[发明专利]基于监测数据的动态OD矩阵估计方法

摘要

基于监测数据的动态OD矩阵估计方法属于智能交通领域，传统的方法没有考虑到部分实际路网OD矩阵的稀疏性，计算出的OD矩阵及分配在路网上的流量与实际有较大偏差；而且在求解过程中，将OD矩阵分配到路网上往往需要一定时间，尤其是当路段陷入拥堵时，传统的OD矩阵分配算法需要较长时间，难以满足实时性要求。本发明构建了稀疏约束下的动态OD矩阵估计模型，并提出了一种稀疏约束下的动态OD矩阵估计快速算法,基于径向基神经网络对OD矩阵分配函数进行拟合。基于此，需要解决的关键问题包括：稀疏约束下的动态OD矩阵估计模型；稀疏约束下的动态OD矩阵估计实时算法。理论上，本发明提出的方案可以更准确地估计动态OD矩阵，并满足实时性要求。

主权项

1.基于监测数据的动态OD矩阵估计方法，其特征在于：以交通道路监测流量和历史OD矩阵为输入数据，计算交通动态OD矩阵作为输出，包括以下几个步骤：(1)稀疏约束下的动态OD矩阵估计模型的构建交通路网用有向图G(C,L)表示，其中C是交通节点集合，L路段集合,是配有监测器的路段子集；OD矩阵X＝{χ_nr}表示时间段r∈R内的交通OD对n∈N，R和N分别表示时间间隔以及OD对的个数；OD估计需要的数据包括历史OD矩阵X^H＝{x_nr}在时间间隔t∈T内装配有道路检测器路段上的交通流量数据动态OD矩阵估计模型分为两部分，一部分为历史OD矩阵与所求OD矩阵的差值，另一部分为OD矩阵分配在路网上的流量与监测流量的差值，最优化模型为：其中ω₁、ω₂是权重因子，F₁、F₂是距离函数，X^H是历史OD矩阵，是道路监测器流量，X是所求OD矩阵，Y表示OD矩阵X分配在道路上的流量；动态OD矩阵通常描述连续较短时间间隔内所研究路网的分布交通量，选取10至30分钟时间间隔；为了保证交通矩阵X的稀疏特性，做凸包络替换后，得到如下凸规划问题：其中ω、λ是权重因子，X^H是历史OD矩阵，是道路监测器流量，||X||₁项约束OD矩阵的稀疏特性，A(X)是OD矩阵分配函数，Y表示OD矩阵X分配在道路上的流量，X是所求OD矩阵。(2)稀疏约束下的动态OD矩阵估计快速算法在动态OD矩阵估计模型的求解中，需要将OD矩阵数据动态分配到路网上，道路OD矩阵X与道路流量Y具有如下映射关系：Y＝A(X)X  (3)其中A＝{αnr,lt}是分配矩阵，αnr,lt表示OD矩阵中OD对xnr在时间段t内分配在路段l上的比例；选取高斯函数作为径向基函数，训练径向基神经网络：第一步：通过K‑聚类方法确定神经元中心；第二部：利用BP算法确定输入层与隐含层间的权值以及隐含层与输出层间的权值；在训练完成径向基神经网络后，基于径向基网络对OD矩阵分配函数进行拟合；利用乘子法求解最优化模型(2)，引入变量Q，在L1约束中令Q＝X，并引入增广拉格朗日函数项式(2)可被写为：其中ω,λ,μ为权重，G为参数矩阵，X^H是历史OD矩阵，是道路监测器流量；||X||₁项约束OD矩阵的稀疏特性，A(X)表示OD矩阵分配函数，Y表示OD矩阵X分配在道路上的流量，X是所求OD矩阵；基于分步迭代法，式(4)分解为：式(5)是关于变量X的最优化模型，式(6)是关于变量Q的最优化模型。