CN113724489B

CN113724489B - 基于多源数据的交通拥堵溯源方法

Info

Publication number: CN113724489B
Application number: CN202110830406.2A
Authority: CN
Inventors: 任刚; 海天睿; 王亚琨; 曹奇; 李大韦
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2021-07-22
Filing date: 2021-07-22
Publication date: 2022-07-01
Anticipated expiration: 2041-07-22
Also published as: CN113724489A

Abstract

本发明提出了基于多源数据的交通拥堵溯源方法，方法包括基于多源数据的地图匹配算法(AVI‑MM)和多层次交通拥堵溯源算法。AVI‑MM算法融合稀疏AVI数据和海量GPS数据，首先基于随机游走算法生成车辆路径候选集合，之后基于效用最大的Logit路径选择模型确定先验概率，并利用时空融合分析界定条件概率，最后依次连通匹配概率最大的子路径得到最终全路径；多层次交通拥堵溯源算法基于地图匹配结果，分别计算路段、节点、区域多层次车辆轨迹OD分布。本发明方法实现了准全样本车辆轨迹与行驶路径的高精度匹配，并基于准全样本AVI数据的路径匹配结果，量化分析了拥堵路段交通流量的起讫分布以及路径分布。

Description

基于多源数据的交通拥堵溯源方法

技术领域

本发明属于城市交通控制与管理领域，具体涉及基于多源数据的交通拥堵溯源方法。

背景技术

交通拥堵溯源是指追溯车辆在某一空间范围之外的起点与终点位置以及行驶路径，通过对交通流进行来源追溯、去向判别，为交通管控策略的制定提供有力支持。

地图匹配是在数字地图上通过将路段逐段表示来校准车辆位置信息，首先通过地图匹配算法将样本车辆轨迹数据匹配到路网上，继而可以获取经过所观测路段、交叉口或区域的交通流来源与去向，最终实现车辆拥堵溯源。故地图匹配是交通拥堵溯源的重要技术手段，也是实现拥堵溯源的必要途径。现有的地图匹配算法多使用GPS数据来获取车辆位置信息，即将GPS观测点投影到数字地图上，以此获取车辆速度和行程时间等信息。然而，GPS数据存在精度不足、样本量小等局限性。

自动车辆识别(AVI)数据是一种更适合交通拥堵溯源的数据。该***通过固定传感器自动识别机动车，如感应环路检测器(ILDS)、射频识别检测器(RFID)和摄像机传感器。能够检测到所有经过的车辆信息，且在大城市普及率较高。相比而言，AVI数据具有精度高、样本量大的优点。但AVI数据的采样时间和空间间隔的稀疏性问题阻碍了在地图匹配中的应用。现有的地图匹配算法如：1)基于隐式马尔可夫模型的地图匹配算法(HMM)；2)基于条件随机场的地图匹配算法(CRF)；3)基于时空分析的稀疏GPS轨迹地图匹配算法(ST)。这些算法面向稀疏AVI数据时均表现出匹配精度不足的问题。

现有技术存在的问题：一方面，现有的交通拥堵溯源方法多使用GPS数据，但存在数据样本量不足及位置偏差等局限性，无法实现基于大规模样本的交通拥堵溯源。另一方面，虽然通过将海量AVI轨迹数据匹配到交通路网上，可实现准全样本的交通拥堵溯源，但缺乏面向稀疏AVI数据的地图匹配算法。

发明内容

发明目的：针对以上问题，本发明提出基于多源数据的交通拥堵溯源方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：基于多源数据的交通拥堵溯源方法，具体包括如下步骤：

步骤1，根据获得的研究区域的AVI观测数据，找出属于同一车辆的连续AVI观测点的数据并拆分得到若干组AVI观测对；一组所述AVI观测对是由同一车辆的连续两个AVI观测点的数据组成的；

