CN104183119B - 基于路段od反推的实时交通流分布预测方法 - Google Patents

Abstract

本发明公开了一种基于路段OD反推的实时交通流分布预测方法，用于预测实时的路段出行、吸引交通量，并进行实时交通流分配。本发明的优点在于：将目前分散的交通小区划分、交通小区交通量预测、OD交通量实时预测、路段流量分配进行了系统的整合，构建基于路网的交通小区划分方法和实时交通流分布的预测系统，将出行起讫点和交通量分配的知识和技术进行了有机的结合，从软件角度进行了实现。

Description

基于路段OD反推的实时交通流分布预测方法

技术领域

本发明涉及智能交通技术领域，尤其是涉及一种路网交通的发生与吸引量的实时预测方法。

背景技术

伴随着智能交通系统在智慧城市建设和管理中的广泛应用和实时信息系统的日益发展，交通管理逐渐形成智能性、数据性、实时性的特点。交通管理部门和研究机构获取大量的实时交通数据，并将其应用于实时路况等交通管理领域。大量的交通信息数据构建历史数据库，为交通管理者和研究人员提供重要的数据支持。为了进行有效的交通管理并且为出行者提供准确的道路交通信息，需要基于实时交通信息进行准确的交通生成和吸引量预测。基于实时交通数据进行短时的交通出行和吸引量预测有助于交通分布预测，这是进行交通管理和规划的重要部分。

目前交通出行与吸引量的预测多通过交通调查，根据各个交通小区的人员构成、机动车保有率等因素推算交通小区的出行量与吸引量。首先，大样本量的交通调查需要大量的时间和资金投入；其次，划分交通小区的范围和依据不同会造成预测的不准确，并且交通小区的预测无法与交通路网进行合理匹配，预测结果与实际情况有所出入；第三，基于静态的调查和预测难以反映实时交通流状态和进行较准确的短时交通流预测。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于路段OD反推的实时交通流分布预测方法，是基于交通小区划分进行的实时OD分配的交通出行和吸引量的预测方法，用于提高出行分布预测的准确性。

为了实现上述目的，本发明所采用的技术方案是：

本发明是对“基于路段的交通小区划分、基于路段交通小区的交通量短时预测、OD交通量实时预测、路段流量分配”进行了系统的整合，构建基于路段的交通小区划分方法和实时交通流分布的预测方法，实现对出行OD对之间实时交通量的预测，并进一步按照最短路径分配的方法，将OD对之间的实时预测交通量分配到路网的各个路段中，得到实时预测交通流分布情况。

一种基于路段OD反推的实时交通流分布预测方法，包括以下步骤：

1.1、将交通网络中每条路段视为交通小区，对采集的交通信息(浮动车GPS数据)进行OD提取和路段匹配；

1.2、根据预测时刻，在历史的浮动车OD交通量数据库中选取某几天该预测时刻前后各半个小时的OD数据，并将其进行平均计算，将计算结果作为基础OD矩阵，代入OD矩阵中；

1.3、根据预测时刻，选取当天预测时刻前两个时刻的OD交通量数据，对其进行一次移动的时间序列方法，得到预测时刻各个交通小区(路段)O、D的交通量预测值，并将其作为每个O、D的汇总预测值代入OD矩阵中；

1.4、根据平均增长系数法对出行OD矩阵进行反推，得到预测时间下OD对之间的交通量；

1.5、按照最短路径的算法，对预测OD交通量进行交通流分配，得到实时的路段交通流预测。

与现有技术相比，本发明的有益效果是：将路段视为交通小区，可以解决目前交通小区出行、吸引交通量与路网匹配不良的问题，同时，可以缩减交通小区调查的成本，通过实时交通数据得到交通小区之间出行、吸引的交通量，解决实时交通分配预测问题。

