不确定条件下随机OD需求估计的交通网络传感器最优放置模型与算法

Using advanced sensors for data collection so as to estimate origin-destination (OD) traffic demand has become a widely used method for transportation planners and managers. Conventionally, the optimization of traffic sensor locations usually considered how to accurately estimate the mean (first order statistical property) of the OD demand while ignoring its statistical property. Actually, the OD demands for a typical hourly period are not deterministic and fluctuate stochastically due to various reasons. As such, the transportation planners and managers need to know the stochasticity and correlations of OD demands between different OD pairs. Specifically, the covariances (second order statistical property) between OD demands need to be estimated. In view of this, this project is focused on how to optimize the sensor locations to simultaneously estimate both mean and covariance of the OD demands. Firstly, the effects of sensor locations on the estimation errors of stochastic OD demand are analyzed. Special attention is paid to the investigation of the maximum possible error of sensor locations. Then, the corresponding mathematical models on optimizing the sensor locations for estimating stochastic OD demand are proposed together with solution algorithms. The potential outputs of this project can contribute to the state of arts of sensor location studies on transportation network modeling. Moreover, this project could be helpful for providing methodological support and case study evidence for transportation planning and management. In summary, the potential theoretical and practical contributions of this project could be significant.

使用传感器自动采集数据估计OD交通需求，是交通规划与管理者普遍采用的方法。传统的研究中，假设OD 需求是确定性的变量，因此仅考虑估计OD需求的均值(一阶统计量)而优化放置传感器，忽略了OD需求的二阶统计特征。但是在现实中，受到各种因素影响，OD需求具有随机性，交通规划与管理者需知道OD需求的波动性和相关性，即：需要估计OD需求的协方差(二阶统计量)。如何优化传感器的放置，从而准确的估计OD需求的均值和协方差，是本项目的主要研究内容。本项目首先分析传感器的放置对随机OD需求估计误差的影响，尤其是对二阶统计量(协方差)估计的最大可能的误差。在此基础上，给出基于随机OD需求估计的交通网络传感器最优放置模型并设计相关算法。最后，项目将应用该模型和算法开展实例研究。本研究不仅可以进一步深化和完善交通网络建模中传感器放置的相关理论，还可以为交通规划和管理提供新的科学依据和应用实例，具有理论和现实意义。

使用传感器自动采集数据估计OD(origin-destination)交通需求，是交通规划与管理者普遍采用的方法。传统的传感器放置模型中，假设OD需求是确定性的变量，因此仅考虑估计OD需求的均值(一阶统计量)，忽略了OD需求的二阶统计特征。本项目从现实角度出发，考虑OD需求的波动性和相关性估计(尤其是OD需求的二阶统计量)条件下的传感器的优化放置问题。本项目围绕传感器的放置对随机OD需求估计误差的影响分析、随机OD需求估计的交通网络传感器最优放置等问题给出了相关的模型和算法，应用交通网络给出数值计算结果展示了模型的特性和算法的有效性，并在此基础上开展相关的拓展研究。本项目共有33项成果，包括发表国际期刊论文8篇，国际会议论文1篇，培养已经毕业博士研究生1人，硕士研究生5人，项目主持人获得教育部2018年度高等学校科学研究优秀成果奖自然科学奖二等奖（排名第三），在国内举办的学术会议上做大会报告1次。主要的研究成果如下：.(1).传感器放置方案对随机OD需求估计误差分析.(2).基于OD需求均值和方差估计的交通传感器布置的双目标优化模型.(3).利用OD需求协方差估计出行需求的交通计数器位置的优化方法.(4).考虑传感器故障的随机交通需求估计的交通计数位置优化模型.(5).基于多种传感器数据和时空分析的OD需求估计方法.(6).基于多种传感器系统的全路网行程时间、OD需求估计和相关的传感器放置问题.(7).随机路网节能电动汽车可靠路径搜索算法.(8).考虑相关性的带信号灯的随机路网可靠路径搜索算法.(9).拥挤路网中联合活动出行选择的家庭最优效用模型.本项目所研究的数学模型和相关算法，涉及到随机OD需求下的网络可靠性分析以及应用研究，项目的成果可以进一步深化和完善交通网络建模的相关理论，为不确定性条件下交通数据采集、交通资源分配问题的研究提供科学依据和应用实例。