步骤2，对于同一车辆的AVI观测对数据和GPS数据，采用随机游走算法，得到该车辆的AVI观测对的子路径候选集合；

步骤3，对于同一车辆的AVI观测对的子路径候选集合，采用时空融合分析算法，为候选集合中的每一个子路径匹配概率；

步骤4，基于同一车辆的AVI观测对候选集合的子路径匹配概率，为每组AVI观测对连接匹配概率最高的子路径，由此确定该车辆AVI观测对的完整路径；

步骤5，重复步骤1-步骤4，完成研究区域内全部车辆轨迹数据的地图匹配；

步骤6，将研究区域内全部车辆轨迹数据映射至该区域内的交叉口、路段以及区域，并进行交通流汇入来源和疏散去向分析，确定交叉口、路段以及区域这三个层次下车辆轨迹的OD分布，完成车辆拥堵溯源。

进一步地，所述步骤1中，同一车辆的连续两个AVI观测点分别为O_j和O_j+1，则该组AVI观测对连接J个子路径

子路径序列

构成该AVI观测对的完整路径；J表示AVI观测对连接的子路径的总数量；同时该组AVI观测对的各个子路径相互独立。

进一步地，所述步骤2的方法具体如下：

步骤2.1，算法初始化，设置子路径候选集合

设置候选集合大小为I，随机游走起点为

终点为

其中，s_O表示一组AVI观测对的观测起点，s_D表示一组AVI观测对的观测终点；

表示AVI观测对起始路段的终点，

表示AVI观测对终止路段的终点；

步骤2.2，令匹配候选集合

且n_x＝n_start；枚举通过节点n_x的全部相邻下游路段节点n_y，计算从节点n_x到节点n_y的转弯概率；并随机选择任一转弯概率对应的节点n_y，令n_x＝n_y；

步骤2.3，判断n_x＝n_end是否成立；

若不成立，则枚举通过节点n_x的全部相邻下游路段节点n_y，计算从节点n_x到节点n_y的转弯概率；并随机选择任一转弯概率对应的节点n_y，令n_x＝n_y，返回步骤2.3；

否则，更新匹配候选集合SP，使SP.append(n_y)∈SP；其中，SP.append(n_y)表示从随机游走起点到终点这一个循环过程中所涉及的节点序列所构成的路径；

步骤2.4，更新候选集合Φ(s_O,s_D)＝Φ(s_O,s_D)∪SP，并判断候选集合Φ(s_O,s_D)<I是否成立；

若成立，则返回步骤2.2；

否则，得到车辆的AVI观测对的子路径候选集合。

进一步地，所述转弯概率的计算公式如下：

式中，n_y表示通过节点n_x的相邻的下游路段节点；

表示从节点n_x到节点n_y的GPS数据数量；Ωx表示通过节点n_x的全部相邻下游路段节点的集合；||n_y,s_D||表示节点n_x与该组AVI观测对的观测终点的欧氏距离。

进一步地，所述步骤3的方法具体如下：

步骤3.1，利用效用最大的Logit路径选择模型为AVI观测对候选集合中的每一个子路径均确定先验概率，表示如下：

式中，SP_j,i表示候选集合中的第i个子路径；Pr(SP_j,i)表示子路径SP_j,i的先验概率；V_i表示效用函数指标；PS_i表示路径重叠度指标；β_ps表示路径重叠度指标的系数；SB_i表示样本偏差性指标；β_sb表示样本偏差性指标的系数；I表示候选集合中子路径的总数量；

步骤3.2，利用时空融合分析界定AVI观测对的候选集合中每一个子路径的条件概率，表示如下：

Pr(O_j→O_j+1|SP_j,i)＝Pr^T(O_j→O_j+1|SP_j,i)*Pr^S(O_j→O_j+1|SP_j,i)

式中，Pr(O_j→O_j+1|SP_j,i)表示子路径SP_j,i的条件概率；Pr^T(O_j→O_j+1|SP_j,i)表示AVI观测对和子路径SP_j,i之间的时间协同性；Pr^S(O_j→O_j+1|SP_j,i)表示AVI观测对和子路径SP_j,i之间的空间协同性；

步骤3.3，基于贝叶斯推断，利用候选集合中同一个子路径的先验概率和条件概率，得到该子路径的匹配概率，表示如下：

式中，P(SP_j,i|O_j→O_j+1)表示子路径SP_j,i的匹配概率；Φ(s_O,s_D)表示子路径候选集合。进一步地，步骤3.1中所述效用函数指标的计算公式如下：

