[发明专利]一种基于轨迹重构的城市路网OD估计方法

说明书

本发明公开了一种基于轨迹重构的城市路网OD估计方法，将微观层的个体路径选择行为和宏观层的随机用户均衡分配相结合，通过行程时间一致性模型、流量分布模型、检测器比重模型完成微观层粒子滤波器的重要性采样过程来实现车辆轨迹重构，并在随机用户均衡分配模型中加入了路径流约束。宏观层建立上层为广义最小二乘，下层为路径流修正的Logit随机用户均衡分配的OD估计双层规划模型实现了最优OD估计。

技术领域

本发明属于动态交通分配领域，具体涉及一种基于轨迹重构的城市路网OD估计方法。

背景技术

路网车流动态OD(Origin-Destination，简称OD)估计是利用道路交通供需关系实现主动交通管理的关键支撑，是交通智能管控的重要基础环节。实时、全样本机动车OD估计是交通规划和主动城市交通管理的重要环节，但是其获得却一直非常困难。早期通过进行大规模的居民出行调查来获取OD需求，不仅耗时耗力，且获得的OD信息缺乏时效性。因此自上世纪八十年代起，部分学者利用观测得到的路段流量数据进行OD估计。近四十年的研究进展，经历了从简单的路网逐步拓展到真实的道路网络、从考虑单一路段观测流量到融合多种新兴移动数据的过程。但这些方法无法精确描述真实路网上的路径选择规律，且往往因为数据所提供的模型约束不足而导致模型的解不唯一的情况。近年来日渐发展的自动车辆识别技术为机动车OD估计提供了新的数据来源，检测设备采集到的过车数据可以提供车辆的实时行程时间、路段流量、交叉口转弯流量及部分OD矩阵等丰富的信息，这些信息完美补充了大量的模型约束，为复杂大型城市路网的OD估计提供了可能。同时，还具有时间和空间覆盖范围广、数据样本量大以及识别精准度高等优势。因此基于自动车辆识别数据的OD估计研究受到了学者更多的关注。

传统的OD估计方法一般可以分为基于非分配的方法和基于分配的方法。基于非分配的方法是根据交通网络进出流量之间的关系和交通流量守恒定律来估计。然而，这类方法不能够描述复杂的路径选择行为，因此这些方法只能适用于封闭路网(如简单的高速公路网络)。相比之下，对于城市路网大部分研究通常是基于分配的方法，这类方法使用静态或者动态的交通分配过程来描述OD需求和观测交通流之间的关系，常用模型包括广义最小二乘模型、最大熵模型、贝叶斯理论以及状态空间模型。虽然基于分配的方法在一定程度上描述了出行者的路径选择行为，但交通分配过程需要基于某一预定路径选择假设来生成一组潜在路径，通常假设车辆总是选择最短路径，这种最短路径假设并不能完全代表出行者的实际行为。总体而言，这两种方法均从统计经验中受益，减少参数估计的问题，但是都无法综合考虑路线感知变异问题。

近年来基于轨迹的OD估计方法受到国内外学者的关注，这类方法通过提取准确的单个车辆的运动信息，可以直接捕捉司机的路线感知，克服了前两种方法的缺点。然而，大部分研究仅从观测到的车辆轨迹中提取交通流量计数，用作传统的OD估计方法的输入数据，以提高OD估计的准确性。尽管这些方法能够取得相对可靠的结果，但本质上也没有充分利用轨迹中的路径选择信息。为了使得估计的OD需求与路网的真实出行分布正确匹配，部分研究通过分析车辆轨迹特征导出路径流信息，以此映射到OD流，但这些方法都需要路网上拥有足够高的检测器覆盖率，而这在现实情况下难以实现。此外，都没有考虑由于检测器测量错误而导致可用计数不一致的事实。

发明内容

针对现有研究的局限性，本发明提出了一种基于轨迹重构的城市路网OD估计方法，微观层能够考虑司机在路线选择时感知的随机特征创建额外反映详细路径选择行为的重构路径流约束，同时宏观层的随机用户均衡(SUE)模型补充因检测器缺失造成的流量损失，宏-微观集成框架提高了OD估计精度，并且在低检测器覆盖率条件下仍然具有可靠的预测精度，能有效地利用自动车辆识别系统大样本数据集，实现了高精度的轨迹重构与OD估计，为应用于实际的交通管理场合奠定了基础。

本发明为解决上述技术问题采用以下技术方案：

一种基于轨迹重构的城市路网OD估计方法，包括以下步骤：

步骤1：基于自动车辆识别系统，利用路侧车辆检测器获取过车数据，构建车辆轨迹；