基于多源异构数据的动态车流OD估计方法与流程

本发明涉及一种基于多源异构数据的动态车流od估计方法。

背景技术

车辆起-讫点(origin-destination，简称od)流量作为道路交通管控的重要数据依据以及各种中微观交通模型及仿真平台的重要输入参数，od流量的估计问题已逐渐发展为交通领域中的一个重要研究内容。随着智能交通运输系统的快速发展，现代交通运营与管控更加强调精细化、实时性，因此，动态车流od估计已经成为起讫点流量估计问题中的研究重点。

目前常规断面流量的动态od估计主要有最小二乘模型、双层规划模型、极大熵模型、贝叶斯模型和状态空间模型、卡尔曼滤波模型等。尤其是卡尔曼滤波已经成为近年来动态od的主要估计方法之一，如专利201510374265.2提出一种“基于afc数据的公交客流od实时估计方法”，通过挖掘公交客流od与公交站点客流之间的映射关系，构建基于卡尔曼滤波的公交客流od实时估计模型，实现公交客流od的实时估计。而随着视频号牌识别技术的发展，与传统“断面型”交通检测技术相比，视频号牌识别设备可根据处理得到车辆的出行信息，从而获得某一具体点对od时间的真是流量，但是由于路网内视频号牌识别设备未能全部覆盖因此无法获取完整的轨迹信息，只能针对高速公路、城市快速路等“封闭型”路网，对城市路网的估计准确性有待加强。

因此针对路网动态车流od的估计问题，应该充分利用城市路网中各种交通检测设备的观测值，并融合多源交通流数据，实现路网动态车流od的估计。

技术实现要素：

本发明的目的是提供一种基于多源异构数据的动态车流od估计方法解决现有技术中存在的由于路网内视频号牌识别设备未能全部覆盖因此无法获取完整的轨迹信息，只能针对高速公路、城市快速路等“封闭型”路网，对城市路网的估计准确性有待加强的问题。

该种基于多源异构数据的动态车流od估计方法，基于车辆gps定位数据和视频号牌数据将断面客流划分为可观测od需求数据和不可观测od需求数据，并基于动态交通分配理论建立od流量与断面流量之间的动态映射关系，从而构建了带线性状态约束条件的卡尔曼滤波估计模型对不可观测od需求进行估计求解，进而整合可观测od需求获得路网动态od需求数值，对比传统的动态od估计方法，大大提高了估计值的准确度，将其更为贴近路网实际通行情况，为交通规划与管理提供了更为精准的参数，提升了规划管理的合理性。

本发明的技术解决方案是：

一种基于多源异构数据的动态车流od估计方法，将视频号牌识别数据和车辆gps数据进行整合，将路网断面流量拆分为可观测od和不可观测od，同时基于卡尔曼滤波对不可观测od进行估计，进而与可观测od整合得到动态车流od信息，包括以下步骤，

s1、基于用地性质、出行热点、视频号牌识别设备位置及路网拓扑结构将路网划分为若干个路网级的交通小区；

s2、基于视频号牌识别数据和车辆gps数据提取出各交通小区的车辆轨迹信息；

s3、对缺失的轨迹数据进行补充和重构，根据车辆的完整行驶轨迹以及实际交通流量实现对路网断面流量观测值的拆分为可观测od和不可观测od；

s4、基于动态交通分配理论建立od流量与断面流量之间的动态映射关系，建立od分配矩阵；

s5、基于卡尔曼滤波对不可观测od进行估计，进一步与可观测od整合，对路网的动态需求进行求解。

进一步地，步骤s3具体为，

s31、基于最短路算法对由视频车牌识别数据获得的车流od缺失部分进行补全，同时基于gps定位数据提取出车辆完整的行驶轨迹；

s32、通过车辆完整的行驶轨迹信息，获得其在路网上的传播情况，即其经过路网上检测断面的实际时间，从而获得相应断面处的断面流量和其中表示t时段内，第i个进口道的由可观测部分构成的断面流量，i∈l^c，l^c表示路网中可观测进口道集合；表示t时段内，第i个路段由可观测od需求构成的断面流量，i∈l，l表示路网中全部可观测路段集合；

s33、基于实际的断面交通流量对流量的观测值进行拆分，即将实际断面交通流量减去可观测的断面流量数值用于估计od需求不可观测部分的断面流量和其中表示t时段内，第i个路段由不可观测od需求构成的断面流量，i∈l；表示t时段内，第i个进口道的由不可观测部分构成的断面流量，i∈l^c，l^c表示路网中可观测进口道集合。