V_i＝β₁TT_i+β₂NSL_i+β₃PF_i

式中，TT_i表示子路径SP_j,i的平均旅行时间；NSL_i和PF_i分别表示子路径SP_j,i中的信号灯数和快速路段占比值；β₁、β₂、β₃分别为待估计参数；

所述子路径的平均旅行时间，是由该子路径中全部路段的旅行时间相加得到的，计算公式如下：

式中，L表示子路径SP_j,i中全部路段的数量；v_l,n表示路段l的第n个观测数据的瞬时速度；N_l表示路段l的观测数据的总数量；l_l.len表示路段l的长度；

所述路径重叠度指标的计算公式如下：

式中，SP_j,i.len表示子路径SP_j,i的长度；δ_l,i表示路段l-子路径SP_j,i之间的关系哑元变量；

所述样本偏差性指标的计算公式如下：

式中，F_i表示候选集合中子路径SP_j,i出现的频率；Pr(SP_i∈Φ(s_O,s_D))表示子路径SP_j,i作为子路径集产生的概率，等于该子路径SP_j,i在各个交叉口转弯概率的连乘。

进一步地，步骤3.2所述时间协同性的计算公式如下：

式中，t_j＝O_j+1.t-O_j.t表示从观测点O_j到观测点O_j+1的实际旅行时间；

表示子路径SP_j,i∈Φ(s_O,s_D)的期望旅行时间；

同时，

N()表示正态分布，

表示方差，L表示子路径SP_j,i中全部路段的数量；N_l表示路段l的观测数据的总数量；D(t_l)表示路段l的出行时间方差；

所述空间协同性的计算公式如下：

式中，||O_j.s_id,O_j+1.s_id||表示观测点O_j和观测点O_j+1之间的欧氏距离；SP_j, _i.len表示子路径SP_j,i的长度。

进一步地，所述步骤6的方法如下：

步骤6.1，基于车辆轨迹数据的地图匹配结果，将某一路段作为研究对象，确定被研究路段下车辆轨迹的OD分布，方法具体如下：

被研究路段下车辆轨迹的OD流量等于该路段间全部子路径流量之和，表示如下：

式中，

表示被研究路段下车辆轨迹的OD流量；O表示路网区域内全部车辆轨迹起点的集合；D表示路网区域内全部车辆轨迹终点的集合；Η表示路网区域内全部OD对构成的集合；Q表示某一OD对所包含的全部子路径的集合；

表示路网区域内第h个OD对路段车辆轨迹的OD流量；

表示第h个OD对所包含的第q条子路径的OD流量；

表示第h个OD对所包含的第q条子路径是否有车辆经过的哑元变量；当有车辆经过时哑元变量

否则哑元变量

步骤6.2，基于车辆轨迹数据的地图匹配结果，将某一交叉口作为研究对象，确定被研究交叉口车辆轨迹的OD分布，方法具体如下：

被研究交叉口车辆轨迹的OD流量等于该交叉口进口车道上流经出口车道下游的OD对间所有子路径流量之和，表示如下：

式中，

表示被研究交叉口车辆轨迹的OD流量；K表示被研究交叉口的路段数量；

步骤6.3，基于车辆轨迹数据的地图匹配结果，将某一区域作为研究对象，确定被研究区域车辆轨迹的OD分布，方法具体如下：

被研究区域的边界相交路段即为该区域车辆轨迹OD，区域车辆轨迹的OD流量等于该区域边界相交路段所包含子路径流量之和，表示如下：

式中，

表示被研究区域车辆轨迹的OD流量；

表示第h个OD对所包含的第q条与边界相交的子路径的OD流量；L'表示被研究区域的边界相交的路段数量。

有益效果：与现有技术相比，本发明技术方案具有以下有益技术效果：

本发明涉及面向稀疏AVI轨迹的地图匹配算法，融合稀疏AVI数据和大量GPS数据，构建了车辆轨迹匹配概率模型，并提出一种候选集生成算法，实现了准全样本车辆轨迹与行驶路径的高精度匹配；并基于准全样本AVI数据的路径匹配结果，量化分析了拥堵路段交通流量的起讫分布以及路径分布。

