基于抽样轨迹数据和改进最小二乘模型的信控路网路径流量估计方法

路径流量是精细化交通规划和管控的基础,对识别路网的关键通道、路径、流向和节点具有重要作用。为了解决现有路径流量估计方法在模型假设和方法适用性上存在的局限性,提出一种以抽样车辆轨迹数据作为唯一输入数据源的信号控制路网路径流量估计方法。该方法对基于经典广义最小二乘法的OD估计模型进行改进拓展,以路网路径流量和交叉口流向流量的估计误差的加权和最小化为优化目标,建立一个基于广义最小二乘法的路径流量估计基本框架。首先,基于奇异值阈值算法和各交叉口的抽样车辆轨迹数据估计路网中所有交叉口受控流向的到达流量,从而计算得到交叉口全流向流量,以及不同流向的抽样车辆轨迹渗透率的先验估计值;其次,基于路网拓扑特征得到路径和流向之间的关联矩阵,并通过不同路径捕获到的样本轨迹数量和全样流向流量的估计值计算得到路径流量的先验估计值;最后,将先验路径流量和流向流量输入到广义最小二乘框架中,通过梯度搜索算法迭代求解即可得到路径流量。基于青岛市市南区路网建立了VISSIM仿真模型,选取渗透率、抽样方式、数据上传间隔和权重系数4个因素对不同参数组合的仿真场景下的路径流量估计精度和敏感性进行了验证。结果表明:在渗透率为0.1的分层随机抽样情况下,路网路径流量的估计精度达92.8%,即使在渗透率为0.05的稀疏数据场景下,估计精度仍可保持在85%以上;同时,提出的路径流量估计模型对渗透率和抽样方式较敏感;在数据上传间隔不大于15 s或路径流量误差项权重占主导的情况下,模型鲁棒性较好。