本發(fā)明屬于交通運(yùn)輸技術(shù)領(lǐng)域，可基于手機(jī)信令數(shù)據(jù)和浮動車數(shù)據(jù)獲取城市小汽車不同時段的動態(tài)出行OD矩陣。

背景技術(shù)：

獲取小汽車出行OD是合理制定交通管理策略、交通規(guī)劃的必要條件，目前主要通過大規(guī)模人工調(diào)查實現(xiàn)，費時、費力且精度低，北京市于2014的開展的第5次居民出行調(diào)查，花費約3000萬，耗時近一年時間，抽樣率不足1％，能夠調(diào)查到的信息非常有限。OD估計技術(shù)是實現(xiàn)小汽車OD獲取的重要途經(jīng)，可靠的先驗OD與充分的約束條件是獲得準(zhǔn)確OD估計結(jié)果的必要條件。然而由于目前難以獲取可靠的動態(tài)先驗OD，且城市路網(wǎng)中用于作為OD估計約束條件的動態(tài)觀測流量有限，使得難以通過OD估計技術(shù)實現(xiàn)小汽車動態(tài)OD獲取。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種基于信令數(shù)據(jù)和浮動車數(shù)據(jù)的小汽車動態(tài)OD估計方法，其主要內(nèi)容是：

一是針對目前動態(tài)OD估計缺乏動態(tài)先驗OD的問題，本發(fā)明提供了基于手機(jī)信令數(shù)據(jù)和交通調(diào)查數(shù)據(jù)的動態(tài)先驗OD獲取方法；二是針對動態(tài)OD過程中觀測交通流量覆蓋范圍有限、約束不足的問題，本發(fā)明提供了基于浮動車數(shù)據(jù)的出行分布特征約束條件，并提供了不同樣本量條件下的出行分布特征計算方法；三是為了將路段流量約束和出行分布特征約束共同納入到OD估計過程中，本發(fā)明建立了雙約束條件的極大熵OD估計模型并提供了求解方法。

為實現(xiàn)上述目的，本方法采用的技術(shù)方案為一種基于信令和浮動車數(shù)據(jù)的小汽車OD提取方法，該方法的具體實施內(nèi)容如下：

1)基于信令數(shù)據(jù)的小汽車動態(tài)先驗OD獲取方法

目前，基于信令數(shù)據(jù)提取全交通方式出行OD的技術(shù)已較為成熟，雖然難以獲得實時的信令數(shù)據(jù)，但仍可借助其大樣本量、可分時段的優(yōu)勢提取小汽車動態(tài)先驗OD，為動態(tài)OD估計提供基礎(chǔ)條件。然而，由信令數(shù)據(jù)獲取的OD矩陣通常是“全方式OD”，不能將其直接作為小汽車先驗OD矩陣。

本方法通過改進(jìn)信令OD實現(xiàn)了小汽車先驗OD提取方法。設(shè)由信令數(shù)據(jù)提取得到的t時段的全方式OD矩陣為中由i小區(qū)到j(luò)小區(qū)的出行量為則在理想條件下，若能獲得對應(yīng)時段i小區(qū)到j(luò)小區(qū)的小汽車出行比例則在該時段由i小區(qū)到j(luò)小區(qū)的小汽車出行量為：

該時段的小汽車出行OD矩陣為：

其中C^(t)為各個交通小區(qū)間的小汽車出行比例矩陣，即

然而在實際進(jìn)行出行方式的比例調(diào)查時，往往只考慮出行的起點小區(qū)，不考慮出行目的地，且很少區(qū)分時段進(jìn)行調(diào)查，則由i小區(qū)出發(fā)的前往其他各小區(qū)的所有出行中，小汽車的出行比例均為c_i，此時只能對進(jìn)行粗略估計：

則該時段的小汽車出行OD矩陣的估計結(jié)果為：

其中C為不區(qū)分時段的任意兩小區(qū)間的小汽車出行比例矩陣。顯然，由此獲得的各時段小汽車OD精度有限，若可獲得部分路段的歷史流量數(shù)據(jù)，則可通過OD估計的方法進(jìn)一步提高各時段小汽車OD的精度，最終基于信令數(shù)據(jù)、交通方式調(diào)查數(shù)據(jù)、歷史流量數(shù)據(jù)獲得可靠的小汽車動態(tài)先驗OD。

2)基于浮動車數(shù)據(jù)的出行分布特征約束條件提取

目前進(jìn)行城市路網(wǎng)動態(tài)OD估計時可使用的約束條件為動態(tài)流量觀測數(shù)據(jù)，然而由于目前道路流量觀測設(shè)備有限，使得在以路段流量作為約束條件進(jìn)行OD估計時約束條件較少，導(dǎo)致全路網(wǎng)動態(tài)OD估計精度較低。本方法提出了小汽車出行分布特征概念，并將其作為流量約束外的并存約束條件納入OD估計過程中，用以提高OD估計精度。

對于任意小區(qū)，稱由該小區(qū)出發(fā)的小汽車前往不同小區(qū)的比例分布構(gòu)成情況為該小區(qū)的小汽車出行分布特征。路網(wǎng)中的浮動車即載客出租車視為路網(wǎng)中小汽車的部分樣本，其出行分布特征能夠有效反應(yīng)小汽車的出行分布特性，因而利用浮動車數(shù)據(jù)進(jìn)行小汽車出行分布特征的提?。?/p>

其中，P_ij是i小區(qū)至j小區(qū)的小汽車交通量占由i小區(qū)出發(fā)的所有小汽車交通量的比例，是i小區(qū)至j小區(qū)的浮動車交通量占i小區(qū)出發(fā)的所有浮動車交通量的比例，T_ij是小區(qū)i到小區(qū)j的小汽車交通量，F(xiàn)_ij是小區(qū)i到小區(qū)j的浮動車交通量。{P_i*}為i小區(qū)的出行分布特征矩陣。

由于浮動車數(shù)據(jù)樣本量有限，出現(xiàn)個別小區(qū)間浮動車流量F_ij為0的情況，則由浮動車數(shù)據(jù)獲取的這些小區(qū)間的小汽車出行分布比例為0，可能與客觀情況不符。為了避免這種現(xiàn)象，對公式1進(jìn)行改進(jìn)，對于某個小區(qū)i而言，僅利用浮動車數(shù)據(jù)描述i小區(qū)到F_ij＞0的多個目的地小區(qū)的出行分布情況：

其中，J_ij為滿足下述條件的所有的小區(qū)集合：i小區(qū)到這些小區(qū)的浮動車流量F_ij>0；P′_ij為i小區(qū)至該J_ij小區(qū)集合中j小區(qū)的小汽車出行分布比例；為i小區(qū)至該J_ij小區(qū)集合中j小區(qū)的浮動車出行分布比例。{P′_i*}為改進(jìn)后i小區(qū)的出行分布特征矩陣。在浮動車樣本量充足的情況下，由該式即可完成基于浮動車數(shù)據(jù)的出行分布特征提取。

3)樣本量不足情況下的出行分布特征估計方法

本方法提供了基于浮動車數(shù)據(jù)提取小汽車出行分布特征時的樣本量需求計算方法。對于某一OD對ij而言，由該小區(qū)i出發(fā)的任意載客浮動車視為一次伯努利試驗，試驗結(jié)果包括兩種：浮動車由i小區(qū)出發(fā)前往了j小區(qū)，浮動車未從i小區(qū)出發(fā)前往j小區(qū)。由于浮動車樣本的絕對量大，因而結(jié)合正態(tài)分布性質(zhì)進(jìn)行樣本量分析，最終得到樣本量需求為：

其中，為計算ij間小汽車出行分布特征時i小區(qū)所需的浮動車總樣本量，為使用現(xiàn)有浮動車數(shù)據(jù)計算得到的ij間出行分布比例，Δ_ij為誤差允許范圍，(1-α)為置信水平。可見所需的置信水平越高、誤差范圍越小、出行分布比例越小，則起點小區(qū)i所需的樣本量越大。

在樣本量滿足要求的情況下，直接采用公式2進(jìn)行小汽車出行分布特征計算；在樣本量不足時，提出了基于聚類算法的出行分布特征估計方法。其基本原理是通過小區(qū)聚類的方法聚集前往特定d小區(qū)近似可能性較大且樣本量不足的小區(qū)，聚類后的各小區(qū)形成一個抽象的融合小區(qū)k，將這些小區(qū)的樣本集合作為融合小區(qū)k的樣本。顯然，相比各個組成小區(qū)而言，融合小區(qū)k的樣本將明顯擴(kuò)大，其滿足樣本量需求的可能性即更大。若融合小區(qū)的樣本量滿足要求，則以樣本集合完成融合小區(qū)的的計算，并將計算結(jié)果賦予各個組成小區(qū)，各個組成小區(qū)最將終獲得相同的估計值。在進(jìn)行聚類時，由于現(xiàn)有樣本量不足，難以基于現(xiàn)有樣本進(jìn)行相似性的判斷，基于大量歷史數(shù)據(jù)實現(xiàn)當(dāng)前時段潛在相似性的判斷，則在聚類時小區(qū)間的相似性判斷標(biāo)準(zhǔn)為采用多種聚類算法實施聚類。

在完成聚類后，對于滿足樣本需求的融合小區(qū)，則可利用融合小區(qū)完成各組成小區(qū)的出行分布特征估計，對于仍無法滿足樣本需求的小區(qū)，則采用歷史同期數(shù)據(jù)進(jìn)行出行分布特征估計。

4)流量和出行分布特征雙重約束OD估計模型

在基于浮動車數(shù)據(jù)獲取小汽車出行分布特征后，將出行分布特征和路段流量作為并存約束，結(jié)合動態(tài)先驗OD即可實現(xiàn)小汽車動態(tài)OD的估計。基于極大熵思想模型構(gòu)建了雙重約束下的OD估計方法。

其中，V_a表示路段a上的觀測交通流量；為OD對ij間交通量T_ij途經(jīng)路段a的比例，通常由交通分配模型獲得，作為OD估計中的已知條件；n為交通小區(qū)總數(shù)。J_i為滿足下述條件的所有的小區(qū)集合：當(dāng)前時段，i小區(qū)到這些小區(qū)的浮動車流量F_ij>0。P′_ij為該小區(qū)至該J_ij小區(qū)集合中小區(qū)j的小汽車交通量占該小區(qū)至J_ij中所有小區(qū)小汽車交通量的比例。{t_ij}為當(dāng)前時段的先驗OD矩陣。

上述OD估計模型可通過拉格朗日乘子法進(jìn)行展開，獲得與未知量個數(shù)相同的非線性方程，進(jìn)而實現(xiàn)求解。

非線性方程的求解方法采用遺傳算法或蟻群算法等予以實現(xiàn)。

本發(fā)明具有以下有益效果：

該發(fā)明的基礎(chǔ)數(shù)據(jù)來源于目前使用廣泛的信令數(shù)據(jù)、浮動車數(shù)據(jù)和道路檢測器數(shù)據(jù)，可有效解決目前動態(tài)OD估計中動態(tài)先驗OD難以獲取的問題，在現(xiàn)有數(shù)據(jù)條件下提供充分的約束條件進(jìn)而實現(xiàn)小汽車動態(tài)OD估計。

附圖說明

圖1為本方法的實施流程。

圖2為基于信令數(shù)據(jù)的全方式OD提取結(jié)果。

圖3為各小區(qū)前往50108小區(qū)的各小區(qū)最終結(jié)果。

具體實施方式

下面結(jié)合附圖1對本發(fā)明詳細(xì)描述其具體實施過程。

整體過程如圖1：本方法計算流程所示。分為三部分內(nèi)容：基于信令數(shù)據(jù)的小汽車動態(tài)先驗OD的獲取、基于浮動車數(shù)據(jù)的出行分布特征的獲取、雙重約束下的OD估計。

以北京市2015年某工作日6:00～22:00間逐小時的小汽車OD估計為例進(jìn)行說明。

1.小汽車動態(tài)先驗OD的獲取

(1)動態(tài)全方式OD的獲取

首先由信令數(shù)據(jù)完成分析時段內(nèi)的原始全方式出行OD提取，并進(jìn)行清洗、擴(kuò)樣等處理，再以1小時為間隔進(jìn)行OD拆分，獲得各小時的全方式出行OD，如圖2所示。

