一种基于数据融合的城市路网行程时间分布估计方法技术

本发明专利技术提供的一种基于数据融合的城市路网行程时间分布估计方法，先基于浮动车上传的网联车辆轨迹数据获取路径rsk，然后计算任意路径的行程时间分布概率密度，然后通过电警卡口设备采集的为AVI数据校准时间，本方法中，结合了AVI局部观测的行程时间信息与网联车提供的全局分布信息，解决了现有方法中难以应对的网联车样本有偏、车辆自动识别设备路网中覆盖率较低的问题，确保在进行城市路网行程时间分布估计不受路网中检测器布设密度因素限制，可以灵活、准确地估计路网中任意给定路径的行程时间分布。时间分布。时间分布。

【技术实现步骤摘要】
一种基于数据融合的城市路网行程时间分布估计方法


[0001]本专利技术涉及交通状估计
，具体为一种基于数据融合的城市路网行程时间分布估计方法。

技术介绍

[0002]行程时间及其分布是城市路网交通运行状态的重要评估指标，基于行程时间的准确估计，城市路网中的出行者能够做出更为可靠的路径选择，行程时间分布能够直观地表明城市路网地效益及运行可靠性，也可用于确定路网瓶颈，从而施以主动控制措施、改善整体交通状况。现有研究中，通常采用浮动车或AVI数据的单一数据源进行路段的行程时间分布估计，并主要面向连续流(如：快速路)场景。浮动车一般是指安装了车载GPS定位装置并行驶在城市主干道上的公交汽车和出租车，浮动车上传的数据为网联车辆轨迹数据。然而浮动车上传的网联车辆轨迹数据存在着上传频率低、市场渗透率低、样本有偏等问题，无法保障估计的稳定性以及估计所得行程时间分布的准确性；而基于电警卡口设备采集的为AVI数据(也称车辆自动识别数据，以下简称AVI数据)，因为电警卡口设备在城市路网中的布设密度则非常有限，无法保障基于AVI数据进行行程时间分布估计在路网中的普适性，只能针对局部的电竞设备布设条件较好的路段进行估计。

技术实现思路

[0003]为了解决现有技术中因为浮动车数据的稳定性无法保证，以及电警监控设备的覆盖率有限，导致现有的行程时间估计方法中存在不准确或者低普适性的问题，本专利技术提供一种基于数据融合的城市路网行程时间分布估计方法，其不受路网中检测器布设密度因素限制，可以灵活、准确地估计路网中任意给定路径的行程时间分布。
[0004]本专利技术的技术方案是这样的：一种基于数据融合的城市路网行程时间分布估计方法，其特征在于，其包括以下步骤：
[0005]S1：确定待分析路网；
[0006]S2：获取所述待分析路网的路网图，所述路网图中包括所有的道路的流向；
[0007]S3：构建路径单元行程时间分布函数；
[0008]所述路径单元为：将路网中连续的两个流向作为一个路径单元进行定义；
[0009]基于网联车辆轨迹数据在所述待分析路网中的行程时间，使用双变量高斯混合模型GMM拟合初始路径单元行程时间分布，所述初始路径单元行程时间分布函数的概率密度函数PDF形式有下面公式给出：
[0010][0011]其中，t
‑
和t
+
分别表示上游和下游流向的行程时间；C表示GMM中组分分布的数量，λ
c
是组分c的权重；τ
c
表示组分分布c的双变量高斯分布概率密度函数；μ
c
和是组分分布c的平均值和方差；τ(.)表示总体的双变量高斯分布概率密度函数；
[0012]S4：基于路网中各路径单元的网联车辆轨迹数据，通过最大化似然函数L拟合所述初始路径单元行程时间分布函数GMM；
[0013][0014]其中，E是所述待分析路网中包括的所有路径的路径单元集合；n
e
是路径单元e∈E上观测网联车样本数；t
i
‑
和t
i+
表示上游和下游流向中第i辆网联车的行程时间；
[0015]S5：计算所述待分析路网中，每个流向m的平均行程时间t
m
：
[0016][0017]其中，为路径单元e与流向m的映射关系，若路径单元e包含流向m则为1，否则为0；
[0018]S6：获取目标路径rsk；
[0019]设：所述目标路径rsk包括的路径单元的个数为NUM；
[0020]S7：从初始路径单元行程时间分布GMMτ0(t
‑
,t
+
)中随机生成N个样本
[0021]初始化变量nu为0；
[0022]S8：使并从条件分布中取样；
[0023]S9：使nu＝nu+1；
[0024]S10：循环执行步骤S8～S9，直到列举出目标路径rsk中的所有NUM个路径单元；
[0025]S11：用核密度估计KDE方法对样本分布进行近似得到的t
rsk
概率密度函数τ(t
rsk
,b)：
[0026][0027]其中，t
rsk
为路径rsk的平均行程时间变量，κ(
·
)是高斯核函数，b是称为带宽的平滑参数，m表示流向，M
rsk
为路径rsk包含的流向集合；
[0028]S12：基于AVI数据构建目标函数：
[0029][0030]其中，p表示局部路径，P为路径集合，RS为交通起止点OD对集合，K
rs
为OD对rs间的路径集合；Z为目标函数，
[0031]为决策变量，表示路径rsk通过AVI序列p的剩余行程时间；
[0032]在目标函数中，第一项是典型的OLS项；
[0033]第二项是最小化p之间相同流向组合的不同路径的残余误差的方差；
[0034]w'1,w'2分别是第一项和第二项的权重，v是记录的AVI数据对p之间的车辆行程时间的标准差；
[0035]S13：基于约束条件，求解最小化目标函数minZ，得到决策变量的解；
[0036]采用下面的公式对决策变量的解转化为对平均流向行程时间的调整；
[0037][0038][0039]其中，表示在AVI对p的范围内，分配给路径rsk上的流向m的调整比例；t
m
为流向m的行程时间；表示流向m的平均行程时间调整量；表示流向m是否被rsk通过并在AVI序列p的范围内的发生率；M为待分析路网包括的所有的流向的集合；
[0040]S14：根据成分权重将调整分配给包含目标流向的GMM的每个组分：
[0041][0042]其中，c为GMM中组分，μ
c
是组分分布c的平均值，λ
c
是组分c的权重；
[0043]S15：基于调整后的GMM，重新计算t
rsk
概率密度函数τ(t
rsk
,b)，即得到所述目标路径rsk的平均行程时间。
[0044]其进一步特征在于：
[0045]所述平滑参数b的取值为：
[0046][0047]其中，是用于进行KDE的样本方差；
[0048]所述约束条件为：
[0049][0050][0051]其中，t
p
表示任何一对AVI检测器之间记录的行程时间的平均值；表示目标一对AVI之间沿路径rsk的行程时间；RS为OD对集合，K
rs
为OD对rs间的路径集合，表示局部路径p是否被路径rsk通过；是表示流向m是否被rsk通过并在AVI序列p的范围内的发生
率；定义为残差项，是路径rsk通过AVI序列p的剩余行程时间；f
rsk
表示路径流量数据；
[0052]步骤S12中，两个权重的比值默认取值为w'1:w'2＝1:1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据融合的城市路网行程时间分布估计方法，其特征在于，其包括以下步骤：S1：确定待分析路网；S2：获取所述待分析路网的路网图，所述路网图中包括所有的道路的流向；S3：构建路径单元行程时间分布函数；所述路径单元为：将路网中连续的两个流向作为一个路径单元进行定义；基于网联车辆轨迹数据在所述待分析路网中的行程时间，使用双变量高斯混合模型GMM拟合初始路径单元行程时间分布，所述初始路径单元行程时间分布函数的概率密度函数PDF形式有下面公式给出：其中，t
‑
和t
+
分别表示上游和下游流向的行程时间；C表示GMM中组分分布的数量，λ
c
是组分c的权重；τ
c
表示组分分布c的双变量高斯分布概率密度函数；μ
c
和是组分分布c的平均值和方差；τ(.)表示总体的双变量高斯分布概率密度函数；S4：基于路网中各路径单元的网联车辆轨迹数据，通过最大化似然函数L拟合所述初始路径单元行程时间分布函数GMM；其中，E是所述待分析路网中包括的所有路径的路径单元集合；n
e
是路径单元e∈E上观测网联车样本数；t
i
‑
和t
i+
表示上游和下游流向中第i辆网联车的行程时间；S5：计算所述待分析路网中，每个流向m的平均行程时间t
m
：其中，为路径单元e与流向m的映射关系，若路径单元e包含流向m则为1，否则为0；S6：获取目标路径rsk；设：所述目标路径rsk包括的路径单元的个数为NUM；S7：从初始路径单元行程时间分布GMMτ0(t
‑
,t
+
)中随机生成N个样本初始化变量nu为0；S8：使并从条件分布中取样；S9：使nu＝nu+1；S10：循环执行步骤S8～S9，直到列举出目标路径rsk中的所有NUM个路径单元；S11：用核密度估计KDE方法对样本分布进行近似得到的t
rsk
概率密度函数τ(t
rsk
,b)：
其中，t
rsk
为路径rsk的平均行程时间变量，κ(
·
)是高斯核函数，b是称为带宽的平滑参数，m表示流向，M
rsk
为路径rsk包含的流向集...

【专利技术属性】
技术研发人员：封春房，邱红桐，吴晓东，汤若天，董开帆，卢健，李标，唐克双，王明，
申请(专利权)人：公安部交通管理科学研究所，
类型：发明
国别省市：