CN105913658A - 一种交通流推测od位置及od矩阵的方法 - Google Patents
一种交通流推测od位置及od矩阵的方法 Download PDFInfo
- Publication number
- CN105913658A CN105913658A CN201610328767.6A CN201610328767A CN105913658A CN 105913658 A CN105913658 A CN 105913658A CN 201610328767 A CN201610328767 A CN 201610328767A CN 105913658 A CN105913658 A CN 105913658A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- section
- matrix
- class
- value
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种交通流推测OD位置及OD矩阵的方法,包括如下步骤:获取历史交通流量:选定一组由N个十字路口组成的公路网,获取24小时内该公路网的历史交通流量数据S;聚类分析:以24小时内该公路网的历史交通流量数据S为基础,每个路段的交通流量数据构成一个特征数据组,对特征数据组进行聚类分析;设置OD点;推定OD矩阵。本发明避免了工作流程上的繁琐,具有便捷性,灵活性和准确性,实时模拟不同时段下的道路情况,可用于交通仿真、出行分析等***,能有效避免交通拥堵等问题。
Description
技术领域
本发明涉及交通管理技术,尤其是指一种交通流推测OD位置及OD矩阵的方法。
背景技术
现有的很多交通OD推定方案不具有灵活性,原因是前期需要通过大量交通问卷调查或者长期观测交通道路情况得到OD推定方案,这样的工作流程较为繁琐,使工作人员重复劳动并且工作人员带有较多的主观判断,影响结果的准确性。
发明内容
为了解决现有交通流OD位置推定受主观影响大而准确性低的问题,本发明提出了一种交通流推测OD位置及OD矩阵的方法,由聚类方法得到路网不同时段的划分,推断路网中不同时段的OD矩阵模型。
本发明所采用的技术方案是:一种交通流推测OD位置及OD矩阵的方法,包括如下步骤:
S1,获取历史交通流量:选定一组由N个十字路口组成的公路网,每个十字路口有n个路段相连,N、n均为自然数,获取24小时内该公路网的历史交通流量数据S;
S2,聚类分析:以24小时内该公路网的历史交通流量数据S为基础,每个路段的交通流量数据构成一个特征数据组,对特征数据组进行聚类分析,得到k个类和k个不同时段的交通流量,依次记为S1至Sk,k为自然数且1≤k≤24;
S3,设置OD点:在设定时间t内根据步骤S2得到的k个类和k个不同时段的交通流量,设置发车点O和收车点D,得到选定的公路网在每个类中的发车点O集合和收车点D集合;
S4,推定OD矩阵:根据步骤S3所得的发车点O和收车点D的位置推定OD矩阵。
本发明可以通过历史流量数据推测出OD点位置和收发车数量;在未知OD发车量分布条件下,推算出OD矩阵。
作为优选,所述步骤S2中的对特征数据组进行聚类分析的方法包括如下步骤:
a.获取公路网的一组N个历史交通流量数据的集合Sn={S1,S2,…,Sn}待聚类;
b.以一天24小时的时间段设定k值,随机取k个类C,每个类都有一个聚类中心,k类划分集合为Ck={C1,C2,…,Ck},k为自然数且1≤k≤24;
c.在24小时时间段内,不同时段交通流量数据不同,以S中一个点Si作为第k类的聚类中心,取目标函数f(k)使两个时段的交通流量的差值为到聚类中心的距离l,若距离l越趋近于零则归到离它最近的聚类中心所在类;
d.当所有历史交通流量数据S划分到相应类中,进入下一次迭代,重新计算距离l进行聚类调整,若相邻两次聚类中心距离没有变化,说明本次调整的聚类函数已经收敛至一个固定的值,从而得到k类划分Ck={C1,C2,…,Ck}。
作为优选,所述步骤S3中OD点位置的设置方法是:一个路口的四条路段n1、n2、n3和n4,设定时间t内设定路段n1为发车数量为Sn1,路段n2交通流量为Sn2,路段n3交通流量为Sn3,路段n4交通流量为Sn4,若则路段n1设置成发车点O;若则路段n1设置成收车点D;若则路段n1不设置OD点。
作为优选,所述的OD矩阵推定方法是:公路网在C1类下的O点集合{O1,O2,…,Oi}和D点集合{D1,D2,…,Dj},Oi到Oj经过某个路段n的概率是f(d),设OD矩阵
约束条件为和
由约束条件计算得到各个OiDj的值;
由公式(为第t次迭代)计算得出Oi到Oj经过某个路段n的车流量Sn,由历史交通数据流量统计得出该路段的车流量为
令(m为流量差,t为迭代次数),
由公式
得到的值;
若(θm为阈值),则计算得出的OiDj的值即推定得到的OD矩阵;
若则带入迭代公式(t为迭代次数,α为约定的优化系数),即
得到t次迭代的OiDj的值,将t次迭代的OiDj的值带入公式(1)得到t次迭代的的值,判断是否符合如果符合,则推定得到OD矩阵,如果不符合,继续迭代。
本发明的有益效果是:避免了工作流程上的繁琐,具有便捷性,灵活性和准确性,实时模拟不同时段下的道路情况,可用于交通仿真、出行分析等***,能有效避免交通拥堵等问题。
附图说明
图1是本发明的一种流程示意图;
图2是实施例中N1路***通流量数据分布图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
