基于马尔可夫模型的公共自行车系统调控方法
【技术领域】
[0001] 本发明属于交通运输规划与管理中的公共交通领域，具体涉及一种基于马尔可夫 模型的公共自行车系统调控方法。
【背景技术】
[0002] OD矩阵(起讫点交通量，即从交通出行的出发点到终点之间的交通量)提供车辆或 行人从某一特定地理区域到另一区域运动的基本信息。它在交通和运输管理中扮演关键角 色。面对日益严重的城市交通拥堵问题，优先发展公共交通已经成为社会的共识，公共自行 车也成为解决公交、轨道交通接驳问题的有效解决办法，然而要高效利用公共自行车，就需 对公共自行车OD进行准确地统计推断，从而对公共自行车服务站设置、车辆配置及车辆调 度进行更合理地规划和布置。但是现有的公共自行车系统大多未能对自行车OD进行准确 的推断，从而存在自行车服务站的设置规模与当前及以后所必需的服务能力不协调，具体 表现在：有些站点严重不能满足市民出行需求；而有些站点又存在能力严重过剩。而目前 存在的OD统计推断大多用于城市区域交通量OD推断，公交OD统计推断，用于公共自行车 OD推断的研宄较少。OD统计推断方法通常利用有限的调查数据进行迭代计算，又因调查数 据中数据缺失的存在从而导致得不到闭合解，且大多未利用先验信息，因而对OD的统计推 断存在较大误差。因此，一种有效利用先验信息的能得出闭合解的公共自行车OD统计推断 方法具有重要意义。
[0003] 因公交OD统计推断与公共自行车OD统计推断具有相似性，故以下对现有公交 OD统计推断方法进行简述，Zuylen and Willumsen使用大规模直接采样调查数据的方法， 该方法虽然采集数据的准确性较好，但费用相当昂贵，且需要时间长，耗费大量人力；Van Zuylen and Willumsen采用的方法是利用交通网络上每条选择路线中获得的交通流量来 计算发生量与吸引量，而不是对发生量与吸引量实施任何特殊的模型。这种方法比大规模 样本方法更便宜。然而，鉴于经济原因，所选相关路线的数量实际应用中相对较少，因而 存在大量未知参数(发生量与吸引量）但很少可得观测，从而导致高度遗漏问题；为解决高 度遗漏问题，Van Zuylen and Willumsen提出最大j：商方法，这种方法确定一个OD矩阵，这 使选择出行矩阵增加尽可能少的数据信息到每个交通网络中预先选择的路线上。上述方 法均未有效利用OD的先验信息，Maher和Hazelton提出的贝叶斯方法，Van Zuylen and WiIIumsen提出的最大j：商方法，来结合交通流方面先验信息与当前信息，从而使先验信息得 到有效利用，但由于参数量巨大，计算繁琐。
[0004] 因此，需要一种新的OD统计推断的方法以解决上述OD推断问题并将其应用于公 共自行车领域，对公共自行车OD进行准确推断。
【发明内容】
[0005] 技术问题：本发明提供一种高效准确、缩短数据采集时间，减少数据采集成本，节 约大量调查资源的基于马尔可夫模型的公共自行车系统调控方法。 技术方案：本发明的基于马尔可夫模型的公共自行车系统调控方法，包括如下步骤： (1) 通过公共自行车信息中心获取自行车借出与归还统计量，将其分为先验组和后验 组； (2) 将所述先验组的统计量使用一阶马尔科夫模型参数化方法进行计算，将得到的结 果作为先验?目息； (3) 根据后验组数据和步骤（2)中获取的先验信息，利用贝叶斯推理，结合马尔可夫模 型得到在服务点i已还车概率的估计值毛毛，并构建马尔科夫转移概率矩阵； (4) 由马尔科夫转移概率矩阵确定自行车流量推断值，并构建公共自行车系统OD矩 阵。
[0006] (5)由所述公共自行车系统OD矩阵结合每一服务点的自行车储备量，确定每一服 务点的自行车调度需求量，并根据该需求量进行自行车调控。
[0007] 更进一步的，步骤（2)中的具体步骤为： 21) 将公共自行车还车概率用马尔科夫转移概率表示为：
其中，Prf^i = = m}为一阶马尔可夫转移概率，<|而是在B服务点已还车的概率， 则i - qj - %表不在Ii服务点未还车的概率；为一个随机变量代表公共自行车在服 务点的状态，当= 1时表不公共自行车在tt服务站未还车，当I = 〇ξ2· = O时表不公 共自行车在服务站已还车，k是自行车在服务点i状态的控制变量，其为取值为0,1的随机 变量，m为自行车在服务点i-Ι状态的控制变量，其为取值为0,1的随机变量，Λ为自然数； 22) 根据下式计算还车概率矩阵P = = fpj :
其中，Ρψ*?)表示在i服务点借车在i+1服务点还车的概率，9i+1表示在i+1服务点已还 车的概率，表示在i服务点借车在j服务点还车的概率，表示在j服务点已还车的概 率，1 - t表示在g服务点未还车的概率，g是取值为i+Ι到j-Ι的随机变量，表示服务点序 号，j是取值为i+2到N的随机变量，i表示服务点序号； 23) 根据下式计算在I服务点借车在I服务点还车的实际车辆数fy，将其作为先验信息：
其中，表示在i服务点借车在j服务点还车的概率，为先验组的统计量，表示在i 服务点的借车数。？, = 〇?, = 〇
[0008] 进一步的，步骤（3)的具体步骤为： 首先根据先验信息计算得到j服务点已还车的概率的共轭先验分布，对其应用 贝叶斯规则，结合似然估计二项分布，得出€/9;的后验分布1丨(5^^)七丨(?|￡,~) ; 然后计算以上后验分布获取的估计值1為.，将所有估计值毛戈,构建成马尔科夫转 移概率矩阵。
[0009] 进一步的，步骤（4)的具体步骤为： 41) 将所述步骤（3)中求得的七|?;的估计值毛<,带入下式计算得到修正后的还车概率 矩阵:
42) 将所述修正后的还车概率矩阵带入下式得到自行车流量的推断值，从而将所有 推断值构建得到公共自行车系统OD矩阵：
进一步的，步骤（5)的具体步骤为：将所述公共自行车系统OD矩阵中的自行车流量推 断值句;带入下式计算得到每一服务点的自行车调度需求量：
其中，demand"demand"表示服务点η的自行车调度需求量，表示服务点η的自 行车储备量
表示由除去服务点η以外的其他服务点停入服务点η的自行 车总数
表示由服务点η驶出的自行车总数，η表示服务点标号，其取值范 围为1到Ν。
[0010] 有益效果：本发明与现有技术相比，具有以下优点： 本发明从公共自行车信息中心获取借还车数据，相比于常用的人工调查交通量的方法 可缩短数据采集时间，减少数据采集成本，节约大量调查资源。
[0011] 本发明利用马尔科夫转移模型，相比于常用的迭代法求OD计算步骤简单，无需多 次迭代，且因不使用迭代方法计算，从而避免求解不闭合的问题。
[0012] 本发明有效利用先验信息，避免了以往求解过程中无先验信息可依的不足，提高 求得的数据的准确性。
[0013] 本发明计算简单，只需要先验信息的计算和后验信息的计算两步，无需多次迭代， 从而提尚求解效率。
[0014] 本发明可对获取的实时自行车信息进行计算，准确获得实时调度方案，提高调度 效率。
【附图说明】
[0015] 图1是本发明中公共自行车数据采集示意图。
[0016] 图2是本发明方法实施流程图。
【具体实施方式】
[0017] 下面结合实施例和说明书附图对本发明作进一步的说明。
[0018] 本发明方法有效利用马尔可夫模型进行推断，即利用了自行车出行决策过程中的 无后效性，也就是利用自行车借出后在前一服务点是否还车对下一服务点是否还车不产生 影响的特点。其具体实施步骤如下： 1. 交通数据信息采集 由图1，通过公共自行车信息中心获取自行车借