文摘

最近的研究论文表明,使用基于车辆识别设备的安装技术允许我们解决交通网络可观测性问题的更有效的方式比用传统技术。这些设备的使用可能会导致一个更好的数据集的流动,因此,一个更好的交通流量的定义,这是至关重要的城市和地区的交通管理。然而,当前的方法针对网络建模和数据处理不完全适应的使用这些设备在获得必要的数据分析流量,使网络的预测。这是因为基本变量在模型中使用的数据板扫描(AVI的特定情况下传感器)组成的路线流动,而传统的方法都是基于链接的观察和/或叫做流。在这种背景下,本文提出了几种实用的贡献,特别是:(1)交通网络设计方法旨在使用板扫描数据来估计交通流和(2)一个算法为读者定位板设备减少路径枚举的不确定知识的影响。接下来,使用知名Nguyen-Dupuis网络灵敏度分析的影响进行了评估模型的不同参数对最终的解决方案。这些参数是考虑路线,简化网络的程度,可用预算安装设备。最后,该方法已应用于实际网络。

1。介绍

众所周知,估计叫做旅行矩阵,路线流动,和链接流实现高效的交通管理是至关重要的。许多作家处理这个问题,试图估计这些流量使用信息从传统渠道如交通计数(看到,卡斯蒂略et al。1,2)和Perrakis et al。3])或更多的创新来源的信息如手机和GPS数据(黄等。4),Ibarra-Espinosa et al。5],Moreira-Matias et al。6]),大数据(Toole et al。7寻]和et al。8]),或自动车辆识别(AVI)数据(卡斯蒂略et al。9傅,et al。10],Fedorov et al。11)等)。

杨等人指出[12),处理交通流量估计(不仅对短期预测,更广义的研究),经典统计方法被广泛应用,但同时,机器学习方法是非常有用的由于他们的很多优点,例如,适应性问题,概括,还有学习能力,这是非常重要的估计使用字段数据流量。例如,Sanchez-Cambronero et al。13)使用贝叶斯网络;白和陈14]使用神经网络;和他et al。15使用深度学习。在任何情况下,没有进入细节关于模型用来预测交通流量,进行这些流量分析静态和动态研究的技术人员需要两件事:一个好的表示交通网络和良好的数据集来模拟网络的路线和预测流动(Nigro et al。16])。这意味着最优数量和位置的传感器,可以收集这些数据必须确定。下一小节将介绍处理这些问题,以澄清概念和描述本文所面临的问题。

1.1。网络表示

交通网络是一对( ),在哪里是一组节点和是一组直接连接这些节点的链接。链接代表一个城市的街道,节点通常代表这些街道的十字路口。建立一个运输网络模型,网络必须考虑的两个方面(见谢菲(17):(我)与每个链接相关联的定量信息:这是不拥挤的旅游时间,旅游费用,停车的地方,大街小巷的数量,居民的数量,等等。每个网络连接与一些阻抗函数来自这些信息,对于一个给定的流,提供使用这个链接的“广义成本”(见,例如,间谍18],Huntsinger和Rouphail [19),或Mtoi摩西20.])。(2)图表示:图表示的作用是将一个城市的物理结构转化为一个模型的节点和链接。还需要一些简化:(一)划分成不同的交通区域:上下班的开始,例如,一个人的房子,最后是他或她的工作。模型对所有城市居民,这种情况需要成千上万的起源和目的地。因此,交通规划过程通常是基于一个分区的城市交通区域节点代表被称为“重心”的所有交通路线都假定开始和/或完成。他们代表的聚合所有实际的起源和实际的目的地在每个区域。一旦重心(因此定义集的起源和运动的目的地),在一个城市网络可以表达的一个叫做(OD)矩阵T,在那里t_ks是旅行的数量来自区k到最后区年代。(b)区域之间的联系和链接:每个区域(由其质心建模)加入了特殊的道路网络链接被称为“连接器。“这些链接是虚构的链接,不代表任何城市的街道。连接器的数量取决于城市的详细表示,但有时任意选择。

