[发明专利]一种基于多源数据融合的交通分布模型参数快速校核方法

说明书

本发明公开了一种基于多源数据融合的交通分布模型参数快速校核方法，分别采用自下而上的参数校验方法和自上而下的参数校验方法，参数校验标定分两阶段进行，第一阶段得到的参数为a1，b1，c1，第二阶段得到的参数为a3，b3，c3，最后得到的模型参数采用两种方法的平均数a4，b4，c4；实现了多源数据与调查数据的结合利用；应用启发式算法，可以实现参数自动迭代与标定；极大的提高了模型精度，使参数取值更加符合实际，能够更好的模拟现实。

技术领域

本发明属于轨道交通领域，具体涉及一种基于多源数据融合的交通分布模型参数快速校核方法。

背景技术

客流预测是轨道交通线网规划中的关键环节，直接影响到轨道交通线网规划的必要性和布局的形态，而其中交通分布模型直接影响到客流预测结果的准确性。作为经典的交通分布模型，重力模型已经被广泛应用于高速铁路、城际铁路、市域铁路、城市轨道交通、道路等多种交通方式。考虑到重力模型中3个参数受到城市异质性、功能区分布、职住平衡等多维因素的影响，必须就具体的研究对象进行模型参数标定。

目前重力模型采用的校核标准流程基本为：利用基础年P-A矩阵和阻抗矩阵生成出行距离分布(Observed Trip Length Distribution，OTLD)。将该数据作为参考标准，通过调整模型参数，使模型计算的P-A矩阵和阻抗矩阵生成的TLD与OTLD尽可能相似。

如果出现局部交通大区的od数据与调查数据不匹配，则利用K－因子系数予以调整。K－因子是描述区与区之间关系的一组参数，它的计算是取观测值和根据摩擦因数或阻力参数产生的评估值之间的比值，这样做的结果是校准后的引力模型会准确复制基年的P-A矩阵。这样可以从某个程度提高模型精度，但是K－因子的取值方法是值得商榷的。

这类现有技术存在如下问题：

(1)目前居民出行调查抽样率依据城市规模不同而不同，一般情况下，100万人口以上城市的最小抽样率不低于1％，50～100万人口城市不低于2％，20～50万人口城市不低于3％，20万人口以下城市不低于5％。从我们院完成的20余座城市调查数据来看，如此低的抽样率导致很多小区数据缺失，扩样更是将这种误差放大，但我们依然用此数据进行模型预测。

(2)TLD与OTLD数据实际比较中，距离段取值比较大，数据通常拟合度较高，但一旦距离短取值较小时，数据拟合误差增大，这主要也是部分交通小区数据缺失导致的。

(3)目前，大数据发展如火如荼，特别是手机信令数据，很多城市通过手机数据可以得到交通中区层面的od，抽样率通常可以达到60％或者更高，但是因为基站的密度和手机切换的乒乓效应，导致交通小区数据的精度完全不够，对于这块儿数据如何应用到模型中值得研究。

(4)现有的重力模型参数标定方法多基于数据调查，没有融合居民交通出行中国产生的手机、公交刷卡等大数据；此外多局限于理论的层面，较少考虑模型参数的标定速度。

发明内容

针对现有技术以上缺陷或改进需求中的至少一种，本发明提供了一种基于多源数据融合的交通分布模型参数快速校核方法，实现了多源数据与调查数据的结合利用；应用启发式算法，可以实现参数自动迭代与标定；极大的提高了模型精度，使参数取值更加符合实际，能够更好的模拟现实。

为实现上述目的，按照本发明的一个方面，提供了一种基于多源数据融合的交通分布模型参数快速校核方法，参数的校核标定分为两个阶段进行，第一阶段的步骤为：

S1、数据清洗，降噪除噪；

把包括重复数据、错误数据、不完整数据的数据筛选出来，予以剔除，得到相对准确的数据；

S2、循环扩样，多次校核；