本发明涉及基于准全样本的拥堵溯源分析方法，基于准全样本AVI数据的路径匹配结果，量化分析了拥堵路段交通流量的起讫分布以及路径分布，回答了拥堵交通流“从哪里来到哪里去”以及“从哪些路径积聚又通过哪些路径疏散”的问题。

附图说明

图1是一种实施例下本发明所述基于多源数据的交通拥堵溯源方法的流程图；

图2是一种实施例下本发明AVI观测点的数据拆分示意图；

图3是一种实施例下随机游走算法的GPS数据估计交叉口转弯概率的示意图；

图4是一种实施例下大规模GPS样本下POI密度和起点出现频率的关系拟合图；

图5是一种实施例下大规模GPS样本下区域中心到观测点出行时间的概率密度分布图；

图6是一种实施例下交叉口轨迹OD分布示意图；

图7是一种实施例下路段轨迹OD分布示意图；

图8是一种实施例下区域轨迹OD分布示意图；

图9是一种实施例下深圳市AVI传感器和GPS数据示意图；

图10是一种实施例下深圳市AVI数据时间间隔分布图；

图11是一种实施例下深圳市AVI数据空间间隔分布图；

图12是一种实施例下深圳市实际观测路径集合示意图，其中(a)-(l)分别是观测频数是3012、1041、146、47、35、32、20、19、16、13、10、8的观测路径集合；

图13是一种实施例下AVI观测对子路径候选集合示意图，其中(a)-(l)分别是生成频数是1500、968、152、39、36、31、24、21、18、15、14、11的子路径候选集合；

图14是一种实施例下泥岗路卡口、蜂窝小区示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的基于多源数据的交通拥堵溯源方法，参考图1，具体包括如下步骤：

步骤S1：假设AVI观测对间互相独立，对AVI连续观测对进行拆分；

具体为：如图2所示，令AVI数据的连续两个观测点为O_j和O_j+1，则连接子路径为

子路径序列

可组成完整的路径。假设连续不同观测点的子路径之间相互独立。

步骤S2：基于AVI数据和GPS数据，采用随机游走算法，生成每个AVI观测对的子路径候选集；具体包括如下步骤：

步骤S21：算法初始化，设置备用候选集

设置候选集大小I，随机游走起点

终点

其中，

表示起始路段的终点，

表示终止路段的终点；

步骤S22：计算转弯概率，如图3所示，通过枚举通过结点n_x的所有相邻的下游路段，并检查所有经过结点n_x的GPS样本数量，来计算从n_x到节点n_y的转弯概率：

式中，n_y表示通过节点n_x的相邻的下游路段节点；

表示从节点n_x到节点n_y的GPS数据数量；Ωx表示通过节点n_x的全部相邻下游路段节点的集合；||n_y,s_D||表示节点n_x与该组AVI观测对的观测终点的欧氏距离，防止算法偏离终点。

步骤S23：循环体：如果备用候选集合大小Φ(s_O,s_D)<I，那么令

且n_x＝n_start；进一步，如果nx≠n_end，那么随机选择n_y∈Ω_x作为传出节点，并更新路径SP＝SP.append(n_y)，在下一个节点随机行走：n_x＝n_y；最后更新候选集：Φ(s_O,s_D)＝Φ(s_O,s_D)∪SP；

这里需要强调，路径集合所包含的路径数量需要提前设定，且要在合理的范围内，一般通过GPS样本集推断得到。

步骤S3：基于AVI数据和GPS数据，采用时空融合分析方法，为每个候选子路径分配匹配概率，具体包括如下步骤：

步骤S31：基于效用最大的Logit路径选择模型描述车辆确定子路径先验概率；

具体为：为每一组连续观测对下子路径集合分配概率；使用传统的基于效用最大的Logit路径选择模型来描述驾驶员在两个连续观测站点下的选择行为，表示如下：

V_i＝β₁TT_i+β₂NSL_i+β₃PF_i

所述子路径SP_j,i的平均旅行时间，是由该子路径中全部路段的旅行时间相加得到的，计算公式如下：

考虑到路径之间的物理重叠，引入路径重叠度指标，所述路径重叠度指标的计算公式如下：

同时考虑到GPS数据具有样本偏差性，引入样本频率修正项，用来解决由于实际情况导致一些选项的效用函数不大，但是实际中出现频率极高的情况；所述样本偏差性指标的计算公式如下：