事实上,决定多少质心,然后多少连接器必须使用密切相关流估计误差。例如,链接直接连接到重心可能会导致不正确的流程和人工堵塞,或者最重要的是,这项工作的目的,得到的路线可能是不切实际的。

尽管重心的分布和连接器似乎至关重要的获得一个连贯的交通流量估计,它获得了有限的关注。为数不多的研究发现,曼21)提出了一个模型,每个区域分为分区,目的是减少作业错误;弗里德里希和Galster22)建议方法生成连接器基于微观几何特征参考场景;全和张23)提出了一个连接器优化算法来决定连接器的数量和位置,以最小化最大体积/容比在一个给定的网络链接通过改变连接器旅行时间的子集;和贾法里et al。24)使用一个上下两层的方法来分配每个质心需求对其附近的节点和边缘节点。其他交通网络建模方法提出了郝和杨(25),他们介绍了粒计算理论模型多层次交通网络的元素。

总之,以下的一些结论全和张23],建立运输模型的分布重心和连接器既是一个困难,一个重要的任务,因为有些问题可能出现在任何交通分配模型:(我)估计链接流变化极大地取决于连接器配置(2)如果网络模型没有很好地设计和连接器的旅行时间不明确,最终需求分配会导致解决方案使用连接器的绕过拥挤的链接,否则必须被使用(3)连接器太少往往会导致人工堵塞这些链接毗邻连接器(iv)由于连接器的路线开始,如果几个连接器设计,路线的设置可能是不现实的或未完成

到目前为止,我们还没有讨论使用传统方法预测交通流量,通常使用观察代表链接更新流,网络中的建模问题。然而,卡斯蒂略等提出的模型。26Minguez](然后延长et al。27]或Sanchez-Cambronero et al。13车牌识别作为替代方法)建议收集交通数据以来,该方法比传统方法更丰富,因此可以更有效地用于交通流量估计。其他作者,如周和Mahmassani [28刘]或et al。29日李]或et al。30.),还使用了基于数量的板自动识别的信息模型。

如果很少有人注意使用传统方法建立一个适当的交通网络,更少关注(我们的知识)已开发的模型构建一个适当的网络交通流估计使用plate-recognition-based数据,在路线流估计的关键变量(注意,这个过程只是一个可能的自动车辆识别技术还可以应用本文方法)。Sanchez-Cambronero et al。31日)解决这个问题,假设每个节点的网络可以旅行的起源和目的,构建了一个基于节点OD矩阵作为参考。与此,作者提出使用路径枚举算法构建一个“详尽的路线”( )节点之间的网络。然后,路线简化算法基于相邻节点生成的转移或吸引(引用)需求的节点生成或旅行吸引少于给定阈值( )。简化后的过程中,一套新的路线获得用于板扫描设备选址模型。然而,作者没有提到的标准来确定这些组叫做节点或方法建立详尽的路线,而在实践中,有两个网络模型设计的要点。本文将显示,处理这些问题。

1.2。交通流预测的设备位置

给定一个交通网络模型( ),设备位置交通流预测问题包括确定哪些子集应该观察到为了估计交通流在最可靠的方法。由于设备位置实现可靠流预测的重要性,许多作家的问题确定的最优数量和位置交通计数(见,例如,杨和周32),Ehlert et al。33],Gentili和Mirchandani [34),或力等。35])。大部分的模型与假设一组制定的路线和固定。然而,我们发现缺乏分析网络模型的设计(交通区、质心、连接器、链接等)影响这条路线枚举。

板位置模型识别设备研究了Minguez et al。27),卡斯蒂略et al。36),杨和太阳37),Sanchez-Cambronero et al。38傅,et al。10],和Gentili Mirchandani [39),等等。再次,所有这些作者假设一个给定的和固定的路线位置模型但不分析如何确定这些路线,更重要的是,如何将这些位置模型(以及由此产生的流估计)影响的不确定知识的路线。此外,注意设备位置问题没有唯一解,这种选择的影响后流估计非常相关的,重要的,因此值得深入分析。

