CN111105613A - 一种基于多源数据的交通分配方法及*** - Google Patents
一种基于多源数据的交通分配方法及*** Download PDFInfo
- Publication number
- CN111105613A CN111105613A CN201911213553.4A CN201911213553A CN111105613A CN 111105613 A CN111105613 A CN 111105613A CN 201911213553 A CN201911213553 A CN 201911213553A CN 111105613 A CN111105613 A CN 111105613A
- Authority
- CN
- China
- Prior art keywords
- traffic
- dynamic
- path
- data
- traffic distribution
- 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
Images
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种基于多源数据的交通分配方法及***,该方法包括:获取待分配区域内的多类别检测器采集的部分路段多源交通数据;将该部分路段多源交通数据输入至动态O‑D反推与交通分配组合模型中,获取到待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;动态O‑D反推与交通分配组合模型是基于动态O‑D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。本发明实施例通过将多源数据与动态OD反推以及交通分配组合模型进行有效融合,可以基于获取的部分路段多源数据求解得全路段的动态交通量,实现了对交通大数据的高效深度利用,提高了交通规划和管理控制工作的效率。
Description
技术领域
本发明涉及交通规划与管理技术领域,尤其涉及一种基于多源数据的交通分配方法及***。
背景技术
随着城市拥堵现象的日益严重与城市用地紧张的不断加剧,以扩建交通基础设施的手段缓解拥堵缺乏可持续推进的空间,在城市中运用智能交通***(ITS)解决拥堵等城市交通问题已成为社会共识。先进的动态交通管理***(ATMS)和先进的出行者信息***(ATIS)是智能交通***(ITS)的核心研究内容,两者均需要实时的数据对其进行支撑,而动态O-D反推与动态交通分配理论是为ATMS与ATIS提供核心数据的重要工具。
然而,受城市路网机构复杂、数据种类有限、动态交通***各参量相互影响等因素的影响,研究者们的研究成果多是分别在动态O-D反推与动态交通分配这两个领域产生的,对两者进行组合分析并建立组合模型的研究却十分有限,而在数量有限的关于动态O-D反推与交通分配组合模型的研究中,模型的可实用性与可操作性较差,在实际城市路网交通***的应用性很低。
因此,如何实现将动态O-D反推模型与动态交通分配模型进行统一调配与融合,成为当前亟待解决的技术问题。
发明内容
本发明实施例提供一种基于多源数据的交通分配方法即***,用以解决上述背景技术中提出的技术问题,或至少部分解决上述背景技术中提出的技术问题。
第一方面,本发明实施例提供一种基于多源数据的交通分配方法,包括:
获取待分配区域内的多类别检测器采集的部分路段多源交通数据;将该部分路段多源交通数据输入至动态O-D反推与交通分配组合模型中,获取到待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;上述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
进一步地,上述获取待分配区域内的多类别检测器采集的部分路段多源交通数据,主要包括:利用固定源数据检测设备和移动源检测设备获取部分路段的路段流量、路段车速以及路径行程时间;其中,固定源数据检测设备至少包括固定线圈检测器,移动源检测设备至少包括浮动车。
进一步地,在上述获取待分配区域内的多类别检测器采集的部分路段多源交通数据之前,还可以包括:基于Transmodeler仿真分析法确定待分配区域内浮动车的数量比例;基于深度优先遍历算法确定待分配区域内各O-D对的有效路径集。
进一步地,上述基于Transmodeler仿真分析法确定待分配区域内浮动车的数量比例,包括:
建立相对误差与浮动车比例函数式:θ=F(PCT),其中,θ表示真实平均行程车速与平均检测车速之间的相对误差值;PCT表示浮动车占全部车辆的比例;
在预设所述待分配区域内各路段交通参数之后,基于Transmodeler仿真模型,获取不同浮动车比例下的平均检测车速和真实平均行驶车速,并计算获取不同浮动车比例下的所述相对误差值,组成仿真数据集;
在剔除仿真数据集中的无效数据之后,获取浮动车的数量比例。
进一步地,上述基于深度优先遍历算法确定待分配区域内各O-D对的有效路径集,包括:
若O-D对之间仅有不存在交叉口转向限制的无环路出行路径,则将该无环路出行路径设置为有效路径集;
若所述O-D对之间存在多个交叉口出行路径,则根据以下方法确定该有效路径集,包括:定义O-D对之间的最小路径阻抗值以及O-D对之间任一路段不可用时的最小替代路径阻抗值;将路径阻抗值大于等于最小路径阻抗值且小于等于替代路径阻抗值中的最大值的路径设置为有效路径,并构成有效路径集。
进一步地,上述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型,主要包括:基于动态O-D反推模型和所述动态交通分配组合模型,以路段流量和路径行程时间两个参数为变量,以路段流量的偏差平方和路径行程时间的偏差平方之和最小为目标,构建动态O-D反推与交通分配组合模型。
进一步地,上述动态O-D反推与交通分配组合模型的目标函数可以为:
其中,μ为观测时间,h、k均为部分路段的标号,为全路段动态交通量,Vμ(h)为部分路段检测流量,全路径行程时间,Tμ(k)为部分路段路径行程时间,ω1:路段流量的偏差的权重,ω2:路径行程时间的偏差的权重,0≤ω1,ω2≤1且ω1+ω2=1。
进一步地,全路段动态交通量的计算方法包括:
根据部分路段的检测流量和各O-D对在总时段上的静态出行总量,反推获得各O-D对出行量在每一时段的分配数据;
获取时变的分配比例,包括:
根据所述时变的分配比例,获取时变的动态O-D出行量;
计算在观测时段内O-D对之间各条路径的路径流量,包括:
获取所有路段在观测时段内的路段估测流量,包括:
其中,Bμ(j)为在观测时段μ内,到目的地的j的出行总量;BL(ij)为在总时段L内,O-D对之间的静态出行量;为在观测时段μ内,O-D对之间的浮动车出行量;为在观测时段μ内,到目的地的j的浮动车出行量;i和j分别为O-D对的出发地和目的地,λ为0-1变量,且为在观测时段μ内,估测的通过路段h路段检测器的断面交通流量,N为整个路网具有的O-D对的个数,Sμ(n)为时变的分配比例,为动态O-D出行量,为路径流量,Pμ(k/Kn)为路径k的选择概率,Kn为总路径数。
进一步地,全路径行程时间的计算方法包括:
建立路段长度、路段交通流量和路段平均行程时间三者之间的关系式为:tμ=a+b·R+c·V+d·W;
根据各路段的路段平均行程时间,计算所述全路径行程时间,包括:
其中,tμ为观测时段μ内,路段的平均行驶时间,R为路段长度,V为交通流量,W为V的平方,a、b、c、d均为待定关系系数,λ为0-1变量且为在观测时段μ内,在路段h上的平均行程时间,为在观测时段μ内,估测的路径k的路径行程时间。
第二方面,本发明实施例提供一种基于多源数据的交通分配***,包括:交通数据检测单元和数据运算单元,其中:
交通数据检测单元,用于获取待分配区域内的多类别检测器采集的部分路段多源交通数据;数据运算单元,用于将部分路段多源交通数据输入至动态O-D反推与交通分配组合模型中,获取到待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;
其中,动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述基于多源数据的交通分配方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述基于多源数据的交通分配方法的步骤。
本发明实施例提供的一种基于多源数据的交通分配方法及***,通过将多源数据与动态OD反推以及交通分配组合模型进行有效融合,可以基于获取的部分路段多源数据求解得到全路段的动态交通量,实现了对交通大数据的高效深度利用,提高了交通规划和管理控制工作的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于多源数据的交通分配方法的流程示意图;
图2为本发明实施例提供的基于一种动态O-D反推与交通分配组合模型的结构示意图;
图3为本发明实施例提供的一种基于Transmodeler的浮动车比例计算方法示意图;
图4为本发明实施例提供的一种基于深度优先遍历算法的有效路径选取方法的示意图;
图5为本发明实施例提供的一种对动态O-D反推与交通分配组合模型进行求解的流程示意图;
图6为本发明实施例提供的一种基于多源数据的交通分配***的结构示意图;
图7为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
动态O-D反推模型和动态交通分配模型的研究对象均为城市路网交通流,在两者对同一城市路网进行研究的前提下,动态O-D反推模型的输入对象分别为:研究时段内,部分城市路段的路段检测流量和城市路网的动态先验O-D出行量;动态O-D反推模型的输出结果为:整个城市路网的动态O-D出行量。动态交通分配模型的输入对象为:整个城市路网的时变动态O-D矩阵;动态交通分配模型的输出结果为:全路网所有路段的动态交通量以及全路网所有路径的动态交通量。
根据以上对动态O-D反推模型和动态交通分配模型的输入对象、输出结果的分析,可将二者的对比汇总,结果如下表1所示:
表1动态O-D反推模型与动态交通分配模型对比
从表1可以看出,对同一个城市路网而言,动态O-D反推模型的输出结果可以作为动态交通分配模型的输入条件。同时发现:先验O-D出行量是动态O-D反推模型的核心输入条件。但在实际路网条件下,先验O-D出行量往往难以获取,致使传统的基于状态空间模型构建的动态O-D反推模型和动态交通分配组合模型在实际路网中的表现不佳。
有鉴于此,为了克服状态空间方程的约束,本发明实施例提供一种基于多源数据的交通分配方法,如图1所示,包括但不限于以下步骤:
步骤S1:获取待分配区域内的多类别检测器采集的部分路段多源交通数据;步骤S2:将S1中获取的部分路段多源交通数据输入至预先建立的动态O-D反推与交通分配组合模型中,获取到待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;上述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
其中,部分路段多源交通数据的采集可以是包括利用环形线圈检测器获取的路段交通数据等固定源数据、利用浮动车GPS获取的浮动车数据、以及计算得出路段车速和行程时间等相关移动源数据。
在本发明实施例中所构建的动态O-D反推与交通分配组合模型,充分利用固定源数据与移动源数据的互补优势,以非线性数学规划模型的形式,结合动态O-D反推模型与动态交通分配模型相融合,生成的单层组合模型。
根据上述实施例中对于动态O-D反推模型与动态交通分配模型输入、输出量的总结与分析,可以获知动态O-D反推与动态交通分配的输入、输出量存在着相对应的联系。动态O-D反推模型通过部分路段观测到的时变交通量来计算时变的路径交通量,进而反推得到全路网动态O-D出行量;而动态交通分配模型则是在全路网动态O-D出行量已知的情况下,将未来一段时间内的O-D出行需求合理地分配到各条路径上,得到动态变化的路径交通量与路段交通量。从以上分析可以看出,动态O-D反推模型(简称上层模型)与动态交通分配模型(简称下层模型)互为逆过程。
针对此种上、下层模型之间存在互逆关系的组合模型,现有技术中一般采用双层组合模型,即上层模型与下层模型均具有各自的目标函数和约束条件,上、下层模型的输出结果之间存在内部反馈,通过不断迭代寻求收敛极耳求取到最优解。但这一双层结构的模型必然存在求解算法复杂性高、求解难度大、不易收敛等弊端。
相较于现有技术的不足,如图2所示,本发明实施例中提供的单层组合模型中,动态O-D反推模型与动态交通分配模型的联结并不是通过相互反馈与反复迭代实现的,而是通过动态网络加载与城市路网中交通流的数学描述建立的带不等式约束的非线性规划组合模型。
综上所述,本发明实施例提供的基于多源数据的交通分配方法,通过将多源数据与动态OD反推以及交通分配组合模型进行有效融合,可以基于获取的部分路段多源数据求解得到全路段的动态交通量,实现了对交通大数据的高效深度利用,提高了交通规划和管理控制工作的效率。
