CN115662144B - 一种动态od交通流推算补全方法、电子设备及存储介质 - Google Patents

Abstract

本发明提出一种动态OD交通流推算补全方法、电子设备及存储介质，属于交通流推算补全技术领域。包括以下步骤：S1.根据车辆的路径信息计算路段的车辆通行速度和路段的车辆流量，将车辆流量作为路段下限流量；S2.根据车辆的路径信息计算OD对最短K条路径，构建多时段路径选择概率矩阵；S3.构建多时段动态分配比矩阵；S4.计算多时段路段link预估流量；S5.根据S4所述多时段路段link预估流量构建BPR约束，将BPR约束作为路段上限流量；S6.根据路段下限流量、路径选择概率矩阵、动态分配比矩阵、link预估流量和路段上限流量创建线性优化目标函数。解决现有技术中存在的推算的流量不准确的技术问题。

Description

一种动态OD交通流推算补全方法、电子设备及存储介质

技术领域

本发明涉及一种交通流推算补全方法，尤其涉及一种动态OD交通流推算补全方法、电子设备及存储介质，属于交通流推算补全技术领域。

背景技术

随着时代发展、工业进步，各类流量监测器被布设在道路上用于监测重要路段的实时流量信息，如视频检测器、地磁监测器、红外监测器等，能够给交管部门、环境监测部门提供较为准确的流量信息，但是某些特定的应用场景下，如环境局计算车辆排放物，需要监测街区尺度所有路段的实时流量，由于该类流量监测设备的布设在空间上是稀疏的，且该类设备布设成本高，不易于维护，通过加大精密设备的布设密度是一件不切实际的事情。

为了解决“基于稀疏的路段实际流量推测全网路段流量”，路段流量推算技术应运而生，不少学者结合其他稀疏的多源大数据，建立不同的流量分配模型来对未知流量路段进行流量推算。包括基于BPR函数的流量反推方法和基于OD反推技术的流量推算技术；

基于BPR函数的流量反推方法：基于路段的GPS数据，计算路段的速度，从而计算路段的行驶时间，使用BPR公式对路段实际流量进行反推，得到流量Q。

基于OD反推技术的流量推算技术：基于基础的OD矩阵，在模型路网上执行多方式、多类型的交通分配，将分配流量和观测断面流量进行对比，然后依据对比结果更新基础OD矩阵，再次进行迭代分配，直到OD矩阵的分配流量和与实际断面的观测流量的误差小于指定精度，便认为该次OD分配的流量在所有路段上都较为接近实际流量。

现有的路段流量推算方法主要的不足为：

(1)基于BPR函数的流量反推法，该方法使用的BPR函数常用于四阶段模型中的路阻计算，本身就是作为路阻的一种近似，使用其反推流量，没有充分考虑流量、密度、速度的关系，导致推算的流量与实际流量相差甚远。

(2)基于OD反推的技术方法，其没有充分利用多源稀疏大数据对路段流量进行表征，仅仅用到了OD矩阵、部分观测断面数据，若观测断面较少，其推算精度较低，与实际相差甚远。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在的推算的流量不准确的技术问题，本发明提供一种动态OD交通流推算补全方法、电子设备及存储介质。

方案一、一种动态OD交通流推算补全方法，包括以下步骤：

S1.根据车辆的路径信息计算路段的车辆通行速度和路段的车辆流量，将车辆流量作为路段下限流量；

S2.根据车辆的路径信息计算OD对最短K条路径，构建多时段路径选择概率矩阵；

S3.构建多时段动态分配比矩阵；

S4.计算多时段路段link预估流量；

S5.根据S4所述多时段路段link预估流量构建BPR约束，将BPR约束作为路段上限流量；

S6.创建线性优化目标函数。

优选的，S2具体是：

根据最短K路算法计算OD对(r，s)最短的K条路径：

设OD对r至s，在时间片h_n内，可选路径有K条，第k条路径的时间开销为

设选择第k条路径的概率为：

其中，

表示起点r至终点s在时间片h_n内选择路径k的概率，e表示自然数为2.718。

由此可得，路径选择概率矩阵P为一个系数矩阵，其表示形式为：

其中，

表示h_n时段内第j个OD对选择第i条路径的概率，N表示时段数量，N_p表示所有OD对的路径数量，N_od表示od对数量；

优选的，S3具体是：

其中，R表示动态分配比矩阵，

表示的是针对第j条路径，在h₁时段从该路径的起点出发的车辆，能够在h_n时段内到达第j条link的占比。

优选的，S4具体是：

其中，

表示h_n时间片路段a的预估流量，

表示在所有路径序列的第k条路径上，在时间片h_i内离开该路径第一条link，在时间片h_n内离开linkid为a的link的流量占比值，h_i表示第i个时间片，h_n表示第n个时间片，

表示全局路径集合中第k条路径所属的OD对在时间片h_n内选择该路径的概率，

表示OD集中第k个OD对在时间片h_n内预估出行量；

将观测到的路段通行流量，如基于摄像头的传感器等，加入约束：

其中，

表示路段a在h_n时段观测到的流量值，

表示a路段在h_n-时段推断值和观测值的正偏差，

表示a路段在h_n时段推断值和观测值的负偏差，

表示路段编码和时段编码的组合值；

依据已知静态OD加入约束：

其中，Γ^OD是已知静态OD需求的索引，Q_ns是已知的静态OD需求量，

是估计误差，同样会进行惩罚，

表示OD对(r，s)在时间片h内的预估出行量。

优选的，S5具体是：

其中，C_a表示路段a的通行能力，α_a，β_a表示a路段的BPR参数，

表示路段a在h_n时段的通行时间(依据GPS数据推算而来)，T_0，a表示路段a的自由流通行时间，

表示允许推断误差。

优选的，S6具体是：

根据路段下限流量、路径选择概率矩阵、动态分配比矩阵、link预估流量和路段上限流量创建线性优化目标函数：

其中，w_x表示未知的流量预估 l₁代价超参数，w_q表示OD需求预估 l₁代价超参数，w₊表示正偏差代价超参数，w_-表示负偏差代价超参数，w_BPR表示BPR偏差代价超参数，w_OD表示OD需求预估偏差代价超参数，

表示OD集中OD对(r，s)在时间片h_n内出行量，

表示OD集中OD对(r，s)的OD估计误差。

方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述一种动态OD交通流推算补全方法的步骤。

方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种动态OD交通流推算补全方法。

本发明的有益效果如下：本发明的兼顾了准确性和计算效率，解决了现有技术中存在的推算的流量不准确的技术问题，充分融合了道路运行多源大数据，可求解在实际观测值限制下的最优推算结果；整合了路网构建、路径选择矩阵构建、动态分配矩阵构建、流量预估线性目标函数求解等全流程技术路线，支持考虑时间范围内的不同时间窗口。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一种动态OD交通流推算补全方法流程示意图；

图2为本发明最短的K条路径示意图；

图3为本发明推算结果示意图。

具体实施方式

为了使本发明实施例中的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1、参照图1-图3说明本实施方式，一种动态OD交通流推算补全方法，包括以下步骤：

S1.根据车辆的路径信息计算路段的车辆通行速度和路段的车辆流量，将车辆流量作为路段下限流量；

具体的，车辆的路径信息是将GPS数据按照天切分后，取出轨迹点信息，进行地图匹配，得到车辆的时序路径信息；

S2.根据车辆的路径信息计算OD对最短K条路径(参照图2)，构建多时段路径选择概率矩阵；

根据最短K路算法计算OD对(r，s)最短的K条路径：

设OD对r至s，在时间片h_n内，可选路径有K条，第k条路径的时间开销为

设选择第k条路径的概率为：

其中，

表示起点r至终点s在时间片h_n内选择路径k的概率，e表示自然数为2.718。

由此可得，路径选择概率矩阵P为一个系数矩阵，其表示形式为：

其中，

表示h_n时段内第j个OD对选择第i条路径的概率，N表示时段数量，N_p表示所有OD对的路径数量，N_od表示od对数量。

S3.构建多时段动态分配比矩阵：

其中，R表示动态分配比矩阵，

表示的是针对第j条路径，在h₁时段从该路径的起点出发的车辆，能够在h_n时段内到达第j条link的占比。

S4.计算多时段路段link预估流量：

其中，

表示h_n时间片路段a的预估流量，

表示在所有路径序列的第k条路径上，在时间片h_i内离开该路径第一条link，在时间片h_n内离开linkid为a的link的流量占比值，h_i表示第i个时间片，h_n表示第n个时间片，

表示全局路径集合中第k条路径所属的OD对在时间片h_n内选择该路径的概率，

表示OD集中第k个OD对在时间片h_n内预估出行量；

将观测到的路段通行流量，如基于摄像头的传感器等，加入约束：

其中，

表示路段a在h_n时段观测到的流量值，

表示a路段在h_n-时段推断值和观测值的正偏差，

表示a路段在h_n时段推断值和观测值的负偏差，

表示路段编码和时段编码的组合值；

依据已知静态OD加入约束：

其中，Γ^OD是已知静态OD需求的索引，Q_ns是已知的静态OD需求量，

是估计误差，同样会进行惩罚，

表示OD对(r，s)在时间片h内的预估出行量。

S5.根据S4多时段路段link预估流量构建BPR约束，将BPR约束作为路段上限流量：

其中，C_a表示路段a的通行能力，α_a，β_a表示a路段的BPR参数，

表示路段a在h_n时段的通行时间，T_0，a表示路段a的自由流通行时间，

表示允许推断误差。

S6.创建线性优化目标函数，根据路段下限流量、路径选择概率矩阵、动态分配比矩阵、link预估流量和路段上限流量创建线性优化目标函数：

其中，w_x表示未知的流量预估 l₁代价超参数，

表示OD需求预估 l₁代价超参数，w₊表示正偏差代价超参数，w_-表示负偏差代价超参数，w_BPB表示BPR偏差代价超参数，w_OD表示OD需求预估偏差代价超参数，

表示OD集中OD对(r，s)在时间片h_n内出行量，

表示OD集中OD对(r，s)的OD估计误差。

为了证明本实施例的效果，采用本实施例提出的流量推断方法与真实值的平均绝对百分比误(MAPE)作为参考，误差的计算如下：

其中，X_n代表真实数据，x_n代表推断数据，N代表总数据点量。

参照图3，某路段在一小时时间片内的流量推算结果，从图中可见，经过“OD反推-流量分配”循环迭代得到调整后的分时段OD矩阵、结合动态交通流模型推算全网路段流量，输出流量推算结果整体精度为71.2％。高速路、次干路流量分配精度满足要求，快速路关键断面数据较少，流量分配精度较低；次干路里程长、关键断面少。

实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

实施例3、计算机可读存储介质实施例

本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。

所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (6)

1.一种动态OD交通流推算补全方法，其特征在于，包括以下步骤：

S1.根据车辆的路径信息计算路段的车辆通行速度和路段的车辆流量，将车辆流量作为路段下限流量；

S2.根据车辆的路径信息计算OD对最短K条路径，构建多时段路径选择概率矩阵；

S3.构建多时段动态分配比矩阵；

S4.计算多时段路段link预估流量，S4具体是：

其中，

表示h_n时间片路段a的预估流量，r_k,a(h_i,h_n)表示在所有路径序列的第k条路径上，在时间片h_i内离开该路径第一条link，在时间片h_n内离开link_id为a的link的流量占比值，h_i表示第i个时间片，h_n表示第n个时间片，

表示全局路径集合中第k条路径所属的OD对在时间片h_n内选择该路径的概率，

表示OD集中第k个OD对在时间片h_n内预估出行量；

将观测到的路段通行流量，加入约束：

其中，

表示路段a在h_n时段观测到的流量值，

表示a路段在h_n时段推断值和观测值的正偏差，

表示a路段在h_n时段推断值和观测值的负偏差，Γ^link表示路段编码和时段编码的组合值；

依据已知静态OD加入约束：

其中，Γ^OD是已知静态OD需求的索引，Q_rs是已知的静态OD需求量，

是估计误差，同样会进行惩罚,

表示OD对(r,s)在时间片h内的预估出行量；

S5.根据S4所述多时段路段link预估流量构建BPR约束，将BPR约束作为路段上限流量；

S6.创建线性优化目标函数，具体是：

根据路段下限流量、路径选择概率矩阵、动态分配比矩阵、link预估流量和路段上限流量创建线性优化目标函数：

其中，w_x表示未知的流量预估l₁代价超参数，w_q表示OD需求预估l₁代价超参数，w₊表示正偏差代价超参数，w_-表示负偏差代价超参数，w_BPR表示BPR偏差代价超参数，w_OD表示OD需求预估偏差代价超参数，

表示OD集中OD对(r,s)在时间片h_n内出行量，

表示OD集中OD对(r,s)的OD估计误差，

表示允许推断误差。

2.根据权利要求1所述的一种动态OD交通流推算补全方法，其特征在于，S2具体是：

根据最短K路算法计算OD对(r，s)最短的K条路径：

设OD对r至s，在时间片h_n内，可选路径有K条，第k条路径的时间开销为

设选择第k条路径的概率为：

其中，

表示起点r至终点s在时间片h_n内选择路径k的概率，e表示自然数为2.718由此可得，路径选择概率矩阵P为一个系数矩阵，其表示形式为：

其中，

表示h_n时段内第j个OD对选择第i条路径的概率，N表示时段数量，N_p表示所有OD对的路径数量，N_od表示od对数量。

3.根据权利要求2所述的一种动态OD交通流推算补全方法，其特征在于，S3具体是：

其中，R表示动态分配比矩阵，

表示的是针对第l条路径，在h₁时段从该路径的起点出发的车辆，能够在h_n时段内到达第j条link的占比。

4.根据权利要求3所述的一种动态OD交通流推算补全方法,其特征在于，S5具体是：

其中，C_a表示路段a的通行能力，α_a,β_a表示a路段的BPR参数，

表示路段a在h_n时段的通行时间，T_0,a表示路段a的自由流通行时间，

表示允许推断误差。

5.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-4任一项所述的一种动态OD交通流推算补全方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的一种动态OD交通流推算补全方法。

Images