1.3。本文的贡献

在上面的观点中,提出了一种两步方法导致以下贡献与一些先前的研究在同一主题:(我)我们建议(在第一步)交通网络设计方法(基于提出的一个Sanchez-Cambronero et al。31日)用于交通流量估计模型,使用数据收集的AVI传感器。这种方法是一种经典的建模网络使用全提出的质心和连接器和张(23]或贾法里et al。24]。注意,因为估计模型,使用这个字段信息从AVI传感器试图重建精度定义网络用户的路线,路线必须非常高。这是该方法的主要优点之一。(2)我们建议(第二步)一种新的启发式算法获得板扫描设备的位置的目的是为了获取最好的交通流量的估算结果。这种贡献的主要进步是处理不确定知识的网络线路。到目前为止,现有的模型(Minguez提出,例如,et al。27]或Cerrone et al。40)承担建模的路线和固定。然而,由于交通状况,提出了一系列扫描链接( )可以给一组观察到的组合扫描链接( )不同于预期的设置( )。因此,由于车辆实际使用的路线可能没有被包含在 ,其中的一些可能没有交集的路线吗 ,因此,观察流不能分配。为此,该算法扩展这组建模路线来一个更大的集合的路线,这样所有的组合与至少一个十字路口的路线。(3)我们提出一个感性分析来评估模型的不同参数的影响最终的解决方案。这种贡献是非常重要的,因为它可能给交通工具计划为每个参数决定哪些是最好的价值取决于特定情况下学习。

剩下的纸是组织如下:在部分2,网络线路的不确定知识的问题解释;节3提出的,该模型Sanchez-Cambronero et al。31日讨论和改进;节4,提出的算法描述和分析;部分5致力于执行模型参数的敏感性分析在解决方案使用知名Nguyen-Dupuis网络方法应用于一个真正的网络;最后,提供了一些结论部分6。

2。的影响不确定知识的路线交通流量估计的结果

车牌识别(如交通评估模型基于一个特定的AVI传感器)是基于识别链接的循环车辆在某些子集重建车辆路线或部分航线,从路线,开发部,和链接可以流动。如前所述,识别已成为一个有用的技术,因为它提供了大量的信息与其他常见标准提供的方法(其中,卡斯蒂略et al。26])。

为了说明所涉及的概念,6节点和18的简单网络链接,如图1,将被使用。让我们考虑一组参考路线 ,如图2(一)Sanchez-Cambronero et al。31日)提出了从一个获得这个集合k最短路径枚举算法使用一个基于节点OD矩阵(即。,假设every single node is able to be an origin and destination). In fact, with this, they tried to cover all possible feasible routes in the network although its route flow may be negligible (this paper extends this procedure in order to give more tools to obtain them). From this set, the method proposed by the authors is applied, and a simplified set(见图2(b))的路线。这组路线被认为是足够好的执行交通流分析,我们也认为这是现有方法将使用定位传感器和后评估。虽然的路线可能被认为是非常详尽的简化过程后,有一个巨大的不确定性这些路线代表是否可靠的路线由用户实际使用。

让我们用一个示例来说明。考虑到板识别设备安装在设置SL ={1, 2, 3, 4, 5, 7, 8, 9, 12日,13日,14日,15日,16日,17日}。这个信息和使用现有的方法,表1预计发达显示每组的组合(年代)的扫描链接( )每个路由的交集与一组 。现在让我们考虑,我们开发一个现场试验,即。,we install plate reader devices (or AVI devices), so we can obtain the associated observed flow(见表中的最后一列)。这意味着,例如,这些车辆中确定链接1和5(60.31在这种情况下)属于路线1。同时,车辆识别链接9和17(5.62)属于路线19。在这个例子中,(这不是一般情况下),每组年代与一个路线( )在集合 ,即。,it is expected that the observed flow能够得到所有的路线流动通过使用下列关系: 在哪里每组观察到的流 , 估计流在路线集吗 ,和关联矩阵的元素是route-scanned组合路线吗 ,= 1如果路线包含子集只扫描链接和那些,零,否则。因此,流动的联系可以计算如下: 在哪里流链接吗和是链接之间的关系关联矩阵和路线流动。

然而,假设相关的现场试验表明,新组的组合扫描链接除了这些表所示1,但在这种情况下,我们找不到任何交集的路线 。这组新的连同相应的观察流表所示2。举例来说,我们已经发现有车辆扫描仅在link 16(18.86)不匹配任何路线 。请注意, ,即。,the observed set of combinations of scanned links.