如图1所示,一种交通流推测OD位置及OD矩阵的方法,具体包括如下步骤:
第一步,获取历史交通流量:选定一组由N个十字路口组成的公路网,每个十字路口有n个路段相连,N、n均为自然数,获取24小时内该公路网的历史交通流量数据S。
第二步,聚类分析:以24小时内该公路网的历史交通流量数据S为基础,每个路段的交通流量数据构成一个特征数据组,对特征数据组进行聚类分析,得到k个类和k个不同时段的交通流量,依次记为S1至Sk,k为自然数且1≤k≤24。这里可以采用K-means聚类算法,具体可以采取如下做法:
a.获取公路网的一组N个历史交通流量数据的集合Sn={S1,S2,…,Sn}待聚类;
b.以一天24小时的时间段设定k值,随机取k个类C,每个类都有一个聚类中心,k类划分集合为Ck={C1,C2,…,Ck},k为自然数且1≤k≤24;
c.在24小时时间段内,不同时段交通流量数据不同,以S中一个点Si作为第k类的聚类中心,取目标函数f(k)使两个时段的交通流量的差值为到聚类中心的距离l,若距离l越趋近于零则归到离它最近的聚类中心所在类;
d.当所有历史交通流量数据S划分到相应类中,进入下一次迭代,重新计算距离l进行聚类调整,若相邻两次聚类中心距离没有变化,说明本次调整的聚类函数已经收敛至一个固定的值,从而得到k类划分Ck={C1,C2,…,Ck}。
假设聚类得到的k类分别是C1:0-6h,C2:7-12h,C3:13-18h,C4:19-24h,对应的交通流量分别为S1、S2、S3和S4,由此得到不同时段的高峰流量集合H={H1,H2,H3,H4}和平峰流量集合L={L1,L2,L3,L4}。
S3,设置OD点:在设定时间t(t<5分钟)内根据步骤S2得到的k个类和k个不同时段的交通流量,设置发车点O和收车点D,得到选定的公路网在每个类中的发车点O集合和收车点D集合。
以公路网里N1路口的四条路段n1、n2、n3和n4为例,如图2所示。在短时t(t<5分钟)内,根据聚类得到的k个类C,即Ck={C1,C2,…,Ck}和不同时段的交通流量S1、S2、S3和S4,设定路段n1为发车数量为Sn1,路段n2交通流量为Sn2,路段n3交通流量为Sn3,路段n4交通流量为Sn4。
假设在C1类中,根据交通流量作如下判断设置OD点:
a.若Sn1<Sn2+Sn3+Sn4,则路段n1则可以设置成发车点O;
b.若Sn1>Sn2+Sn3+Sn4,则路段n1则可以设置成收车点D;
c.若Sn1=Sn2+Sn3+Sn4,则路段n1收发车流量不变,不设置OD点。
所以在理想状况下,可以由此推测公路网A在C1类下的O点集合{O1,O2,…,Oi}和D点集合{D1,D2,…,Dj},Oi到Oj经过某个路段n的概率是f(d)。
当然,这里不限于有四个路口的路段,三个路口或多于四个路口的路段可以依同理推出。
第四步,推定OD矩阵:根据步骤S3所得的发车点O和收车点D的位置推定OD矩阵。
公路网在C1类下的O点集合{O1,O2,…,Oi}和D点集合{D1,D2,…,Dj},Oi到Oj经过某个路段n的概率是f(d),设OD矩阵
约束条件为和
由约束条件计算得到各个OiDj的值;
由公式(为第t次迭代)计算得出Oi到Oj经过某个路段n的车流量Sn,由历史交通数据流量统计得出该路段的车流量为
令(m为流量差,t为迭代次数),
由公式
得到的值;
若(θm为阈值),则计算得出的OiDj的值即推定得到的OD矩阵;
若则带入迭代公式(t为迭代次数,α为约定的优化系数),即
得到t次迭代的OiDj的值,将t次迭代的OiDj的值带入公式(1)得到t次迭代的的值,判断是否符合如果符合,则推定得到OD矩阵,如果不符合,继续迭代。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明的保护范围之内。
Claims (4)
1.一种交通流推测OD位置及OD矩阵的方法,其特征在于:包括如下步骤:
S1,获取历史交通流量:选定一组由N个十字路口组成的公路网,每个十字路口有n个路段相连,N、n均为自然数,获取24小时内该公路网的历史交通流量数据S;
S2,聚类分析:以24小时内该公路网的历史交通流量数据S为基础,每个路段的交通流量数据构成一个特征数据组,对特征数据组进行聚类分析,得到k个类和k个不同时段的交通流量,依次记为S1至Sk,k为自然数且1≤k≤24;
S3,设置OD点:在设定时间t内根据步骤S2得到的k个类和k个不同时段的交通流量,设置发车点O和收车点D,得到选定的公路网在每个类中的发车点O集合和收车点D集合;
S4,推定OD矩阵:根据步骤S3所得的发车点O和收车点D的位置推定OD矩阵。
2.根据权利要求1所述的一种交通流推测OD位置及OD矩阵的方法,其特征在于:所述步骤S2中的对特征数据组进行聚类分析的方法包括如下步骤:
a.获取公路网的一组N个历史交通流量数据的集合Sn={S1,S2,…,Sn}待聚类;
b.以一天24小时的时间段设定k值,随机取k个类C,每个类都有一个聚类中心,k类划分集合为Ck={C1,C2,…,Ck},k为自然数且1≤k≤24;
c.在24小时时间段内,不同时段交通流量数据不同,以S中一个点Si作为第k类的聚类中心,取目标函数f(k)使两个时段的交通流量的差值为到聚类中心的距离l,若距离l越趋近于零则归到离它最近的聚类中心所在类;
d.当所有历史交通流量数据S划分到相应类中,进入下一次迭代,重新计算距离l进行聚类调整,若相邻两次聚类中心距离没有变化,说明本次调整的聚类函数已经收敛至一个固定的值,从而得到k类划分Ck={C1,C2,…,Ck}。
