[发明专利]交通起讫点需求估算方法

说明书

本发明公开了一种交通起讫点需求估算方法，包括获取待分析区域的交通参数；进行空间相关性建模得到空间相关性损失；进行出行语义相关性建模得到出行语义相关性损失；根据空间相关性损失和出行语义相关性损失构建OD估算模型；对OD估算模型进行求解得到最终的交通起讫点需求估算结果。本发明提供的这种交通起讫点需求估算方法，考虑了空间关联权重对OD需求空间自相关性以及出行语义关联权重对OD需求出行目的相似性，从而构建了考虑OD需求与空间距离的相关性和OD需求与出行目的的相关性的交通起讫点需求估算模型，并对模型求解得到最终的估算结果；因此，本发明方法的可靠性高、精确性好且适用范围广。

技术领域

本发明属于交通工程领域，具体涉及一种交通起讫点需求估算方法。

背景技术

随着经济技术的发展和人们生活水平的提高，机动车保有量逐年增多，从而导致城市交通问题也逐步增多。

交通起讫点需求(OD需求)矩阵能有效表达城市交通出行需求的分布，反映城市空间结构；从而引导短时交通流管理(交通信号灯配时)，指导交通规划，进而缓解城市交通问题，更好地满足城市居民的交通需求。

OD需求的传统获取方法是抽样问卷调查，这种方法存在成本高、抽样统计精度不稳定、数据更新周期长等缺陷。随着大数据技术的发展，地理信息数据来源更加多样且广泛，浮动车轨迹、公交乘车数据、交通卡口过车数据、手机信令数据、兴趣点(POI)数据等众源实时数据反映着城市交通流与交通需求的实时变化。通过交通大数据对OD需求进行估计成为了当下更好的选择。

根据是否考虑OD需求的空间分布特征，目前的基于交通大数据的OD需求估计相关技术可分为结构化方法与非结构化方法。结构化方法假设OD需求满足某些先验的空间分布模型，如重力模型、介入机会模型等，通过极大似然估计法求解模型参数。但是结构化方法的精确性过度依赖于模型，因此现在较少存在应用。非结构化方法不对OD需求的空间分布进行假设，而是以熵最大模型、极大似然模型、最小二乘模型等作为优化目标，以交通量守恒关系作为约束条件，建立数学规划模型，求得最优解。

但是，无论是结构化方法还是非结构化方法，目前的交通起讫点需求估算方法均考虑的因素较少，导致算法结果精确性不高，从而影响了最终估算结果的精度。

发明内容

本发明的目的在于提供一种考虑了OD需求与空间距离的相关性和OD需求与出行目的的相关性，可靠性高、精确性好且适用范围广的交通起讫点需求估算方法。

本发明提供的这种交通起讫点需求估算方法，包括如下步骤：

S1.获取待分析区域的交通参数；

S2.对待分析区域进行空间相关性建模，从而得到空间相关性损失；

S3.对待分析区域进行出行语义相关性建模，从而得到出行语义相关性损失；

S4.根据步骤S2得到的空间相关性损失和步骤S3得到的出行语义相关性损失，构建OD估算模型；

S5.对步骤S4构建的OD估算模型进行求解，从而得到最终的交通起讫点需求估算结果。

步骤S2所述的对待分析区域进行空间相关性建模，从而得到空间相关性损失，具体为采用如下步骤建模并得到空间相关性损失：

A.将待分析区域划分为交通小区，将出行OD点匹配至交通小区；同时规定若两交通小区共边相邻，则视作两交通小区存在空间邻接；

B.规定对于任意交通需求OD_i，其空间属性由起始点交通小区O_i与目的地交通小区D_i共同决定；任意两个交通需求OD_i与OD_j之间的空间关系同时取决于起始点交通小区O_iO_j的空间关系与目的地交通小区D_iD_j的空间关系；