分配这些新组合,有必要寻找兼容的路线与新的扫描链接,例如,在集 。以简化加上新的给我们一个新的、更大的集合的路线(见图2(c))。换句话说,它是必要的完成线路一旦收集现场数据的集合。这样做,不确定知识的路线会减少。本文提出了包括本程序的位置改善预期的交通流模型估计的结果。

利用这最后的路线,它已经可以解决使用流估计问题在文献中提出的方法之一(见Minguez et al。27),用广义最小二乘法和Sanchez-Cambronero et al。13),使用贝叶斯网络模型)。

比较评估结果使用和使用设置 ,让我们定义链接相对绝对误差( )作为 在哪里和估计流和(假定)真正的流链接吗 。这些测量解决方案的质量应该计算在流动的联系因为链接的集合将保持不变,不管研究简化或在设置链接的数量吗(注意,路线的数量可能取决于现场收集的数据)。因此,一旦流的估计,可以计算的使用方程(3)。表3比较了拉尔估算后的路线流动使用的链接R与使用的路线 ,证明执行此计算的价值。

检查如果链接的估计流在整个网络来说是足够的,我们可以用根平均相对误差绝对值( ),定义为 在哪里在网络链接的数量。使用方程(获得的价值4)在本节中给出的例子是表的最后一行所示3。表明,尽管两组线路产生良好的流估计,当的路线使用,交通估计模型性能更好。

注意,这个问题并不是唯一的解决方案中包含的链接但构成一个特定的解决方案通过一个优化问题(见,例如,卡斯蒂略et al。36])。利用这一事实,提出了一种启发式算法找到设置这最小化了获得使用方程(4),提供了最佳的路线,能够代表整个网络中的交通流。

3所示。讨论和改善Sanchez-Cambronero et al。31日)模式

现在让我们改变网络用于知名Nguyen-Dupuis网络图所示3这将被使用。它由13个节点和38个链接。让我们假设,有一个参考水平需求,我们使用的数据研究,传统的方法是使用。图3显示了网络分为4个区域以及与其相关的术语叫做(OD)矩阵和交通链接参数(BPR函数参数和吸引和生成能力)将使用和解释在下面。

作为讨论的部分1,利用质心作为聚合的起源和目的地确定区域内意味着流估计误差。发生相同的使用连接器(见全和张23])。因此,连接器的数量和位置和重心应该仔细确定由于他们在交通流量估计可能会导致错误。

试图解决一些问题,Sanchez-Cambronero et al。31日)提出了一个模型,允许设计一个交通网络,最小化的负面影响质心和连接器的使用,取而代之的是“起源节点”和“目标节点”,这样所有起源和旅行目的地分配给这些节点的网络按照车辆路径和网络形状。这方面的一个应用程序可以观察到在图4。假设一个车辆实际执行之旅显示在图4(一),其真正的起源是在链接34,其真正的目的是在链接5。这种方法假定每一个工具都有它的起源在第一个节点的旅行。在这个例子中,节点1是第一个节点,所以它是原点节点(见图4 (b))。同样,目标节点是最后一个节点,在经过的车辆;在这个例子中,最后一个节点的路由节点3,所以这是目的地节点。这导致路线最终纳入交通模型。请注意,这次旅行是470次,从3区1区(见图3和4 (b)),并根据连接器的选择,这次旅行的道路可能会错误地定义,如果使用传统方法基于质心和连接器。