最终得到子路径的先验概率，表示如下：

步骤S32：时空融合分析界定条件概率；

具体为：定义条件概率Pr(O_j→O_j+1|SP_j,i)为在给定的子路径下，观测O_j→O_j+1出现的概率。采用时空融合分析法：

Pr(O_j→O_j+1|SP_j,i)＝Pr^T(O_j→O_j+1|SP_j,i)Pr^S(O_j→O_j+1|SP_j,i)

式中，Pr(O_j→O_j+1|SP_j,i)表示子路径SP_j,i的条件概率；Pr^T(O_j→O_j+1|SP_j,i)表示AVI观测对和子路径SP_j,i之间的时间协同性；Pr^S(O_j→O_j+1|SP_j,i)表示AVI观测对和子路径SP_j,i之间的空间协同性；如图4和图5所示，出行者在高POI密度地区出发频繁，依据大量统计观测拟合结果，假设POI密度和起点出现频率为线性关系；下面分别进行说明：

1)时间协同性分析：路段的交通状态随时间变化明显，不确定性也随之增加，且AVI观测点距离较大，观测较稀疏。利用动态时间约束的方法，通过结合稀疏的AVI数据和少量精准的GPS样本，以观测和期望旅行时间的差来表征匹配率，具体表示如下：

表示子路径SP_j,i的期望旅行时间；

在对GPS大量样本分析后，做出如下假设：

即假设观测和期望旅行时间的差服从正态分布，经过推导方差为

2)空间协同性分析：假设真实路径总是指向终点，即在实际道路中，大部分驾驶员偏好于选择绕行距离较短的路径进行行驶，表示如下：

式中，||O_j.s_id,O_j+1.s_id||表示观测点O_j和观测点O_j+1之间的欧氏距离；SP_j, _i.len表示子路径SP_j,i的长度；

步骤S33：基于贝叶斯推断，确定每个子路径的匹配概率。

具体为，通过AVI数据、GPS数据及背景信息来推断起终点，表示如下：

式中，P(SP_j,i|O_j→O_j+1)表示子路径SP_j,i的匹配概率；Φ(s_O,s_D)表示子路径候选集合。

步骤S4：连接匹配概率最高的子路径以完成车辆轨迹地图匹配。

步骤S5：重复步骤S1至S4，直到完成所有AVI观测样本的地图匹配；

步骤S6：根据匹配至路网上的车辆轨迹信息，完成所研究交叉口、路段、区域三个层次的交通流汇入来源与疏散去向的映射，即完成车辆拥堵溯源；具体包括：

(1)面向路段的车辆OD分布

如图7所示，根据车辆轨迹匹配结果，以某一路段作为观测对象，研究经过该路段的路径流量分布。路段车辆轨迹OD分布计算方法为：路网中某一个OD对间的流量等于该OD对间所有子路径流量之和：

式中，

表示路网区域内第h个OD对路段车辆轨迹的OD流量；

表示第h个OD对所包含的第q条子路径的OD流量；

否则哑元变量

(2)面向交叉口的车辆OD分布

如图6所示，根据车辆轨迹匹配结果，以某一交叉口作为观测对象，研究经过该交叉口的车辆轨迹OD分布。交叉口车辆轨迹OD分布计算方法为：路网中某一个交叉口OD对间的流量等于该交叉口进口车道上游流经出口车道下游的OD对间所有子路径流量之和：

式中，

(3)面向区域的车辆OD分布

如图8所示，根据车辆轨迹匹配结果，以某一区域作为观测对象，研究经过该区域的车辆轨迹OD分布。区域车辆轨迹OD分布计算方法为：所研究的区域边界相交路段即为该区域车辆轨迹OD，区域OD对间的流量等于区域边界相交路段的所包含子路径流量之和：