基于上述实施例的内容,作为一种可选实施例,上述获取待分配区域内的多类别检测器采集的部分路段多源交通数据,包括但不限于:
利用固定源数据检测设备和移动源检测设备获取所述部分路段的路段流量、路段车速以及路径行程时间;其中,固定源数据检测设备至少包括固定线圈检测器,移动源检测设备至少包括浮动车。
具体地,在本发明实施例中提供的多源交通数据可以通过多种获取方法以及东中检测手段互为补充来实现。在城市路网中,一般来说固定源数据检测设备和移动源数据检测设备是同时的存在。其中固定源数据主要来自环型线圈检测器、微波雷达检测器和视频检测器等,固定源数据检测设备在获取路段流量等基础性数据方面具有着较高的精度与可靠性。移动源数据主要来自浮动车GPS定位技术,移动源数据检测设备可以较为准确地提供路段车速和行程时间等反映城市路网状态的重要信息。以固定源数据为基础,移动源数据为补充的城市路网交通信息数据可以极大地提高组合模型的求解精度,为模型的实际应用提供数据保障。
在目前的路段流量数据检测手段中,线圈检测器是最常见的检测方式,主要是利用感应线圈来检测车辆速度的检测器,是道路监控***非常重要的一部分。它可以获得当前监控路段的路段流量、占有率、速度等数据。
浮动车可以是安装了车载GPS定位装置并行驶在城市主干道上的公交汽车或者出租车,可以根据装备车载全球定位***的浮动车在其行驶过程中定期记录的车辆位置,方向和速度信息,应用地图匹配、路径推测等相关的计算模型和算法进行处理,使浮动车位置数据和城市道路在时间和空间上关联起来,最终得到浮动车所经过道路的路段车速以及路径行程时间等。
本发明实施例提供的基于多源数据的交通分配方法,不需要增加额外的检测设备,完全基于现有的城市路网检测设备实现就能够实现交通的合理分配。
基于上述实施例的内容,作为一种可选实施例,上述在获取待分配区域内的多类别检测器采集的部分路段多源交通数据之前,还可以包括:
基于Transmodeler仿真分析法确定待分配区域内浮动车的数量比例;基于深度优先遍历算法确定待分配区域内各O-D对的有效路径集。
具体地,上述基于Transmodeler仿真分析法确定待分配区域内浮动车的数量比例,包括但不限于以下步骤:
首先,建立相对误差与浮动车比例函数式:θ=F(PCT),其中,θ表示真实平均行程车速与平均检测车速之间的相对误差值;PCT表示浮动车占全部车辆的比例;
然后,在预设待分配区域内各路段交通参数之后,基于Transmodeler仿真模型,获取不同浮动车比例下的平均检测车速和真实平均行驶车速,并计算获取不同浮动车比例下的所述相对误差值,组成仿真数据集;
最后,在剔除仿真数据集中的无效数据之后,获取浮动车的数量比例。
对浮动车***而言,浮动车占全部车辆比例对其覆盖性和数据的可靠性有着显著的影响。通常情况下,浮动车比例过小会增加个体随影响,进而损害所采集交通数据的精度;而浮动车比例过大则会大大地增加***的安装和维护成本和***的信息处理负荷。因此,有必要对浮动车比例进行合理配置,以达到在成本增加较小的前提下获取高精度交通参数。
具体地,本实施例提供的基于Transmodeler仿真分析法确定待分配区域内浮动车的数量比例的方法,具体:可以包括:
第一步,对相对误差和浮动车比例建立函数关系:
θ=F(PCT) 公式1
式中,θ表示通过浮动车数据计算出的平均车速与真实平均行程车速之间的相对误差;PCT表示浮动车占全部车辆的比例。
第二步,确定路网条件及各变量取值,进行仿真实验。本实施例中主要需要确定PCT与θ之间的关系,因此其它的交通参数,例如路网中各路段属性、路网交通需求等均需在仿真开始前设定。通过仿真实验获取不同浮动车比例下的浮动车计算平均车速和真实平均行驶车速,并进一步计算得出不同浮动车比例下的相对误差值。
若不满足公式3,则认为此时段浮动车数据无效,应予剔除。
第四步:确定最佳效用值。虽然随着浮动车比例PCT的不断增大,车速误差θ会不断缩小,但无限增大PCT不仅不现实,而且更高的浮动车比例也将带来更高的成本。考虑到在PCT增加到一定程度后,继续增大PCT对θ的改善作用十分有限,因此假定存在一个的最佳改善值ψ,在改善作用达到该值时就可以认为获得了最佳效用值PCT*,车速误差θ、浮动车比例PCT和最佳改善值ψ之间存在如下关系:
上述公式4的函数形式可表示为:
F'(PCT)=ψ 公式5
假设导数函数F'存在反函数G,则易得PCT*=G(ψ),PCT*即为求得最佳效用的浮动车比例。
本发明实施例提供的多源数据的交通分配方法,通过仿真实验法进行浮动车比例的确定,一方面,不需实际交通***的参与,仅通过仿真实验便可以产生全面丰富的实验数据,因而具有经济高效、计算便捷和可重复性高的优点;再一方面,有效的降低了***的安装和维护成本以及***的信息处理负荷。
进一步地,本发明实施例提供的基于基于多源数据的交通分配方法还提供一种基于Transmodeler软件的浮动车比例取值方法,主要包括:网络建模、仿真计算和精度分析三个模块,其每个模块所实现的功能如图3所示,在本实施例中不作一一赘述。
基于上述实施例的内容,作为一种可选实施例,上述基于深度优先遍历算法确定待分配区域内各O-D对的有效路径集,包括但不限于以下步骤:
若所述O-D对之间仅有不存在交叉口转向限制的无环路出行路径,则将所述无环路出行路径设置为有效路径集;
若所述O-D对之间存在多个交叉口出行路径,则根据以下方法确定所述有效路径集:
首先,定义O-D对之间的最小路径阻抗值以及O-D对之间任一路段不可用时的最小替代路径阻抗值;
然后,将路径阻抗值大于等于最小路径阻抗值且小于等于替代路径阻抗值中的最大值的路径设置为有效路径,并构成有效路径集。
具体地,在路网O-D反推与交通分配的过程中,O-D对之间的路径选择问题是一个需要重点考虑的因素。在路网中,虽然O-D对之间有许多路径相连,但事实上并非所有的路径都能被出行者考虑,根据出行者的出行习惯,出行者一般不会选择绕行较大或包含环路的出行路径。因此在研究过程中,需要将不被出行者考虑的路径剔除,并将剩余路径可被出行者选择的路径称为有效路径,其集合称为有效路径集。
有效路径的判定一般考虑以下两个因素,其一为:不存在交叉口转向限制的无环路出行路径可认为是有效路径;其二为:当任一O-D对出发点i与目的地j间的路径k而言,当路径阻抗ck(ij)与O-D对i,j间最小路径阻抗cmin(ij)的比值不大于出行者的容忍阈值时,该路径可被确定为有效路径。
具体地:首先,定义O-D对i,j间最短路径kmin的阻抗值cmin(ij)即为最小路径阻抗;并定义O-D对i,j间最短路径上路段h不可用时的最小替代路径阻抗值为同时,定义O-D对ij间有效路径k的阻抗值为c(ij),有效路径的阻抗值不应小于最短路径阻抗值,且不能大于最小替代路径阻抗值中的最大者,即满足下式的约束条件:
