CN110264719A - 一种基于多源数据的机动车动态od矩阵估计方法 - Google Patents

Abstract

本发明提出一种基于多源数据的机动车动态OD矩阵估计方法，充分利用人口、就业、经济数据、卡口数据、浮动车数据等多源数据，提出了基于拆分因子的动态OD估计方法。具体步骤为：步骤1：根据交通四阶段模型推出机动车静态OD矩阵；步骤2：利用卡口数据和浮动车数据推算机动车分时段OD矩阵；步骤3：根据卡口OD数据和静态OD总量构建时变拆分因子；步骤4：对静态OD进行切分，得到动态OD矩阵。该方法实用性高、实施性强，不仅可以获取当前阶段的动态OD矩阵，也可以使用当前获取的拆分因子切分推算出来的规划年静态OD矩阵，进而获取规划年的动态OD矩阵，为规划年中、微观仿真提供输入数据。

Description

一种基于多源数据的机动车动态OD矩阵估计方法

技术领域

本发明属于交通规划与管理的技术领域，尤其涉及一种基于多源数据的机动车动态OD矩阵估计方法。

背景技术

OD矩阵(或称OD表)是交通网络中所有起点(Origin)与终点(Destination)之间出行交通量的矩阵，它反映了城市居民的基本交通需求。OD矩阵是城市交通规划与城市交通运营的基础性数据，也是交通分配模型和一些常用的微观交通仿真系统的基础输入数据。交通小区是根据研究区域内不同子区域的人口、用地、经济、等基本特征将研究区域划分而来的多个子区域。交通小区将杂乱无章的个体出行OD转化为交通小区之间的OD信息，更加方便城市规划者直观的观测空间上的交通流动情况。

传统的OD获取方法，如路边调查、家访调查、航空拍照、跟车调查等等，需要耗费大量的人力物力进行数据采集，并有可能影响正常的交通运行而且精度不高。

随着科技水平的提高以及各种自动检测设备的投入，交通出行数据的获取变得更加容易。动态OD矩阵获取技术在过去数十年间取得了很大进展，许多方法相继被提出，这些方法包括双层规划模型方法、卡尔曼滤波估计方法、熵极大化方法等。但是基于数学模型的动态OD反推方法往往求解困难而且难以反映出行者路径选择行为变化等问题，在城市路网动态OD估计的实际应用中并不可取。

虽然近年来有学者提出了基于AVI(称为自动电子标签识别)数据或基于GPS的移动检测数据的动态OD估计方法，但是目前该方法还不成熟，因为移动源数据的可靠性、样本量、市场占有率以及空间覆盖率等问题还需进一步研究。除此之外，由于这些方法需要大量的实时路段流量信息，所以无法对规划年的动态OD矩阵进行估计和预测。

发明内容

本发明所要解决的技术问题在于针对上述存在的问题，提供一种基于多源数据的机动车动态OD矩阵估计方法，综合考虑了多源数据结合的优势以及现有静态OD估计的成熟性，引入时变拆分因子，获取动态估计信息。

本发明解决上述技术问题所采用的技术方案是：一种基于多源数据的机动车动态OD矩阵估计方法，其特征在于，包括如下步骤：

S1)根据交通四阶段模型推出机动车静态OD矩阵；

S2)利用卡口数据和浮动车数据推算机动车分时段OD矩阵；

S3)根据卡口OD数据和静态OD矩阵构建时变拆分因子；

S4)用时变拆分因子对机动车静态OD进行切分，得到机动车动态OD矩阵。

按上述方案，步骤S1)包括如下内容：首先获取研究区域内人口、就业和机动车保有量空间分布以及社会经济活动信息，然后利用交通四阶段法中的出行生成、出行分布、交通方式划分三个步骤推算出机动车静态OD矩阵。

按上述方案，步骤S2)包括如下内容：

S21)对卡口数据和浮动车数据进行清洗及预处理；

S22)将卡口数据按照车牌号分类并按照时间排序；

S23)记录车辆经过的第一个卡口，此卡口为该机动车第一段出行起点；

S24)依次查找经过下一个卡口的时间，与前一个卡口时间比较，时间间隔未超过阈值则不记录此数据，继续往后查找；若时间间隔超过阈值，则视为一段出行在此期间结束，记录这两条数据，前一条为前一段出行终点，后一条为下一段出行起点；

S25)循环步骤4，直至该机动车最后一条数据，机动车经过的最后一个卡口为最后一段出行终点；

S26)判断是否所有车辆数据都已处理完，如果没有，则返回步骤S23)，如果处理完毕，则将统计出来的OD结果映射到对应交通小区，得到基于交通小区的OD矩阵。

按上述方案，步骤S24)中所述阈值并非定值，它由卡口间有效路径中最长路径的长度除以浮动车在对应路径及对应时段的平均速度并乘以一个延误系数所得，如下式：

式中：L为卡口间有效路径中最长路径的长度；V为浮动车在该路段对应时段的平均行驶速度；α为延误系数，可根据交通状况取1～1.2。

按上述方案，步骤S3)包括如下内容：

在同一研究时段内，静态OD总量等于动态OD总量之和，如下式所示：

式中：T_ij为从交通小区i到交通小区j的静态OD出行总量；T_ij(k)为第k时段从交通小区i到交通小区j的出行量；k为出发时段编号，k＝1，2，…k-1，k，k可以根据实际情况取不同值；

反映静态OD总量与动态OD量之间内在关系的是基于浮动车数据和卡口OD数据的时变拆分因子，它是指不同时段某个OD对之间的出行量占全部时段该OD对出行总量的比例，如下式所示：

式中：S_ij(k)——第k时段从交通小区i到交通小区j的拆分因子，

该公式中静态OD总量T_ij由交通四阶段模型得到，各时段OD交通量T_ij(k)由卡口数据和浮动车数据获取。

按上述方案，步骤S4)包括如下内容：对静态OD进行切分，如下式：

T_ij(k)＝S_ij(k)×T_ij，用时变拆分因子乘以机动车静态OD总量即可得到机动车动态OD矩阵。

本发明的有益效果是：充分利用人口、就业、经济数据、卡口数据、浮动车数据等多源数据，提出了基于拆分因子的动态OD估计方法，从实践应用角度而言，卡口数据和浮动车数据目前更加容易获取，因此该方法具有很高的实用性和可行性；另一方面，本方法中得到的时变拆分因子不仅适用于当前阶段，也可以对规划年预测的静态OD矩阵进行切分，所以该方法不仅能够为当前交通管理决策提供可靠的动态OD数据，也能为规划年的交通仿真提供可靠的输入数据。

附图说明

图1为本发明一个实施例的流程图。

图2为本发明一个实施例的基于卡口和浮动车数据的分时段OD矩阵获取流程图。

具体实施方式

为更好地理解本发明，下面结合附图和实施例对本发明进一步的描述。

如图1、图2所示，根据交通四阶段模型推出机动车静态OD矩阵、利用浮动车数据和卡口数据推算分机动车时段OD矩阵、根据卡口OD数据和静态OD矩阵构建时变拆分因子、切分静态OD矩阵得到机动车动态OD矩阵四个步骤。

步骤1：首先获取研究区域内人口、就业和机动车保有量空间分布以及社会经济活动数据，然后利用交通四阶段法中的出行生成和出行分布模型推算出全方式出行OD矩阵，最后利用交通方式划模型推算出机动车静态OD矩阵。

步骤2：利用卡口数据和浮动车数据推算分时段OD矩阵，具体步骤如下：

1)对卡口数据进行清洗及预处理：

卡口数据是由城市路网中各个卡口安装的高清摄像系统对经过卡口的所有车辆进行实时记录，然后利用视频识别技术对车辆的视频或图像进行识别获取到的数据。获取的内容主要包括车辆牌照、车身颜色、卡口编号、过车时间、行车速度、车辆类型、车道编号等基本信息。浮动车数据是根据装备车载全球定位系统的浮动车在其行驶过程中定期记录的车辆位置、方向和速度信息，应用地图匹配、路径推测等算法进行处理，可以得到车辆行驶速度以及行驶轨迹等交通信息。由于检测设备自身和周围环境等因素的影响，可能导致原始数据存在一定的误差和缺陷，比如路径缺失数据、字形识别错误和路径无效数据等。

为了提高原始数据的质量，减小数据处理的难度，需要对原始数据进行清洗及预处理，包括错误数据修正、冗余数据约简、丢失数据补齐，并删除非必要数据，保留车牌号、卡口编号、过车时间、卡口经纬度、转弯方向等信息，最后在ArcGIS中结合城市路网信息对卡口位置进行空间化。

2)将卡口数据按照车牌号分类并按照时间排序：

要根据卡口数据获取机动车的出行矩阵，首先需要知道单个机动车的个体出行信息。行驶于路网上的机动车通常会经过多个卡口，由机动车经过各个卡口的位置和时间可以得到机动车的出行信息序列，由此可以反映机动车出行的OD点。所以首先在数据库中将预处理后的数据按照车牌号进行分组，并按照时间排序，由此得到每一辆车的出行序列{T₁，T₂，T₃，...T_n}。

3)记录车辆经过的第一个卡口，以此卡口为该机动车第一段出行起点，即T₁所在卡口位置为O₁。

4)单次出行识别

依次查找经过下一个卡口的过车时间，与前一个卡口过车时间比较，时间间隔未超过阈值则不记录此数据，继续往后查找；若时间间隔超过阈值T，则视为一段出行在此期间结束，记录这两条数据，前一条为前一段出行终点，后一条为下一段出行起点；

该阈值并非定值，它由卡口间有效路径中最长路径的长度除以浮动车在对应路径和时段的平均速度所得。如下式：

式中：

L为卡口间有效路径中最长路径的长度，此实施例有效路径采用经典的有效路径搜索算法图的遍历算法求解。

V为所有浮动车在该路段对应时段的平均行驶速度；

α为延误系数，可根据交通状况取1—1.2，本实施案例α＝1.1。

5)循环步骤4，直至该机动车最后一条数据，机动车经过的最后一个卡口为最后一段出行终点，即T_n所在卡口位置为D_n。

6)判断是否所有车辆数据都已处理完，如果没有，则返回第3)步，如果处理完毕，则将统计出来的OD结果整理成矩阵形式。然后以所划分的交通小区内含有的卡口数据信息为该交通小区的数据信息，在将基于卡口的OD矩阵映射到对应交通小区，得到基于交通小区的OD矩阵。对于位于两个交通小区交界处的卡口，按照浮动车在该交通小区的出行比例将该卡口的OD信息分配到对应交通小区，最后按照时间将OD矩阵整理为分时段的OD矩阵T_ij(k)。

步骤3：根据卡口OD数据和静态OD矩阵构建每个OD对间的时变拆分因子，具体方法如下：

在同一研究时段内，静态OD总量等于动态OD总量之和，如下式所示：

式中：

T_ij为从交通小区i到交通小区j的静态OD出行总量；

T_ij(k)为第k时段从交通小区i到交通小区j的出行量；

k为出发时段编号，k＝1，2，…k-1，k，k可以根据实际情况取不同值，本实施例取每个时段时长为15分钟。

反映机动车静态OD总量与动态OD量之间内在关系的是基于浮动车数据和卡口OD数据的时变拆分因子，它是指不同时段某个OD对之间的出行量占全部时段该OD对间出行总量的比例，如下式所示：

式中：

S_ij(k)——第k时段从交通小区i到交通小区j的拆分因子。

该公式中机动车静态OD总量T_ij由交通四阶段模型中的出行生成、出行分布以及交通方式划分得到，各时段OD交通量T_ij(k)由卡口数据获得。

步骤4：利用时变拆分因子对静态OD进行切分，如下式：

T_ij(k)＝S_ij(k)×T_ij

用时变拆分因子乘以机动车静态OD总量即可得到机动车动态OD矩阵，式中T_ij既可以是当前阶段的机动车静态OD矩阵，也可以是预测的规划年机动车静态OD矩阵。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (6)

1.一种基于多源数据的机动车动态OD矩阵估计方法，其特征在于，包括如下步骤：

S1)根据交通四阶段模型推出机动车静态OD矩阵；

S2)利用卡口数据和浮动车数据推算机动车分时段OD矩阵；

S3)根据卡口OD数据和静态OD矩阵构建时变拆分因子；

S4)用时变拆分因子对机动车静态OD进行切分，得到机动车动态OD矩阵。

2.根据权利要求1所述的一种基于多源数据的机动车动态OD矩阵估计方法，其特征在于，步骤S1)包括如下内容：首先获取研究区域内人口、就业和机动车保有量空间分布以及社会经济活动信息，然后利用交通四阶段法中的出行生成、出行分布、交通方式划分三个步骤推算出机动车静态OD矩阵。

3.根据权利要求1或2所述的一种基于多源数据的机动车动态OD矩阵估计方法，其特征在于，步骤S2)包括如下内容：

S21)对卡口数据和浮动车数据进行清洗及预处理；

S22)将卡口数据按照车牌号分类并按照时间排序；

S23)记录车辆经过的第一个卡口，此卡口为该机动车第一段出行起点；

S24)依次查找经过下一个卡口的时间，与前一个卡口时间比较，时间间隔未超过阈值则不记录此数据，继续往后查找；若时间间隔超过阈值，则视为一段出行在此期间结束，记录这两条数据，前一条为前一段出行终点，后一条为下一段出行起点；

S25)循环步骤4，直至该机动车最后一条数据，机动车经过的最后一个卡口为最后一段出行终点；

S26)判断是否所有车辆数据都已处理完，如果没有，则返回步骤S23)，如果处理完毕，则将统计出来的OD结果映射到对应交通小区，得到基于交通小区的OD矩阵。

4.根据权利要求3所述的一种基于多源数据的机动车动态OD矩阵估计方法，其特征在于，步骤S24)中所述阈值并非定值，它由卡口间有效路径中最长路径的长度除以浮动车在对应路径及对应时段的平均速度并乘以一个延误系数所得，如下式：

式中：L为卡口间有效路径中最长路径的长度；V为浮动车在该路段对应时段的平均行驶速度；α为延误系数，可根据交通状况取1～1.2。

5.根据权利要求3所述的一种基于多源数据的机动车动态OD矩阵估计方法，其特征在于，步骤S3)包括如下内容：

在同一研究时段内，静态OD总量等于动态OD总量之和，如下式所示：

式中：T_ij为从交通小区i到交通小区j的静态OD出行总量；T_ij(k)为第k时段从交通小区i到交通小区j的出行量；k为出发时段编号，k＝1，2，…k-1，k，k可以根据实际情况取不同值；

反映静态OD总量与动态OD量之间内在关系的是基于浮动车数据和卡口OD数据的时变拆分因子，它是指不同时段某个OD对之间的出行量占全部时段该OD对出行总量的比例，如下式所示：

式中：S_ij(k)——第k时段从交通小区i到交通小区j的拆分因子，

该公式中静态OD总量T_ij由交通四阶段模型得到，各时段OD交通量T_ij(k)由卡口数据和浮动车数据获取。

6.根据权利要求5所述的一种基于多源数据的机动车动态OD矩阵估计方法，其特征在于，步骤S4)包括如下内容：对静态OD进行切分，如下式：

T_ij(k)＝S_ij(k)×T_ij，用时变拆分因子乘以机动车静态OD总量即可得到机动车动态OD矩阵。