3.根据权利要求1所述的一种交通流推测OD位置及OD矩阵的方法,其特征在于:所述步骤S3中OD点位置的设置方法是:一个路口的四条路段n1、n2、n3和n4,设定时间t内设定路段n1为发车数量为Sn1,路段n2交通流量为Sn2,路段n3交通流量为Sn3,路段n4交通流量为Sn4,
若则路段n1设置成发车点O;
若则路段n1设置成收车点D;
若则路段n1不设置OD点。
4.根据权利要求3所述的一种交通流推测OD位置及OD矩阵的方法,其特征在于:所述的OD矩阵推定方法是:公路网在C1类下的O点集合{O1,O2,…,Oi}和D点集合{D1,D2,…,Dj},Oi到Oj经过某个路段n的概率是f(d),设OD矩阵
约束条件为和
由约束条件计算得到各个OiDj的值;
由公式(为第t次迭代)计算得出Oi到Oj经过某个路段n的车流量Sn,由历史交通数据流量统计得出该路段的车流量为
令(m为流量差,t为迭代次数),
由公式
得到的值;
若(θm为阈值),则计算得出的OiDj的值即推定得到的OD矩阵;
若则带入迭代公式(t为迭代次数,α为约定的优化系数),即
得到t次迭代的OiDj的值,将t次迭代的OiDj的值带入公式(1)得到t次迭代的的值,判断是否符合如果符合,则推定得到OD矩阵,如果不符合,继续迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610328767.6A CN105913658B (zh) | 2016-05-18 | 2016-05-18 | 一种交通流推测od位置及od矩阵的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610328767.6A CN105913658B (zh) | 2016-05-18 | 2016-05-18 | 一种交通流推测od位置及od矩阵的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913658A true CN105913658A (zh) | 2016-08-31 |
CN105913658B CN105913658B (zh) | 2018-04-10 |
Family
ID=56748227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610328767.6A Active CN105913658B (zh) | 2016-05-18 | 2016-05-18 | 一种交通流推测od位置及od矩阵的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913658B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320504A (zh) * | 2018-01-22 | 2018-07-24 | 北京工业大学 | 基于监测数据的动态od矩阵估计方法 |
CN109003107A (zh) * | 2017-06-06 | 2018-12-14 | 北京嘀嘀无限科技发展有限公司 | 区域划分方法及装置 |
CN109117870A (zh) * | 2018-07-20 | 2019-01-01 | 深圳大学 | 基于ArcGIS二次开发的线聚类提取方法及*** |
CN110019633A (zh) * | 2018-07-20 | 2019-07-16 | 深圳大学 | 基于ArcGIS二次开发的线密度统计方法及*** |
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*** |
CN113053110A (zh) * | 2020-12-23 | 2021-06-29 | 沈阳世纪高通科技有限公司 | 一种基于4g信令数据计算道路流量的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009259158A (ja) * | 2008-04-21 | 2009-11-05 | Toyota Central R&D Labs Inc | 交通状態シミュレーション装置及びプログラム |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
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 |
CN103700265A (zh) * | 2013-12-16 | 2014-04-02 | 青岛海信网络科技股份有限公司 | 基于出行起点与终点获取路网流量信息的方法 |
CN104318324A (zh) * | 2014-10-13 | 2015-01-28 | 南京大学 | 基于出租车gps记录的机场巴士站点及路线规划方法 |
-
2016
- 2016-05-18 CN CN201610328767.6A patent/CN105913658B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009259158A (ja) * | 2008-04-21 | 2009-11-05 | Toyota Central R&D Labs Inc | 交通状態シミュレーション装置及びプログラム |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN103700265A (zh) * | 2013-12-16 | 2014-04-02 | 青岛海信网络科技股份有限公司 | 基于出行起点与终点获取路网流量信息的方法 |