3.1。术语叫做节点的描述

根据上述假设,网络的每个节点将产生或吸引旅行取决于相邻链接的特点,即。根据相邻的能力,吸引并生成旅行(即链接。、在街道上的停车位数量的私人停车位,数量等)。这可以量化的联系的能力为了吸引旅游, ,并生成旅行,(类似的假设是在征税和纳森(41])。然后,计算每个节点的能力如下: 在方程(5)表示节点的能力为了吸引旅游,根据相邻链接离开节点的能力( ),与方程(6)表示节点的能力根据相邻的能力来生成旅行到达节点的链接( )。这样的能力值为每个链接网络图所示3。

然后,根据这些能力值,可以获得的比例产生的总旅行吸引和区开始或结束节点 。为此,我们提出以下表达式: 在哪里和这些比例如图所示吗5的情况下与Nguyen-Dupuis网络示例。

获得的值使用方程(7)和(8),旅行的数量之间的关系由出发地和目的地之间的节点和旅行的数量使这些节点所属区域之间可以建立如下: 在哪里从节点是旅行的数量吗到节点和是旅行的数量通过一个过时的OD矩阵(参见图吗5)。

这一步的完成需要一个新的OD矩阵的定义所定义的节点之间旅行,而不是一个矩阵定义的区域之间的旅行。这意味着,在这个例子中,使用Nguyen-Dupuis网络矩阵与8 OD流在这一步转变成一个矩阵与84年OD流(注意,简化过程提出了将减少这个数字的OD流。这个过程将在下一节中解释)。这可能被视为一个缺点,但注意,这样的简化过程提出了Sanchez-Cambronero et al。31日),与连接器的使用相关的问题可以面对更好。此外,板扫描技术的关键变量模型的路线流动(不是OD流),其数量应该为两个几乎相同的OD矩阵。

3.2。详尽的路线的定义

网络路径枚举是一个要求开发一个模型基于板扫描数据,因为它需要两个流量估计和设备的位置。这意味着,在这个阶段,我们需要一套详尽的路线 。构建这一组,我们建议寻找k最短路径的延长OD矩阵。尽管交通规划者通常推荐使用k=3和丢弃路线有超过1.5倍的最短路径(见,例如,谢菲(17]),在4.1节中,灵敏度分析各种合适的值k将被执行。

3.3。网络简化和路线的集合

作者提出的简化过程的目的是转移到相邻节点生成的或吸引需求的节点生成或旅行吸引少于给定阈值( )。这是一个好方法避免问题来自连接器的使用因为简化过程的起点是一组路由建立基于真实网络的物理特性,而不是基于人工链接和连接器的定义。在下一节中详细描述处理过程得到简化的路线 。

4所示。该算法

在本节中,我们提出的两步算法,使我们能够确定交通流网络使用和AVI设备执行交通流的位置估计。输入:(我)网络模型:集的链接和的节点和链接参数和(2)成本和简化过程流阈值( )(3)链接的能力吸引和生成旅行( , )(iv)数量的旅行基于网络的区域通过一个过时的OD矩阵(v) 设置为10的一个初始值设置为最多1000次迭代进行