附图说明

图1为本发明公开方法的流程图。

图2为采用本发明的交通小区划分方法对广州市番禺区的路网打断与OD提取示意图。

图3为0-1分配法流程图。

图4为增量分配法流程图示意图。

图5为连续平均法流程图。

具体实施方式

下面结合附图对本发明进一步说明。

本发明的技术流程如附图1所示，包括基于路段的交通小区的划分、数据库的构建、实时OD交通量预测、实时交通流分配四个步骤。

1.1、基于路段的交通小区划分：

传统的交通四阶段模型的单元是交通小区，本发明将路段代替交通小区作为四阶段模型的单元，对整个区域的路段，按照有交叉口就打断的原则将区域的路网打断为更小单元的路段。将交通小区改为基于路段，以此服务于后面的OD反推和交通分配。具体算法流程如下：

选取研究的基础路网，按照交叉口处打断和转弯路段道路中心线夹角小于150°的转角处打断的原则，将区域路网打断成更小尺度的路段，打断后的路段将代替交通小区，对其进行编号并将其作为四阶段模型统计OD出行量的最小单元。传统的OD矩阵都是以交通分析小区为分析单元，这样在进行路径选择做交通流分配的时候需要把每个交通小区的交通流匹配到对应的路网上，这个过程会引入误差。在本实施例中直接采用路段作为OD矩阵的分析单元，可以避免在这一过程中引入系统误差。

1.2、数据库的构建：

数据库的构建是基于对GPS数据进行实时OD提取、路段匹配和基于路段的OD汇总统计三部分。

①实时O、D提取：首先对GPS数据按照车辆编号和日期、时间进行排序，然后根据GPS数据中载客状态字段的变化来判断O点或者D点，例如：载客状态中1为载重，0为空载，则当同一辆车的载客状态由1变为0时，为D；当同一辆车的载客状态由0变为1时，为O；当找到O点时，则往下找到相应的D点；当找到D点时，则回溯找到相应的O点，以此匹配OD点对。

②路段匹配：将提取出来的O、D点转换为shapefile点格式，采用最近路段的方法匹配路段，即寻找到GPS点最近的路段，并将路段编号赋值给GPS点。

③基于路段的OD汇总统计：对匹配好路段的GPS OD点，对路段编号进行汇总统计，对载客状态进行计数统计，得到基于路段的O、D矩阵。

1.3、实时OD交通量预测：

实时OD交通量预测分为三步：第一，根据历史数据确定基础OD矩阵；第二，根据实时数据确定OD矩阵预测值；第三，OD反推估算预测时刻的OD交通量。

①根据历史数据确定基础OD矩阵

基于预测时间点的历史数据与历史路网交通量的比例关系，进行预测。如要预测早上8：00路网中各个OD对之间的交通量，通过提取路网各个OD对在8：00的历史交通量，并将其平均值作为历史数据，带入OD矩阵中。

②根据实时数据确定OD矩阵预测值

基于线性系统理论的预测方法主要包括：线性统计回归、历史趋势法、时间序列预测方法、卡尔曼滤波预测方法、指数平滑预测方法和自适应权重预测模型方法等。本实施例以时间序列预测方法——一次移动平均法为例进行短时交通流预测。

设x₁，x₂，x₃，…，x_n为特定的O点，以t为时间间隔，每段时间内的生成交通量，或者特定的D点，以t为时间间隔，每段时间内的吸引交通量。

因此，它为一个时间序列，样本容量为n。

移动平均法的公式如下：

$M_T^{\left(1\right)}=\frac{x_T+x_{T-1}+...+x_{T-N+1}}{N},T\≥N$

其中，N为每次移动平均包含的数据个数；为第T期的一次移动平均值。

移动平均的作用在于修匀数据，消除一些随机干扰，使长期趋势显露出来，从而可用于趋势分析及预测。

一般情况下，如果时间序列没有明显的周期变化和趋势变化，可用第T期的一次移动平均值作为第T+1期的预测值，即：

${\hat{x}}_{T+1}=M_T^{\left(1\right)}=\frac{x_T+x_{T-1}+...+x_{T-N+1}}{N}$

化简得到递推公式：

${\hat{x}}_{T+1}=M_T^{\left(1\right)}=M_{T-1}^{\left(1\right)}+\frac{x_T-x_{T-N}}{N}={\hat{x}}_T+\frac{x_T-x_{T-N}}{N}$

当N较大时，用递推公式可以大大减少计算量。

因此，根据OD对之间的历史数据，来对下一时间间隔内的交通量进行预测。

最终可以统计得到OD矩阵中每个O的生成交通量预测值和每个D的吸引交通量预测值，将历史数据库中，预测时刻周围一定时间范围内的交通流数据按照起讫点分配到OD矩阵中，作为OD矩阵的基础矩阵。同时，按照时间序列方法和预测时刻前几个时刻的交通流数据，推算出预测时刻的起讫点交通量预测值，作为OD矩阵中的预测值。

③OD反推估算实时的OD交通量

本研究采用增长系数法预测交通量的分布。

增长系数法的算法步骤如下：

第一步，令计算次数m＝0

第二步，给定现状OD表中Tm及将来OD表中的U_i、V_j；

其中表示第m次计算时，交通小区i到交通小区j之间的交通量；

表示第m次计算时，第i个交通小区发生交通量；

表示第m次计算时，第j个交通小区的吸引交通量；

U_i表示将来OD表中的发生交通量；

V_j表示将来OD表中的吸引交通量；

第三步，求出各小区的发生与吸引交通量的增长率

$F_{Oi}^m=U_i/O_i^m$

$F_{Dj}^m=V_j/D_j^m$

第四步，求第m+1次分布交通量的近似值

$q_{ij}^{m+1}=q_{ij}^m\×f(F_{Oi}^m,F_{Dj}^m)$

第五步，收敛判别，判别公式为：

$O_i^{m+1}={\Σ}_j{q}_{ij}^{m+1}$

$D_j^{m+1}={\Σ}_j{q}_{ij}^{m+1}$

$1-\mathrm{\&epsiv;}<F_{Oi}^{m+1}=U_i/O_i^{m+1}<1+\mathrm{\&epsiv;}$

$1-\mathrm{\&epsiv;}<F_{Dj}^{m+1}=V_j/D_j^{m+1}<1+\mathrm{\&epsiv;}$

式中，U_i表示将来OD表中的发生交通量；

V_j表示将来OD表中的吸引交通量；

表示i小区的第m次计算发生增长系数；

表示j小区的第m次计算吸引增长系数；

是增长系数的迭代方式，与每种方法有关；

ε表示任意给定的误差常数，一般取3％。

根据函数的种类不同，增长系数法可分为常增长系数法(UniqueGrowth Factor Method)、平均增长系数法(Average Growth Factor Method)、底特律法(Detroit Method)、福莱特法(Fratar Method)和佛尼斯法(Furness Method)。

本发明采用平均增长系数法，该方法公式简明已于计算，缺点是收敛慢，迭代次数多，计算精度低。平均增长系数表示如下：

$F_{Oi}^0=U_i/O_i^0$

$F_{Dj}^0=V_j/D_j^0$

第一次近似：

(4)实时交通流分配：

国际上通常将交通流分配方法分为平衡分配和非平衡分配两大类。对于完全满足Wardrop原理定义的平衡状态，称为平衡分配法；对于采用启发式方法或其他近似方法的分配模型，则称为非平衡分配方法。

通过OD反推模型获取实时OD矩阵之后，再分别采用0-1分配法、增量分配法、连续平均法等三种非平衡分配算法开发动态交通流分配模型，将新的实时OD交通量分配到路网，得到路网的实时交通流分布情况。

①0-1分配法

0-1分配法也称全有全无分配法，是最简单最基本的交通量分配法，在美国芝加哥城交通规划中，首次获得应用。该算法有2个特点：一是认为路段的走形时间只与路段的长度有关，是一个定值，与路段上的交通量的大小无关，不随道路的拥挤程度而有所变化；二是认为同一组的OD所有驾驶员都选择完全相同的路线。这种分配方法的主要计算过程是寻找最短路径。

0-1分配法简单且效率高。适用于在道路稀少的偏远地区，而一般城市路网的交通量分配中不适宜采用这种分配方法。计算步骤可以归纳如下：

第一步，计算网络中每个OD对之间的最短路径；

第二步，将OD间的交通量全部分配到相应的最短路径上。

由于0-1分配法不能反映拥挤效果，主要是用于某些非拥挤路网，该分配法用于没有通行能力限制的网络的情况。因此，建议使用范围是：在城际之间道路通行能力不受限制的地区可以采用；一般城市道路网的交通流分配不宜采用该方法。在实际中由于其简单实用的特性，一般作为其他各种分配技术的基础，在增量分配法和平衡分配法等方法中反复使用。

②增量分配法

增量分配法是一种近似的平衡分配法。其是将OD交通量平分成若干等份，循环地将每一等份的OD交通量分配到网络中。每一次循环分配一等份的OD交通量到相应的最短路径上，每分配一次就重新计算并更新各路段的行走时间，然后按更新后的走行时间重新计算网络各OD间的最短路径。下一循环中按更新后的最短路径分配下一等份的OD交通量。其计算步骤如下：

第一步，初始化。将每组OD交通量平分成N等份，令

第二步，更新路段的走行时间。 计算OD间最短路径。

第三步，增量分配。按第二步计算所得用0-1分配法将1/N的OD交通量分配到网络中去。这样得到一组附加交通量

第四步，交通量累加。令

第五步，判定。如果n＝N，停止计算。当前的路段交通量即是最终解；如果n＜N，令n＝n+1，返回第二步。

增量分配法得复杂程度和解得精确性都介于0-1分配法和平衡分配法之间。当N＝1时与0-1分配法的结果一致；当N→∞时，其解与平衡分配法的解一致。该方法简单易行，在许多成熟的商业软件中都有提供使用，精确度可以根据N的大小来调节，在实际的道路网交通量分配中经常得以应用。但是该分配方法仍然是一种近似方法，有时会将过多的交通量分配到某些容量很小的路段上。

③连续平均法

连续平均法是一种介于增量分配法和平衡分配法之间的循环分配方法。其是不断调整已分配到各路段上的交通量而逐渐接近或到达平衡分配。在每步循环中，根据已分配到各路段上的交通量进行一次0-1分配而得到一组各路段的附加交通量。然后用上个循环中各路段的分配交通量和本次循环中得到的附加交通量进行加权平均而得到本次循环中的路段分配交通量。当相邻两个循环中的分配交通量等于定值时，即可停止计算，该等值是一个很小的值，约等于1，即可认为相邻两个循环中的分配交通量是十分接近的。最后一个循环中得到的分配交通量即是最终的交通量。其主要算法步骤如下：

第一步，初始化。按照各路段的自由走行时间进行一次0-1分配，得到各路段的分配交通量

第二步，按照当前各路段的分配交通量计算各路段走行时间，并计算OD间最短路。

第三步，按照第二步计算的路段走行时间和OD交通量进行一次0-1分配，得到各路段的附加交通量F_a。

第四步，用加权平均法的方法计算各路段的当前交通量如下：

$x_a^n=(1-\mathrm{\&theta;})x_a^{n-1}+{\mathrm{\&theta;F}}_a,0\&le;\mathrm{\&theta;}\&le;1$

第五步，如果则循环终止，否则重新进行0-1分配，执行循环。

在第四步和第五步中，权重系数θ以及参数K需由计算者自己定义。参数的设置会决定循环的次数以及循环的运算效率。

连续平均法是既简单适用，又最接近于平衡分配法的一种分配方法；每步循环中权重系数θ的取值严格按照数学规划模型取值，即可得到平衡分配的解。

通过以上方法，可以实时动态获取路网的服务水平，为特殊交通事件(如内涝、交通事故等)状况下对交通流疏导提供决策支持。

上述的基于路段OD反推的实时交通流分布预测方法，结合了交通小区划分、短时交通量预测、OD交通量实时预测、路段流量分配等方面，实现了对出行OD对之间实时交通量的预测，并进一步按照最短路径分配的方法，将OD对之间的实时预测交通量分配到路网的各个路段中，得到实时预测交通流分布情况。

