基于轨迹重构的城市路网OD估计方法

为了提高城市路网OD估计精度,提出了一种基于自动车辆识别数据的宏微观OD估计框架.该框架将微观层的个体路径选择行为和宏观层的随机用户均衡(SUE)分配相结合,微观层通过粒子滤波器的重要性采样过程更新状态空间概率曲线来实现车辆轨迹重构,从而构建宏观层路径流约束;宏观层建立上层为广义最小二乘、下层为路径流修正的Logit随机用户均衡分配的OD估计双层规划模型.该方法在基于Sioux-Falls网络的VISSIM仿真模型上实现,通过VISSIM设置虚拟检测器来模拟现实环境中的自动车辆识别系统.结果显示,所提方法在各OD对估计中的平均绝对误差(MAE)均值为106.2辆/h,总需求百分比偏差(TDPD)均值为9.54%,相比较于非轨迹方法(MAE均值720.05辆/h,TDPD均值41.54%)有明显优势,在检测器覆盖率大于60%的条件下可以得到较为可靠的OD估计结果.