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 |
CN104318324A (zh) * | 2014-10-13 | 2015-01-28 | 南京大学 | 基于出租车gps记录的机场巴士站点及路线规划方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003107A (zh) * | 2017-06-06 | 2018-12-14 | 北京嘀嘀无限科技发展有限公司 | 区域划分方法及装置 |
CN109003107B (zh) * | 2017-06-06 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 区域划分方法及装置 |
CN108320504A (zh) * | 2018-01-22 | 2018-07-24 | 北京工业大学 | 基于监测数据的动态od矩阵估计方法 |
CN108320504B (zh) * | 2018-01-22 | 2020-06-16 | 北京工业大学 | 基于监测数据的动态od矩阵估计方法 |
CN109117870A (zh) * | 2018-07-20 | 2019-01-01 | 深圳大学 | 基于ArcGIS二次开发的线聚类提取方法及*** |
CN110019633A (zh) * | 2018-07-20 | 2019-07-16 | 深圳大学 | 基于ArcGIS二次开发的线密度统计方法及*** |
CN109117870B (zh) * | 2018-07-20 | 2020-11-13 | 深圳大学 | 基于ArcGIS二次开发的线聚类提取方法及*** |
CN110019633B (zh) * | 2018-07-20 | 2021-08-10 | 深圳大学 | 基于ArcGIS二次开发的线密度统计方法及*** |
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*** |
CN113053110A (zh) * | 2020-12-23 | 2021-06-29 | 沈阳世纪高通科技有限公司 | 一种基于4g信令数据计算道路流量的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105913658B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913658A (zh) | 一种交通流推测od位置及od矩阵的方法 | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和*** | |
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
CN105679102B (zh) | 一种全国飞行流量时空分布预测推演***及方法 | |
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN105702029A (zh) | 一种分时段考虑时空关联性的快速路交通状态预测方法 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN106485359A (zh) | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 | |
CN101488284A (zh) | 道路交通状况即时预测的智能管理*** | |
CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理*** | |
CN106652441A (zh) | 一种基于时空数据的城市道路交通状态预测方法 | |
CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN105513356B (zh) | 一种基于轨迹追踪的od矩阵估计方法与*** | |
CN104916124B (zh) | 基于马尔可夫模型的公共自行车***调控方法 | |
CN109389243A (zh) | 结合联网收费数据的高速公路交通情况调查站点布设方法 | |
CN116611586B (zh) | 一种基于双层异构网络的新建路网流量预测方法及*** | |
CN116052435B (zh) | 一种城市道路拥堵影响范围界定与道路影响力计算方法 | |
CN110111578A (zh) | 一种基于张量恢复的偶发***通拥堵检测方法 | |
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN109544967A (zh) | 一种基于低频avl数据的公交线网运行状态监控方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN110119884A (zh) | 一种基于近邻传播聚类的高速铁路客流时段划分方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |