[发明专利]一种基于信令和浮动车数据的小汽车OD提取方法

摘要

本发明公开了一种基于信令和浮动车数据的小汽车OD提取方法，属于交通运输技术领域。针对目前动态OD估计缺乏动态先验OD的问题，本发明提供了基于手机信令数据和交通调查数据的动态先验OD获取方法；针对动态OD过程中观测交通流量覆盖范围有限、约束不足的问题，本发明提供了基于浮动车数据的出行分布特征约束条件，并提供了不同样本量条件下的出行分布特征计算方法；为了将路段流量约束和出行分布特征约束共同纳入到OD估计过程中，本发明建立了双约束条件的极大熵OD估计模型并提供了求解方法，可有效解决目前动态OD估计中动态先验OD难以获取的问题，在现有数据条件下提供充分的约束条件进而实现小汽车动态OD估计。

主权项

一种基于信令和浮动车数据的小汽车OD提取方法，其特征在于：该方法的具体实施内容如下：1)基于信令数据的小汽车动态先验OD获取方法通过改进信令OD实现了小汽车先验OD提取方法；设由信令数据提取得到的t时段的全方式OD矩阵为中由i小区到j小区的出行量为则在理想条件下，若能获得对应时段i小区到j小区的小汽车出行比例则在该时段由i小区到j小区的小汽车出行量为：aijc(t)=xijm(t)·cij(t)]]>该时段的小汽车出行OD矩阵为：Ac(t)=Am(t)*C(t)]]>其中C(t)为各个交通小区间的小汽车出行比例矩阵，即然而在实际进行出行方式的比例调查时，往往只考虑出行的起点小区，不考虑出行目的地，且很少区分时段进行调查，则由i小区出发的前往其他各小区的所有出行中，小汽车的出行比例均为ci，此时只能对进行粗略估计：aijc(t)≈aijm(t)·ci]]>则该时段的小汽车出行OD矩阵的估计结果为：Ac(t)≈Am(t)*C]]>其中C为不区分时段的任意两小区间的小汽车出行比例矩阵；显然，由此获得的各时段小汽车OD精度有限，若可获得部分路段的历史流量数据，则可通过OD估计的方法进一步提高各时段小汽车OD的精度，最终基于信令数据、交通方式调查数据、历史流量数据获得可靠的小汽车动态先验OD；2)基于浮动车数据的出行分布特征约束条件提取目前进行城市路网动态OD估计时可使用的约束条件为动态流量观测数据，然而由于目前道路流量观测设备有限，使得在以路段流量作为约束条件进行OD估计时约束条件较少，导致全路网动态OD估计精度较低；本方法提出了小汽车出行分布特征概念，并将其作为流量约束外的并存约束条件纳入OD估计过程中，用以提高OD估计精度；对于任意小区，称由该小区出发的小汽车前往不同小区的比例分布构成情况为该小区的小汽车出行分布特征；路网中的浮动车即载客出租车视为路网中小汽车的部分样本，其出行分布特征能够有效反应小汽车的出行分布特性，因而利用浮动车数据进行小汽车出行分布特征的提取：Pij=TijΣj=1nTij≈PijF=FijΣj=1nFij---(1)]]>其中，Pij是i小区至j小区的小汽车交通量占由i小区出发的所有小汽车交通量的比例，是i小区至j小区的浮动车交通量占i小区出发的所有浮动车交通量的比例，Tij是小区i到小区j的小汽车交通量，Fij是小区i到小区j的浮动车交通量；{Pi*}为i小区的出行分布特征矩阵；由于浮动车数据样本量有限，出现个别小区间浮动车流量Fij为0的情况，则由浮动车数据获取的这些小区间的小汽车出行分布比例为0，可能与客观情况不符；为了避免这种现象，对公式1进行改进，对于某个小区i而言，仅利用浮动车数据描述i小区到Fij＞0的多个目的地小区的出行分布情况：Pij′=TijΣjj∈JijTij≈Pij′F=FijΣjj∈JijFij---(2)]]>其中，Jij为满足下述条件的所有的小区集合：i小区到这些小区的浮动车流量Fij>0；P′ij为i小区至该Jij小区集合中j小区的小汽车出行分布比例；为i小区至该Jij小区集合中j小区的浮动车出行分布比例；{P′i*}为改进后i小区的出行分布特征矩阵；在浮动车样本量充足的情况下，由该式即可完成基于浮动车数据的出行分布特征提取；3)样本量不足情况下的出行分布特征估计方法本方法提供了基于浮动车数据提取小汽车出行分布特征时的样本量需求计算方法；对于某一OD对ij而言，由该小区i出发的任意载客浮动车视为一次伯努利试验，试验结果包括两种：浮动车由i小区出发前往了j小区，浮动车未从i小区出发前往j小区；由于浮动车样本的绝对量大，因而结合正态分布性质进行样本量分析，最终得到样本量需求为：nijmin=(1-Pij′F)zα22Δij2Pij′F---(3)]]>其中，为计算ij间小汽车出行分布特征时i小区所需的浮动车总样本量，为使用现有浮动车数据计算得到的ij间出行分布比例，Δij为误差允许范围，(1‑α)为置信水平；可见所需的置信水平越高、误差范围越小、出行分布比例越小，则起点小区i所需的样本量越大；在样本量满足要求的情况下，直接采用公式2进行小汽车出行分布特征计算；在样本量不足时，提出了基于聚类算法的出行分布特征估计方法；其基本原理是通过小区聚类的方法聚集前往特定d小区近似可能性较大且样本量不足的小区，聚类后的各小区形成一个抽象的融合小区k，将这些小区的样本集合作为融合小区k的样本；显然，相比各个组成小区而言，融合小区k的样本将明显扩大，其满足样本量需求的可能性即更大；若融合小区的样本量满足要求，则以样本集合完成融合小区的的计算，并将计算结果赋予各个组成小区，各个组成小区最将终获得相同的估计值；在进行聚类时，由于现有样本量不足，难以基于现有样本进行相似性的判断，基于大量历史数据实现当前时段潜在相似性的判断，则在聚类时小区间的相似性判断标准为采用多种聚类算法实施聚类；在完成聚类后，对于满足样本需求的融合小区，则可利用融合小区完成各组成小区的出行分布特征估计，对于仍无法满足样本需求的小区，则采用历史同期数据进行出行分布特征估计；4)流量和出行分布特征双重约束OD估计模型在基于浮动车数据获取小汽车出行分布特征后，将出行分布特征和路段流量作为并存约束，结合动态先验OD即可实现小汽车动态OD的估计；基于极大熵思想模型构建了双重约束下的OD估计方法；maxF=-Σi=1,j=1nTij(lnTijtij-lnT)s.t.Va=Σi=1,j=1nTijpijaPij′=TijTJ∀i,j(Fij>0)T=Σi=1,j=1nTijTJ=Σjj∈JiTijTij≥0∀i,j---(4)]]>其中，Va表示路段a上的观测交通流量；为OD对ij间交通量Tij途经路段a的比例，通常由交通分配模型获得，作为OD估计中的已知条件；n为交通小区总数；Ji为满足下述条件的所有的小区集合：当前时段，i小区到这些小区的浮动车流量Fij>0；P′ij为该小区至该Jij小区集合中小区j的小汽车交通量占该小区至Jij中所有小区小汽车交通量的比例；{tij}为当前时段的先验OD矩阵；OD估计模型通过拉格朗日乘子法进行展开，获得与未知量个数相同的非线性方程，进而实现求解。