(2)小汽車動態(tài)先驗OD的獲取

在全方式OD的基礎(chǔ)上，進(jìn)一步結(jié)合出行方式調(diào)查數(shù)據(jù)和流量調(diào)查數(shù)據(jù)進(jìn)行小汽車動態(tài)先驗OD的提取。本例中采用北京市第四次交通大調(diào)查數(shù)據(jù)為例進(jìn)行方式劃分，以2015年北京市大范圍交通流量人工調(diào)查數(shù)據(jù)作為流量調(diào)查數(shù)據(jù)，采用靜態(tài)極大熵OD估計方法完成先驗OD的校準(zhǔn)，獲得6:00～22:00間各小時的小汽車先驗OD。

2.基于浮動車的小汽車出行分布特征提取

(1)載客出租車OD提取

浮動車原始數(shù)據(jù)中記錄了車輛位置、載客狀態(tài)、經(jīng)緯度、時間等信息，如表1所示。

表1原始浮動車數(shù)據(jù)內(nèi)容實例表

由浮動車原始數(shù)據(jù)可處理得到載客出租車的出行事件信息，其中主要包括出行起止位置、時間等信息，如表2所示。

表2浮動車載客出行事件信息提取結(jié)果實例

將載客出租車出行起終點與交通小區(qū)完成匹配后即可獲得各小時的載客出租車出行OD矩陣，進(jìn)而可用于小汽車出行分布特征的提出。

(2)小汽車出行分布特征提取

在基于浮動車數(shù)據(jù)進(jìn)行出行分布特征提取時需進(jìn)行樣本量滿足性檢驗，本例中以80％置信水平和25％誤差允許范圍為例進(jìn)行樣本滿足性檢驗。經(jīng)檢驗，全日16個時段各小區(qū)間的浮動車樣本滿足率僅為8.4％，因而需采用聚類算法展開出行分布特征估計。

本算例采用近鄰傳播聚類算法(AP算法)進(jìn)行小區(qū)聚類。以17：00～18:00時段某小區(qū)(編號50108)為目的地小區(qū)為例，聚類前(圖3)該時段共有298個小區(qū)至該小區(qū)樣本量不足，聚類后75％的小區(qū)滿足了樣本量需求，其余25％的小區(qū)采用歷史同期值進(jìn)行估計。最終各小區(qū)至50108小區(qū)的出行分布特征如圖3所示。

采用上述方法對全天16個時段各OD間的小汽車出行分布特征進(jìn)行計算后，樣本滿足率達(dá)到了76.1％，相比于未聚類前的8.4％改善效果明顯，對于當(dāng)前時段樣本量仍然不足的部分OD，采用歷史同期值進(jìn)行估計，至此完成基于浮動車數(shù)據(jù)的小汽車出行分布特征提取。

3.小汽車動態(tài)OD估計

采用上述內(nèi)容獲得的各小時動態(tài)先驗OD、小汽車出行分布比例，進(jìn)一步結(jié)合流量檢測器數(shù)據(jù)即可利用公式4完成OD估計，求解算法采用遺傳算法。本例中采用分析日當(dāng)日的北京市快速路微波檢測器觀測得到逐小時流量數(shù)據(jù)作為流量約束條件。

經(jīng)OD估計并進(jìn)行交通分配后得到：分析日北京市小汽車出行總量為489萬輛次，小汽車平均出行距離為36.6公里。以路段流量的模型計算結(jié)果和觀測結(jié)果的擬合程度驗證OD估計結(jié)果，檢驗結(jié)果顯示：各小時快速路路段流量平均誤差為8.6％，次干路、主干路流量平均誤差為14.3％，可見驗證結(jié)果理想，OD估計結(jié)果較為精確，實現(xiàn)在現(xiàn)有數(shù)據(jù)條件下的小汽車動態(tài)OD估計。

最后應(yīng)說明的是：以上示例僅用以說明本發(fā)明而并非限制本發(fā)明所描述的技術(shù)方案；因此，盡管本說明書參照上述的示例對本發(fā)明已進(jìn)行了詳細(xì)的說明，但是，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，仍然可以對本發(fā)明進(jìn)行修改或等同替換；而一切不脫離發(fā)明的精神和范圍的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。