[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

说明书

本发明涉及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，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)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并得到路径流量；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，对粒子滤波子模型和广义最小二乘子模型进行迭代优化，得到最优估计值。与现有技术相比，本发明具有场景要求低、有效性高、适用性广等优点。

技术领域

本发明涉及交通信息领域，尤其是涉及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。

背景技术

城市干道是城市道路网络的骨架，承担着城市大部分的长距离和快速交通，其会显著影响全市的交通运行效率。干道路径流量揭示了出行者动态出行需求，从而为交通仿真系统、交通需求管理、动态交通管理乃至信号协调控制提供输入。随着信息技术的高速发展，城市路网中的检测设备日益增加，为城市交通的研究提供了越来越多的数据源。因此，基于干道中观测得到的数据信息反推出干道路径流量成为了一种可行的方法。目前随着车辆导航和移动定位技术的发展，实时的车辆轨迹数据逐渐应用于城市交通管理中，相比传统检测数据，其可以提供路网广域、连续的采样观测信息，能够提供部分车辆行驶路径和行程时间。但是车辆的渗透率在路网上的时空分布差异较大，路径流量估计的精度受渗透率影响较大。另一方面，我国卡口电警系统应用广泛，相对于线圈、地磁、微波等定点检测数据，电警数据具有断面车辆全样本采集、可识别个体车辆ID和通过时刻的优势，可通过车牌匹配直接估计部分车辆路径及其行程时间。但是，卡口电警设备布点有限，多布设于干道关键交叉口，部分支路交叉口未布设，因此难以直接推算所有车辆的完整路径。如果能够融合利用上述抽样轨迹数据和电警数据的信息，实现准确、可靠的干道路径流量估计，将对干道交通管控方案动态优化，具有重要的理论意义和实用价值。

目前，国内外关于路径流量估计的研究主要可以分为三类，即解析模型、概率模型和机器学习模型。其中，解析模型无法真正的体现驾驶员在路网中的路径选择行为，同时这一类模型对先验信息的依赖性较大，这限制了这一类模型的可移植性；概率模型旨在从一些不确定性较大的数据中识别出车辆的真实路径，因此其对检测器覆盖率的要求较大；机器学习模型为近年来受到关注的模型，该模型需要大量的训练样本和真实路径流量，但这些数据较难获得，因此这类模型也存在一定的局限性。在数据条件方面，一部分研究探讨了利用线圈数据、电警数据或者传统出租车浮动车轨迹数据等单一数据源进行路径流量估计方法，另一部分研究探讨了基于线圈数据与电警数据或者线圈数据与车辆轨迹数据等多源数据源的路径流量估计方法，而融合电警数据和车辆轨迹数据的现有研究较少。同时，当电警检测器覆盖率较低时，车辆轨迹数据能够很好的对其进行补充，并且电警数据也能很好的从微观层面展现驾驶员的路径选择行为，因此融合电警数据和车辆轨迹数据能够很好的弥补现有研究方法论中的一些缺陷，对于补充现有路径流量估计方法论具有重要的现实意义。

发明内容

为了解决现有技术的问题，本发明提供了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。

本发明的目的可以通过以下技术方案来实现：

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，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；