与以往的方法相比，本发明的有益效果是：一、本发明将路段视为交通小区，可以解决目前交通小区出行、吸引交通量与路网匹配不良的问题；二、本发明可以缩减交通小区调查的成本，通过实时交通数据得到交通小区之间出行、吸引的交通量，解决实时交通分配预测问题。

基于以上特点，本发明公布的基于路段OD反推的实时交通流分布预测方法在交通流实时预测、路况评估等方面可以发挥巨大作用，亦可为数字城市和智慧城市的发展增加助力。

以上所述实施例仅表达了本发明可能的实施方式，其描述较为具体和详尽，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于路段OD反推的实时交通流分布预测方法，其特征在于，包括以下步骤：

S1.将交通网络中每条路段视为交通小区，即OD矩阵中的O和D；

S2.根据获取的出租车GPS数据载客状态字段，判断出行的OD对，进行出行OD点提取，并将提取的OD点与交通小区进行路段匹配，进而汇总得到各个交通小区OD对之间的交通量；

S3.根据步骤S2得到的交通小区OD对之间交通量的汇总，构建历史OD交通量数据库；

S4.根据预测时刻，在历史OD交通量数据库中选取某几天该预测时刻周围一定范围内的OD数据，并将其进行平均计算，将计算结果作为基础OD矩阵，代入OD矩阵中；

S5.根据预测时刻，选取当天预测时刻前几个时刻的OD交通量数据，按照时间序列方法对其进行移动，得到预测时刻各个交通小区O、D的交通量预测值，并将其作为每个O、D的汇总预测值代入OD矩阵中；

S6.根据步骤S4和S5计算得到的基础OD矩阵和O、D汇总预测值，采用平均增长系数法对OD矩阵进行反推，得到预测时刻的各个OD对之间的交通量分配；

S7.采用最短路径分配的算法，将各个OD对之间的实时预测交通量分配到路网的各个路段上，得到该预测时刻路网中各个路段的实时交通量分配预测。

2.根据权利要求1所述的基于路段OD反推的实时交通流分布预测方法，其特征在于，步骤S1是将路网中各个路段按照交叉口以及路段夹角小于150°打断，并将打断后的各路段作为交通小区。

3.根据权利要求2所述的基于路段OD反推的实时交通流分布预测方法，其特征在于，步骤S2判断出行的OD对的方法为：对GPS数据按照车辆编号和日期、时间进行排序，然后根据GPS数据中载客状态字段的变化来判断O点或者D点，当同一辆车的载客状态由载重变为空载时，为D；当同一辆车的载客状态由空载变为载重时，为O；当找到O点时，则往下找到相应的D点；当找到D点时，则回溯找到相应的O点，以此匹配OD点对。

4.根据权利要求3所述的基于路段OD反推的实时交通流分布预测方法，其特征在于，步骤S2中将提取的OD点与交通小区进行路段匹配，汇总得到各个交通小区OD对之间的交通量的具体过程为：将提取出来的O、D点转换为shapefile点格式，采用最近路段的方法匹配路段，即寻找到GPS点最近的路段，并将路段编号赋值给GPS点：对匹配好路段的GPS OD点，对路段编号进行汇总统计，对载客状态进行计数统计，得到基于路段的O、D矩阵。

5.根据权利要求4所述的基于路段OD反推的实时交通流分布预测方法，其特征在于，步骤S5中根据预测时刻，选取当天预测时刻前两个时刻的OD交通量数据，对其进行一次移动的时间序列方法，得到预测时刻各个交通小区O、D的交通量预测值。

6.根据权利要求5所述的基于路段OD反推的实时交通流分布预测方法，其特征在于，对其进行一次移动的时间序列方法，具体是采用一次移动平均法，具体为：

设x₁，x₂，x₃，…，x_n为特定的O点，以t为时间间隔，每段时间内的生成交通量，或x₁，x₂，x₃，…，x_n为特定的D点，以t为时间间隔，每段时间内的吸引交通量；

因此，它为一个时间序列，样本容量为n；

移动平均法的公式如下：

$M_T^{\left(1\right)}=\frac{x_T+x_{T-1}+...+x_{T-N+1}}{N},T\&GreaterEqual;N$

其中，N为每次移动平均包含的数据个数；为第T期的一次移动平均值；

当时间序列没有明显的周期变化和趋势变化，用第T期的一次移动平均值作为第T+1期的预测值即：

${\hat{x}}_{T+1}=M_T^{\left(1\right)}=\frac{x_T+x_{T-1}+...+x_{T-N+1}}{N}$

化简得到递推公式：

${\hat{x}}_{T+1}=M_T^{\left(1\right)}=M_{T-1}^{\left(1\right)}+\frac{x_T-x_{T-N}}{N}={\hat{x}}_T+\frac{x_T-x_{T-N}}{N}.$

7.根据权利要求6所述的基于路段OD反推的实时交通流分布预测方法，其特征在于，步骤S6中采用平均增长系数法对OD矩阵进行反推的具体过程为：

第一步，令计算次数m＝0；

第二步，给定现状OD表中及将来OD表中的U_i、V_j；

其中表示第m次计算时，交通小区i到交通小区j之间的交通量；

表示第m次计算时，第i个交通小区发生交通量；

表示第m次计算时，第j个交通小区的吸引交通量；

U_i表示将来OD表中的发生交通量；

V_j表示将来OD表中的吸引交通量；

第三步，求出各小区的发生交通量的增长率与吸引交通量的增长率

$F_{Oi}^m=U_i/O_i^m$

$F_{Dj}^m=V_j/D_j^m$

第四步，求第m+1次分布交通量的近似值

$q_{ij}^{m+1}=q_{ij}^m\&times;f(F_{Oi}^m,F_{Dj}^m)$

第五步，收敛判别，判别公式为：

$O_i^{m+1}={\mathrm{\&Sigma;}}_j{q}_{ij}^{m+1}$

$D_j^{m+1}={\mathrm{\&Sigma;}}_j{q}_{ij}^{m+1}$

$1-\mathrm{\&epsiv;}<F_{Oi}^{m+1}=U_i/O_i^{m+1}<1+\mathrm{\&epsiv;}$

$1-\mathrm{\&epsiv;}<F_{Dj}^{m+1}=V_j/D_j^{m+1}<1+\mathrm{\&epsiv;}$

式中，

表示第i个小区的第m次计算发生增长系数；

表示第j个小区的第m次计算吸引增长系数；

是增长系数的迭代方式，与每种方法有关；

ε表示任意给定的误差常数；

根据函数的种类不同，增长系数法分为常增长系数法、平均增长系数法、底特律法、福莱特法或佛尼斯法。

8.根据权利要求7所述的基于路段OD反推的实时交通流分布预测方法，其特征在于，所述增长系数法采用平均增长系数法，其平均增长系数表示如下：

$F_{Oi}^0=U_i/O_i^0$

$F_{Dj}^0=V_j/D_j^0$

第一次近似：

9.根据权利要求8所述的基于路段OD反推的实时交通流分布预测方法，其特征在于，步骤S7是采用0-1分配法、增量分配法、连续平均法三种非平衡分配算法开发动态交通流分配模型，将新的实时OD交通量分配到路网，其具体过程为：

其中0-1分配法，是计算网络中每个OD对之间的最短路径，将OD间的交通量全部分配到相应的最短路径上；

增量分配法，是将OD交通量平分成若干等份，循环地将每一等份的OD交通量分配到网络中；每次循环分配一等份的OD交通量到相应的最短路径上，每分配一次就重新计算并更新各路段的行走时间，然后按更新后的走行时间重新计算网络各OD间的最短路径；下一循环中按更新后的最短路径分配下一等份的OD交通量；

连续平均法，不断调整已分配到各路段上的交通量而逐渐接近或到达平衡分配，在每步循环中，根据已分配到各路段上的交通量进行一次0-1分配而得到一组各路段的附加交通量；然后用上个循环中各路段的分配交通量和本次循环中得到的附加交通量进行加权平均而得到本次循环中的路段分配交通量；当相邻两个循环中的分配交通量趋向于某个定值时(这个定值可根据实际状况确定)时，即可停止计算；最后一个循环中得到的分配交通量即是最终的交通量。