英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
在城市路网中预测和评估交通需求的一种组合方法
摘要：本文提出了一种组合方法，用于短期预测城市网络中的探测器计数，并随后使用预测计数作为约束估计原始 - 目的地（OD）流量的交通需求估计，路由和链接卷。 该方法旨在用于具有15分钟连续优化间隔的自适应业务控制策略的框架中。该方法不断估算即将到来的流量需求，可用作优化的输入数据。 预测使用探测器计数的当前和参考空时模式。参考模式来自过去收集的数据。 当前模式包括最后四个时间间隔的所有检测器计数。 一个简单而有效的模式匹配用于预测。 随后的需求估计基于信息最小化模型，该模型已被集成到具有重复流量分配和矩阵估计的迭代过程中，直到找到稳定的解决方案。一些改进已经实施，包括限制的改进，消除这些限制的冗余以及基于使用细胞传递模型的宏观模拟的行程时间估计。 整个方法会在本文中介绍，其模块及其性能已经通过人工创建的汉诺威实际子网络数据进行了评估。
- 介绍
用于在线优化交通信号设置的自适应交通控制策略（ATCS）高度依赖于对网络当前或即将到来的交通需求的最佳精确估计。一般来说，这些应用程序会在下一个时间间隔内持续优化全网通信信号设置。 因此，他们需要一个始终更新的估计交通需求，该需求可以用作优化的输入数据。
本文提出了连续时间间隔连续估计城市子网中交通需求的方法。该方法旨在用于新开发的ATCS框架中。然而，本文的重点仅限于需求估计。该方法估计OD矩阵，更确切地说，估计所有可选的合理路线以及子网中所有链路上的流量，以便进行优化。假定可用的唯一信息为了估计所提到的数据，在信号交叉点检测器计数。常见的ATCS使用优化间隔可能会持续一个或几分钟直到半小时甚至更长时间。在这项工作中，每个的持续时间优化间隔已被设置为15分钟。假设这段时间内的流量需求是静态的。所选择的15分钟的持续时间是由于优选较短的优化间隔，ATCS用于优化信号设置所需的计算时间以及不应该频繁发生的信号计划转换的负面影响之间的折衷。
该方法由两个主要模块组成。 第一个模块根据Fouml;rster（2008）的方法预测探测器计数。 它使用探测器计数的所谓空时模式。 这个模块以及一些小修改和一些第一个结果在第3节中介绍。
第二个模块根据预测计数估计上述OD矩阵和交易量。它基于分别以van Zuylen和Willumsen（1980）为基础的Wang（2008）和Friedrich and Wang（2006,2008）的研究。 他们的方法已经被采纳，审查并加强了对于在线控制策略的进一步修改。
为了生成可用于测试整个方法及其模块的人造数据，已经使用了广泛的微观模拟。 在对方法及其模块的详细描述的预期中，模拟研究的设置将在第2节中首先描述。一方面，示例网络有助于更好地理解模块的正确应用。 另一方面，当模块的性能呈现时，人工创建的数据将在第3节和第4节中提及。 因此应该清楚这些数据是如何产生的。介绍了增强方法，其几个步骤和一些结果。
本文结尾部分描述了第5节总体方法的实现情况以及第6节的一些结论。
- 通过微观模拟生成人造测试数据
用于测试预测和需求估算及其模块的必要数据是使用微观模拟软件Aimsun NG 5.1.8版制作的。 德国汉诺威市的一个城市子网络，有八个信号灯交叉口，两个行人灯和两个非信号交叉口已被选定和建模。 其图形如图1所示。配备有循环检测器的链接以粗体线突出显示。 交通信号前面的车道上共有55个探测器。 由于同时存在多个转弯运动和非信号交叉点的混合车道，因此一些转弯车流未被检测到。 该网络有九个来源和目的地。选择了71种合理的OD关系之间的路线。 在信号交叉口，真实的固定时间信号计划已经建模。
用于研究的交通需求是半疑问的。 根据现场实际测量结果推算出早晨峰值间隔15分钟和下午峰值间隔相同时间的OD矩阵。 在OD对之间的替代路线的使用百分比已经被手动设置，使得它们似乎合理并且同时在相应地将OD矩阵分配给网络时同样重现实际测量。 该研究的总交通需求包括56个连续15分钟的时间间隔，从早上6点开始到晚上8点结束。 间隔的OD矩阵是上述上午和下午峰值矩阵的线性组合，并以可接受的方式反映现场观察到的时间。
模拟了不同随机种子的30次重复，以每15分钟的时间间隔产生平均检测器计数，平均OD流量和平均路径和链路量。 此外，每个复制的数据都已经存在分开存放。 这些人工数据可以用于以下所述方法的深入测试部分。
- 预测探测器数量
3.1方法
