基于监测数据的动态OD矩阵估计方法技术

基于监测数据的动态OD矩阵估计方法属于智能交通领域，传统的方法没有考虑到部分实际路网OD矩阵的稀疏性，计算出的OD矩阵及分配在路网上的流量与实际有较大偏差；而且在求解过程中，将OD矩阵分配到路网上往往需要一定时间，尤其是当路段陷入拥堵时，传统的OD矩阵分配算法需要较长时间，难以满足实时性要求。本发明专利技术构建了稀疏约束下的动态OD矩阵估计模型，并提出了一种稀疏约束下的动态OD矩阵估计快速算法,基于径向基神经网络对OD矩阵分配函数进行拟合。基于此，需要解决的关键问题包括：稀疏约束下的动态OD矩阵估计模型；稀疏约束下的动态OD矩阵估计实时算法。理论上，本发明专利技术提出的方案可以更准确地估计动态OD矩阵，并满足实时性要求。

【技术实现步骤摘要】
基于监测数据的动态OD矩阵估计方法
本专利技术属于智能交通领域，研究了一种动态OD矩阵估计方法。
技术介绍
近几年，随着社会经济的不断发展及生活水平的不断提高，人们的出行需求呈现快速增长的趋势，随之而来的诸如交通拥堵、空气和噪声污染、交通安全问题及造成的生活质量的下降，却越来越困扰着各大城市。交通问题已经成为最难铲除的现代化社会问题之一。虽然世界各国政府已经或正在投入大量的财力扩大道路供给量，然而交通状况并未得到显著改善。经过长期广泛的研究发现，仅依靠修建更多的道路、扩大路网规模来解决交通拥挤问题已经不能奏效，必须依靠高新技术来改造现有道路运输系统，从交通管理和控制方面入手以大幅提高道路的通行能力。交通出行(origin–destination)矩阵，简称OD矩阵，是反映交通出行量和路段交通量之间关系的矩阵。OD矩阵是进行交通规划的重要依据，同时也是智能交通的交通诱导、动态交通分配模型和一些实用的微观交通仿真软件的基础输入数据。OD矩阵可分为静态OD矩阵和动态OD矩阵。静态OD模型是对路段检测流量进行统一处理，不考虑检测车辆的出发时刻，因此所推测的OD矩阵结果为一天当中的平均出行需求，在反应交通流状态的动态特性上显示了不足。对于动态OD矩阵估计，则是通过动态交通分配来描述动态OD量和路段交通量之间的关系。所谓动态交通分配，就是将时变的交通出行合理分配到不同的路径上，以降低个人的出行费用或系统总费用。它是在交通供给状况及交通需求状况均已知的条件下，分析其最优的交通流量分布模式，从而为交通流管理、动态路径诱导等提供依据。通过交通流管理和动态路径诱导在空间和时间尺度上对人们已经产生的交通需求的合理配置，使交通路网优质高效地运行。传统获得OD矩阵的方法是进行大规模的交通出行分布调查(即OD调查)(包括路边询问、家庭访问、明信片调查以及车辆牌照法等)，但由于费用昂贵且组织难度大等原因，较少采用。再加上城市正处于快速发展阶段，土地利用不断变化，人口快速增长，调查得到的OD资料有效期限不长。由于路段监测数据容易获取，故对OD矩阵的估计主要采用模型估计方法。动态OD矩阵在过去数十年间取得了很大进展，许多方法相继被提出，这些方法包括最小二乘优化方法，卡尔曼滤波估计方法，增长系数法，熵极大化方法等。尽管以上这些方法在路网上进行动态OD矩阵估计均取得了较好的结果，但是由于不同路网区域的小区、路段具有显著的差异性，交通高峰期，平峰期路段交通情况复杂等因素的综合影响，使得动态OD矩阵估计仍极具挑战性。根据Cascetta等提出的理论，动态OD矩阵估计模型可以分为两部分，一部分为历史OD矩阵与所求OD矩阵的差值，另一部分为OD矩阵分配在路网上的流量与监测流量的差值。然而传统的方法没有考虑到部分实际路网OD矩阵的稀疏性，计算出的OD矩阵及分配在路网上的流量与实际有较大偏差；而且在求解过程中，将OD矩阵分配到路网上往往需要一定时间，尤其是当路段陷入拥堵时，传统的OD矩阵分配算法需要较长时间，难以满足实时性要求。
技术实现思路
针对现有动态OD矩阵估计的局限，本专利技术构建了稀疏约束下的动态OD矩阵估计模型，并提出了一种稀疏约束下的动态OD矩阵估计快速算法,基于径向基神经网络对OD矩阵分配函数进行拟合。基于此，需要解决的关键问题包括：稀疏约束下的动态OD矩阵估计模型；稀疏约束下的动态OD矩阵估计快速算法。理论上，本专利技术提出的方案可以更准确地获取动态OD矩阵，并满足实时性要求。本专利技术以交通道路监测流量和历史OD矩阵为输入数据，计算交通动态OD矩阵作为输出，整体方案结构如图1所示。本专利技术提出的动态OD矩阵估计主要包括以下几个步骤：稀疏约束下的动态OD矩阵估计模型、稀疏约束下的动态OD矩阵估计快速算法。(1)稀疏约束下的动态OD矩阵估计模型交通路网可以用有向图G(C,L)表示，其中C是交通节点集合，L路段集合,是配有监测器的路段子集。OD矩阵X＝{χnr}表示时间段r∈R内的交通OD对n∈N，R和N分别表示时间间隔以及OD对的个数。OD估计需要的数据包括历史OD矩阵XH＝{xnr}(可以通过交通调查或者一些静态OD估计模型获取)，在时间间隔t∈T内装配有道路检测器路段上的交通流量数据动态OD矩阵估计模型可以分为两部分，一部分为历史OD矩阵与所求OD矩阵的差值，另一部分为OD矩阵分配在路网上的流量与监测流量的差值，最优化模型为：其中ω1、ω2是权重因子，F1、F2是距离函数，XH是历史OD矩阵，是道路监测器流量，X是所求OD矩阵，Y表示OD矩阵X分配在道路上的流量。动态OD矩阵通常描述连续较短时间间隔内所研究路网的分布交通量，通常选取10至30分钟时间间隔。我们选取15分钟的时间间隔，基于青岛市市南区实际交通数据，计算动态OD矩阵。在实际应用中发现动态OD矩阵含有大量的0值,具有稀疏特性。为了保证交通矩阵X的稀疏特性，可以引入L0约束项||X||0，由于L0约束是NP难问题，一般的解决方法是把某些目标函数换成某些凸函数，向量0范数的凸包络是其1范数，做凸包络替换后，得到如下凸规划问题：其中ω、λ是权重因子，XH是历史OD矩阵，是道路监测器流量，||X||1项约束OD矩阵的稀疏特性，A(X)是OD矩阵分配函数，Y表示OD矩阵X分配在道路上的流量，X是所求OD矩阵。为了验证模型的有效性，我们分别利用了四种经典的算法对动态OD估计模型进行求解，即相对梯度方法、Lundgren方法、Quasi-Newton方法、以及SPSA方法，在不同参数下对所构建模型与传统通模型进行了对比。(2)稀疏约束下的动态OD矩阵估计快速算法在动态OD矩阵估计模型的求解中，需要将OD矩阵数据动态分配到路网上，道路OD矩阵X与道路流量Y具有如下映射关系：Y＝A(X)X(3)其中A＝{αnr,lt}是分配矩阵，αnr,lt表示OD矩阵中OD对xnr在时间段t内分配在路段l上的比例。OD矩阵分配通常基于寻径算法，需要考虑用户平衡、虑路网拓扑状态、信号灯控制等因素，进行宏观交通仿真将流量分配在各个道路上。因此OD矩阵与流量之间的函数A(X)较为复杂，且难以直接获取。由于计算过程中需要不断进行迭代计算，每次迭代都需要将新的OD矩阵分配到路网，即每次迭代都需要进行交通仿真，往往需要耗费较长的时间。尤其是在交通道路拥堵的情况下，整个甚至需要长达半个多时辰，难以满足智能交通的实时性要求。径向基(RBF)网络是一种单隐层前馈神经网络，神经网络的构成包括三层，每一层都有着完全不同的作用，结构如图3所示。第一层输入层由感知单元组成，它们将网络与外界环境连接起来；第二层是网络中仅有的一个隐层，它的作用是从输入空间到隐层空间之间进行非线性变换，在大多数情况下，隐层空间有较高的维数；第三层输出层是线性的，它为作用于输入层的激活模式提供响应。径向基神经网路具有较好的拟合性，能以任意精度逼近任意连续函数。利用径向基神经网路拟合逼近OD分配函数，可以避免过长时间的分配计算，以适应动态OD估计的实时性应用情况。我们选取高斯函数作为径向基函数，训练径向基神经网络：第一步：通过K-聚类方法确定神经元中心；第二部：利用BP算法确定输入层与隐含层间的权值以及隐含层与输出层间的权值。在训练完成径向基神经网络后，基于径本文档来自技高网...

【技术保护点】
1.基于监测数据的动态OD矩阵估计方法，其特征在于：以交通道路监测流量和历史OD矩阵为输入数据，计算交通动态OD矩阵作为输出，包括以下几个步骤：(1)稀疏约束下的动态OD矩阵估计模型的构建交通路网用有向图G(C,L)表示，其中C是交通节点集合，L路段集合,

【技术特征摘要】
1.基于监测数据的动态OD矩阵估计方法，其特征在于：以交通道路监测流量和历史OD矩阵为输入数据，计算交通动态OD矩阵作为输出，包括以下几个步骤：(1)稀疏约束下的动态OD矩阵估计模型的构建交通路网用有向图G(C,L)表示，其中C是交通节点集合，L路段集合,是配有监测器的路段子集；OD矩阵X＝{χnr}表示时间段r∈R内的交通OD对n∈N，R和N分别表示时间间隔以及OD对的个数；OD估计需要的数据包括历史OD矩阵XH＝{xnr}在时间间隔t∈T内装配有道路检测器路段上的交通流量数据动态OD矩阵估计模型分为两部分，一部分为历史OD矩阵与所求OD矩阵的差值，另一部分为OD矩阵分配在路网上的流量与监测流量的差值，最优化模型为：其中ω1、ω2是权重因子，F1、F2是距离函数，XH是历史OD矩阵，是道路监测器流量，X是所求OD矩阵，Y表示OD矩阵X分配在道路上的流量；动态OD矩阵通常描述连续较短时间间隔内所研究路网的分布交通量，选取10至30分钟时间间隔；为了保证交通矩阵X的稀疏特性，做凸包络替换后，得到如下凸规划问题：其中ω、λ是权重因子，XH是历史OD矩阵，是道路监测器流量，||X||1项约束OD矩阵的稀疏特性，A(X)是OD矩阵分配函数，Y表示OD矩阵X分配在道路...

【专利技术属性】
技术研发人员：李敬华，梁嘉伟，张勇，于雅冬，李欢，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11