-09-16 |
| CN104915731B true CN104915731B (zh) | 2018-04-27 |
Family
ID=54084778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510318819.7A Active CN104915731B (zh) | 2015-06-11 | 2015-06-11 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104915731B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322054B (zh) * | 2019-06-14 | 2023-04-28 | 中交第一公路勘察设计研究院有限公司 | 一种公路路段交通监测器的优化布设方法 |
| CN112201041B (zh) * | 2020-09-29 | 2022-02-18 | 同济大学 | 融合电警数据和抽样轨迹数据的干道路径流量估计方法 |
| CN113223293B (zh) * | 2021-05-06 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 路网仿真模型的构建方法、装置及电子设备 |
| CN113420488B (zh) * | 2021-05-18 | 2024-03-08 | 东南大学 | 一种基于轨迹重构的城市路网od估计方法 |
| CN114333292B (zh) * | 2021-11-22 | 2022-11-18 | 上海电科智能***股份有限公司 | 一种基于轨迹重构技术的流量修复方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101930668A (zh) * | 2009-04-29 | 2010-12-29 | 上海电器科学研究所（集团）有限公司 | 车牌识别的道路交通od信息采集***及其处理方法 |
| CN102289932A (zh) * | 2011-06-17 | 2011-12-21 | 同济大学 | 基于车辆自动识别设备的动态od矩阵估计方法 |
| 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 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140035921A1 (en) * | 2012-07-31 | 2014-02-06 | Xerox Corporation | Analysis and visualization of passenger movement in a transportation system |
-
2015
- 2015-06-11 CN CN201510318819.7A patent/CN104915731B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101930668A (zh) * | 2009-04-29 | 2010-12-29 | 上海电器科学研究所（集团）有限公司 | 车牌识别的道路交通od信息采集***及其处理方法 |
| CN102289932A (zh) * | 2011-06-17 | 2011-12-21 | 同济大学 | 基于车辆自动识别设备的动态od矩阵估计方法 |
| 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 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 基于视频牌照识别的动态交通OD估计仿真优化;孙剑等;《公路交通科技》;20090831;第26卷(第8期);第130-134页 * |
| 基于车辆自动识别技术的动态OD矩阵估计新方法;孙剑等;《同济大学学报（自然科学版）》;20130930;第41卷(第9期);第1366-1371、1377页 * |
| 自动识别环境下车辆的出行矩阵估计新方法;孙剑等;《同济大学学报（自然科学版）》;20111231;第39卷(第12期);第1800-1804页 * |
| 车辆自动识别***移动站及其在城市交通监管中的应用;李元忠等;《电讯技术》;20030331(第3期);第112-115页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104915731A (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104915731B (zh) | 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 | |
| Feng et al. | Vehicle trajectory reconstruction using automatic vehicle identification and traffic count data | |
| WO2018064931A1 (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
| 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 | |
| CN106205114A (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
| CN103208033B (zh) | 一种成网条件下城市轨道交通新线接入客流预测方法 | |
| CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
| CN104484994B (zh) | 基于阵列雷达的城市路网交通运行指数评价方法 | |
| CN110135092A (zh) | 基于半局部中心性的复杂加权交通网关键节点识别方法 | |
| CN101739822B (zh) | 区域交通状态获取的传感器网络配置方法 | |
| CN105046956A (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
| CN107103392A (zh) | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 | |
| CN107437339A (zh) | 一种信息引导下的可变信息情报板协调控制方法及*** | |
| CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
| CN103927872A (zh) | 一种基于浮动车数据预测多时段行程时间分布的方法 | |
| CN106781494B (zh) | 一种基于车辆轨迹与流量的机动车尾气遥测设备布点方法 | |
| CN105405294A (zh) | 道路拥堵路段的预警方法 | |
| Semeida | New models to evaluate the level of service and capacity for rural multi-lane highways in Egypt | |
| CN107978153A (zh) | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 | |
| Barcelo et al. | Dynamic OD matrix estimation exploiting bluetooth data in urban networks | |
| CN108805347A (zh) | 基于客流池的地铁站外关联区域客流估计方法 | |
| CN113420488A (zh) | 一种基于轨迹重构的城市路网od估计方法 | |
| CN105913658A (zh) | 一种交通流推测od位置及od矩阵的方法 | |
| CN106370198A (zh) | 一种考虑出行异质性的路径选择方法 | |
| Dantsuji et al. | A novel metamodel-based framework for large-scale dynamic origin–destination demand calibration |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |