一种基于浮动车gps的od矩阵估计方法
【技术领域】
[0001] 本发明涉及GPS数据处理技术领域，具体来说是一种基于浮动车GPS的OD矩阵估 计方法。
【背景技术】
[0002] OD矩阵是交通系统占有极为重要的地位，为其设计、运行及规划提供重要的数据， 反映了不同城市交通网络中不同交通小区区间的出行时空分布特征。传统的OD矩阵获取 是依靠大量的人力物力进行调查，费用昂贵、精度较低，因此出现了基于路段交通观测流量 的静态OD反推技术。OD反推的前提是基于路段流量，常用的方法有基本的熵最大化矩阵估 计模型、极大似然法、最小二乘法及卡尔曼滤波法但是交通出行随机性强、较为复杂，且交 通流具有时变性，面对时变、随机和离散的交通数据上述方法在实用性方面存在很大的问 题，较难实现。
[0003] 因此提出了利用浮动车GPS估计OD矩阵的方法，根据装载GPS的浮动车是否空载 及实时反馈的经炜度信息可直接获得浮动车乘客出行OD矩阵。可以将浮动车GPS的OD矩 阵按照一定算法进行扩样，获取的全部车辆的OD矩阵。
【发明内容】
[0004] 本发明的目的是为了解决现有技术中缺乏利用浮动车GPS数据来估计OD矩阵的 方法，提供利用浮动车GPS估计OD矩阵的方法来解决上述问题。
[0005] 为了实现上述目的，本发明的技术方案如下。包括以下步骤：
[0006] (1)浮动车GPS数据预处理；
[0007] (2)浮动车路段OD矩阵估计；
[0008] (3)浮动车小区OD矩阵估计；
[0009] (4)扩样系数a确定；
[0010] (5)OD矩阵估计。
[0011] 所述的浮动车GPS数据预处理，剔除异常数据、过滤无用数据。
[0012] 所述的浮动车路段OD矩阵估计，浮动车路段OD矩阵是指出行起点和终点为交通 网络中路段的出租汽车OD矩阵。统计周期浮动车路段OD矩阵为：统计周期内路段出发与 到达的浮动车OD矩阵。
[0014] 所述的浮动车小区OD矩阵估计，浮动车小区OD矩阵是指出行起点与终点为交通 区重心的出租汽车OD矩阵。交通区重心即代表同一交通区内所有出行端点（出行起点、终 点的总称）的某一集中点，是交通区交通源的中心，它不一定是交通区的几何中心。统计周 期浮动车小区OD矩阵为统计周期内小区出发与到达的浮动车OD矩阵。
[0016] 所述的扩样系数a确定，采用相对恒定的比例进行扩样，将扩样系数抽象为统计 周期内样本数占浮动车的比例与浮动车占总机动车保有量的比例的乘积。公式如下：
[0020] 其中：
[0021] k是扩样系数；
[0022] Ic1是统计周期内浮动车样本数量占总浮动车数量的比例；
[0023] k2是总浮动车占总机动车保有量的比例；
[0024]Ii1是统计周期内浮动车样本数量；
[0025]Nt是总浮动车数量；
[0026]Nni是总机动车保有量。
[0027] 所述的OD矩阵估计，是在浮动车小区OD矩阵估计的基础上进行扩样得到OD矩 阵。
【附图说明】
[0029] 图1为本发明的方法流程图。
[0030] 图2为浮动车路段OD矩阵获取的流程。
[0031] 图3为浮动车小区OD矩阵获取的流程。
【具体实施方式】
[0032] -种基于浮动车GPS的OD矩阵估计方法，包括以下步骤：
[0033] (1)浮动车GPS数据预处理；
[0034] (2)浮动车路段OD矩阵估计；
[0035] (3)浮动车小区OD矩阵估计；
[0036] (4)扩样系数a确定；
[0037](5) OD矩阵估计。
[0038] S1、浮动车GPS数据预处理，剔除异常数据、过滤无用数据。
[0039] S2、利用浮动车GPS估计OD矩阵的方法，其特征在于，所述的浮动车路段OD矩阵 估计，浮动车路段OD矩阵是指出行起点和终点为交通网络中路段的出租汽车OD矩阵。统 计周期浮动车路段OD矩阵为：统计周期内路段出发与到达的浮动车OD矩阵。
[0041] S3、浮动车小区OD矩阵估计，浮动车小区OD矩阵是指出行起点与终点为交通区重 心的出租汽车OD矩阵。交通区重心即代表同一交通区内所有出行端点（出行起点、终点的 总称）的某一集中点，是交通区交通源的中心，它不一定是交通区的几何中心。统计周期浮 动车小区OD矩阵为统计周期内小区出发与到达的浮动车OD矩阵。