进一步地,定义路径k上的路段h的两个端点分别为r、w,则对点r而言,存在沿路径k获得的路径临界阻抗ck(ir),同理,对点w而言,也存在路径k获得的路径临界阻抗ck(iw),两个端点的阻抗存在如下关系:
ck(ir)=ck(iw)-c(rw) 公式7
其中,c(rw)表示路段h的路段阻抗值。
根据上述记载的内容对路网中各类阻抗的定义与阻抗间相互关系的分析,可以通过寻找路径阻抗有效值范围的方法来进行有效路径的筛选。
具体地,本发明实施例提供的另一采用基于深度优先遍历算法确定路网的有效路径的方法,其步骤可以包括:
第一步:对于O-D对i,j之间的各条有向路径,搜索的主要方向总是从终点j出发,向起点i的反向进行搜索。
第二步:计算与终点j相连的一个节点u的临界阻抗值,判断该值与起点i到节点u的最短路径的阻抗值之间的关系。判断节点u的阻抗情况,若c(iu)<calt(iu),其中c(iu)为起点i到节点u之间有效路径的阻抗值,calt(iu)为起点i到节点u之间的最小替代路径的阻抗值,则说明节点u的阻抗情况不满足要求,需要寻找其他满足条件的点;若c(iu)≥calt(iu)则说明点u的阻抗情况满足要求,可以从点u出发寻找与节点u反向相连的节点r,并判断节点r的阻抗情况,判断情况与节点u相类似,若c(ir)<calt(ir)则说明节点r的阻抗情况不满足要求,需要返回节点u寻找其他与节点u反向相连的点,若c(ir)≥calt(ir)则可继续向前寻找,直到找到的节点为起点i时,得到了第一条有效路径。
第三步:在获得第一条有效路径后,从起点i向终点j方向寻找起点i的上位节点,从其上位节点找寻与其反向相连且可以满足第二步中判断条件的点,若存在满足判断条件的点,则继续向前搜索,直至终点j,得到另一条有效路径;若不存在满足判断条件的点,则回到当前节点的上位节点。
第四步:当算法在寻找过程中不断回到上位节点直至起点i时,若不再存在满足判断条件的点。则算法结束。
表2各O-D对的有效路径集
具体地,结合图4所示,本实施例提供的采用基于深度优先遍历算法确定路网的有效路径以及如表2所示的各O-D对的有效路径集的方法,可理解为以下步骤:
首先,按照上述实施例记载的有效路径选取求解步骤,完成对路网中四个O-D对A-G、A-H、B-G和B-H的优先路径集的确定。
然后,以寻找O-D对A-G之间的有效路径为例,结合案例路网列出寻找A-G之间的有效路径检验过程如下:
步骤一:从终点G出发,找到第一条满足阻抗条件的有效路径A—D—G。
步骤二:从起点A回溯寻找,每到一上位节点均判断与此上位节点r相连的下位节点是否满足条件c(ir)≥calt(ir),若满足条件则继续向下检验,若不满足则继续回溯到上一上位节点。在本例中,此次检验回溯至节点D,存在与其反向相连的节点C,满足c(AC)≥calt(AC)。继续向下检验,得到有效路径A—C—D—G。
步骤三:从有效路径A—C—D—G回溯至节点G,存在与其反向相连的节点F,满足c(AF)≥calt(AF)。继续向下检验,得到有效路径A—C—D—F—G。
步骤四:从有效路径A—C—D—F—G回溯至节点F,存在与其反向相连的节点E,满足c(AE)≥calt(AE)。继续向下检验,得到有效路径A—C—E—F—G。
步骤五:从有效路径A—C—E—F—G回溯至节点F,存在与其反向相连的节点D,满足c(AD)≥calt(AD);继续向下检验,得到有效路径A—D—F—G。
步骤六:从有效路径A-D-F-G回溯,直至终点G都没有找到与其反向相连的点,此时检验结束。
按照此种方法,依次获取路网中四个O-D对A-G、A-H、B-G和B-H的路径,其最后的结果如表2所示。
综上所述,本发明实施例提供的多源数据的交通分配方法,参考运筹学中分支定界法的思路,使用基于深度优先遍历算法的有效路径选取方法,较为简便地获取到待分配区域路网中各O-D对的有效路径集,解决了影响所建立的动态O-D反推与交通分配组合模型所需的交通参数获取的两个关键问题的一个。
基于上述实施例的内容,作为一种可选实施例,上述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型的建立,主要包括:
基于所述动态O-D反推模型和所述动态交通分配组合模型,以路段流量和路径行程时间两个参数为变量,以所述路段流量的偏差平方和所述路径行程时间的偏差平方之和最小为目标,构建所述动态O-D反推与交通分配组合模型。
本发明实施例综合考虑了路段流量和路径行程时间两个因素,以相对误差平方和最小为目标,从平衡路段流量偏差与路径行程时间偏差对目标函数影响的角度引入了相应的权重系数,构建了基于非线性数学规划的动态O-D反推与交通分配组合模型。
具体地,动态O-D反推与交通分配组合模型的目标函数为:
其中,μ为观测时间,h、k均为部分路段的标号,g没有实际的物理含义(仅为了对全路段动态交通量与部分路段检测流量之间形成区别),为全路段动态交通量,Vμ(h)为部分路段检测流量,全路径行程时间,Tμ(k)为部分路段路径行程时间,ω1:路段流量的偏差的权重,ω2:路径行程时间的偏差的权重,0≤ω1,ω2≤1且ω1+ω2=1。
具体地,上述目标函数中各交通参数之间的存在如下关系:
(1)在观测时段μ内,第n个O-D对的δn条路径流量构成了该O-D对的出行量,因此O-D出行量与路径流量之间存在以下关系:
(2)在观测时段μ内,沿路径k出发的路径交通量由第n个O-D对之间的出行量和选择路径k的概率共同决定,因此路径流量与O-D出行量之间存在以下关系:
(3)在观测时段μ内,估测的通过路段h路段检测器的断面交通流量由各O-D对中通过此路段的各路径流量构成,两者的关系表述如下:
(4)从时间分布的角度看,第n个O-D对的静态出行量由各时段该O-D对的动态出行量组成,两者之间存在以下关系:
Vμ(h):在观测时段μ内,通过路段h路段检测器的断面交通流量(veh);
Pμ(k/δn):在观测时段μ内,第n个O-D对中的出行者在总计δn个路径中选择路径k的概率,且根据同一O-D对下路径之间的关系可以获知:
tμ(h):在观测时段μ内,车辆在路段h上的平均行程时间(s);
Tμ(k):在观测时段μ内,路径k的路径行程时间(s);
进一步地,结合目标函数和上述各交通参数的表达式可以获知:
首先,通过部分路段的时变流量和各O-D对在总时段上的静态出行总量,可以反推获得各O-D对出行量在每一时段的分配情况。其中,部分路段的时变流量可通过部分路段的环形检测器获得;各O-D对在总时段上的静态出行总量可通过交通调查等已非常成熟的静态O-D获取方法获得。
