基于多项式趋势模型的动态OD 矩阵估计

交通运输系统工程与信息 ›› 2016, Vol. 16 ›› Issue (6): 176-181.

基于多项式趋势模型的动态OD 矩阵估计

江竹¹，雷震宇*²，李树彬³

1. 西华大学能源与动力工程学院，成都610039；2. 同济大学铁道与城市轨道交通研究院，上海201804；3. 山东警察学院治安系，济南250014

收稿日期:2016-04-22 修回日期:2016-06-08 出版日期:2016-12-25 发布日期:2016-12-26
作者简介:江竹（1979-），女，四川人，副教授.
基金资助:
国家自然科学基金/National Natural Science Foundation of China(71471104)；流体及动力机械教育部重点实验室开放基金/Key Laboratory of Fluid and Power Machinery, Ministry of Education(szjj2014-038,szjj2015-026).

Estimation of Dynamic OD Flow Based on Polynomial Trend Model

JIANG Zhu¹, LEI Zhen-yu², LI Shu-bin³

1. School of Energy and Power Engineering, Xihua University, Chengdu 610039, China; 2. Institute of Rail Transit, Tongji University, Shanghai 201804, China；3. Public Security Department, Shandong Policy College, Jinan 250014, China

Received:2016-04-22 Revised:2016-06-08 Online:2016-12-25 Published:2016-12-26

摘要/Abstract

摘要：

为了更加精准地描述动态交通流演变过程，得到状态的最优无偏估计，本文基于多项式趋势模型和卡尔曼滤波理论，提出一种实时动态OD矩阵估计的多项式趋势滤波算法.该算法首先将状态变量定义为实际OD流量相对于其历史值的偏差，并将该偏差表述为一个具有滑动趋势的随机演变过程，然后通过建立一个多项式趋势滤波模型实现对动态OD矩阵的估计与预测.最后以一条接近实际路况的高速路网为研究对象进行仿真.大量仿真试验结果表明，本文提出的算法性能优于传统方法，能获得更准确的OD矩阵估计与预测信息.

关键词: 智能交通, OD矩阵无偏估计, 卡尔曼滤波, 多项式趋势模型, 高速路

Abstract:

To more accurately describe the evolution process of dynamic traffic flow, and get an unbiased estimation of state vectors, a novel polynomial trend filtering method is proposed for real dynamic OD matrix estimation on the basis of the polynomial trend model and the Kalman filtering theory in the paper. Firstly, the state variables are defined as the deviations of the actual OD flow from the historical values. These deviations are presented as a stochastic evolution process with a sliding trend. Furthermore, the dynamic OD matrix is estimated and predicated by establishing a polynomial trend filtering model. Finally, a simulation freeway is used as the research object, and a large number of simulation results prove that the performance of the algorithm proposed in this paper is better than the traditional method, and this algorithm can acquire more accurate estimation and prediction information for OD matrix.

Key words: intelligent transportation, OD matrix unbiased estimation, Kalman filtering, polynomial trend model, freeway

中图分类号:

U268.6

江竹，雷震宇，李树彬. 基于多项式趋势模型的动态OD 矩阵估计[J]. 交通运输系统工程与信息, 2016, 16(6): 176-181.

JIANG Zhu, LEI Zhen-yu, LI Shu-bin. Estimation of Dynamic OD Flow Based on Polynomial Trend Model[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(6): 176-181.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19315.shtml

http://www.tseit.org.cn/CN/Y2016/V16/I6/176

参考文献

[1] JORGELINA F W, ELINA M M, LOTITO P A. A heuristic for the OD matrix adjustment problem in a congested transport network[J]. European Journal of Operational Research, 2015, 3(242): 807-819.

[2] MUSSONE L, MATTEUCCI M. 基于神经网络的OD分布矩阵反推方法[J]. 交通运输系统工程与信息, 2013, 13(4): 84- 93. [MUSSONE L , MATTEUCCI M. OD matrices network estimation from link counts by neural networks[J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 13(4): 84-93.]

[3] OKUTANI I, STEPHANEDES Y J. Dynamic prediction of traffic volume through kalman filtering theory[J]. Transportation Research Part B, 1984, 18 (1): 1-11.

[4] KALIDAS A. Estimation and prediction of timedependent origin-destination flows[D]. Cambridge: Massachusetts Institute of Technology, 2005.

[5] BEN-AKIVA M, BIERLAIRE M, HARIS N K. DynaMIT: A simulation-based system for traffic prediction and guidance generation[C]. Proceedings of the 3rd Triennial Symposium on Transportation Systems, San Juan, Puerto Rico.1998.

[6] ASHOK K, BEN-AKIVA M. Dynamic origindestination matrix estimation and prediction for realtime traffic management systems[C]. International Symposium on the Theory of Traffic Flow and Transportation, Elsevier Science Publishers B.V., 1993.

[7] ZIYUAN T, MINMING T, BIN L. Research on gas emission distribution in coalface based on trend surface polynomial analysis[J]. IEEE Sensors Journal, 2015, 1 (15): 164-171.

[8] 林勇，蔡远利，黄永宣. 基于卡尔曼滤波的动态OD矩阵估计[J]. 系统工程理论与实践, 2003(10): 135-139. [LIN Y, CAI Y L, HUANG Y X. Kalman filtering based dynamic OD matrix estimation[J]. Systems Engineeringtheory and Practice, 2003(10): 135-139.]

[9] ASHOK K. Dynamic trip table estimation for real time traffic management systems[D]. Cambridge, USA: MIT, 1992.

[10] 韩崇昭. 随机系统概论：分析、估计与控制[M]. 北京：清华大学出版社，2014. [HAN C Z. Introduction to stochastic systems: analysis, estimation and control[M]. Beijing: Tsinghua University Press, 2014.]

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[14]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.
[15]	龙建成, 郭嘉琪. 动态交通分配问题研究回顾与展望[J]. 交通运输系统工程与信息, 2021, 21(5): 125-138.