一種基于信令和浮動車數據的小汽車OD提取方法技術

本發明專利技術公開了一種基于信令和浮動車數據的小汽車OD提取方法，屬于交通運輸技術領域。針對目前動態OD估計缺乏動態先驗OD的問題，本發明專利技術提供了基于手機信令數據和交通調查數據的動態先驗OD獲取方法；針對動態OD過程中觀測交通流量覆蓋范圍有限、約束不足的問題，本發明專利技術提供了基于浮動車數據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；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，本發明專利技術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，可有效解決目前動態OD估計中動態先驗OD難以獲取的問題，在現有數據條件下提供充分的約束條件進而實現小汽車動態OD估計。

A method of car OD extraction based on signaling and floating vehicle data

The invention discloses a car OD extraction method based on signaling and floating vehicle data, belonging to the technical field of traffic transportation. Aiming at the lack of a priori dynamic dynamic OD estimation problem of OD, the present invention provides a method for obtaining mobile phone signaling data and traffic survey data for OD based on dynamic prior; dynamic OD during observation of traffic flow limited coverage, lack of constraints, the invention provides travel distribution constraints based on floating car data, and provide travel distribution conditions of different sample size calculation method; in order to road traffic travel restrictions and distribution constraint together into the OD estimation process, and provides a model solving method of maximum entropy OD the invention establishes a double constraint estimation, can effectively solve the dynamic OD estimation of dynamic OD is difficult to obtain a priori the problem of providing constraints fully under the conditions of existing data and realize the car dynamic OD estimation.

【技術實現步驟摘要】
一種基于信令和浮動車數據的小汽車OD提取方法
本專利技術屬于交通運輸
，可基于手機信令數據和浮動車數據獲取城市小汽車不同時段的動態出行OD矩陣。
技術介紹
獲取小汽車出行OD是合理制定交通管理策略、交通規劃的必要條件，目前主要通過大規模人工調查實現，費時、費力且精度低，北京市于2014的開展的第5次居民出行調查，花費約3000萬，耗時近一年時間，抽樣率不足1％，能夠調查到的信息非常有限。OD估計技術是實現小汽車OD獲取的重要途經，可靠的先驗OD與充分的約束條件是獲得準確OD估計結果的必要條件。然而由于目前難以獲取可靠的動態先驗OD，且城市路網中用于作為OD估計約束條件的動態觀測流量有限，使得難以通過OD估計技術實現小汽車動態OD獲取。
技術實現思路
本專利技術提供一種基于信令數據和浮動車數據的小汽車動態OD估計方法，其主要內容是：一是針對目前動態OD估計缺乏動態先驗OD的問題，本專利技術提供了基于手機信令數據和交通調查數據的動態先驗OD獲取方法；二是針對動態OD過程中觀測交通流量覆蓋范圍有限、約束不足的問題，本專利技術提供了基于浮動車數據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，本專利技術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。為實現上述目的，本方法采用的技術方案為一種基于信令和浮動車數據的小汽車OD提取方法，該方法的具體實施內容如下：1)基于信令數據的小汽車動態先驗OD獲取方法目前，基于信令數據提取全交通方式出行OD的技術已較為成熟，雖然難以獲得實時的信令數據，但仍可借助其大樣本量、可分時段的優勢提取小汽車動態先驗OD，為動態OD估計提供基礎條件。然而，由信令數據獲取的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。本方法通過改進信令OD實現了小汽車先驗OD提取方法。設由信令數據提取得到的t時段的全方式OD矩陣為中由i小區到j小區的出行量為則在理想條件下，若能獲得對應時段i小區到j小區的小汽車出行比例則在該時段由i小區到j小區的小汽車出行量為：該時段的小汽車出行OD矩陣為：其中C(t)為各個交通小區間的小汽車出行比例矩陣，即然而在實際進行出行方式的比例調查時，往往只考慮出行的起點小區，不考慮出行目的地，且很少區分時段進行調查，則由i小區出發的前往其他各小區的所有出行中，小汽車的出行比例均為ci，此時只能對進行粗略估計：則該時段的小汽車出行OD矩陣的估計結果為：其中C為不區分時段的任意兩小區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據，則可通過OD估計的方法進一步提高各時段小汽車OD的精度，最終基于信令數據、交通方式調查數據、歷史流量數據獲得可靠的小汽車動態先驗OD。2)基于浮動車數據的出行分布特征約束條件提取目前進行城市路網動態OD估計時可使用的約束條件為動態流量觀測數據，然而由于目前道路流量觀測設備有限，使得在以路段流量作為約束條件進行OD估計時約束條件較少，導致全路網動態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，稱由該小區出發的小汽車前往不同小區的比例分布構成情況為該小區的小汽車出行分布特征。路網中的浮動車即載客出租車視為路網中小汽車的部分樣本，其出行分布特征能夠有效反應小汽車的出行分布特性，因而利用浮動車數據進行小汽車出行分布特征的提取：其中，Pij是i小區至j小區的小汽車交通量占由i小區出發的所有小汽車交通量的比例，是i小區至j小區的浮動車交通量占i小區出發的所有浮動車交通量的比例，Tij是小區i到小區j的小汽車交通量，Fij是小區i到小區j的浮動車交通量。{Pi*}為i小區的出行分布特征矩陣。由于浮動車數據樣本量有限，出現個別小區間浮動車流量Fij為0的情況，則由浮動車數據獲取的這些小區間的小汽車出行分布比例為0，可能與客觀情況不符。為了避免這種現象，對公式1進行改進，對于某個小區i而言，僅利用浮動車數據描述i小區到Fij＞0的多個目的地小區的出行分布情況：其中，Jij為滿足下述條件的所有的小區集合：i小區到這些小區的浮動車流量Fij>0；P′ij為i小區至該Jij小區集合中j小區的小汽車出行分布比例；為i小區至該Jij小區集合中j小區的浮動車出行分布比例。{P′i*}為改進后i小區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據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據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i出發的任意載客浮動車視為一次伯努利試驗，試驗結果包括兩種：浮動車由i小區出發前往了j小區，浮動車未從i小區出發前往j小區。由于浮動車樣本的絕對量大，因而結合正態分布性質進行樣本量分析，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小區所需的浮動車總樣本量，為使用現有浮動車數據計算得到的ij間出行分布比例，Δij為誤差允許范圍，(1-α)為置信水平?？梢娝璧闹眯潘皆礁?、誤差范圍越小、出行分布比例越小，則起點小區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聚類的方法聚集前往特定d小區近似可能性較大且樣本量不足的小區，聚類后的各小區形成一個抽象的融合小區k，將這些小區的樣本集合作為融合小區k的樣本。顯然，相比各個組成小區而言，融合小區k的樣本將明顯擴大，其滿足樣本量需求的可能性即更大。若融合小區的樣本量滿足要求，則以樣本集合完成融合小區的的計算，并將計算結果賦予各個組成小區，各個組成小區最將終獲得相同的估計值。在進行聚類時，由于現有樣本量不足，難以基于現有樣本進行相似性的判斷，基于大量歷史數據實現當前時段潛在相似性的判斷，則在聚類時小區間的相似性判斷標準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，則可利用融合小區完成各組成小區的出行分布特征估計，對于仍無法滿足樣本需求的小區，則采用歷史同期數據進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據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，結合動態先驗OD即可實現小汽車動態OD的估計?；跇O大熵思想模型構建了雙重約束下的OD估計方法。其中，Va表示路段a上的觀測交通流量；為OD對ij間交通量Tij途經路段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為交通小區總數。Ji為滿足下述條件的所有的小區集合：當前時段，i小區到這些小區的浮動車流量Fij>0。P′ij為該小區至該Jij小區集合中小區j的小汽車交通量占該小區至Jij中所有小區小汽車交通量的比例。{tij}為當前時段的先驗OD矩陣。上述OD估計模型可通過拉格朗日乘子法進行展開，獲得與未知量個數相同的非線性方程，進而實現求解。非線性方程的求解方法采用遺傳算法或蟻群算法本文檔來自技高網...