基于上述实施例的内容,作为一种可选实施例,其中全路段动态交通量的计算方法,包括:
根据部分路段的检测流量和各O-D对在总时段上的静态出行总量,反推获得各O-D对出行量在每一时段的分配数据;
获取时变的分配比例,包括:
获取所有路段在观测时段内的路段估测流量,包括:
其中,Bμ(j)为在观测时段μ内,到目的地的j的出行总量;BL(ij)为在总时段L内,O-D对之间的静态出行量;为在观测时段μ内,O-D对之间的浮动车出行量;为在观测时段μ内,到目的地的j的浮动车出行量;i和j分别为O-D对的出发地和目的地,λ为0-1变量,且 为在观测时段μ内,估测的通过路段h路段检测器的断面交通流量,N为整个路网具有的O-D对的个数,Sμ(n)为时变的分配比例,为动态O-D出行量,为路径流量,Pμ(k/Kn)为路径k的选择概率,Kn为总路径数。
在浮动车比例可以满足数据收集精度的前提下,对浮动车出行量与出行总量做出假设:任一O-D对之间浮动车的出行量与该O-D对的出行总量之比只与O-D对的目的地有关,而与出发地无关,即出发点不同目的地相同的浮动车数量与出行总量之间的比值不变,即浮动车出行量与出行总量间存在如下所示关系;
移项可得:
将公式14代入公式12中,可以获取到:
上式中,Bμ(j)表示在观测时段μ内,到目的地的j的出行总量,可由与目的地相连的路段上的路段检测器获得;BL(ij)表示在总时段L内,第O-D对ij之间的静态出行量,可通过静态O-D获取方法获得;表示在观测时段μ内,O-D对ij之间的浮动车出行量,可从浮动车检测数据中提取获得;表示在观测时段μ内,到目的地的j的浮动车出行量,可从浮动车检测数据中提取获得。
在已获得时变的动态O-D出行量的基础上,需对出行者的路径选择进行思考。为计算各路段流量,引入路径选择概率Pμ(k/Kn),它表示:在观测时段μ内,第n个O-D对中的出行者在总计Kn个路径中选择路径k的概率。根据公式8和公式9给出的动态O-D出行量、路径流量之间和路径选择概率三者之间的关系,可通过公式16计算出在观测时段μ内,O-D对i,j之间各条路径的路径流量
基于上述实施例的内容,在本实施例提供的基于多源数据的交通分配方法,提供一种全路径行程时间的计算方法,包括但并不限于以下步骤:
建立路段长度、路段交通流量和路段平均行程时间三者之间的关系式为:tμ=a+b·R+c·V+d·W;
根据各路段的路段平均行程时间,计算所述全路径行程时间,包括:
其中,tμ为观测时段μ内,路段的平均行驶时间,R为路段长度,V为交通流量,W为V的平方,a、b、c、d均为待定关系系数,λ为0-1变量且tμ(h)为在观测时段μ内,在路段h上的平均行程时间,为在观测时段μ内,估测的路径k的路径行程时间。
具体地,由于,估测的路段行程时间是构成估测路径行程时间的基础,因此在本实施例中,首先计算不同时段下路网中各路段的行程时间。车辆路段行程时间的影响因素主要包括以下两个部分:其一是路段的长度,在城市路网车辆较少的情况下,车辆行驶速度变化相对较小,此时影响车辆路段行程时间的主要因素为路段长度;其二是路段上的交通流量,在城市路网车辆较多的情况下,路段车辆的行驶状态易受其他车辆的影响,此时路段长度和路段交通流量将共同影响车辆路段行程时间,且随着流量的增加,路段流量逐渐变为影响车辆路段行程时间的主要因素。有研究表明:车辆路段行驶时间与路段长度间存在正比例关系,而与路段交通流量间存在二次曲线函数关系。因此,可建立路段长度、路段交通流量和路段平均行程时间三者之间的关系式如下所示
tμ=a+b·R+c·V+d·W 公式18
其中,tμ为观测时段μ内,路段的平均行驶时间;R为路段长度;V为交通流量;W为V的平方;a,b,c,d为待定系数,可通过多元线性回归进行标定。
在获得路段平均行程时间后,可进一步根据路径行程时间与路段行程时间的关系获得估测路径行程时间。在观测时段μ内,估测路径行程时间由此路径上各路段的路段平均行程时间构成,两者关系可表述如下:
进一步,在本发明实施例中,还提供一种基于Path-Size Logit模型进行路径选择概率的计算方法。
为明确出行者路径选择的依据,首先需要对路径选择问题中的广义费用作出定义并计算。在出行者进行路径选择的过程中,通常将出行的行程时间作为首要考虑对象,优先选择出行时间较短的路径出行,因此在本实施例中,仅考虑行程时间对出行者路径选择的影响,从行程时间的角度建立起路径广义费用Ck(μ)的计算方程:
进一步地,考虑到城市路网中的路径相似性,即同一O-D对中不同路径之间存在路段重合的问题,上式计算得到的路径广义费用Ck(μ)并不能直接用于概率选择方程中,因此需引入路径相似性的负效用参数Jk来对路径广义费用进行折减,Jk的计算方式如下式所示:
在计算得到了路径相似性的负效用参数Jk与路径的广义费用Ck(μ)的基础上,依照Path-Size Logit模型可最终列出出行者在路径集Kn中选择路径k的概率计算式:
根据路径选择概率的定义,路径选择概率的计算结果需满足约束条件:
进一步地,在本发明实施例中,还提供一种实际行程时间的获取方法。由于可获取的数据为多种来源,考虑采用覆盖范围更大的浮动车检测数据作为分析基础,受限于浮动车数量和检测技术,采集的浮动车数据精度有所限制,直接将浮动车的行程时间作为道路行程时间会发生数据失真的情况。因此,在利用浮动车数据计算路网实际行程时间的过程中,需对采集的浮动车数据做数据处理。
其中,Fμ(k)表示在观测时段μ内,路径k的浮动车数量。
其中,α,β,γ为待定系数,可通过二次多项式回归得到。
进一步地,由于构建的基于多源数据的动态O-D反推与交通分配组合模型的目标函数中,包含了两个权重系数ω1,ω2,在本发明实施例中提供一种采用理想点法来确定权重系数的值,其方法包括:通过计算确定一个理想点,然后分别求解各种权重组合下目标解与该理想点的距离,最后取与理想点最近的目标解相对应的权重组合作为本文采用的权重组合。
具体地,针对构建的组合模型目标函数,由于求解目标为最小值,因此路段流量偏差目标函数V与路径行程时间偏差目标函数T的理想值为最小值,分别记为V0和T0,由此,可以定义基于多源数据的动态O-D反推与交通分配组合模型的理想点:
Z0=(V0,T0) 公式26
对路段流量偏差目标函数V与路径行程时间偏差目标函数T而言,可令编号为m的权重组合下的V与T分别为ωmV与ωmT,则在此权重下的理想点法目标函数为
I2=[(wmV-V0)2+(wmT-T0)2]1/2 公式27
当I2取最小值时,相对应的编号为m的权重组合即为最优的权重组合。