进一步地，步骤s4具体为，

s41、基于logit模型建立路径选择模型，将行程时间作为效益函数，即od出行中选择各路径的比例如下：

其中，为在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s的比例，其中o，d∈q，q为交通小区集合；且o≠d，s∈r(o，d)，t；ts表示有效路径集合r(o，d)，t中，车辆行驶的行程时间；ti为有效路径集合r(o，d)，t中，车辆在第i条路径上的行程时间；为有效路径集的平均行程时间；r(o，d)，t表示在t时段内由交通小区o出发且目的地为交通小区d的出行路径集合，其中o，d∈q且o≠d；

s42、针对车流在具体路径上的传播过程得到路径流量与交叉口进口道断面流量之间的动态映射关系数值；

s43、得到某一具体路段或交叉口进口道处的断面流量观测值与待估计的od需求之间的映射关系，从而建立od分配矩阵，其中od需求之间的映射关系为：

式中，为在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达路段i的比例；为在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达进口道i的比例；表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s并在h时段内到达路段b的需求量占路径s流量的比例；表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s并在h时段内到交叉口进口道c的需求量占路径s流量的比例；表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s的比例，其中o，d∈q且o≠d，b∈s，s∈r(o，d)，t，h＝t，t+1，…t+δ-1，δ为完成出行的时段数。

进一步地，步骤s41中，对于od点对之间的有效路径集r(o，d)，t从已获得的部分车辆路径信息确定，具体采用k最短路算法计算，或在最短路行程时间ttmin的基础上，适当乘以一个权重系数ρ，ρ≥1，从而得到od点对之间的行程时间范围[ttmin,ρttmin]，再得到有效路径集，其中权责系数ρ根据所提取的可观测od需求的实际行程时间和最短算法得到的路径行程时间确定。

进一步地，步骤s42具体为，将具体某一时段内选择某一路径的od需求其中为在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s的比例，x(o，d)，t表示由交通小区o在t时段内出发，其目的地为交通小区d的实际需求量，o，d∈q，q为交通小区集合；

抽象成若干车辆构成的车辆元胞进行处理，则在t时段内由交通小区o出发到达交通小区d，选择路径s并在h时段内到达路段c的需求量占路径s流量的比例如下：

若(t-1)δ≤γl＜γf＜tδ，则

若γl＜(t-1)δ≤γf＜tδ，则

若(t-1)δ≤γl＜tδ≤γf＜(t+1)δ，则

式中，表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s并在h时段内到交叉口进口道c的需求量占路径s流量的比例，其中o，d∈q且o≠d，b∈s，s∈r(o，d)，t，h＝t，t+1，…t+δ-1，δ为完成出行的时段数；γf表示车辆元胞中第一辆车和最后一辆车到达某一路段或某一交叉口进口道的时刻；γl表示车辆元胞到达相应路段直至其完全消失的动态过程，且γf＞γl；δ为每个时段的固定时长。

进一步地，步骤s5具体为，

s51、基于步骤s3拆分得到可观测的od需求和不可观测的od需求，在带约束的卡尔曼滤波构建动态od估计模型基础下对不可观测的od需求进行估计，建立出状态转移方程、状态线性约束方程和观测方程；

s52、将可观测od需求和估计出的不可观测od需求结合，构建出基于多源数据的动态od估计模型，从而求解出路网动态od估计值，具体公式如下：

式中，x(o，d)，t表示由交通小区o在t时段内出发，其目的地为交通小区d的实际需求量，其中o，d∈q且o≠d；表示由交通小区o在t时段内出发，其目的地为交通小区d的观测需求量，其中o，d∈q且o≠d；表示由交通小区o在t时段内出发，其目的地为交通小区d的待估计需求量，其中o，d∈q且o≠d。