式中，

表示被研究区域车辆轨迹的OD流量；

实施例一：

(1)数据采集提取

公路网：在实验中，使用了中国深圳的公路网，全长21985公里。全市网络图覆盖40×50公里的空间范围，包含237440个节点和215771条道路连接。

AVI数据集：2016年9月1日至10月31日在深圳采集了715个固定传感器检测到的AVI数据集。这些固定传感器的位置如图9中的圆点所示。计算了AVI观测对的时间和空间间隙的分布直方图，分别如图10和图11所示。时间间隙的均值、中位数和方差分别为12.18min、5.54min和252.83min²，空间间隔的相应统计数据分别为16.25公里、10.23公里和292.93公里²。AVI数据的各项统计指标如表1所示，AVI数据的时间和空间间隔超出了现有地图匹配研究所考虑的稀疏问题的范围。

表1 AVI数据统计指标

	均值	中位数	方差
				时间(min)	12.18	5.54	252.83
空间(km)	16.25	10.23	292.93

GPS数据集：通过14230个带有探针传感器的出租车生成，时间范围和空间范围与AVI数据集相同。每个AVI传感器对在一天中捕获的GPS样本数由图9表示。该数据集的平均采样率为每点15s。

(2)实验设计

使用10000辆出租车收集的1485476连续的轨迹数据作为训练集，1000辆出租车收集的156192条轨迹数据作为测试集，并进行交叉验证。

(3)实验结果

使用本发明提出的地图匹配算法基于训练集生成子路径候选集合，与测试集的轨迹和频率比较，证明了本发明的生成子路径候选集合算法在生成子路径候选集合上有较高的精度，如图12的(a)-(l)所示以及图13的(a)-(l)所示。

根据Newson和Krumm对匹配概率计算方法，比较本发明提出的地图匹配算法与其他常见模型的匹配精度和延迟。经计算，本发明提出的AVI-MM算法和其他常用算法匹配精度和延迟如表2所示。结果显示，在保证延迟在可接受范围内条件下，本发明提出的地图匹配算法的精度相较于其他算法显著提升。

表2本发明方法和其他常用方法匹配精度对比

	HMM	CRF	ST-Matching	本发明算法
					平均精度	30.85％	57.69％	66.24％	87.74％
平均延迟	0.013s	0.045s	0.017s	0.03s

实施例二：

(1)实验数据采集

泥岗路是深圳市内一条东西走向的快速路，全长3.4公里，西面起于泥岗立交桥，接驳北环大道，东面止于洪湖立交桥而接驳布心路，中途设有泥岗红岭立交可向北进入玉平大道(清平高速)、红岗路，向南可进入红岭北路，亦有匝道可向南进入清水河三路、洪湖西路。

将深圳市道路网络与蜂窝网格网、有数据的视频卡口位置在QGIS复合形成底图，并对相应的蜂窝网格和OD点进行编号，如图14所示。

其中圆圈代表的是不同匝道口，表征8个OD小区；小圆点表示在泥岗路及其周围可采集到数据的6个视频卡口，具体信息见表3；覆盖全图的不规则多边形为蜂窝网格，对其中与泥岗路沿线具有关联的网格进行编号，共计31个；在此快速路网络中共有可行路径44条，11个路口分流点。在本案例中考虑到快速路网结构，为便于估算验证，采用右行路径比例对浮动车GPS信息进行引入。

(2)数据准备

泥岗路沿线视频卡口信息、OD与路径对应关系、分流点与路径对应关系详见表3至表5。

表3泥岗路沿线视频卡口信息表

表4泥岗路OD与路径对应关系表

表5泥岗路路段分流点与路径对应关系表

(3)数据预处理

①视频卡口AVI数据获取：在深圳市全市视频卡口中筛选出表3中的6个卡口，依据卡口ID对2016年9月1日星期四全天观测数据进行检索，按照卡口ID出现次数进行计数，得到各卡口的全天流量值，列在表6中。

表6 2016年9月1日泥岗路沿线卡口流量观测值

卡口编号	卡口名称	卡口ID	全天流量值(veh)
				1	北环大道皇岗路口西行	2010262	93738
2	笋岗西路笔架山公园人行天桥西行	2010319	95884
				3	泥岗路泥岗人行天桥西往东	2110051	100964
4	泥岗路红岗东人行天桥东往西	2110050	159623
				5	泥岗路金豪人行天桥西往东	2110046	88409
6	泥岗路红岗东人行天桥西行	2010318	55486