进一步的,在本发明实施例中,还提供一种模型求解的方法,其基本原理为:通过对静态出行量在时空上进行分配得到估测路段流量和估测路径行程时间的初始解,之后以路段上的流量偏差和路径上的行程时间偏差最小为目标通过反复迭代寻找满足路网各要素约束条件的最优解,最优解中得出的各路段、路径流量即为模型输出结果。对于城市路网,算法整体过程如图5所示,主要包括4个步骤。
第一步:初始化求解,首先通过路网数据和基于Transmodeler软件的浮动车比例取值方法得到路网中适宜的浮动车比例;通过路网数据和基于深度优先遍历算法的有效路径确定方法得到各O-D对的有效路径集。然后,结合浮动车数据、路段流量数据和静态O-D数据计算得到路段估测流量的初值和路径行程时间的初值
第二步:将以上得到初始值分别与实测的路段流量Vμ(h)和实测路径走行时间Tμ(k)进行比较,若满足规定的精度要求,则获得最优解;否则,进入迭代求解过程。
第四步:进行精度检验,若满足规定的精度要求,则获得路段流量、路径流量的最优解,否则,令σ=σ+1,重新进行求解。
本发明实施例提供一种基于多源数据的交通分配***,如图6所示,包括:交通数据检测单元11和数据运算单元12,其中:
交通数据检测单元11,用于获取待分配区域内的多类别检测器采集的部分路段多源交通数据;数据运算单元12,用于将所述部分路段多源交通数据输入至动态O-D反推与交通分配组合模型中,获取到所述待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;所述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
本发明实施例提供的一种基于多源数据的交通分配***,通过将多源数据与动态OD反推以及交通分配组合模型进行有效融合,可以基于获取的部分路段多源数据求解得到全路段的动态交通量,实现了对交通大数据的高效深度利用,提高了交通规划和管理控制工作的效率。
图7为本发明实施例所描述的电子设备结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)430和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行如下方法:获取待分配区域内的多类别检测器采集的部分路段多源交通数据;将该部分路段多源交通数据输入至动态O-D反推与交通分配组合模型中,获取到待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;上述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待分配区域内的多类别检测器采集的部分路段多源交通数据;将该部分路段多源交通数据输入至动态O-D反推与交通分配组合模型中,获取到待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;上述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:获取待分配区域内的多类别检测器采集的部分路段多源交通数据;将该部分路段多源交通数据输入至动态O-D反推与交通分配组合模型中,获取到待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;上述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多源数据的交通分配方法,其特征在于,包括:
获取待分配区域内的多类别检测器采集的部分路段多源交通数据;
将所述部分路段多源交通数据输入至动态O-D反推与交通分配组合模型中,获取到所述待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;
所述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
2.根据权利要求1所述的基于多源数据的交通分配方法,其特征在于,所述获取待分配区域内的多类别检测器采集的部分路段多源交通数据,包括:
利用固定源数据检测设备和移动源检测设备获取所述部分路段的路段流量、路段车速以及路径行程时间;
所述固定源数据检测设备至少包括固定线圈检测器,所述移动源检测设备至少包括浮动车。
3.根据权利要求2所述的基于多源数据的交通分配方法,其特征在于,在所述获取待分配区域内的多类别检测器采集的部分路段多源交通数据之前,还包括:
基于Transmodeler仿真分析法确定所述待分配区域内浮动车的数量比例;
基于深度优先遍历算法确定所述待分配区域内各O-D对的有效路径集。
4.根据权利要求3所述的基于多源数据的交通分配方法,其特征在于,所述基于Transmodeler仿真分析法确定所述待分配区域内浮动车的数量比例,包括:
建立相对误差与浮动车比例函数式:θ=F(PCT),其中,θ表示真实平均行程车速与平均检测车速之间的相对误差值;PCT表示浮动车占全部车辆的比例;
在预设所述待分配区域内各路段交通参数之后,基于Transmodeler仿真模型,获取不同浮动车比例下的平均检测车速和真实平均行驶车速,并计算获取不同浮动车比例下的所述相对误差值,组成仿真数据集;
在剔除所述仿真数据集中的无效数据之后,获取浮动车的数量比例。
5.根据权利要求3所述的基于多源数据的交通分配方法,其特征在于,所述基于深度优先遍历算法确定所述待分配区域内各O-D对的有效路径集,包括:
若所述O-D对之间仅有不存在交叉口转向限制的无环路出行路径,则将所述无环路出行路径设置为有效路径集;
若所述O-D对之间存在多个交叉口出行路径,则根据以下方法确定所述有效路径集:
定义所述O-D对之间的最小路径阻抗值以及所述O-D对之间任一路段不可用时的最小替代路径阻抗值;
将路径阻抗值大于等于最小路径阻抗值且小于等于替代路径阻抗值中的最大值的路径设置为有效路径,并构成有效路径集。
6.根据权利要求1所述的基于多源数据的交通分配方法,其特征在于,所述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型,包括:
基于所述动态O-D反推模型和所述动态交通分配组合模型,以路段流量和路径行程时间两个参数为变量,以所述路段流量的偏差平方和所述路径行程时间的偏差平方之和最小为目标,构建所述动态O-D反推与交通分配组合模型。
8.根据权利要求7所述的基于多源数据的交通分配方法,其特征在于,全路段动态交通量的计算方法,包括:
根据部分路段的检测流量和各O-D对在总时段上的静态出行总量,反推获得各O-D对出行量在每一时段的分配数据;
