一种模拟城市通勤出发时间选择的方法技术

本发明专利技术提供了一种模拟城市早高峰通勤出发时间选择的方法，属于城市交通管理领域，包括城市通勤个体出发时间选择数据采样，还包括以下步骤：建立城市早高峰通勤时段个体自适应学习模型；通勤个体初始选择倾向设置；基于城市通勤个体出发时间选择数据的模拟参数拟合；更新模型中通勤个体的选择倾向；更新模型中通勤个体选择出发时间的概率；输出模拟结果

【技术实现步骤摘要】
一种模拟城市通勤出发时间选择的方法


[0001]本专利技术属于城市交通管理领域，具体地说是一种基于自适应学习的城市早高峰通勤出发时间选择模拟方法
。

技术介绍

[0002]随着城市化进程的不断推进，我国机动车保有量急剧增加
。
我国已进入汽车社会，随之而来的交通拥堵也成为各大城市普遍面临的难题，尤其是早晚通勤高峰时段的拥堵，不仅挤占了生活工作的时间和增加经济成本，而且影响工作的心情，降低生活的满意度和幸福感
。
早高峰通勤时段的交通拥堵问题已经成为困扰各城市的难题，是城市交通管理领域重点关注的内容
。
模拟城市早高峰通勤者出发时间选择行为，揭示其宏观特征和内在机制，对制定有效的交通管控措施有重要的参考价值
。
[0003]在城市早高峰通勤出发时间选择的研究中，国内外学者大都基于
Vickrey
的瓶颈模型进行理论分析和实验验证，基于
Logit
效用理论进行模拟分析
。
但是通勤一般会受到天气
、
大型活动
、
道路施工等外部条件影响，目前能够模拟不同外部条件对通勤出发时间选择的方法较少
。
本专利技术能够通过调整参数对不同条件下城市通勤者出发时间选择行为进行模拟，方法简单且实用
。
[0004]公开号为
CN111724586A
的专利技术专利申请公开了一种通勤时间预测方法
、
通勤时间预测模型的训练方法和装置，包括根据天气
、
交通状态等信息通过训练模块后输出预测的通勤时间；通过获取历史轨迹数据和地图匹配训练输出预测通勤轨迹
。
该方法仅用于通勤时间和轨迹的预测，即预测整个通勤过程中要花费多长时间以及具体行程轨迹，不具备分析现有通勤出发地时间选择行为所具有的特征
。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出了一种模拟城市通勤出发时间选择的方法，充分考虑了信息
、
路况外部条件对出发时间选择的影响，建立了一个简单的自适应学习模型
。
该模型基于通勤个体积累的学习经验不断修正出发时间，通过最小二乘法拟合参数的方法，能够模拟不同条件下城市早高峰通勤出发时间选择行为的宏观均衡状态，为制定合理有效的交通管控措施提供有力的理论支撑
。
[0006]本专利技术的目的在于提供一种模拟城市通勤出发时间选择的方法，包括城市早高峰通勤时段个体出发时间选择数据采样；，还包括以下步骤：
[0007]步骤1：建立自适应学习模型；
[0008]步骤2：通勤个体初始选择倾向设置；
[0009]步骤3：基于城市通勤出发时间选择数据的模拟参数拟合；
[0010]步骤4：更新模型中通勤个体的选择倾向；
[0011]步骤5：更新模型中通勤个体选择出发时间的概率；
[0012]步骤6：输出模拟结果
。
[0013]优选的是，所述城市早高峰通勤时段个体出发时间选择数据采样，包括选定某城市连接居住区和工作区主干道的历史通勤出发时间选择数据，采集固定时间间隔
Δ
t(
例如1分钟
、5
分钟
、10
分钟等
)
从居住地出发的人数
、
路上拥堵时间
、
花费的出行费用和实际到达工作区的时间，形成样本空间
X
＝
{X1,X2,X3,X4}
，其中
X
i
＝
(x
i1
,x
i2
,
…
,x
ij
)
是第
i
个量对应的
j
个数据
[0014]在上述任一方案中优选的是，所述步骤1包括的自适应学习模型，每个通勤个体首先试探所有可选的出行时间点，然后选择花费成本最低的时间点出行，经过若干天的选择演化后，所有通勤个体能够达到一个均衡状态，即每个个体不会通过改变自己的选择而降低出行成本
。
这个过程称为自适应学习，基于此原理建立数学模型
。
[0015]在上述任一方案中优选的是，步骤2包括的通勤个体初始选择倾向设置
。
假设每个通勤个体对每个出发时间点有相同的选择倾向其中
m
表示通勤个体，
t
表示出发时间
。
在具体的模拟中，可以选取任意非零数值
。
[0016]在上述任一方案中优选的是，步骤3包括以下子步骤：
[0017]子步骤
31
：假设
Y
＝
f(X,
ω
)
，
ω
＝
[
ω1,
ω2,
…
,
ω
n
]是待定参数；
[0018]子步骤
32
：为了求解函数
f(X,
ω
)
的最优估计，对给定的
k
组采样数据，求解目标函数
[0019]子步骤
33
：取函数
L
最小值对应的
ω
值为模型参数值
。
[0020]在上述任一方案中优选的是，步骤4包括的更新模型中通勤个体的选择倾向，基于通勤个体效用最大
(
也可以采用出行费用最小
)
的原理进行出发时间选择概率的更新
。
设和分别是个体
m
在第
(i+1)
天选择出发时间
t
和
t
＇
(t≠t
＇
)
的倾向；和分别是个体
m
在第
i
天选择出发时间
t
和
t
＇的效用
(
等于一个设定的固定值减去出行花费的成本
)
；
θ
为
ω
中的一个参数
。
步骤4包括以下子步骤：
[0021]子步骤
41
：通勤个体
m
在第
i
天选择出发时间
t
，那么在第
(i+1)
天选择出发时间
t
的倾向为
[0022]子步骤
42
：通勤个体
m
在第
i
天选择出发时间
t
，那么在第
(i+1)
天选择出发时间
t
＇的倾向为
[0023]在上述任一方案中优选的是，步骤5包括的更新模型中通勤个体选择出发时间的概率：
[0024][0025]其中
λ...

【技术保护点】

【技术特征摘要】
1.
一种模拟城市早高峰通勤出发时间选择的方法，包括城市通勤个体出发时间选择数据采样，其特征在于，还包括以下步骤：步骤1：建立自适应学习模型；步骤2：通勤个体初始选择倾向设置；步骤3：基于城市通勤出发时间选择数据的模拟参数拟合；步骤4：更新模型中通勤个体的选择倾向；步骤5：更新模型中通勤个体选择出发时间的概率；步骤6：输出模拟结果
。2.
如权利要求1所述的城市通勤个体出发时间选择数据采样，其特征在于，选定某城市连接居住区和工作区主干道的历史通勤出发时间选择数据，采集固定时间间隔
Δ
t(
例如1分钟
、5
分钟
、10
分钟等
)
从居住地出发的人数
、
路上拥堵时间
、
花费的出行费用和实际到达工作区的时间，形成样本空间
X
＝
{X1,X2,X3,X4}
，其中
X
i
＝
(x
i1
,x
i2
,
…
,x
ij
)
是第
i
个量对应的
j
个数据
。3.
如权利要求2所述的一种模拟城市早高峰通勤出发时间选择的方法，其特征在于，所述步骤1包括的自适应学习模型，每个通勤个体首先试探所有可选的出行时间点，然后选择花费成本最低的时间点出行，经过若干天的选择演化后，所有通勤个体能够达到一个均衡状态，即每个个体不会通过改变自己的选择而降低出行成本
。
这个过程称为自适应学习，基于此原理建立数学模型
。4.
如权利要求3所述一种模拟城市早高峰通勤出发时间选择的方法，其特征在于，步骤2包括的通勤个体初始选择倾向设置
。
假设每个通勤个体对每个出发时间点有相同的选择倾向其中
m
表示通勤个体，
t
表示出发时间
。
在具体的模拟中，可以选取任意非零数值
。5.
如权利要求4所述一种模拟城市早高峰通勤出发时间选择的方法，其特征在于，步骤3包括的基于城市通勤出发时间选择数据的模拟参数拟合
。
利用多项式的最小二乘拟合方法求出自适应学习模型中的各参数
。6.
如权利要求5所述一种模拟城市早高峰通勤出发时间选择的方法，其特征在于，步骤3包括以下子步骤：子步骤
31
：假设
Y
＝
f(X,
ω

【专利技术属性】
技术研发人员：孙晓燕，韩晓，庄永香，孙少迪，
申请(专利权)人：孙少迪，
类型：发明
国别省市：