[0043] S4、扩样系数a确定，采用相对恒定的比例进行扩样，将扩样系数抽象为统计周期 内样本数占浮动车的比例与浮动车占总机动车保有量的比例的乘积。公式如下：
[0044] k=k!*k2
[0047]其中：
[0048] k是扩样系数；
[0049] Ic1是统计周期内浮动车样本数量占总浮动车数量的比例；
[0050] k2是总浮动车占总机动车保有量的比例；
[0051] Ii1是统计周期内浮动车样本数量；
[0052]Nt是总浮动车数量；
[0053]Nm是总机动车保有量。
[0054]S5、OD矩阵估计，是在浮动车小区OD矩阵估计的基础上进行扩样得到OD矩阵。
[0056]本方法以出租车GPS为基础，通过分析出租车是否空载的信息，判断乘客出行的 起讫点，通过出租车出行特征与城市居民出行特征对比，确定放样参数，进而实现出行OD 矩阵的估计。
[0057] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术 人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明 的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和 改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其 等同物界定。
【主权项】
1. 一种基于浮动车GPS的OD矩阵估计方法，其特征在于，包括以下步骤： (1) 浮动车GPS数据预处理； (2) 浮动车路段OD矩阵估计； (3) 浮动车小区OD矩阵估计； (4) 扩样系数a确定； (5) OD矩阵估计。2. 根据权利要求1所述的利用浮动车GPS估计OD矩阵的方法，其特征在于，所述的浮 动车GPS数据预处理，剔除异常数据、过滤无用数据。3. 根据权利要求1所述的利用浮动车GPS估计OD矩阵的方法，其特征在于，所述的浮 动车路段OD矩阵估计，浮动车路段OD矩阵是指出行起点和终点为交通网络中路段的出租 汽车OD矩阵。统计周期浮动车路段OD矩阵为：统计周期内路段出发与到达的浮动车OD矩 阵。4. 根据权利要求1所述的利用浮动车GPS估计OD矩阵的方法，其特征在于，所述的浮 动车小区OD矩阵估计，浮动车小区OD矩阵是指出行起点与终点为交通区重心的出租汽车 OD矩阵。交通区重心即代表同一交通区内所有出行端点（出行起点、终点的总称）的某一 集中点，是交通区交通源的中心，它不一定是交通区的几何中心。统计周期浮动车小区OD 矩阵为统计周期内小区出发与到达的浮动车OD矩阵。5. 根据权利要求1所述的利用浮动车GPS估计OD矩阵的方法，其特征在于，所述的扩 样系数a确定，采用相对恒定的比例进行扩样，将扩样系数抽象为统计周期内样本数占浮 动车的比例与浮动车占总机动车保有量的比例的乘积。公式如下：k = Mk2 其中： k是扩样系数； h是统计周期内浮动车样本数量占总浮动车数量的比例； k2是总浮动车占总机动车保有量的比例； H1是统计周期内浮动车样本数量； Nt是总浮动车数量； Nm是总机动车保有量。6.根据权利要求1所述的利用浮动车GPS估计OD矩阵的方法，其特征在于，所述的OD 矩阵估计，是在浮动车小区OD矩阵估计的基础上进行扩样得到OD矩阵。
【专利摘要】本发明涉及一种利用浮动车GPS估计OD矩阵的方法。本发明以浮动车GPS为基础，通过分析浮动车是否空载的信息，判断乘客出行的起讫点，通过浮动车出行特征与城市居民出行特征对比，确定放样参数，进而实现出行OD矩阵的估计。本发明包括以下步骤：浮动车GPS数据预处理；浮动车路段OD矩阵估计；浮动车小区OD矩阵估计；扩样系数a确定；OD矩阵估计。
【IPC分类】G06F17/50, G08G1/01
【公开号】CN105070055
【申请号】CN201510443144
【发明人】高万宝, 邹娇, 吴先会, 李慧玲
【申请人】合肥革绿信息科技有限公司
【公开日】2015年11月18日
【申请日】2015年7月23日