多源数据融合的道路旅行时间估计方法研究

旅行时间作为交通系统运行的关键参数,可以为交通诱导系统和出行者路径选择提供决策建议。利用多源数据进行旅行时间的估计是智能交通系统运行的重要支撑。利用基于同一路段的3种检测数据,提出相应的权重分配模型和神经网络模型来进行多源检测数据的融合以获得融合后的旅行时间。对比研究了基于多断面检测器的旅行时间的2种推算方法:速度累进和速度平均。利用北京市典型道路数据对这2种融合技术的融合效果进行了对比分析,结果显示,多源数据融合可以提高旅行时间估计的准确性。

基于车牌识别数据的机动车OD估计模型

机动车OD矩阵是进行城市道路交通网络分析的核心数据。利用根据车牌识别检测数据分析得到的道路交叉口转向流量以及整体网络中的部分实测机动车OD信息,使用广义最小二乘模型建立整合部分机动车OD信息的路网全样机动车OD估计模型,模型中的OD历史值及分配矩阵应用了真实的部分机动车OD信息推导得到。同时为验证检测数据比例的影响等,使用同一城市两个不同规模的实际道路网络检测数据,结合S-Paramics仿真平台对模型进行验证。结果显示,不同的检测比例对OD估计结果有较为明显的影响,而在较高的检测比例情况下使用转向流量和部分机动车OD信息可以提高路网全样本机动车OD估计的准确性。

基于路口转弯流量的OD估计方法研究

机动车起终点矩阵(Origin-Destination Matrix,OD矩阵)的估计是交通规划和交通管理等工作的重要基础.本文主要研究在采集数据日渐精细情况下的机动车OD估计方法.基于车牌识别数据提取出路口转弯流量和路段断面流量,在此基础上建立应用广义最小二乘模型进行机动车OD估计的模型及方法.利用S-Paramics仿真平台及实测数据,应用Nguyen–Dupuis网络和实际城市路网对本文研究的方法进行了对比验证,分析对比验证了是否已知真实OD、不同的数据输入类型、不同的已知检测量的比例等.结果显示,与使用路段流量相比,使用转弯流量可以提高OD估计的准确性.