获取时变的分配比例,包括:
根据所述时变的分配比例,获取时变的动态O-D出行量;
计算在观测时段内O-D对之间各条路径的路径流量,包括:
获取所有路段在观测时段内的路段估测流量,包括:
10.一种基于多源数据的交通分配***,其特征在于,包括:
交通数据检测单元,用于获取待分配区域内的多类别检测器采集的部分路段多源交通数据;
数据运算单元,用于将所述部分路段多源交通数据输入至动态O-D反推与交通分配组合模型中,获取到所述待分配区域内全路段目标流量数据和全路径目标流量数据,以实现交通分配;
所述动态O-D反推与交通分配组合模型是基于动态O-D反推模型和动态交通分配组合模型通过动态网络加载以及交通流的数学描述而成的单层组合模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213553.4A CN111105613B (zh) | 2019-12-02 | 2019-12-02 | 一种基于多源数据的交通分配方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213553.4A CN111105613B (zh) | 2019-12-02 | 2019-12-02 | 一种基于多源数据的交通分配方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105613A true CN111105613A (zh) | 2020-05-05 |
CN111105613B CN111105613B (zh) | 2021-01-26 |
Family
ID=70420836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911213553.4A Active CN111105613B (zh) | 2019-12-02 | 2019-12-02 | 一种基于多源数据的交通分配方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105613B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915903A (zh) * | 2020-06-04 | 2020-11-10 | 东南大学 | 一种基于多源数据的快速路od矩阵获取方法 |
CN111932872A (zh) * | 2020-06-29 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
CN112634620A (zh) * | 2020-12-24 | 2021-04-09 | 东南大学 | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 |
CN112652189A (zh) * | 2020-12-30 | 2021-04-13 | 西南交通大学 | 基于策略流的交通分配方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009176187A (ja) * | 2008-01-28 | 2009-08-06 | Nec Corp | 交通流分散システム、交通流分散方法、交通流分散プログラムおよびプログラム記録媒体 |
CN103927890A (zh) * | 2014-04-29 | 2014-07-16 | 北京建筑大学 | 一种基于动态o-d矩阵估计的干线协调信号控制方法 |
CN104183119A (zh) * | 2014-08-19 | 2014-12-03 | 中山大学 | 基于路段od反推的实时交通流分布预测*** |
CN106355871A (zh) * | 2016-10-14 | 2017-01-25 | 北京建筑大学 | 一种基于gis的交通控制方法 |
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 |
CN110264719A (zh) * | 2019-06-27 | 2019-09-20 | 武汉理工大学 | 一种基于多源数据的机动车动态od矩阵估计方法 |
CN110363994A (zh) * | 2019-07-25 | 2019-10-22 | 北京建筑大学 | 路网全路段动态交通量获取方法 |
-
2019
- 2019-12-02 CN CN201911213553.4A patent/CN111105613B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009176187A (ja) * | 2008-01-28 | 2009-08-06 | Nec Corp | 交通流分散システム、交通流分散方法、交通流分散プログラムおよびプログラム記録媒体 |
CN103927890A (zh) * | 2014-04-29 | 2014-07-16 | 北京建筑大学 | 一种基于动态o-d矩阵估计的干线协调信号控制方法 |
CN104183119A (zh) * | 2014-08-19 | 2014-12-03 | 中山大学 | 基于路段od反推的实时交通流分布预测*** |
CN106355871A (zh) * | 2016-10-14 | 2017-01-25 | 北京建筑大学 | 一种基于gis的交通控制方法 |
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 |
CN110264719A (zh) * | 2019-06-27 | 2019-09-20 | 武汉理工大学 | 一种基于多源数据的机动车动态od矩阵估计方法 |
CN110363994A (zh) * | 2019-07-25 | 2019-10-22 | 北京建筑大学 | 路网全路段动态交通量获取方法 |
Non-Patent Citations (3)
Title |
---|
JIAO PENGPENG ET AL.: "Disaggregate Traffic Mode Choice Model Based on Combination of Revealed and Stated Preference Data", 《TSINGHUA SCIENCE AND TECHNOLOGY》 * |
