CN116611586B - 一种基于双层异构网络的新建路网流量预测方法及*** - Google Patents

一种基于双层异构网络的新建路网流量预测方法及*** Download PDF

Info

Publication number
CN116611586B
CN116611586B CN202310882561.8A CN202310882561A CN116611586B CN 116611586 B CN116611586 B CN 116611586B CN 202310882561 A CN202310882561 A CN 202310882561A CN 116611586 B CN116611586 B CN 116611586B
Authority
CN
China
Prior art keywords
traffic
road section
network
road
highway
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
CN202310882561.8A
Other languages
English (en)
Other versions
CN116611586A (zh
Inventor
李镇
谷金
康传刚
郭亚娟
张萌萌
陆鑫怡
徐傲
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.)
Shandong Hi Speed Co Ltd
Original Assignee
Shandong Hi Speed Co Ltd
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 Shandong Hi Speed Co Ltd filed Critical Shandong Hi Speed Co Ltd
Priority to CN202310882561.8A priority Critical patent/CN116611586B/zh
Publication of CN116611586A publication Critical patent/CN116611586A/zh
Application granted granted Critical
Publication of CN116611586B publication Critical patent/CN116611586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • 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
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Analytical Chemistry (AREA)
  • Operations Research (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于双层异构网络的新建路网流量预测方法及***，属于交通控制技术领域，用于解决如下技术问题：目前的新建交通量预测方法，未充分利用高速公路与普通国省道之间的交通流量交互作用机制，无法兼顾解决新建高速公路与新建普通国省道的流量估计问题。方法包括：构建双层异构公路网络；基于收费站数据，划分双层异构公路网络的交通小区单元；根据收费站数据，确定基于交通小区单元的初始OD分布矩阵；建立高速公路与普通公路的路径广义出行成本计算模型，并对初始OD分布矩阵进行迭代推算，得到当前OD分布矩阵；根据新建路段的广义出行成本以及所述当前OD分布矩阵，确定新建路段的交通流量预测值。

Description

一种基于双层异构网络的新建路网流量预测方法及***
技术领域
本发明涉及交通控制技术领域，尤其涉及一种基于双层异构网络的新建路网流量预测方法及***。
背景技术
在经济迅速增长，效率逐步提高的社会中，人们的时间价值观念越来越强，而交通运输条件须与社会的发展相协调。因此，高速公路、国道、省道等主要运输方式的规划与建设仍会是当前和今后交通运输基础设施的重点发展所在。
在道路和道路网络的规划中，交通量的预测是道路规划的基础。近几年，每年新建的公路里程呈递增趋势，对新建的公路交通量进行精准预测显得尤为重要。而交通量预测对于确定新建道路的建设时机、建设等级、建设规模等都有重要的参考价值，有助于提高新建道路的效率。但是由于国道、省道等普通公路中交通流检测器布设较为稀疏，交通流量数据获取比较困难，而目前的新建交通量预测方法，往往仅针对新建的高速公路进行交通流量预测，无法对普通国省道的交通流量进行准确预测，并且现有方法均未充分考虑高速公路与普通国省道之间的交通流量交互作用，无法兼顾解决新建高速公路与新建普通国省道的流量估计问题，因此亟需将高速公路与普通国省道路网进行一体化重构，研究适用于高速公路及普通国省道的新建路段流量预测问题。
发明内容
本发明实施例提供了一种基于双层异构网络的新建路网流量预测方法及***，用于解决如下技术问题：目前的新建交通量预测方法，未充分利用高速公路与普通国省道之间的交通流量交互作用机制，无法兼顾解决新建高速公路与新建普通国省道的流量估计问题。
本发明实施例采用下述技术方案：
一方面，本发明实施例提供了一种基于双层异构网络的新建路网流量预测方法，方法包括：基于高速公路路网拓扑结构以及普通公路路网拓扑结构，构建双层异构公路网络；确定所述双层异构公路网络中，每条路段的历史日交通量；基于高速公路路网中的收费站数据，划分所述双层异构公路网络的交通小区单元；根据所述收费站数据，确定基于交通小区单元的初始OD分布矩阵；根据所述每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型，并对所述初始OD分布矩阵进行迭代推算，得到所述双层异构公路网络的当前OD分布矩阵；将新建路段融入所述双层异构公路网络中，并定义新建路段的广义出行成本；根据所述新建路段的广义出行成本以及所述当前OD分布矩阵，确定所述新建路段的流量预测值。
在一种可行的实施方式中，基于高速公路路网拓扑结构以及普通公路路网拓扑结构，构建双层异构公路网络，具体包括：以高速公路中的互通式立体交叉点为节点，以相邻的两个互通式立体交叉点之间的路段为边，构建高速公路路网拓扑结构；以普通公路的平面交叉口为节点，以相邻的两个平面交叉口之间的路段为边，构建普通公路路网拓扑结构；将高速收费站作为高速公路与普通公路的耦合连接点，并基于所述耦合连接点，将所述高速公路路网拓扑结构与所述普通公路路网拓扑结构进行耦合重构，得到所述双层异构公路网络。
在一种可行的实施方式中，确定所述双层异构公路网络中，每条路段的历史日交通量，具体包括：将所述双层异构公路网络中，高速公路路段划分为主线基本路段以及匝道路段；根据高速收费站数据，统计所述匝道路段的历史日交通量；根据高速门架数据，统计所述主线基本路段的历史日交通量；根据，得到所述双层异构公路网络中，各个普通公路路段的历史日交通量；其中，M为所述普通公路路段的月变系数，D为所述普通公路路段的周变系数，AADT为所述普通公路路段的年平均日交通量。
在一种可行的实施方式中，所述方法还包括：在所述主线基本路段中存在多个门架的情况下，取所有门架统计得到的历史日交通量平均值作为最终的历史日交通量；在某个普通公路路段没有设观测站的情况下，根据，分别算出所述普通公路路段的上游路段的历史日交通量和下游路段的历史日交通量，并取二者的平均值作为所述普通公路路段的历史日交通量。
在一种可行的实施方式中，基于高速公路路网中的收费站数据，划分所述双层异构公路网络的交通小区单元，具体包括：确定所述双层异构公路网络中每个耦合连接点的特征指标；所述特征指标包括收费站始发流量、收费站到达流量、收费站方向不均衡系数、收费站主要流量汇聚分布系数、收费站主要流量分散分布系数；其中，所述收费站方向不均衡系数为所述收费站始发流量与收费站到达流量的比值；所述收费站主要流量汇聚分布系数为从其他各收费站出发到达本收费站的主要车流量之间的均方差；所述收费站主要流量分散分布系数为从本收费站出发到达其他各收费站的主要车流量之间的均方差；对所述特征指标进行标准化处理以及极值归一化处理；根据处理后的所述特征指标，确定任意两个耦合连接点之间的特征相似度；根据所述任意两个耦合连接点之间的特征相似度，通过传递闭包法构建模糊等价矩阵；并选取所述模糊等价矩阵中的不同元素作为分类阈值，得到不同的耦合连接点聚类结果；通过F检验法，在所述不同的耦合连接点聚类结果中，确定最佳聚类结果，并将所述最佳聚类结果中的每个聚类簇确定为一个交通小区单元。
在一种可行的实施方式中，根据所述收费站数据，确定基于交通小区单元的初始OD分布矩阵，具体包括：根据所述收费站数据，获取以各个收费站为行和列标识的OD分布矩阵；将属于同一个交通小区单元的收费站进行OD合并，得到基于交通小区单元的初始OD分布矩阵；所述初始OD分布矩阵中的元素为：作为出行发生源的交通小区单元与作为出行吸引源的交通小区单元之间的历史日交通量。
在一种可行的实施方式中，根据所述每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型，并对所述初始OD分布矩阵进行迭代推算，得到所述双层异构公路网络的当前OD分布矩阵，具体包括：根据所述每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型：；其中，r表示出行者从交通小区单元i到交通小区单元j的第r条有效路径；/>表示路径r的广义出行成本；h表示人均日工作时长；d表示人均年工作日；GDP表示当地人均生产总值；/>表示车辆通过路径r的总出行费用；/>表示路段a的历史日交通量，a为路径r中的第a个路段；/>表示路段a的通行能力；/>表示路段a的自由流行程时间；/>为道路使用者的出行时间价值成本的权重系数；/>为道路使用者的出行经济价值成本的权重系数；R表示路径r上的所有路段集合；根据，得到出行者从交通小区单元i到交通小区单元j时，选择第r条有效路径的概率；其中，e为指数函数的底数；将所述初始OD分布矩阵中的每个OD分布量分配到多条有效路径上，得到每条有效路径第n次迭代后的交通分配量/>，其中n=1为初始条件，/>为初始OD分布量；将经过路段a的所有有效路径的第n次迭代后的交通分配量进行累加，得到路段a第n次迭代后的交通分配量/>；根据/>，得到交通小区单元i和交通小区单元j之间路段a的期望交通量；根据/>，得到路径r的期望交通量；其中，/>表示路段的数量；根据/>，得到交通小区单元i和交通小区单元j之间，第n次迭代后的OD分布量/>；计算路段a的第n次迭代后的交通分配量与路段a的历史日交通量之间的相对误差；若所述相对误差小于等于收敛阈值，则停止迭代，输出当前OD分布矩阵；若所述相对误差大于所述收敛阈值，则令n=n+1，继续进行迭代计算，直到收敛为止。
在一种可行的实施方式中，将新建路段融入所述双层异构公路网络中，并定义新建路段的广义出行成本，具体包括：按照实际地理位置，将所述新建路段添加到所述双层异构公路网络中，得到新的双层异构公路网络；将所述新建路段的广义出行成本定义为：；其中，/>表示车辆通过新建路段b的总出行费用；/>表示新建路段b的自由流行程时间。
在一种可行的实施方式中，根据所述新建路段的广义出行成本以及所述当前OD分布矩阵，确定所述新建路段的流量预测值，具体包括：根据所述新建路段的广义出行成本，重新计算出行者从交通小区单元i到交通小区单元j时，选择每条有效路径的概率；将所述当前OD分布矩阵中的每个OD分布量分配到多条有效路径上，得到每条有效路径的交通分配量；将经过新建路段的所有有效路径的交通分配量进行累加，得到所述新建路段的流量预测值。
另一方面，本发明实施例还提供了一种基于双层异构网络的新建路网流量预测***，***包括：网络构建模块，用于基于高速公路路网拓扑结构以及普通公路路网拓扑结构，构建双层异构公路网络；数据处理模块，用于确定所述双层异构公路网络中，每条路段的历史日交通量；基于高速公路路网中的收费站数据，划分所述双层异构公路网络的交通小区单元；根据所述收费站数据，确定基于交通小区单元的初始OD分布矩阵；根据所述每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型，并对所述初始OD分布矩阵进行迭代推算，得到所述双层异构公路网络的当前OD分布矩阵；将新建路段融入所述双层异构公路网络中，并定义新建路段的广义出行成本；根据所述新建路段的广义出行成本以及所述当前OD分布矩阵，确定所述新建路段的流量预测值。
与现有技术相比，本发明实施例提供的一种基于双层异构网络的新建路网流量预测方法及***，具有如下有益效果：
本发明将高速公路路网和普通国省道路网相耦合，构建了一个双层异构公路网络，通过高速公路收费站的特征指标数据，将双层异构公路网络划分为多个交通小区单元，然后根据初始OD分布矩阵以及路径广义出行成本计算模型，推算整个双层异构公路网络的实际OD分布矩阵和OD分布预测矩阵，进而根据流量分配算法得到新建路段的预测交通流量。本发明将高速公路与普通国省道视为一个整体进行研究，充分发挥了高速公路与普通国省道的交通流量交互作用机理，便捷地推算出新建的普通国省道流量参考值或者高速公路流量参考值，该流量参考值能够为新建道路的建设等级、建设规模等提供准确有效的数据支持。本发明所提出的流量预测方法适用性强，不仅解决了普通国省道中交通流检测器布设稀疏，难以便捷进行流量估计的问题，还可以兼顾解决新建高速公路与新建普通国省道的流量估计问题。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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。在附图中：
图1为本发明实施例提供的一种基于双层异构网络的新建路网流量预测方法流程图；
图2为本发明实施例提供的一种双层异构公路网络示意图；
图3为本发明实施例提供的一种基于双层异构网络的新建路网流量预测***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明实施例提供了一种基于双层异构网络的新建路网流量预测方法，如图1所示，基于双层异构网络的新建路网流量预测方法具体包括步骤S101-S106：
S101、基于高速公路路网拓扑结构以及普通公路路网拓扑结构，构建双层异构公路网络。
具体地，以高速公路中的互通式立体交叉点为节点，以相邻的两个互通式立体交叉点之间的路段为边，构建高速公路路网拓扑结构。
以普通公路的平面交叉口为节点，以相邻的两个平面交叉口之间的路段为边，构建普通公路路网拓扑结构。
将高速收费站作为高速公路与普通公路的耦合连接点，并基于耦合连接点，将高速公路路网拓扑结构与普通公路路网拓扑结构进行耦合重构，得到双层异构公路网络。
作为一种可行的实施方式，图2为一种双层异构公路网络示意图，如图2所示，对于高速公路，以互通式立体交叉点（f 1 ，f 2 ，f 3 ，f 4）为节点，相邻两个互通式立体交叉点之间的路段为边，构建高速公路网络N f；对于普通国省道，将平面交叉口（g 1 ，g 2 ，g 3 ，g 4，g 5）映射为节点，相邻两个平面交叉口之间的路段映射为边，构建普通国省道网络N g；最后，选择高速公路的收费站作为高速公路网络和普通国省道网络的耦合连接点，将高速公路网络和普通国省道网络进行图层投影、耦合重构，形成针对既有路网的双层异构干线公路网络N S。
在一个实施例中，如图2所示，高速公路网络中的f 1，映射为双层公路网络中的s 6，普通国省道网络中的g 1映射为双层公路网络中的s 1。高速公路路段f 1 f 2，与普通国省道路段g 1 g 2之间通过收费站点s 10进行耦合连接。后面的节点以同样的方式进行耦合，得到最终的双层公路网络。
S102、确定双层异构公路网络中，每条路段的历史日交通量。
具体地，将双层异构公路网络中，高速公路路段划分为主线基本路段以及匝道路段。根据高速收费站数据，统计匝道路段的历史日交通量。根据高速门架数据，统计主线基本路段的历史日交通量。
进一步地，根据，得到双层异构公路网络中，各个普通公路路段的历史日交通量DT。其中，M为普通公路路段的月变系数，D为普通公路路段的周变系数，AADT为普通公路路段的年平均日交通量。
进一步地，在主线基本路段中存在多个门架的情况下，取所有门架统计得到的历史日交通量平均值作为最终的历史日交通量。在某个普通公路路段没有设观测站的情况下，根据，分别算出普通公路路段的上游路段的历史日交通量和下游路段的历史日交通量，并取二者的平均值作为普通公路路段的历史日交通量。
作为一种可行的实施方式，既有路网的双层异构公路网络中所有路段都是由互通式立体交叉点、平面交叉口、收费站三类节点划分而成的，路段为边，边的权重为历史日交通量，单位为辆/日。本发明利用高速收费站数据或门架数据，获取双层异构公路网络中高速公路划分路段的历史日交通量，此处划分路段分为主线基本路段和匝道路段。具体通过收费站数据统计分析驶入/驶出匝道路段的日交通量，通过门架数据统计分析主线基本路段的日交通量，通常主线基本路段的门架数为一个。当主线基本路段存在多个门架时，取所有门架统计得到的历史日交通量平均值作为最终值。上述提及的日交通量可以是任意一天的日交通量。
S103、基于高速公路路网中的收费站数据，划分双层异构公路网络的交通小区单元。
具体地，确定双层异构公路网络中每个耦合连接点的特征指标；其中，特征指标包括收费站始发流量、收费站到达流量、收费站方向不均衡系数、收费站主要流量汇聚分布系数、收费站主要流量分散分布系数。其中，收费站方向不均衡系数为收费站始发流量与收费站到达流量的比值；收费站主要流量汇聚分布系数为从其他各收费站出发到达本收费站的主要车流量之间的均方差；收费站主要流量分散分布系数为从本收费站出发到达其他各收费站的主要车流量之间的均方差。
进一步地，采用模糊聚类方法对收费站进行聚类分析，确定交通小区单元，具体包括：
根据，对特征指标进行标准化处理；式中，/>为特征指标/>，表示第k个收费站的第l个指标值。/>分别表示所有收费站第l项指标的平均值和标准差。
然后根据，对标准化处理后的特征指标进行极值归一化处理；式中，/>和/>是所有收费站第l项指标的最小值和最大值。
进一步地，根据处理后的特征指标，确定任意两个耦合连接点之间的特征相似度。然后根据任意两个耦合连接点之间的特征相似度，通过传递闭包法构建模糊等价矩阵；并选取模糊等价矩阵中的不同元素作为分类阈值，得到不同的耦合连接点聚类结果。最后通过F检验法，在不同的耦合连接点聚类结果中，确定最佳聚类结果，并将最佳聚类结果中的每个聚类簇确定为一个交通小区单元。
具体地，根据，确定收费站任k 1和k 2的特征相似度。式中，/>和/>表示收费站k 1和k 2所有特征指标的平均值；/>和/>表示收费站k 1和k 2第u个指标的归一化值。
S104、根据收费站数据，确定基于交通小区单元的初始OD分布矩阵。
具体地，根据收费站数据，获取以各个收费站为行和列标识的OD分布矩阵，然后将属于同一个交通小区单元的收费站进行OD合并，得到基于交通小区单元的初始OD分布矩阵：
；
矩阵内的元素为/>，表示作为出行发生源的交通小区单元i与作为出行吸引源的交通小区单元j之间的历史日交通量，m表示交通小区单元的个数。
S105、根据每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型，并对初始OD分布矩阵进行迭代推算，得到双层异构公路网络的当前OD分布矩阵。
具体地，根据每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型：；
其中，r表示出行者从交通小区单元i到交通小区单元j的第r条有效路径；表示路径r的广义出行成本；h表示人均日工作时长；d表示人均年工作日；GDP表示当地人均生产总值；/>表示车辆通过路径r的总出行费用；/>表示路段a的历史日交通量，a为路径r中的第a个路段；/>表示路段a的通行能力；/>表示路段a的自由流行程时间；/>为道路使用者的出行时间价值成本的权重系数；/>为道路使用者的出行经济价值成本的权重系数；R表示路径r上的所有路段集合。
进一步地，任意OD对之间均存在多条有效路径，根据，得到出行者从交通小区单元i到交通小区单元j时，选择第r条有效路径的概率；其中，e为指数函数的底数。
进一步地，将初始OD分布矩阵中的每个OD分布量分配到多条有效路径上，得到每条有效路径第n次迭代后的交通分配量，其中n=1为初始条件，/>为初始OD分布量。
将经过路段a的所有有效路径的第n次迭代后的交通分配量进行累加，得到路段a第n次迭代后的交通分配量。
进一步地，对路段a的交通分配量进行修订，根据，得到交通小区单元i和交通小区单元j之间路段a的期望交通量。
进一步地，根据，得到路径r的期望交通量；其中，/>表示路段的数量。
进一步地，根据，获取交通小区单元i和交通小区单元j之间，第n次迭代后的OD分布量/>。
进一步地，计算路段a的第n次迭代后的交通分配量与路段a的历史日交通量之间的相对误差；若相对误差小于等于收敛阈值，则停止迭代，输出当前OD分布矩阵；若相对误差大于收敛阈值，则令n=n+1，继续进行迭代计算，直到收敛为止。
S106、将新建路段融入双层异构公路网络中，并定义新建路段的广义出行成本；根据新建路段的广义出行成本以及当前OD分布矩阵，确定新建路段的流量预测值。
具体地，按照实际地理位置，将新建路段添加到双层异构公路网络中，得到新的双层异构公路网络。
在一个实施例中，如图2中的双层公路网络N s所示，若节点S 10与节点S 3之间计划新建或已经新建一条普通公路，那么根据这条新建公路两个端点的位置，将其添加到双层公路网络N s中，得到新的双层公路网络。同时，确定新建公路相连接或者最近的高速收费站，将新建公路划分到该高速收费站所在的交通小区单元中。
进一步地，将新建路段的广义出行成本定义为：；其中，/>表示车辆通过新建路段b的总出行费用；/>表示新建路段b的自由流行程时间。
进一步地，根据新建路段的广义出行成本T b，重新计算出行者从交通小区单元i到交通小区单元j时，选择每条有效路径的概率，即。然后根据概率，将当前OD分布矩阵中的每个OD分布量分配到多条有效路径上，得到每条有效路径的交通分配量。
进一步地，将经过新建路段b的所有有效路径的交通分配量进行累加，得到新建路段b的流量预测值。
另外，本发明实施例还提供了一种基于双层异构网络的新建路网流量预测***，如图3所示，***包括：
网络构建模块310，用于基于高速公路路网拓扑结构以及普通公路路网拓扑结构，构建双层异构公路网络；
数据处理模块320，用于确定所述双层异构公路网络中，每条路段的历史日交通量；基于高速公路路网中的收费站数据，划分所述双层异构公路网络的交通小区单元；根据所述收费站数据，确定基于交通小区单元的初始OD分布矩阵；根据所述每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型，并对所述初始OD分布矩阵进行迭代推算，得到所述双层异构公路网络的当前OD分布矩阵；将新建路段融入所述双层异构公路网络中，并定义新建路段的广义出行成本；根据所述新建路段的广义出行成本以及所述当前OD分布矩阵，确定所述新建路段的流量预测值。
作为一种可行的实施方式，***还包括数据采集模块330，用于采集高速公路的收费站数据、门架数据，以及普通公路的观测站数据等。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本发明特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明的实施例可以有各种更改和变化。凡在本发明实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于双层异构网络的新建路网流量预测方法，其特征在于，所述方法包括：
基于高速公路路网拓扑结构以及普通公路路网拓扑结构，构建双层异构公路网络，具体包括：以高速公路中的互通式立体交叉点为节点，以相邻的两个互通式立体交叉点之间的路段为边，构建高速公路路网拓扑结构；以普通公路的平面交叉口为节点，以相邻的两个平面交叉口之间的路段为边，构建普通公路路网拓扑结构；将高速收费站作为高速公路与普通公路的耦合连接点，并基于所述耦合连接点，将所述高速公路路网拓扑结构与所述普通公路路网拓扑结构进行耦合重构，得到所述双层异构公路网络；
确定所述双层异构公路网络中，每条路段的历史日交通量；
基于高速公路路网中的收费站数据，划分所述双层异构公路网络的交通小区单元，具体包括：确定所述双层异构公路网络中每个耦合连接点的特征指标；对所述特征指标进行标准化处理以及极值归一化处理；根据处理后的所述特征指标，确定任意两个耦合连接点之间的特征相似度；根据所述任意两个耦合连接点之间的特征相似度，通过传递闭包法构建模糊等价矩阵；并选取所述模糊等价矩阵中的不同元素作为分类阈值，得到不同的耦合连接点聚类结果；通过F检验法，在所述不同的耦合连接点聚类结果中，确定最佳聚类结果，并将所述最佳聚类结果中的每个聚类簇确定为一个交通小区单元；
根据所述收费站数据，确定基于交通小区单元的初始OD分布矩阵，具体包括：根据所述收费站数据，获取以各个收费站为行和列标识的OD分布矩阵；将属于同一个交通小区单元的收费站进行OD合并，得到基于交通小区单元的初始OD分布矩阵；
根据所述每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型，其中，r表示出行者从交通小区单元i到交通小区单元j的第r条有效路径；/>表示路径r的广义出行成本；h表示人均日工作时长；d表示人均年工作日；GDP表示当地人均生产总值；/>表示车辆通过路径r的总出行费用；/>表示路段a的历史日交通量，a为路径r中的第a个路段；/>表示路段a的通行能力；/>表示路段a的自由流行程时间；/>为道路使用者的出行时间价值成本的权重系数；/>为道路使用者的出行经济价值成本的权重系数；R表示路径r上的所有路段集合；
对所述初始OD分布矩阵进行迭代推算，得到所述双层异构公路网络的当前OD分布矩阵；
将新建路段融入所述双层异构公路网络中，并定义新建路段的广义出行成本，具体包括：按照实际地理位置，将所述新建路段添加到所述双层异构公路网络中，得到新的双层异构公路网络；将所述新建路段的广义出行成本定义为：；其中，/>表示车辆通过新建路段b的总出行费用；/>表示新建路段b的自由流行程时间；
根据所述新建路段的广义出行成本以及所述当前OD分布矩阵，确定所述新建路段的流量预测值，具体包括：根据所述新建路段的广义出行成本，重新计算出行者从交通小区单元i到交通小区单元j时，选择每条有效路径的概率；将所述当前OD分布矩阵中的每个OD分布量分配到多条有效路径上，得到每条有效路径的交通分配量；将经过新建路段的所有有效路径的交通分配量进行累加，得到所述新建路段的流量预测值。
2.根据权利要求1所述的一种基于双层异构网络的新建路网流量预测方法，其特征在于，确定所述双层异构公路网络中，每条路段的历史日交通量，具体包括：
将所述双层异构公路网络中，高速公路路段划分为主线基本路段以及匝道路段；
根据高速收费站数据，统计所述匝道路段的历史日交通量；
根据高速门架数据，统计所述主线基本路段的历史日交通量；
根据，得到所述双层异构公路网络中，各个普通公路路段的历史日交通量；其中，M为所述普通公路路段的月变系数，D为所述普通公路路段的周变系数，AADT为所述普通公路路段的年平均日交通量。
3.根据权利要求2所述的一种基于双层异构网络的新建路网流量预测方法，其特征在于，所述方法还包括：
在所述主线基本路段中存在多个门架的情况下，取所有门架统计得到的历史日交通量平均值作为最终的历史日交通量；
在某个普通公路路段没有设观测站的情况下，根据，分别算出所述普通公路路段的上游路段的历史日交通量和下游路段的历史日交通量，并取二者的平均值作为所述普通公路路段的历史日交通量。
4.根据权利要求1所述的一种基于双层异构网络的新建路网流量预测方法，其特征在于，所述特征指标包括收费站始发流量、收费站到达流量、收费站方向不均衡系数、收费站主要流量汇聚分布系数、收费站主要流量分散分布系数；
其中，所述收费站方向不均衡系数为所述收费站始发流量与收费站到达流量的比值；所述收费站主要流量汇聚分布系数为从其他各收费站出发到达本收费站的主要车流量之间的均方差；所述收费站主要流量分散分布系数为从本收费站出发到达其他各收费站的主要车流量之间的均方差。
5.根据权利要求1所述的一种基于双层异构网络的新建路网流量预测方法，其特征在于，所述初始OD分布矩阵中的元素为：作为出行发生源的交通小区单元与作为出行吸引源的交通小区单元之间的历史日交通量。
6.根据权利要求1所述的一种基于双层异构网络的新建路网流量预测方法，其特征在于，对所述初始OD分布矩阵进行迭代推算，得到所述双层异构公路网络的当前OD分布矩阵，具体包括：
根据，得到出行者从交通小区单元i到交通小区单元j时，选择第r条有效路径的概率；其中，e为指数函数的底数；
将所述初始OD分布矩阵中的每个OD分布量分配到多条有效路径上，得到每条有效路径第n次迭代后的交通分配量，其中n=1为初始条件，/>为初始OD分布量；
将经过路段a的所有有效路径的第n次迭代后的交通分配量进行累加，得到路段a第n次迭代后的交通分配量；
根据，得到交通小区单元i和交通小区单元j之间路段a的期望交通量；
根据，得到路径r的期望交通量；其中，/>表示路段的数量；
根据，得到交通小区单元i和交通小区单元j之间，第n次迭代后的OD分布量/>；
计算路段a的第n次迭代后的交通分配量与路段a的历史日交通量之间的相对误差；
若所述相对误差小于等于收敛阈值，则停止迭代，输出当前OD分布矩阵；若所述相对误差大于所述收敛阈值，则令n=n+1，继续进行迭代计算，直到收敛为止。
7.一种基于双层异构网络的新建路网流量预测***，其特征在于，所述***包括：
网络构建模块，用于基于高速公路路网拓扑结构以及普通公路路网拓扑结构，构建双层异构公路网络，具体包括：以高速公路中的互通式立体交叉点为节点，以相邻的两个互通式立体交叉点之间的路段为边，构建高速公路路网拓扑结构；以普通公路的平面交叉口为节点，以相邻的两个平面交叉口之间的路段为边，构建普通公路路网拓扑结构；将高速收费站作为高速公路与普通公路的耦合连接点，并基于所述耦合连接点，将所述高速公路路网拓扑结构与所述普通公路路网拓扑结构进行耦合重构，得到所述双层异构公路网络；
数据处理模块，用于确定所述双层异构公路网络中，每条路段的历史日交通量；基于高速公路路网中的收费站数据，划分所述双层异构公路网络的交通小区单元，具体包括：确定所述双层异构公路网络中每个耦合连接点的特征指标；对所述特征指标进行标准化处理以及极值归一化处理；根据处理后的所述特征指标，确定任意两个耦合连接点之间的特征相似度；根据所述任意两个耦合连接点之间的特征相似度，通过传递闭包法构建模糊等价矩阵；并选取所述模糊等价矩阵中的不同元素作为分类阈值，得到不同的耦合连接点聚类结果；通过F检验法，在所述不同的耦合连接点聚类结果中，确定最佳聚类结果，并将所述最佳聚类结果中的每个聚类簇确定为一个交通小区单元；根据所述收费站数据，确定基于交通小区单元的初始OD分布矩阵，具体包括：根据所述收费站数据，获取以各个收费站为行和列标识的OD分布矩阵；将属于同一个交通小区单元的收费站进行OD合并，得到基于交通小区单元的初始OD分布矩阵；根据所述每条路段的历史日交通量，建立高速公路与普通公路的路径广义出行成本计算模型，其中，r表示出行者从交通小区单元i到交通小区单元j的第r条有效路径；/>表示路径r的广义出行成本；h表示人均日工作时长；d表示人均年工作日；GDP表示当地人均生产总值；/>表示车辆通过路径r的总出行费用；/>表示路段a的历史日交通量，a为路径r中的第a个路段；/>表示路段a的通行能力；/>表示路段a的自由流行程时间；/>为道路使用者的出行时间价值成本的权重系数；/>为道路使用者的出行经济价值成本的权重系数；R表示路径r上的所有路段集合；对所述初始OD分布矩阵进行迭代推算，得到所述双层异构公路网络的当前OD分布矩阵；将新建路段融入所述双层异构公路网络中，并定义新建路段的广义出行成本，具体包括：按照实际地理位置，将所述新建路段添加到所述双层异构公路网络中，得到新的双层异构公路网络；将所述新建路段的广义出行成本定义为：/>；其中，/>表示车辆通过新建路段b的总出行费用；/>表示新建路段b的自由流行程时间；根据所述新建路段的广义出行成本以及所述当前OD分布矩阵，确定所述新建路段的流量预测值，具体包括：根据所述新建路段的广义出行成本，重新计算出行者从交通小区单元i到交通小区单元j时，选择每条有效路径的概率；将所述当前OD分布矩阵中的每个OD分布量分配到多条有效路径上，得到每条有效路径的交通分配量；将经过新建路段的所有有效路径的交通分配量进行累加，得到所述新建路段的流量预测值。
CN202310882561.8A 2023-07-19 2023-07-19 一种基于双层异构网络的新建路网流量预测方法及*** Active CN116611586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310882561.8A CN116611586B (zh) 2023-07-19 2023-07-19 一种基于双层异构网络的新建路网流量预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310882561.8A CN116611586B (zh) 2023-07-19 2023-07-19 一种基于双层异构网络的新建路网流量预测方法及***

Publications (2)

Publication Number Publication Date
CN116611586A CN116611586A (zh) 2023-08-18
CN116611586B true CN116611586B (zh) 2023-10-31

Family

ID=87678615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310882561.8A Active CN116611586B (zh) 2023-07-19 2023-07-19 一种基于双层异构网络的新建路网流量预测方法及***

Country Status (1)

Country Link
CN (1) CN116611586B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116062B (zh) * 2023-10-23 2024-01-09 山东高速股份有限公司 一种施工占道情景下高速公路交通量预测的方法及***
CN117612379B (zh) * 2024-01-24 2024-03-29 山东华夏高科信息股份有限公司 一种智慧交通车流量预测方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104269051A (zh) * 2014-10-17 2015-01-07 成都四为电子信息股份有限公司 一种高速公路监控管理***
CN105096614A (zh) * 2015-09-23 2015-11-25 南京遒涯信息技术有限公司 基于生成型深信度网络的新建路***通流量预测方法
CN110245423A (zh) * 2019-06-14 2019-09-17 重庆大学 一种高速公路收费站间流量关系分析方法
WO2022143549A1 (zh) * 2020-12-31 2022-07-07 北京千方科技股份有限公司 一种基于收费数据的高速公路路况的监测方法及装置
CN115455534A (zh) * 2022-09-05 2022-12-09 广州市交通运输研究院有限公司 一种高速公路网络布局结构适配性评估方法及***
CN116030617A (zh) * 2021-10-22 2023-04-28 交通运输部规划研究院 一种基于公路od数据进行车流量预测的方法及装置
CN116403410A (zh) * 2023-06-06 2023-07-07 中南大学 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104269051A (zh) * 2014-10-17 2015-01-07 成都四为电子信息股份有限公司 一种高速公路监控管理***
CN105096614A (zh) * 2015-09-23 2015-11-25 南京遒涯信息技术有限公司 基于生成型深信度网络的新建路***通流量预测方法
CN110245423A (zh) * 2019-06-14 2019-09-17 重庆大学 一种高速公路收费站间流量关系分析方法
WO2022143549A1 (zh) * 2020-12-31 2022-07-07 北京千方科技股份有限公司 一种基于收费数据的高速公路路况的监测方法及装置
CN116030617A (zh) * 2021-10-22 2023-04-28 交通运输部规划研究院 一种基于公路od数据进行车流量预测的方法及装置
CN115455534A (zh) * 2022-09-05 2022-12-09 广州市交通运输研究院有限公司 一种高速公路网络布局结构适配性评估方法及***
CN116403410A (zh) * 2023-06-06 2023-07-07 中南大学 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于出口流水数据的高速公路节假日日OD交通量分布预测;陈海华;谭国贤;黄子敬;林培群;;广西大学学报(自然科学版)(01);全文 *
高速公路城区段交通量组合预测方法研究;邱永鸿;;城市道桥与防洪(05);全文 *

Also Published As

Publication number Publication date
CN116611586A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN116611586B (zh) 一种基于双层异构网络的新建路网流量预测方法及***
CN107241512B (zh) 基于手机数据的城际交通出行方式判断方法和设备
CN110298500B (zh) 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法
CN109686091B (zh) 一种基于多源数据融合的交通流量填补算法
CN102521965B (zh) 基于车牌识别数据的交通需求管理措施效果评价方法
CN111653088A (zh) 一种车辆出行量预测模型构建方法及预测方法和***
CN102169524A (zh) 城市轨道交通网络客流分布的分阶段多路径模型算法
CN105513370B (zh) 基于稀疏车牌识别数据挖掘的交通小区划分方法
Kianfar et al. Optimizing freeway traffic sensor locations by clustering global-positioning-system-derived speed patterns
CN104809112A (zh) 一种基于多源数据的城市公交发展水平综合评价方法
CN104464344B (zh) 一种车辆行驶路径预测方法及***
WO2022227303A1 (zh) 信息处理方法、装置、计算机设备及存储介质
Kim Spatial contiguity-constrained hierarchical clustering for traffic prediction in bike sharing systems
CN104282142B (zh) 一种基于出租车gps数据的公交站台设置方法
CN112036757A (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
CN114021883A (zh) 一种高峰时期地铁接驳共享单车的调度方法
CN112309118A (zh) 一种基于时空相似度的车辆轨迹推算方法
CN112784000A (zh) 基于出租车轨迹数据的寻客方法
CN109544967A (zh) 一种基于低频avl数据的公交线网运行状态监控方法
CN116504050A (zh) 一种基于多模式公共交通出行数据的特殊事件城市分区方法
CN104978859A (zh) 一种计算城市任意区域公交线网密度的方法
CN111191817A (zh) 一种基于换乘客流量的公交线网拓扑划分方法
Qiu et al. RPSBPT: A route planning scheme with best profit for taxi
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN111723871A (zh) 一种公交车实时车厢满载率的估算方法

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