在估计下一个优化区间的交通需求之前，必须预测作为估算过程约束的检测器计数。 用于此目的的预测技术是Fouml;rster（2008）提出的方法的一个稍微改进的版本。 他使用平均检测器计数的二维参考空间 - 时间模式来预测所有交易的交易数量，探测器在一个子网络中同时进行相对较短的预后20分钟。 参考模式来自过去收集的可用数据。 在数周或数月的特定时间段内，数据聚集成若干相关组（例如不同的平日，星期日，节假日），每个数据包含K天的数据。 每组的参考模式包括参考值qi; j ref，它们是特定检测器j的特定时间间隔i的所有计数值的平均值，因此：
因此，每个参考模式包含 倍个参考值。 一旦模式得出，它们可以用于未来预测探测器的数量。 确保最新的参考模式保持最新，不断推迟最新的计数，同时忽略过时的计数。
3.2.模块的性能
为了评估所描述的预测技术的质量，包括修改后的方法来确定最佳匹配子模式，使用了上述模拟生成的人工数据。 对于每个复制，每个时间间隔都记录了所有检测器计数。 与Fouml;rster（2008）相反，已经使用了15分钟的间隔而不是20分钟的间隔。 即使在每次模拟运行中将相同的定义流量需求输入到网络中，由于微型模拟器的随机行为，检测器计数也会在一定范围内变化。 记录的检测器计数因此可以解释为K = 30个特定工作日日常流量需求的样本。 基于这些样本的参考模式已使用公式.
然后可以使用人工数据分析每个模拟运行的“真实”探测器的计数效果。 如Fouml;rster（2008）所推荐的，先前时间间隔的数量N已经被设置为3，即当前检测器计数模式总共包括四个间隔。 预测不仅在下一个时间间隔T 1进行，而且在随后的时间间隔T 2进行。后一个时间间隔特别令人感兴趣，因为复杂的ATCS优化算法需要一些计算时间来生成新的参数设置。 在运行时，下一个时间间隔已经开始。 因此，不仅需要预测下一个时间间隔的流量需求，而且还需要预测下一个时间间隔的流量需求。
图2显示了使用任意选择的模拟运行的记录数据对区间T 1进行预测的结果。 它包括所有55个检测器和52个间隔的预测计数（N = 3，前四个间隔不能预测）。 左边部分显示了预测计数和相应的“真实”计数之间的比较。 由于参考模式由平均计数组成，因此由于方法的性质，预测的计数可能接近这些，所以图2的左侧部分将预测的计数与相应的间隔的平均计数进行比较， 考虑全部30次模拟运行。 可以清楚地看到，该方法可以很好地估计下一个预测间隔的平均检测计数，而与特定复制运行期间观察到的实际计数的比较揭示预测计数的降低但仍然可接受的质量。
与平均数的非常好的相关性不能掩盖这样一个事实，即在所有重复中不能完全避免系统的过度估计或低估。 然而，与识别参考子图案的原始方式相比，这种效果表1给出了所有52个时间间隔和全部30个重复的预测计数的质量的概述，即已经为每个时间间隔确定了所考虑的质量标准rxy，均方根误差（RMSE）和相对均方根误差（RRMSE） 的n = 30*52 = 1560间隔，基于相应间隔的55个预测探测器计数。 再次，实际计数和平均计数已被用作参考，并且预测已经在前一个和两个时间间隔内完成。 RMSE和RRMSE的平均值在所有1560个时间间隔内都达到了良好的平均值，但各个最大值显示某些时间间隔的预测计数遭受精度损失。 RMSE超过10 veh / h的区间百分比范围在0.38％和2.24％之间，具体取决于参考值和预测区间的数量。 观察到RRMSE超过0.2，所有区间的0.26-3.66％。
该表显示出一些不准确的地方仍然存在并且必须被接受。 它将在后面的第5.2节中显示，用作需求估计约束的不完全精确的预测计数是如何影响后者的。
4交通需求估计
4.1. 信息最小化模型
一旦预测到下一个优化间隔的检测器计数，它们就可以用来估计该间隔的即将到来的流量需求（即OD流量，路由和链路量）。 为此，信息最小化（IM）模型被用作这项工作的基础方法。 它已由van van Zuylen和Willumsen（1980）提出。网络必须被建模为由链路a（cp。图1）组成的有向图。 即时消息模型将这些链路中可用的流量计数用作估计的约束条件。 此外，假设部分
从原点i到目的地j的路线通过路段a是已知的。 基于这个输入数据和从一个历史矩阵中得到的流，所有起点和终点之间的所有当前流通过使用以下等式在一个迭代过程中被估计：
在每个迭代步骤中，根据实际和估计交通计数 之间的差异来调整具有交通计数的每个链路的比例因子直到两个匹配所有用作约束的链接。
4.2改善限制
在这项工作中，来自信号交叉口的探测器的预测计数被用作IM模型的约束。这些计数必须分配给图的相应链接。为了获得最佳评估结果，约束条件应尽可能详细。最详细的信息将是所有交叉口所有方向的所有车流（左，右，右）。然而，并不是所有交叉口的转弯流量都是独立测量或根本不测量。通常存在用于直通和转弯运动的混合车道，即只有两个运动的总数可用。为了增强从可用检测器计数获得的信息，在此提出了一种简单的迭代算法，其在没有检测器的链路上导出尽可能多的丢失计数。该算法要求图的所有节点只有一个输入链接和多个链接输出链接，反之亦然。因此，如图3所示的具有多个输入和输出链接的节点必须被分解成通过单个链接连接的两个节点，如果该图不满足该要求的话。只有一个输入和输出链接的节点也是不允许的，但无论如何它们是可有可无的。
采取以下步骤可以确定没有原始计数的所有链路，其原始流量qa可以准确推导出来：
步骤1：所有具有单个输入链接但没有计数的节点存储在集合N1中
步骤2：所有具有单个输出链路但没有计数的节点存储在集合N2中
步骤3：对于N1中的每个节点，输入链接上缺少的计数可以通过输出墨水计数的总和（如果这些墨水全部可用）来推导出来。 在这种情况下，节点将从集合N1中移除，并且如果适用，则将集合N中的输入链接的起始节点移除
步骤4：对于N2中的每个节点，输出链路上的丢失计数可以通过输入链路的计数总和（如果这些输入链路全部可用）得出。 在这种情况下，将节点从集合N2中移除，并且如果适用，则将集合N1中的输出链接的末端节点移除
步骤5：具有多个输入链接的所有节点（其中只有一个没有计数）存储在集合N3中
步骤6：具有多个输出链接的所有节点（其中只有一个没有计数）存储在集合N4中
步骤7：对于N3中的每个节点，可以通过从输出链路的计数中减去其他输入链路的可用计数（如果后者也可用）来获得其中一个输入链路上的丢失计数。 在这种情况下，如果适用，从集合N2或N4中删除已经派生计数的链接的起始节点
步骤8：对于N4中的每个节点，可以通过从输入链路的计数中减去其他输出链路的可用计数（如果后者也可用）来得出其中一个输出链路的丢失计数。 在这种情况下，从已设置的N1if中删除已经派生计数的链路的末端节点。
步骤9：如果在步骤3-8中没有（进一步）计数，算法停止。否则返回步骤3。
图4显示了应用于简单图的算法的一个例子。 最左边图像中的黑色链接分别对应于分别位于T形接合处和相邻接合处的单独转向车道或混合车道，所有接口都配备了检测器，因此具有计数功能。 通过多次应用上述步骤，可以导出所有缺失的交通流量，包括T形接头六个转向链路中的四个转向链路上所需的交通流量。 （在图4中，粗线表示在相应步骤中可计数的链接，因为现在这些链接具有派生计数，所以它们的链接颜色在下面的步骤中保持黑色，并且它们可以用于在其他链接上获得更多的计数）。
检测器计数和导出的链接量不能预期完全一致。 首先，预测技术并不完全精确。 此外，并非所有车辆都会以相同的时间间隔进入和离开网络，但是会连续进入和离开网络。 最后，感应回路仍然是城市地区最常见的检测器，已知易于测量误差。 由于IM模型需要优选一致的流量来对OD矩阵进行较好的估计，因此van Zuylen和Branston（1982）提出的方法在下一步应用于克服不一致性。 迭代算法平衡不一致的流量并发现链路量的最大似然估计。
4.3 消除冗余信息
van Zuylen（1981）描述了由冗余信息导出的IM模型的缺点。 他表明，图5中四个可能的OD对之间的流动估计结果取决于用于估计的链路数量而变化。 如果所有链接都有计数并用作约束，则找到第一个解决方案。 如果四条链路中的一条不作为约束条件，应该可以预计估计结果保持不变。 这不会减少可用信息，因为关于缺失链接的信息（无论选择哪一个）都是线性组合关于其余链接的信息。 但是，估计的结果根据省略的链接信息而不同。 因此，该方法要求用作约束的任何信息独立于任何其他使用的信息。 van Zuylen提出了修改原始IM模型来处理这种影响。
但是，仍然应该避免完全重复的信息。根据Wang（2008）和Friedrich and Wang（2006,2008）的说法，完全冗余的信息来自例如链接，其在节点处分成几个转折
全文共11383字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14327]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
