CN114639239B - 一种改进重力模型交通分布预测方法 - Google Patents

一种改进重力模型交通分布预测方法 Download PDF

Info

Publication number
CN114639239B
CN114639239B CN202210172739.5A CN202210172739A CN114639239B CN 114639239 B CN114639239 B CN 114639239B CN 202210172739 A CN202210172739 A CN 202210172739A CN 114639239 B CN114639239 B CN 114639239B
Authority
CN
China
Prior art keywords
traffic
travel
distribution
cell
land
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
Application number
CN202210172739.5A
Other languages
English (en)
Other versions
CN114639239A (zh
Inventor
赵德
陈宇
金坤
王炜
华雪东
秦韶阳
魏雪延
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202210172739.5A priority Critical patent/CN114639239B/zh
Publication of CN114639239A publication Critical patent/CN114639239A/zh
Application granted granted Critical
Publication of CN114639239B publication Critical patent/CN114639239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种改进重力模型交通出行分布预测方法，该方法包括如下步骤：首先，采集城市交通出行需求分布相关数据；其次，依据上述采集的城市交通出行需求分布相关数据将交通小区划分为不同类别；然后，对不同类别交通小区间的需求分布采用改进的重力模型进行模型参数标定；最后，利用标定好的重力模型进行城市交通出行需求分布预测。本发明既充分继承了重力模型的优势，又提高了对现状出行需求分布信息的利用程度，考虑了不同交通小区之间的社会经济发展水平与功能定位的差异，更加符合实际情况，可以为城市交通运输的规划与管理提供参考依据。

Description

一种改进重力模型交通分布预测方法
技术领域
本发明涉及一种考虑交通小区类别的改进重力模型交通分布预测方法，属于交通需求与交通分布预测技术领域。
背景技术
城市交通出行需求分布预测是交通规划四阶段法的关键步骤之一，主要任务是将前一步交通生成预测获得的交通出行需求总量转换成各交通小区之间的出行需求分布矩阵。城市交通出行需求分布预测的准确性直接影响着交通分配过程的精度，对于交通规划研究和城市交通管理部门的决策分析具有非常重要的意义。
当前，国内外对交通分布模型的研究众多，但是大多数都局限于理论研究，难以满足现阶段的工程实践要求。对于大多数城市交通规划与管理而言，增长系数法和重力模型法是当前应用最为成熟的交通分布预测模型。重力模型法因为综合考虑了交通小区的发生吸引量和交通阻抗对出行需求分布的影响，相对而言更加符合实际。然而，常规的重力模型法将各类交通小区等同对待，忽略了不同交通小区之间的社会经济发展水平与功能定位的差异。事实上，不同功能定位的交通小区的发生量和吸引量对交通分布量的驱动强度不同，例如，住宅主导型的交通小区与商业或工业主导型的交通小区之间因为职住关系而往往具备更高的交通出行需求。另一方面，常规的重力模型法无法考虑区内出行与区间出行的特征差异，对现状出行需求分布规律的把握不足，因而在工程实践应用时往往与预期情况存在偏差。
发明内容
发明目的：为了解决现有技术中存在的不足与缺陷，本发明提出一种考虑交通小区类别的城市交通出行需求分布预测方法，可以对常规的重力模型进行改进，既充分继承了重力模型的优势，又提高了对现状出行需求分布信息的利用程度，更加符合实际情况。
技术方案：为实现上述目的，本发明采用的技术方案为：一种改进重力模型交通分布预测方法，包括以下步骤：
步骤1)，采集城市交通出行需求分布相关数据；
步骤2)，依据上述采集的城市交通出行需求分布相关数据将交通小区划分为不同类别；
步骤3)，对不同类别交通小区间的需求分布采用改进的重力模型进行模型参数标定；
步骤4)，利用标定好的重力模型进行城市交通出行需求分布预测。
进一步地，步骤1)中采集的城市交通出行需求分布相关数据包括交通小区特征数据、交通小区内的土地使用数据和人口结构数据，各交通小区之间的现状交通出行需求分布矩阵和出行阻抗矩阵以及未来年各交通小区的发生量和吸引量和出行阻抗矩阵，具体如下：
步骤1.1)，采集交通小区特征数据，包括交通小区划分范围、交通小区面积和工作岗位总量；
步骤1.2)，采集交通小区内的土地使用数据，包括交通小区内的不同用地类型(公共管理与公共服务设施用地、商业服务业设施用地、绿地与广场用地、建设用地、工业用地、居住用地、道路与交通设施用地、公用设施用地、物流仓储用地)的建筑总面积和开发强度；
步骤1.3)，采集交通小区内的人口结构数据，包括交通小区内的人口总量，性别比例，年龄分布和失业人口比例；
作为优选，步骤2)中，依据上述采集的城市交通出行需求分布相关数据将交通小区划分为不同的类别，具体如下：
步骤2.1)，根据研究范围和采集到的城市交通出行需求分布相关数据确定分类特征；
步骤2.2)，根据分类特征，采用GMM(高斯混合模型)聚类算法，将交通小区划分为四种类别(住宅主导型交通小区、商业主导型交通小区、工业主导型交通小区和综合型交通小区)。
进一步地，步骤3)中所述的改进的重力模型为：
Figure BDA0003519059230000021
其中，Tij为交通小区i到交通小区j的出行需求分布量；Oi，Dj分别为交通小区i的发生量和交通小区j的吸引量；Cij为交通小区i到交通小区j的阻抗；ka，kb，kc，α1，α2，α3，β1，β2，β3，γ1，γ2，γ3为模型参数，采用不同的交通小区类别样本对其进行标定；ka，kb，kc可反应不同功能定位的交通小区的发生量和吸引量对交通分布量的驱动强度，交通小区i到交通小区j的阻抗即为对应交通小区i和交通小区j间的交通出行阻抗，用出行时间和/或出行费用的广义出行费用表示，发生量Oi即为从交通小区i到所有其它交通小区之间的出行需求总量，吸引量Dj即为从所有其它交通小区到交通小区j之间的出行需求总量。
进一步地，在步骤4)中，利用标定好的重力模型进行城市交通出行需求分布预测，具体包括：
步骤4.1)，判断交通小区i和交通小区j的类别；
步骤4.2)，将未来年各交通小区的发生量和吸引量和出行阻抗矩阵带入标定好的改进的重力模型，得到未来年交通小区i到交通小区j的出行需求分布量；
步骤4.3)，重复步骤4.1和4.2，直至得到全部交通小区之间的出行需求分布量，进而获得未来年的城市交通出行需求分布矩阵。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明的技术方案既充分继承了重力模型的优势，又提高了对现状出行需求分布信息的利用程度，考虑了不同交通小区之间的社会经济发展水平与功能定位的差异，更加符合实际情况，对城市交通出行需求分布的预测具有更好的预测效果。
附图说明
图1为本发明的流程框图。
具体实施方式
为了便于本领域技术人员理解和实施本发明，以下结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
应当说明，本发明所述的交通小区为一般专业术语，并被本专业技术人员所公知，即在城市交通规划中，按照一定原则将城市交通网络划分为若干个交通子区，这些功能子区称为交通小区。
本实施例采集了某地级市中心区范围内的城市交通出行需求相关数据，包括交通小区面积，人口总量，失业人口比例，老年或儿童人口比例，商业服务业设施用地面积，居住用地面积，道路与交通设施用地面积和工业用地面积，如表1所示，并以此作为分类特征，将全部交通小区划分为住宅主导型交通小区、商业主导型交通小区、工业主导型交通小区和综合型交通小区四类，划分结果如表2所示。
表1城市交通出行需求相关数据
Figure BDA0003519059230000041
表2交通小区类别划分结果
交通小区类别 交通小区编号
住宅主导型交通小区 2，4，7，31，……，41，49，50
商业主导型交通小区 5，6，8，13，……，34，43，46
工业主导型交通小区 1，9，16，17，……，42，44，47
综合型交通小区 3，10，11，12，……，40，45，48
本实施例采集得到各交通小区之间的现状交通出行需求分布矩阵和出行阻抗矩阵以及未来年各交通小区的发生量和吸引量如表3和表4所示，未来年的出行阻抗与现状相同。
表3现状交通出行需求分布矩阵及未来年发生量和吸引量
Figure BDA0003519059230000042
Figure BDA0003519059230000051
注：现状交通出行需求分布矩阵中的元素值即为对应OD间的现状出行需求量；未来发生量即为从交通小区O到所有交通小区之间的未来出行需求总量；未来吸引量即为从所有交通小区到交通小区D之间的未来出行需求总量。
表4现状交通出行阻抗矩阵
O\D 1 2 3 …… 48 49 50
1 1540 3614 2943 …… 6920 3628 8621
2 3641 2608 4256 …… 5621 3529 2931
3 6251 5529 1315 …… 2261 4812 3691
…… …… …… …… …… …… …… ……
48 6920 3628 8621 …… 2193 3621 4862
49 6920 3628 8621 …… 6248 2360 3621
50 6920 3628 8621 …… 4862 4962 2355
注：现状交通出行阻抗矩阵中的元素值即为对应OD间的现状交通出行阻抗，用包含出行时间和/或出行费用的广义出行费用表示。
根据上述数据对改进的重力模型进行参数标定，得到：
Figure BDA0003519059230000052
需要理解的是，上述实施例仅为说明本发明的技术思想，对于本技术领域的普通技术人员来说在不脱离本发明原理的前提下还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种改进重力模型交通出行分布预测方法，其特征在于，包括以下步骤：
步骤1)，采集城市交通出行需求分布相关数据；
步骤2)，依据上述采集的城市交通出行需求分布相关数据将交通小区划分为不同类别；
步骤3)，对不同类别交通小区间的需求分布采用改进的重力模型进行模型参数标定；
步骤4)，利用标定好的重力模型进行城市交通出行需求分布预测；
步骤3)中所述的改进的重力模型为：
Figure FDA0004080581040000011
其中，Tij为交通小区i到交通小区j的出行需求分布量；Oi，Dj分别为交通小区i的发生量和交通小区j的吸引量；Cij为交通小区i到交通小区j的阻抗；ka，kb，kc，α1，α2，α3，β1，β2，β3，γ1，γ2，γ3为模型参数，采用不同的交通小区类别样本对上述模型参数进行标定；交通小区i到交通小区j的阻抗即为对应交通小区i和交通小区j间的交通出行阻抗，用出行时间和/或出行费用的广义出行费用表示，发生量Oi即为从交通小区i到所有其它交通小区之间的出行需求总量，吸引量Dj即为从所有其它交通小区到交通小区j之间的出行需求总量；
步骤4)中，利用标定好的重力模型进行城市交通出行需求分布预测，具体包括：
步骤4.1)，判断交通小区i和交通小区j的类别；
步骤4.2)，将未来年各交通小区的发生量和吸引量和出行阻抗矩阵带入标定好的改进的重力模型，得到未来年交通小区i到交通小区j的出行需求分布量；
步骤4.3)，重复步骤4.1和4.2，直至得到全部交通小区之间的出行需求分布量，进而获得未来年的城市交通出行需求分布矩阵。
2.根据权利要求1所述的一种改进重力模型交通分布预测方法，其特征在于，步骤1)中采集的城市交通出行需求分布相关数据包括：交通小区特征数据、交通小区内的土地使用数据和人口结构数据，各交通小区之间的现状交通出行需求分布矩阵和出行阻抗矩阵以及未来年各交通小区的发生量和吸引量和出行阻抗矩阵，具体如下：
步骤1.1)，采集交通小区特征数据，包括交通小区划分范围、交通小区面积和工作岗位总量；
步骤1.2)，采集交通小区内的土地使用数据，包括交通小区内的不同用地类型的建筑总面积和开发强度，所述用地类型包括：公共管理与公共服务设施用地、商业服务业设施用地、绿地与广场用地、建设用地、工业用地、居住用地、道路与交通设施用地、公用设施用地、物流仓储用地；
步骤1.3)，采集交通小区内的人口结构数据，包括交通小区内的人口总量，性别比例，年龄分布和失业人口比例。
3.根据权利要求2所述的一种改进重力模型交通分布预测方法，其特征在于，步骤2)中，依据上述采集的城市交通出行需求分布相关数据将交通小区划分为不同的类别，具体如下：
步骤2.1)，根据研究范围和采集到的城市交通出行需求分布相关数据确定分类特征；
步骤2.2)，根据分类特征，采用聚类算法，将交通小区划分为四种类别：住宅主导型交通小区、商业主导型交通小区、工业主导型交通小区和综合型交通小区。
CN202210172739.5A 2022-02-24 2022-02-24 一种改进重力模型交通分布预测方法 Active CN114639239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210172739.5A CN114639239B (zh) 2022-02-24 2022-02-24 一种改进重力模型交通分布预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210172739.5A CN114639239B (zh) 2022-02-24 2022-02-24 一种改进重力模型交通分布预测方法