步骤0:获取参考路线:(我)获得一个新的扩展矩阵旅行的数量从节点到节点在2.1.1节使用描述的过程。(2)找到k使用扩展矩阵得到最短路径组参考路线( )与各自的参考路线流动例如,可以通过使用MNL随机用户平衡(见,例如,谢菲(17)和Sanchez-Cambronero et al。42])。步骤1:网络简化:获得的简化网络使用的绿色部分算法如图6。它允许我们决定哪些节点可以出发地/目的地,基于需求的阈值流F_用力推建立了交通规划师。简化过程结束时,不存在任何节点符合简化判据。步骤1.0:初始化:初始化的简化的路线的详尽的设置 。步骤1.1:搜索需求最少的节点:算法搜索节点两种情况下的低需求:起源和目的,即。,至少 或 。步骤1.2:检查简化判据:一旦确定了候选节点失去其出发地/目的地条件,它检查它是否符合简化标准建立,即。,如果 ,步骤1.3。别的,继续步骤1.5。步骤1.3:需求传输:如果候选节点能够失去OD条件,即。,其OD需求低于阈值 ,然后这种需求有其来源或目的地的可能性在其他节点网络的评估。传输将越接近路线当且仅当每个节点的节点可以接收或发射需求在一个较短的距离 ,和相关路线必须相应修改。否则,候选节点和需求将会消失,和路线的集合将重塑(见Sanchez-Cambronero et al。31日更多细节)。步骤1.4:设置路线的更新:更新的路线及其对应的流量值 。步骤1.1。步骤1.5:步骤1和步骤2:输入输出结果应用的简化算法,我们将获得一个新的路线从最初的设置由于删除和re-enumeration参考路线。同时,流动的路线这个新的集将被更新。继续第2步。步骤2:位置和估计问题:AVI装置定位问题是一个复杂的问题,没有一个独特的解决方案。在这一步中,我们假设模拟“真正的流动”为了获得的值观察流这取决于设备的位置。算法的这一步的主要目的是获取扫描链接的集合的子集让最好的估计。实现这一目标,整合到一个优化问题的算法。这个问题是基于先前Minguez问题研究等。27]或Cerrone et al。40),但是作为一个改善,我们有一个新的限制,研究不同选项的设备位置为了评估他们导致流估计的最佳解决方案。步骤2.1:扫描设备定位问题:问题是制定扫描设备位置

受

目标函数(10)最大化方面的观测路线流动 ,这是参考流经路线 ; ,从理论上讲,是一个二进制变量等于1如果路线可以区别他人,0,否则;然而,加快模型,它将作为连续变量 (Minguez et al。27])。约束(11)满足预算要求,如果链接是一个二进制变量等于1呢扫描和0,否则。这个约束保证我们会扫描与成本之间的关系链接不超过既定的预算有限 。约束(12)确保任何杰出的路线包含至少一个扫描链接(出于这个原因,他们通常称为覆盖约束)。这个约束是用参数表示 ,这是发病率link-route矩阵的元素。约束(13多样化的约束。他们表明,路线必须有别于其他路线至少在一个扫描链接吗 。这种情况如果(我) 因为1如果链接一个被包含在问或在问1(不)和0,否则。(2) 因为车辆使用问和问1使用相同的链接,但在不同的订单1如果链接一个和b都是在路线问和问1,但他们出现在不同的顺序。注意,如果 ,约束(13)总是持有。这些约束条件考虑的定义问>问1, 避免了大量的路线的比较不常见的链接,生成的一个重要的减少计算时间。这是重要的分析过后网络和通常是被遗忘在很多报纸,例如,在卡斯蒂略et al。9,43)和Cerrone et al。40),等等。约束(14)是二进制变量间的逻辑约束x_ab来z_一个和z_b(见Cerrone et al。40])。最后,由于该模型是一个迭代过程的一部分,我们建议额外的约束(15)。生长是一个矩阵的迭代次数,反映了每一行的准备好了吗造成每次迭代,然后进行模型的方式1如果链接一个提出了被扫描提供的解决方案中迭代和0,否则。这可以确保每个迭代使以前的解决方案,不允许重复一个解决方案在未来的迭代过程。即每次迭代算法进行的被迫寻找不同的解决方案与目标函数的值相同(10)。步骤2.2:模拟测试(“真正的”)数据和定义的新路线 :为了测试解决方案的质量,我们模拟了“真实”的路线数据进行描述的过程部分1。3通过新的组合扫描的链接 ,观察到的子集(获得的步骤2.1),搜索兼容组合为这些新观察到的路线和形式的观察组组合扫描链接( )最后获得组所有可用的路线。乘以每个获得的真实数据步骤0扩展矩阵的一个随机数U(0.8 - -1.2)和执行一个MNL苏分配到一个k最短路径枚举集使用k= 7。从这组“真实”的路线,我们获得 ,在哪里 。步骤2.3:测量的质量和更新的解决方案:一旦我们有了和“流”(注意,板扫描设备也让我们观察流链接的链接 ),交通流可以进行估计。正如我们已经部分所示1。3,可以通过几个数学方法。在本文中,我们使用了一个广义最小平方法如下:

受 在哪里和矩阵的逆阵variance-covariance对应流路线和观察到的流一个分别每组观察到的流 , 集的估计流动路线 ,和关联矩阵的元素是route-scanned组合相应的路线吗 ,也就是1如果路线包含子集扫描的链接,只有那些和0。交通估计,一个可以比较的质量结果的链接流使用方程(3)。如部分所示1。3的量化误差是由使用链接流动的结果,因为这些保持不变的设置在所有的迭代算法。此外,使用方程(4)允许我们检查全球网络建模的质量。为每个迭代算法,进行的价值评估对最好的价值 。如果 ,然后该算法更新 并考虑扫描链接的集合最好的解决方案了,迭代。如果 ,然后该算法更新→第2.1步;否则,返回的解决方案最好的解决方案。这一步的完成过程可以观察到右边的图6。

5。一个模型的敏感性分析结果

5.1。Nguyen-Dupuis网络

在本节中,一个模型的灵敏度分析结果根据一些参数的值。特别是,我们使用Nguyen-Dupuis网络如图4的影响,我们进行了分析(i)的路线方面的部分知识k价值获取参考路线,(ii)网络简化的程度 ,和(3)可用的预算定位AVI设备。

比较的目的,被认为是一组初始值,然后应用算法。作为基础的情况下,假设 (因此,安装摄像头的数量是16),和阈值流简化网络所需的方法(步骤1图6)是50。在所有情况下,研究网络参数对不同的链接,如图3保持不变,整个迭代模型进行的。

5.1.1。影响部分知识的路线

执行这个分析,路径枚举算法被用来检查考虑的影响路线在每个OD对参考集 。这里使用的算法是基于日圆 - - - - - -最短路径算法(日元44])。该算法引入到模型初始参考路线矩阵根据价值的大小而变化 。然后,在步骤1中,如图6参考路线矩阵简化 ,考虑到 ,即。,those nodes which attract or generate flow which is below 40 lose their OD condition, its demand is transferred to other adjacent nodes, and the corresponding routes are grouped and hence simplified. This reduces the set of routes问在模型中使用,(10)- (15所示),第三列的表4。

众所周知,枚举的路线来解决这个位置问题至关重要。在这个分析, - - - - - -最短路径用于生成每一对节点之间的路由,但是它可能存在其他路线(实际使用的车辆),他们没有被考虑在模型中(这就是为什么“真实情况”模拟使用k= 7)(见部分1)。在这种敏感性分析,一系列的值 ,通常用于这种交通分析,已经选定,值吗k= 3或4(欧维斯et al。45])。尽管值如k= 5,6或7很少用于列举路线(Bonsall et al ., (46];Hazelton, (47]),因为它是不正常的,它的存在这样的路线为每个O-D一对,因为它增加了计算时间和复杂性的问题,我们已经检查了其影响的简单的例子网络。根据一些作者,一个值不到2 - 3将不合理在处理这种类型的模型(谢菲(17])。

图7显示的进化所有迭代执行,考虑到不同路线由每个OD对构造的路线 。实线代表与该算法获得的结果。线的每一步表明,新的解决方案已经发现,比前面的最佳解决方案,即:较低的, 。正如预期的那样,更好的为更多的全球解决方案被发现k(更多的参考路线 )。

还请注意,第一个解决方案在所有情况下提供了最糟糕的结果,改进的迭代过程,对应于与之前的模型相比前进了一步。请注意,Minguez模型等。27]或Cerrone et al。40)用一组固定的路线(让我们说 ),所以他们估计会比第一个迭代中提供的一个因为他们不工作的改进 。在任何情况下,为了明确调查,我们提出应用步骤2但路线的设置假定固定,也就是说。,假设 在任何情况下。在图中给出的结果,虚线7显示,该模型明显优于其他方法的估计。这种差异更明显低的值k因为不同的路线而在更大。