郭晗: ""基于多源数据的动态OD估计方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈新梅: ""动态OD矩阵估算与DYNAMEQ动态交通分配交互研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915903A (zh) * | 2020-06-04 | 2020-11-10 | 东南大学 | 一种基于多源数据的快速路od矩阵获取方法 |
CN111915903B (zh) * | 2020-06-04 | 2022-08-09 | 东南大学 | 一种基于多源数据的快速路od矩阵获取方法 |
CN111932872A (zh) * | 2020-06-29 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
CN112634620A (zh) * | 2020-12-24 | 2021-04-09 | 东南大学 | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 |
CN112652189A (zh) * | 2020-12-30 | 2021-04-13 | 西南交通大学 | 基于策略流的交通分配方法、装置、设备及可读存储介质 |
CN112652189B (zh) * | 2020-12-30 | 2021-09-28 | 西南交通大学 | 基于策略流的交通分配方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111105613B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105613B (zh) | 一种基于多源数据的交通分配方法及*** | |
CN108629974B (zh) | 顾及城市道路交通网络特征的交通运行指数建立方法 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及*** | |
CN110008413B (zh) | 一种交通出行问题查询方法和装置 | |
Osorio et al. | Simulation-based optimization: achieving computational efficiency through the use of multiple simulators | |
CN108765944A (zh) | 基于多重路径集的最优交通流预测方法与拥挤收费方法 | |
CN112797995A (zh) | 具有时空特性态势信息的车辆应急导航方法 | |
Silva et al. | A mixed load solution for the rural school bus routing problem | |
De Nunzio et al. | Bi-objective eco-routing in large urban road networks | |
Schnitzler et al. | Combining a Gauss-Markov model and Gaussian process for traffic prediction in Dublin city center. | |
CN116564087A (zh) | 一种基于大数据的路网均衡控制方法及*** | |
Si et al. | Urban transit assignment model based on augmented network with in-vehicle congestion and transfer congestion | |
Huang et al. | An incremental map matching approach with speed estimation constraints for high sampling rate vehicle trajectories | |
CN107545314B (zh) | 公共出行路线的排序方法及装置 | |
Ambrosino et al. | An algorithmic framework for computing shortest routes in urban multimodal networks with different criteria | |
Rakhmawati et al. | Optimal path with interval value of intuitionistic fuzzy number in multigraph | |
Guo et al. | Intelligent traffic cloud computing system based on ant colony algorithm | |
Liang et al. | The impact of bus fleet size on performance of self-equalise bus headway control method | |
Verbas et al. | Finding least cost hyperpaths in multimodal transit networks: Methodology, algorithm, and large-scale application | |
Huang et al. | Application of cellular automata and type-2 fuzzy logic to dynamic vehicle path planning | |
Vega | Optimal sensor placement and density estimation in large-scale traffic networks | |
Zhang et al. | Effect of transfer costs on traffic dynamics of multimodal transportation networks | |
CN105427581B (zh) | 基于浮动车数据的交通仿真方法及*** | |
Arizti et al. | A bilevel approach to frequency optimization in public transportation systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |