论文部分内容阅读
伴随着我国经济社会的不断发展，城市化、机动化进程逐步加快，居民出行需求日益剧增，交通拥堵已然成为城市常态化问题。各地采取多样化的管理手段缓解交通供需矛盾，但交通问题仍然时常暴露短板，治堵效果不佳，很大程度上是由于交管部门缺乏对居民出行规律、出行需求的认识，因此对待交通症结无法做到精准施策，对症下药。OD矩阵是描述交通源、流的发生规律，出行活动从出发到终止过程的基础性数据，也是交通管理部门进行交通规划、交通需求预测、制定相关政策措施的重要依据。传统的OD矩阵信息通常是依托大规模的居民出行调查获取，这种人工获取方式由于耗费资源多，且调查结果时效性不强而受到限制，因此利用交通流参数进行OD估计的研究应运而生。
在车辆识别技术日益发达的今天，利用车牌识别数据能够实现车辆运行轨迹的实时追踪，从而获取路网中的路径流量，实现OD提取。本文通过分析、总结现有OD估计模型的研究现状及适用性，在此基础上，以车牌识别数据作为数据源，提出一种基于深度学习和启发式算法的城市路网动态OD估计方法。首先，对城市路网中电警等视频识别设备采集的原始车牌识别数据进行数据质量分析，并提出相应的问题数据处理方法，从中提取出动态OD估计研究所需的基础数据；然后介绍了基于车牌识别数据获取初始OD的基本流程，提出一种考虑时变路段行程时间分布特性的出行链打断方法；其次基于深度学习模型对交通非线性系统的自学习、自适应能力，利用LSTM长短期记忆神经网络建立描述初始OD信息与路段可观测流量映射关系的动态交通分配模型，与解析计算法和仿真法获取动态交通分配矩阵相比，该模型避免了显式动态交通分配求解的复杂性和大量参数标定工作；最后结合LSTM动态交通分配模型，基于遗传算法原理设计了动态OD估计求解算法，首先利用历史OD信息作为初始种群和寻优范围，实现城市路网动态OD估计求解，求解结果精确度较高；接着利用车牌数据提取的路段总流量对初始OD进行优化，通过对优化结果进行评价分析，认为优化后的OD估计结果符合城市路网的交通状态，能够为交通管理部门提供准确、可靠的动态OD估计结果，对交通管理者掌握城市交通出行需求、出行规律具有重要意义。
在车辆识别技术日益发达的今天，利用车牌识别数据能够实现车辆运行轨迹的实时追踪，从而获取路网中的路径流量，实现OD提取。本文通过分析、总结现有OD估计模型的研究现状及适用性，在此基础上，以车牌识别数据作为数据源，提出一种基于深度学习和启发式算法的城市路网动态OD估计方法。首先，对城市路网中电警等视频识别设备采集的原始车牌识别数据进行数据质量分析，并提出相应的问题数据处理方法，从中提取出动态OD估计研究所需的基础数据；然后介绍了基于车牌识别数据获取初始OD的基本流程，提出一种考虑时变路段行程时间分布特性的出行链打断方法；其次基于深度学习模型对交通非线性系统的自学习、自适应能力，利用LSTM长短期记忆神经网络建立描述初始OD信息与路段可观测流量映射关系的动态交通分配模型，与解析计算法和仿真法获取动态交通分配矩阵相比，该模型避免了显式动态交通分配求解的复杂性和大量参数标定工作；最后结合LSTM动态交通分配模型，基于遗传算法原理设计了动态OD估计求解算法，首先利用历史OD信息作为初始种群和寻优范围，实现城市路网动态OD估计求解，求解结果精确度较高；接着利用车牌数据提取的路段总流量对初始OD进行优化，通过对优化结果进行评价分析，认为优化后的OD估计结果符合城市路网的交通状态，能够为交通管理部门提供准确、可靠的动态OD估计结果，对交通管理者掌握城市交通出行需求、出行规律具有重要意义。