摘要:现状OD矩阵是交通规划中必不可少的一项数据,获得该数据的途径一般有两种:进行OD出行调查,或是利用道路流量...现状OD矩阵是交通规划中必不可少的一项数据,获得该数据的途径一般有两种:进行OD出行调查,或是利用道路流量进行OD反推。对于前者,高额的调查成本以及繁杂的数据处理工作限制了其应用,而后者则由于其经济性优势一直备受学界关注。本文试图对OD反推的研究工作做出一些新的探索,追本溯源,首先综述了已有的各类经典OD反推方法,对其进行了分类、评价与总结,明确各方法优缺点与适用性。经典的OD反推方法多以路段交通量为依托,利用OD流量与路段流量的基本关系式进行推算。然而对于某一路网,即使能够获得独立无误差的路段流量数据,若OD对数量大于路段数,则模型会出现无穷多组解。为获得唯一解,信息量是关键。车牌识别技术能够为OD反推中的信息量问题带来突破,通过在一定路段上安置监控摄像头,识别车牌号码以构造出车辆行进路线,从而获得路径流量。然后通过将广义最小二乘法与守恒律相结合构建模型,构建路径流量与OD流量的关系式,达到反推OD的效果。本文通过算例验证了该技术相较于传统的路段交通量调查方法,确实能够提供更多的线性约束。并且基于特定的监控路段能够推测出OD流量的精确值。此外,基于车牌识别技术作为采样手段,本文还基于指数分布族共轭先验的特性,提出了两种贝叶斯OD反推方法。其一是假设路径交通量为服从泊松分布F?{P(?)|?(29)0}的独立随机变量,根据泊松分布的可加性,路段流量,OD流量也都服从该分布族。其参数?则服从gamma(?,?)分布。其二是假设路径交通量为服从正态分布F?{N(?,?2)}的独立随机变量,讨论单变量的情况,假设参数?2为常数,参数?则为服从N(?prior,?2prior)的随机变量。文中详细描述了先验估计,抽样,后验更新以及贝叶斯分布的过程。该方法利用共轭分布的特性,能够在获得样本后轻松的得到后验参数,当样本数量足够大时预测的OD流量收敛于真实值,而车牌识别又为获取大量样本提供了技术保障。文中基于GAMS(The General Algebraic Modeling System)软件对该算法进行程序实现,通过多个算例证其效果,并与Transcad平台的提供的OD反推算法所得的结果进行了比对。更多还原显示全部