进一步地，步骤s51中，建立出状态转移方程为，

式中，为t时段内路网不可观测od需求的列向量，为m×1维向量组；m为待估计的od点对的个数；wt为m×1维向量组，即为状态转移偏差ωt的向量化；

s512、基于视频车牌识别设备在路网上的分布对部分交通小区的流入路网总需求进行观测，并根据可观测小区的需求产生量构建状态线性约束条件方程；

s513、建立待估计od需求与实际路网中采集到的断面流量之间映射关系的观测方程。

进一步地，步骤s512中，建立状态变量的线性约束方程为，

其中，为s×1维列向量，表示的向量化数值，其中s为可进行需求全样本观测的交通小区的个数；dt为s×m维矩阵，即为交通小区的od分配矩阵，为t时段内路网不可观测od需求的列向量，为m×1维向量组。

进一步地，步骤s513中，建立观测方程为，

其中，yt为(n+θ)×1维列向量，是od需求向量数和的简化合并，即ah为(n+θ)×m维矩阵，即到达比例向量数ph和的合并，ut为(n+θ)×1维列向量，即检测误差μt和的合并，

其中和分别为n×1维向量组，是li，t和的向量化数值，即为：

其中，ph为n×m维矩阵，是的向量化，m为待估计的od点对数量；为θ×m矩阵，是的向量化；μt和分别为θ×1维向量组，是和的向量化，为x(o，d)，h的向量化；针对li，t和具体为：

式中：li，t表示t时段内，第i个路段的观测值，i∈l；表示t时段内，第i个路段由不可观测od需求构成的断面流量，i∈l；表示t时段内，第i个路段由可观测od需求构成的断面流量，i∈l；l表示路网中全部可观测路段集合；表示t时段内，第i个进口道的观测值，i∈l^c；表示t时段内，第i个进口道的由不可观测部分构成的断面流量，i∈l^c；表示t时段内，第i个进口道的由可观测部分构成的断面流量，i∈l^c；l^c表示路网中可观测进口道集合；和均为检测误差；同时，

式中，表示在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达路段i的比例；表示在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达进口道i的比例；x(o，d)，t表示由交通小区o在t时段内出发，其目的地为交通小区d的实际需求量，其中o，d∈q且o≠d，和分别为路段流量和交叉口进口道流量的观测误差。

本发明的有益效果是：

一、该种基于多源异构数据的动态车流od估计方法，将号牌识别设备采集的过车数据与gps数据相结合，提取出有效路径作为可观测od需求，并划分为可观测部分和不可观测部分来实现路网od估计，对比传统仅基于断面数据进行估计，该方法更能捕捉到od变化趋势，更具准确性。

二、对比传统普通的卡尔曼滤波模型算法，本发明增加了状态约束条件，基于视频车牌是被设备在路网上的分布对部分交通小区流入路网的总需求进行观测，也有效提高了估计值的精度，能够较为准确的给出满足道路断面流量分布的od需求动态估计值，结果更趋于实际情况。

附图说明

图1是本发明实施例基于多源异构数据的动态车流od估计方法的流程示意图。

图2是实施例中交通小区划分情况以及可观测到的路段情况的示意图。

图3是采用标准卡尔曼滤波模型(kf模型)和实施例采用带约束的卡尔曼滤波模型(ckf模型)对不可观测od需求估计得到的结果进行评估的对比示意图。

图4是将近基于断面数据得到的估计(单源数据)与实施例方法(多源数据)得到的估计进行对比的示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

一种基于多源异构数据的动态车流od估计方法，将视频号牌识别数据和车辆gps数据进行整合，将路网断面流量拆分为可观测od和不可观测od，同时基于卡尔曼滤波对不可观测od进行估计，进而与可观测od整合得到动态车流od信息，如图1，具体步骤如下：

s1.基于用地性质、出行热点、视频号牌识别设备位置及路网拓扑结构将路网划分为若干个路网级的交通小区。

s2.基于视频号牌识别数据和车辆gps数据提取出车辆轨迹信息。

s3.对缺失的轨迹数据进行补充和重构，根据车辆的完整行驶轨迹以及实际交通流量实现对路网断面流量观测值的拆分。

s31.基于最短路算法对由视频车牌识别数据获得的车流od缺失部分进行补全，同时基于gps定位数据提取出车辆完整的行驶轨迹。

s32.通过车辆完整的行驶轨迹信息，获得其在路网上的传播情况，即其经过路网上检测断面的实际时间，从而获得相应断面处的断面流量和其中表示t时段内，第i个进口道的由可观测部分构成的断面流量，i∈l^c；表示t时段内，第i个路段由可观测od需求构成的断面流量，i∈l；l表示路网中全部可观测路段集合；l^c表示路网中可观测进口道集合。

s33.基于实际的断面交通流量对流量的观测值进行拆分，即将实际断面交通流量减去可观测的断面流量数值用于估计od需求不可观测部分的断面流量和其中表示t时段内，第i个路段由不可观测od需求构成的断面流量，i∈l；表示t时段内，第i个进口道的由不可观测部分构成的断面流量，i∈l^c。

s4.基于动态交通分配理论建立od流量与断面流量之间的动态映射关系，建立分配矩阵。

s41.基于logit模型建立路径选择模型，将行程时间作为效益函数，即od出行中选择各路径的比例如下：

其中，为在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s的比例，其中o，d∈q且o≠d，s∈r(o，d)，t；ti为有效路径集合r(o，d)，t中，车辆在第i条路径上的行程时间；为有效路径集的平均行程时间；r(o，d)，t表示在t时段内由交通小区o出发且目的地为交通小区d的出行路径集合，其中o，d∈q且o≠d。

一般情况下，对于od点对之间的有效路径集r(o，d)，t可以从已获得的部分车辆路径信息确定，具体方法如采用k最短路算法计算，或在最短路行程时间ttmin的基础上，适当乘以一个权重系数ρ(ρ≥1)，从而得到od点对之间的行程时间范围[ttmin,ρttmin]，再得到有效路径集，其中权责系数ρ根据所提取的可观测od需求的实际行程时间和最短算法得到的路径行程时间确定。

s42.针对车流在具体路径上的传播过程得到路径流量与交叉口进口道断面流量之间的动态映射关系数值。

具体来说，将具体某一时段内选择某一路径的od需求抽象成若干车辆构成的车辆元胞进行处理，则在t时段内由交通小区o出发到达交通小区d，选择路径s并在h时段内到达路段c的需求量占路径s流量的比例如下：

若(t-1)δ≤γl＜γf＜tδ，则

若γl＜(t-1)δ≤γf＜tδ，则

若(t-1)δ≤γl＜tδ≤γf＜(t+1)δ，则

式中，表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s并在h时段内到交叉口进口道c的需求量占路径s流量的比例，其中o，d∈q且o≠d，b∈s，s∈r(o，d)，t，h＝t，t+1，…t+δ-1，δ为完成出行的时段数；γf表示车辆元胞中第一辆车和最后一辆车到达某一路段或某一交叉口进口道的时刻；γl表示车辆元胞到达相应路段直至其完全消失的动态过程，且γf＞γl；δ为每个时段的固定时长。

s43.得到某一具体路段或交叉口进口道处的断面流量观测值与待估计的od需求之间的映射关系，即：

式中，为在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达路段i的比例；为在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达进口道i的比例。

s5.基于卡尔曼滤波对不可观测od进行估计，进一步与可观测od整合，对路网的动态需求进行求解。

s51.基于步骤s3拆分得到可观测的od需求和不可观测的od需求，在带约束的卡尔曼滤波构建动态od估计模型基础下对不可观测的od需求进行估计，建立出状态转移方程、状态线性约束方程和观测方程。

s511.基于随机漫步建立不可观测od需求的状态转移方程，即：

式中：t表示第t个时段，t＝1，2，…，k；k为时段数；ωt是状态转移偏差，这里假设其为期望为0的白噪声；由交通小区o在t时段内出发，其目的地为交通小区d的待估计需求量，其中o，d∈q且o≠d。

进一步向量化得到新的状态转移方程，即：

式中：为t时段内路网不可观测od需求的列向量，为m×1维向量组；m为待估计的od点对的个数；wt为m×1维向量组。

s512.基于视频车牌识别设备在路网上的分布对部分交通小区的流入路网总需求进行观测，并根据可观测小区的需求产生量构建状态线性约束条件方程。

具体来说，假设对某一交通小区在某一时间段内流入路网的总需求的观测是确定的，不存在检测误差，则其与各od点对之间的交通需求满足：

式中为t时段内，由交通小区o出发的不可观测部分的总需求量，o∈q。

进一步向量化得到状态变量的线性约束条件，即：

其中为s×1维列向量，s为可进行需求全样本观测的交通小区的个数；dt为s×m维矩阵。

s513.建立待估计od需求与实际路网中采集到的断面流量之间映射关系的观测方程。

具体来说，首先基于视频车检器得到交通小区进入路网的实际交通需求流量作为状态变量的约束条件，建立状态变量线性约束，即：

式中，和分别为路段流量和交叉口进口道流量的观测误差。

而对于断面流量的od量应包含可观测od需求构成的部分和不可观测od需求构成的部分，即：

式中，和均为检测误差。

进一步充分考虑车流在路网上的传播行为，针对每一个可观测的断面流量数据，假设某一时段的od需求需经历δ个时段才能从路网上完全消失—即某一具体的断面流量由之前δ个时段的od需求所构成。其中，和分别为路段流量和交叉口进口道流量的观测误差，且均为白噪声；参数δ需要基于所研究路网的实际运行状况确定。通过向量化处理，得到向量化观测方程，即：

其中，μt分别为n×1维向量组，n为可观测路段流量的个数；分别为θ×1维向量组，θ为可观测的交叉口进口道个数；ph为n×m维矩阵，m为待估计的od点对数量；为θ×m矩阵；

对上述两式左右两边变量进行合并，进一步化简后的观测方程如下：

其中yt为(n+θ)×1维列向量，ah为(n+θ)×m维矩阵，ut为(n+θ)×1维列向量，

s52.将可观测od需求和估计出的不可观测od需求结合，构建出基于多源数据的动态od估计模型，从而求解出路网动态od估计值，具体公式如下：

式中：x(o，d)，t表示由交通小区o在t时段内出发，其目的地为交通小区d的实际需求量，其中o，d∈q且o≠d；表示由交通小区o在t时段内出发，其目的地为交通小区d的观测需求量，其中o，d∈q且o≠d；表示由交通小区o在t时段内出发，其目的地为交通小区d的待估计需求量，其中o，d∈q且o≠d。

该种基于多源异构数据构建了动态车流od估计方法，通过将od需求拆分为可观测的确定部分和不可观测的待估计部分，其中针对不可观测部分基于状态空间模型构建了带线性状态约束条件的卡尔曼滤波估计模型并求解，并与可观测od需求整合得到路网的动态od估计值，为城市开放式路网提供了od需求估计方法，可以得到更加准确，贴合实际情况的od需求，从而为中微观交通模型及仿真平台提供合理化准确性的数据参数，提高了交通规划和管理效率。

实施例的一个具体示例如下：

选取某市某区域为研究对象，将其划分为35个交通小区，同时提取出路网号牌识别设备采集的过车信息和区域内出租车车辆gps定位数据，提取出出租车车辆的运行轨迹及其经过每个号牌识别设备的信息。

根据实施例所述的步骤s3，基于gps定位数据和号牌识别记录将出行轨迹补全，并将出租车车辆经过视频号牌设备的出行轨迹作为可观测od，将剩下的交通流数据作为不可观测(待估计)od。

交通小区划分情况以及可观测到的路段情况如图2所示：

进一步基于实施例所述的步骤s4，建立出od需求与各断面流量之间的映射关系，并对于所述的步骤s5，基于建立的带约束卡尔曼滤波估计模型，对不可观测的od需求进行估计，汇总得到路网od估计值。

为评判步骤s5模型的准确性，本实施例对比采用标准卡尔曼滤波模型(kf模型)和s5中带约束的卡尔曼滤波模型(ckf模型)对不可观测od需求估计得到的结果进行评估，具体对比结果如图3所示(选择某一小区，对比预测结果和实际结果)，发现带约束的卡尔曼滤波模型更贴近真实值。

同时将近基于断面数据得到的估计与实施例所述方法得到的估计进行对比，对比情况如图4所示(选择某一小区，对比预测结果和实际结果)，发现实施例所述模型更贴近实际数值。