【技術保護點】
一種基于信令和浮動車數據的小汽車OD提取方法，其特征在于：該方法的具體實施內容如下：1)基于信令數據的小汽車動態先驗OD獲取方法通過改進信令OD實現了小汽車先驗OD提取方法；設由信令數據提取得到的t時段的全方式OD矩陣為

【技術特征摘要】
1.一種基于信令和浮動車數據的小汽車OD提取方法，其特征在于：該方法的具體實施內容如下：1)基于信令數據的小汽車動態先驗OD獲取方法通過改進信令OD實現了小汽車先驗OD提取方法；設由信令數據提取得到的t時段的全方式OD矩陣為中由i小區到j小區的出行量為則在理想條件下，若能獲得對應時段i小區到j小區的小汽車出行比例則在該時段由i小區到j小區的小汽車出行量為：該時段的小汽車出行OD矩陣為：其中C(t)為各個交通小區間的小汽車出行比例矩陣，即然而在實際進行出行方式的比例調查時，往往只考慮出行的起點小區，不考慮出行目的地，且很少區分時段進行調查，則由i小區出發的前往其他各小區的所有出行中，小汽車的出行比例均為ci，此時只能對進行粗略估計：則該時段的小汽車出行OD矩陣的估計結果為：其中C為不區分時段的任意兩小區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據，則可通過OD估計的方法進一步提高各時段小汽車OD的精度，最終基于信令數據、交通方式調查數據、歷史流量數據獲得可靠的小汽車動態先驗OD；2)基于浮動車數據的出行分布特征約束條件提取目前進行城市路網動態OD估計時可使用的約束條件為動態流量觀測數據，然而由于目前道路流量觀測設備有限，使得在以路段流量作為約束條件進行OD估計時約束條件較少，導致全路網動態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，稱由該小區出發的小汽車前往不同小區的比例分布構成情況為該小區的小汽車出行分布特征；路網中的浮動車即載客出租車視為路網中小汽車的部分樣本，其出行分布特征能夠有效反應小汽車的出行分布特性，因而利用浮動車數據進行小汽車出行分布特征的提?。?![CDATA[Pij=TijΣj=1nTij≈PijF=FijΣj=1nFij---(1)]]>其中，Pij是i小區至j小區的小汽車交通量占由i小區出發的所有小汽車交通量的比例，是i小區至j小區的浮動車交通量占i小區出發的所有浮動車交通量的比例，Tij是小區i到小區j的小汽車交通量，Fij是小區i到小區j的浮動車交通量；{Pi*}為i小區的出行分布特征矩陣；由于浮動車數據樣本量有限，出現個別小區間浮動車流量Fij為0的情況，則由浮動車數據獲取的這些小區間的小汽車出行分布比例為0，可能與客觀情況不符；為了避免這種現象，對公式1進行改進，對于某個小區i而言，僅利用浮動車數據描述i小區到Fij＞0的多個目的地小區的出行分布情況：其中，Jij為滿足下述條件的所有的小區集合：i小區到這些小區的浮動車流量Fij>0；P′ij為i小區至該Jij小區集合中j小區的小汽車出行分布比例；為i小區至該Jij小區集合中j小區的浮動車出行分布比例；{P′i*}為...

【專利技術屬性】
技術研發人員：陳艷艷，吳克寒，唐夕茹，陳興斌，賴見輝，陳寧，
申請(專利權)人：北京工業大學，
類型：發明
國別省市：北京,11