②蜂窝路径流量获取：对运营商原始数据按照基站经纬度和手机识别码进行分类计数，得到2016年9月1日深圳市泥岗路沿线区域的41条蜂窝路径对应的蜂窝路径流量(veh)见表7。

表7 2016年9月1日泥岗路沿线蜂窝路径流量值

③基于浮动车GPS轨迹数据的路口分流点右行比例获取：对2016年9月1日的全市出租车GPS轨迹进行提取，地图匹配后筛选计算得到泥岗路沿线11个路口分流点的右行比例，如表8所示：

表8 2016年9月1日泥岗路沿线路口分流点右行比例

分流点编号	右行比例	分流点编号	右行比例	分流点编号	右行比例
						D1	0.30	D5	0.70	D9	0.60
D2	0.10	D6	0.15	D10	0.30
						D3	0.30	D7	0.50	D11	0.40
D4	0.70	D8	0.50

(4)模型参数标定

①视频卡口-路径关联矩阵A，是一个6×44的矩阵，矩阵中的6个行向量表征6个视频卡口分别可以观测到哪些路径的流量和。

②视频卡口流量矩阵

b＝[b₁ b₂ b₃ b₄ b₅ b₆]^T＝[93738 95884 100964 159623 88409 55486]^T，是一个6×1的列向量，表征泥岗路沿线6个视频卡口2016年9月1日全天的观测流量值。

③蜂窝路径-路径关联矩阵U，是一个41×44的矩阵，表征41条蜂窝路径与44条路径的对应关系，其中较为特殊的，Cellpath27对应Route27和Route29两条路径，Cellpath33对应Route34和Route36两条路径，Cellpath38对应Route40和Route42两条路径。

④分流点-路径对应关系矩阵B，是一个11×44的矩阵，矩阵B表征快速路网中11个分流点分别对应的经过该分流点的路径。

⑤分流点-右行路径对应关系矩阵F，也是一个11×44的矩阵，表征快速路网中11个分流点分别对应的经过该分流点的右行路径。

⑥分流点右行比例矩阵R，是一个11×11的方阵，表征基于出租车GPS轨迹计算得到的在快速路网11个分流点的右行比例，如表9和表10所示。

表9 2016年9月1日泥岗路路径流量估算值

表10 2016年9月1日泥岗路OD矩阵

(5)模型估算结果评价

由于在泥岗路案例中实际路径流量未知，无法采用算例中将模型估算值与预设真实值比对的方法进行模型估算效果评价。运用视频卡口数据验证法来对估算结果进行评价，具体思路为：在实际快速路网中，玉平大道北向出口和红岗路北向出口均设有视频卡口，卡口信息详见表11，即路网中的C点和E点的实际断面流量是有记录的，但是这两个卡口的数据记录在上文的模型估算中并未用到，因此可以用于模型估算结果评价。

表11验算卡口信息表

依据表10中的OD矩阵对C点和E点的断面流量进行计算后与实际卡口记录的流量进行比较。卡口7可以观测到Route1、6、27、34、40这五条路径的流量和，计算得此五条路径的流量和为40500veh；卡口8可以观测到Route18、29、36、42这四条路径的流量和，计算得此四条路径的流量和为30500veh。

采用MAE、RMSE和MAPE指标对模型估算值求出的卡口流量值同根据原始数据获得的这两个卡口的全天流量值进行对比，见表12。

表12模型评价指标值

统计指标	值
		MAE	1409.5
RMSE	1463.9
		MAPE	9.3

由于此实施例中路径流量值较大，而平均绝对百分比误差(Mean AbsolutePercentage Error，MAPE)作为百分比值对模型估算精度的描述更为稳定，表示C点和E点断面流量和实际视频卡口观测的流量值的偏差程度在10％以内，由此可知，基于AVI、GSM、GPS多源数据的快速路OD估计模型在泥岗路区域的OD量估算具有较高的可信度和精度。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。