面向实时交通管理和信息服务的在线动态O-D反推模型与算法

Dynamic origin-destination flows are most important input data of intelligent transportation systems, and the most effective way to obtain them is the estimation based on real-time link traffic counts and other relevant information, which are provided by traffic surveillance systems. Because the algorithms are very complex and inefficient, the existing researches are not applicable to the large-scale network, as well as to the real-time traffic management and traveler information systems. This research will first analyze all key issues in dynamic O-D flows estimation, summarize the corresponding solution methods, and make a solid foundation for the further development. For the purpose of on-line application, we will classify the researches into three levels: intersection, freeway segment and general road network. Since the intersection is small enough to neglect the travel time and route choice, we will put forward the intersection models using parameter optimization and kalman filtering respectively, without considering the dynamic travel time and route choice. Then we will introduce an on-line recursive estimation method of dynamic travel time, and extend the intersection models and algorithms to the freeway segments. Furthermore, we will extend the models and algorithms to the general road network by introducing an on-line method of dynamic route choice probability. Integrated with signal control, traffic divergence and route guidance systems, we will analyze the influences to the dynamic O-D distribution pattern produced by the real-time traffic management and traveler information systems. Moreover, we will use the estimated O-D flows as the input data, and formulate combined models of dynamic O-D flows and real-time traffic management, traveler information systems. Finally, this research will realize the on-line application of dynamic O-D flows estimation in the intelligent transportation systems.

动态O-D矩阵是智能交通系统的重要输入数据，利用交通检测系统获得的实时路段流量及相关信息进行反推，是获取动态O-D矩阵的有效途径。现有研究由于算法的复杂性和计算效率等问题，无法适用于大型网络，在实时交通管理和信息服务系统中也无法实用。本研究从动态O-D反推理论的基础问题入手，研究其解决方法，为理论的发展理清思路。以在线应用为目的，分路口、高速路段和全路网三个层次，在不考虑走行时间和路径选择的条件下，利用参数优化和卡尔曼滤波方法研究路口模型和算法；引入动态路段走行时间，研究适用于高速路段的模型和算法；进一步引入动态路径选择概率的在线计算方法，研究适用于全路网的模型和算法。结合信号控制、交通分流和交通诱导系统，研究实时交通管理和信息服务措施对于O-D分布模式的影响，并以反推得到的O-D矩阵作为输入数据，建立与实时交通管理和信息服务的组合模型，最终实现动态O-D反推理论的在线应用。

动态O-D矩阵是智能交通系统的重要输入数据，利用交通检测系统获得的实时路段流量及相关信息进行反推，是获取动态O-D 矩阵的有效途径。现有研究由于算法的复杂性和计算效率等问题，无法适用于大型网络，在实时交通管理和信息服务系统中也无法实用。本研究从动态O-D 反推理论的六个基础问题入手，研究其解决方法，为理论的发展理清思路。以在线应用为目的，分路口、高速路段和全路网三个层次，分别研究了动态O-D反推模型。.在路口层次，提出了以最小化观测值和计算值误差的绝对值之和作为目标函数的路口改进参数优化模型，并设计了相应的遗传算法进行求解，在此基础上进一步提出了卡尔曼滤波模型和BP神经网络模型。考虑到不同模型的精度和效率不同，采用贝叶斯方法建立了路口动态O-D反推的组合模型。在高速路段层次，分走行时间影响因子已知和未知两种情况，将路口模型拓展到了高速路段。进一步建立了基于状态空间的KF模型及其改进模型，分别采用扩展KF和顺序KF进行了求解。在路网层次，以反推的路口转向流量为基础，引入划分参数与相应最优历史值的偏差作为状态变量，提出了适用于城市路网的“两阶段”反推模型。引入动态交通分配（DTA），建立了整合DTA的改进模型，并设计了求解流程。为了消除DTA隐含的误差，进一步采用路径流量与最优历史值的偏差作为状态变量，建立了改进模型。对于上述各类模型，均设计仿真实验或实际案例验证了模型的精度。.为了实现上述模型在实时交通管理和信息服务中的应用，本项目结合信号控制、交通分流和交通诱导系统，研究实时交通管理和信息服务措施对于O-D 分布模式的影响，并以反推得到的O-D 矩阵作为输入数据，以动态O-D反推在单点和干线信号控制中的应用为例，建立与实时交通管理和信息服务的组合模型，最终实现动态O-D 反推理论的在线应用。