Publications (2)

Publication Number Publication Date
CN114639239A CN114639239A (zh) 2022-06-17
CN114639239B true CN114639239B (zh) 2023-04-18

Family

ID=81947898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210172739.5A Active CN114639239B (zh) 2022-02-24 2022-02-24 一种改进重力模型交通分布预测方法

Country Status (1)

Country Link
CN (1) CN114639239B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105070042B (zh) * 2015-07-22 2017-10-10 济南市市政工程设计研究院（集团）有限责任公司 一种交通预测的建模方法
CN106504535B (zh) * 2016-11-30 2018-10-12 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
CN112133090A (zh) * 2020-08-14 2020-12-25 南京瑞栖智能交通技术产业研究院有限公司 一种基于手机信令数据的多方式交通分布模型构建方法

Also Published As

Publication number Publication date
CN114639239A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
Schneider et al. Modern grid initiative distribution taxonomy final report
Ji et al. Establishing environmental benchmarks to determine the environmental performance of elementary school buildings using LCA
CN106600063B (zh) 一种基于模糊粗糙集理论和时空信息的空间负荷预测方法
Voulis et al. Understanding spatio-temporal electricity demand at different urban scales: A data-driven approach
Yang et al. Efficient local AADT estimation via SCAD variable selection based on regression models
CN113611105B (zh) 一种城市交通出行需求总量预测方法
CN107506872A (zh) 一种居民区负荷特性及模型预测的归类研究方法
Caceres et al. Estimating traffic flow profiles according to a relative attractiveness factor
Liu et al. A Bayesian approach to residential property valuation based on built environment and house characteristics
CN113888210A (zh) 一种工程造价估计方法
CN115099542A (zh) 跨城通勤出行生成和分布预测方法、电子设备及存储介质
CN111369089A (zh) 基于大数据的城市居民需求供给双向评估方法
CN115798189A (zh) 一种交通拥堵指数评价方法
CN114639239B (zh) 一种改进重力模型交通分布预测方法
CN113537596A (zh) 一种城市轨道交通新线站点短时客流预测方法
CN112633991A (zh) 一种租赁指数分析方法及装置
Yang et al. New efficient regression method for local AADT estimation via SCAD variable selection
CN110020799B (zh) 一种基于时空基准的城管网格资源配置
CN106022546B (zh) 一种基于居民小区负荷成长周期的负荷预测方法
Zhang et al. Regional impact and spillover effect of public infrastructure investment: An empirical study in the Yangtze River Delta, China
CN110942260B (zh) 一种基于贝叶斯最大熵的高校交通安全评价方法
CN113393079A (zh) 一种基于公交数据的交通小区划分方法
Li et al. Identifying urban form typologies in seoul with mixture model based clustering
CN113744525A (zh) 一种基于特征提取与深度学习的交通分布预测方法
Hu et al. Planning support in estimating green housing opportunities for different socioeconomic groups in Nanjing, China

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