[发明专利]融合电警数据和抽样轨迹数据的干道路径流量估计方法

权利要求书

1.一种融合电警数据和抽样轨迹数据的干道路径流量估计方法，其特征在于，包括以下步骤：

1)获取干道上的抽样轨迹数据和干道两端交叉口的电警数据，将干道路径分为三类：第一类为路径信息完全已知的车辆路径，第二类为部分信息已知的车辆路径，第三类为路径信息完全未知的车辆路径；

2)融合抽样轨迹数据和电警数据，估计电警漏检率和抽样轨迹数据渗透率；

3)建立粒子滤波模型，从微观层面重构第二类和第三类车辆路径，重构完成得到第二类和第三类车辆路径的路径流量；

4)建立广义最小二乘模型，从宏观层面估计第二类和第三类车辆路径的路径流量；

5)构建混合模型，建立粒子滤波子模型和广义最小二乘子模型的迭代机制，通过各自得出的结果不断更新另一个模型的参数，直至模型收敛得到模型参数最优解，并最终得到第二类和第三类车辆路径的路径流量；

步骤3)具体包括以下步骤：

31)获取第一类车辆路径的总流量、第二类车辆路径的总流量以及第三类车辆路径的总流量；

32)针对第二类和第三类车辆路径中的任意一辆车辆，建立初始化粒子集每个初始粒子代表当前车辆的可能出行路径，当一个车辆的可能出行路径数为n时，其所有初始粒子的先验概率都定义为

33)第一次重要性采样：通过路径一致性判据对粒子的权重进行第一次更新；

34)第二次重要性采样：通过路径引力判据引入抽样轨迹数据对粒子的权重进行第二次更新；

35)第三次重要性采样：通过行程时间一致性判据对粒子的权重进行第三次更新；

36)输出权重最高的粒子，完成当前车辆的路径重构，重复32)～36)完成所有车辆的路径重构，最后进行集计得到各条车辆路径流量；

所述的步骤5)中，具体包括以下步骤：

51)模型初始化，使用步骤3)以及步骤4)的粒子滤波模型以及广义最小二乘模型分别估计出第二类和第三类车辆路径的路径流量，并作为第一次迭代时的结果；

52)粒子滤波模型迭代：根据步骤51)中的广义最小二乘模型得到的路径流量估计值更新粒子滤波子模型中的初始路径以及路径引力判据，然后得到更新后的路径流量估计值，用于广义最小二乘子模型迭代；

53)广义最小二乘子模型迭代：将步骤52)中的粒子滤波子模型得到的路径流量估计值作为此次广义最小二乘子模型的先验路径流量，更新广义最小二乘子模型中目标函数及约束，最后对更新后广义最小二乘子模型进行求解得到更新后的路径流量估计值，用于粒子滤波子模型迭代；

54)判断混合模型是否收敛：若两个子模型路径流量估计值差值小于μ时，则终止迭代过程，并且将两个估计值的平均值作为最终的路径流量估计值，否则，重复执行步骤52)～54)。

2.根据权利要求1所述的一种融合电警数据和抽样轨迹数据的干道路径流量估计方法，其特征在于，步骤2)中，电警漏检率通过下式得到：

其中，∈为电警漏检率，为通过干道两端第s个电警检测器断面处的抽样车辆数，为通过干道两端第s个电警检测器断面处且被电警检测器检测到的抽样车辆数，S为干道两端电警检测器数量。

3.根据权利要求1所述的一种融合电警数据和抽样轨迹数据的干道路径流量估计方法，其特征在于，步骤2)中，抽样轨迹数据渗透率通过下式得到：

其中，θ为抽样轨迹数据渗透率，∈为电警漏检率，为通过干道两端布设的第s个电警检测器断面处的抽样车辆数，为通过干道两端布设的第s个电警检测器断面处且被电警检测器检测到的抽样车辆数，为干道两端第s个电警检测器检测到的所有车辆数，S为干道两端电警检测器数量。