CN105913658A - 一种交通流推测od位置及od矩阵的方法 - Google Patents

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

一种交通流推测OD位置及OD矩阵的方法

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S_k，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S_n＝{S₁,S₂,…,S_n}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C_k＝{C₁,C₂,…,C_k}，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C_k＝{C₁,C₂,…,C_k}。

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,…,O_i}和D点集合{D₁,D₂,…,D_j}，O_i到O_j经过某个路段n的概率是f(d)，设OD矩阵

$\begin{array}{ccccc}& O_1& O_2& ...& O_i\\ D_1& O_1{D}_1& O_2{D}_1& ...& O_i{D}_1\\ D_2& O_1{D}_2& O_2{D}_2& ...& O_i{D}_2\\ \·& \·& \·& & \·\\ \·& \·& \·& ...& \·\\ \·& \·& \·& & \·\\ D_j& O_1{D}_j& O_2{D}_j& ...& O_i{D}_j\end{array}$

约束条件为和

由约束条件计算得到各个O_iD_j的值；

由公式(为第t次迭代)计算得出O_i到O_j经过某个路段n的车流量S_n，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(θ_m为阈值)，则计算得出的O_iD_j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

$\left\{\begin{array}{c}{O}_1{D}_j^{t+1}=O_1{D}_j^t+{\mathrm{\αm}}_1^t\\ O_2{D}_j^{t+1}=O_2{D}_j^t+{\mathrm{\αm}}_2^t\\ \·\\ \·\\ \·\\ O_i{D}_j^{t+1}=O_i{D}_j^t+{\mathrm{\αm}}_n^t\end{array}\right.---\left(2\right)$

得到t次迭代的O_iD_j的值，将t次迭代的O_iD_j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S_k，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S_n＝{S₁,S₂,…,S_n}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C_k＝{C₁,C₂,…,C_k}，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C_k＝{C₁,C₂,…,C_k}。

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C_k＝{C₁,C₂,…,C_k}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,…,O_i}和D点集合{D₁,D₂,…,D_j}，O_i到O_j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,…,O_i}和D点集合{D₁,D₂,…,D_j}，O_i到O_j经过某个路段n的概率是f(d)，设OD矩阵

$\begin{array}{ccccc}& O_1& O_2& ...& O_i\\ D_1& O_1{D}_1& O_2{D}_1& ...& O_i{D}_1\\ D_2& O_1{D}_2& O_2{D}_2& ...& O_i{D}_2\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& ...& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ D_j& O_1{D}_j& O_2{D}_j& ...& O_i{D}_j\end{array}$

约束条件为和

由约束条件计算得到各个O_iD_j的值；

由公式(为第t次迭代)计算得出O_i到O_j经过某个路段n的车流量S_n，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(θ_m为阈值)，则计算得出的O_iD_j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

$\left\{\begin{array}{c}{O}_1{D}_j^{t+1}=O_1{D}_j^t+{\mathrm{\&alpha;m}}_1^t\\ O_2{D}_j^{t+1}=O_2{D}_j^t+{\mathrm{\&alpha;m}}_2^t\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ O_i{D}_j^{t+1}=O_i{D}_j^t+{\mathrm{\&alpha;m}}_n^t\end{array}\right.---\left(2\right)$

得到t次迭代的O_iD_j的值，将t次迭代的O_iD_j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S_k，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S_n＝{S₁,S₂,…,S_n}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C_k＝{C₁,C₂,…,C_k}，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C_k＝{C₁,C₂,…,C_k}。

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,…,O_i}和D点集合{D₁,D₂,…,D_j}，O_i到O_j经过某个路段n的概率是f(d)，设OD矩阵

$\begin{array}{ccccc}& O_1& O_2& ...& O_i\\ D_1& O_1{D}_1& O_2{D}_1& ...& O_i{D}_1\\ D_2& O_1{D}_2& O_2{D}_2& ...& O_i{D}_2\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ D_j& O_1{D}_j& O_2{D}_j& ...& O_i{D}_j\end{array}$

约束条件为和

由约束条件计算得到各个O_iD_j的值；

由公式(为第t次迭代)计算得出O_i到O_j经过某个路段n的车流量S_n，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(θ_m为阈值)，则计算得出的O_iD_j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

$\left\{\begin{array}{c}{O}_1{D}_j^{t+1}=O_1{D}_j^t+{\mathrm{\&alpha;m}}_1^t\\ O_2{D}_j^{t+1}=O_2{D}_j^t+{\mathrm{\&alpha;m}}_2^t\\ \begin{array}{c}.\\ .\\ .\end{array}\\ O_i{D}_j^{t+1}=O_i{D}_j^t+{\mathrm{\&alpha;m}}_n^t\end{array}\right.---\left(2\right)$

得到t次迭代的O_iD_j的值，将t次迭代的O_iD_j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。