此外,更高的改进降低RMARE 100 - 200年发生在第一个迭代和保持几乎不变的(较低的步骤)到实验的最后。

分配不同的价值观的影响在第二列的表吗4。时的值增加,线路的数量也增加了。第三列收集路线出现的数量参考集简化后的简化算法。最佳解决方案的应用算法后,第四列显示了添加路线兼容的数量集。第五列显示路线中最后的总数 。

的确,最后一列的表4表明我们能够reinclude许多航线是获得 。

总之,高值收益率较低的错误由于存在更多的航线,这意味着更多的信息是用于估计问题;然而,不同的最终解决方案的质量不是非常大。这意味着,对于大型网络,较低的值k可以选择以避免问题计算成本,因为算法可以使用较少的路线在每个迭代中。

最后,从结果如图7我们确认,其他作者注意到,值k= 3或4是一个合理的选择,因为错误估计的流动而言,它提供了类似的结果,模型与每OD对更多的航线,如k= 6或7。

5.1.2中。阈值的影响流( )

网络简化的程度在步骤1中实现该算法的阈值取决于需求和成本。这些值的定义将决定设置路线的总数 ,从简化获得参考集 。

在参考路线的设置不是简化,即。,与一个null threshold flow, the algorithm operates with no simplified network and, therefore, with the same number of routes as that in the reference set. When the threshold flow increases, however, the network will be simplified according to the defined flow value. For the network model studied in this paper, different values of threshold flow have been considered. Following the conclusions drawn in the previous section, this analysis was carried out usingk= 4(即。,the number of routes in162年),B= 16了。

的值的影响本文认为在路由设置的大小反映在第三列的表5。如果更高的值被认为是,路线对引用的数量减少;因此,线路的数量是小,一旦安装在网络摄像机,一个更大的新航线的数量吗将会出现(从9增加了路线 与 )。在设置较低数量的路线具有重要的优势而言,计算成本解决定位问题(10)- (15)。还请注意,由于OD矩阵配置(见图5相同),简化过程导致了最终的网络= 40 50。为了便于说明,表中6和7显示一组简化的路线和简化的OD矩阵

图8显示获得了不同情况下表所示5。最小的量化误差链接流对应于一个没有简化,如预期。错误的价值对于剩下的场景增加价值的阈值流用于简化步骤,再一次,更高的错误发生在第一个改进的迭代算法。

重要的是要指出,尽管上述事实暴露,所有病例的结果类似的错误。这是由于简化算法总是保持高的路线参考流用于问题(10)- (15)来定位设备。因此,这将导致较低的估计错误,因此一个更好的性能。

为了与现有模型相比,图8也显示了进化的 ,保持的路线在估计过程中为常数(即。,设置 所有的情况下)。在这种情况下,该模型优于现有的估计模型。

5.1.3。影响可用的预算

交通流量估计而言,网络上安装设备的数量可能是最重要的因素来考虑,更多的如果一个评估网络的不寻常的可能性获得完整的可观测性。

一些作者提出了两个版本的扫描设备位置问题:整个flow-observability问题和部分flow-observability问题。在第一个版本中,给定一组的扫描链接 ,方程系统是完全可观测的,系数矩阵满秩,和没有必要估计感兴趣的流动。在第二个版本,给定一组扫描链接 ,所有流的方程系统不是可观察到的变量(Gentili和Mirchandani [34]),由于设备安装的数量的局限性,因此没有满秩系数矩阵。在任何情况下,线路的部分知识的影响,分析了在文献中得到了非常有限的关注。

分析,数的值已引入的选址模型,这样影响设备安装的数量可以分析的量化误差的估计。在这种情况下,我们已经开发出分析假设k= 4,

图9比较的进化为不同的值 。正如预期的那样,情况下具有更高的预算值比其他情况下表现出更少的错误。,the error increases, while the value of the budget decreases. Here, a comparison with the results of the existing methods is also provided to show the improvements achieved using the proposed model.

表8显示添加路线设置的数量根据可用的预算不断简化和k。有趣的是,更多的安装设备,增加线路的数量也更高。这意味着交通规划师可以执行严重简化网络(更高 )如果设备安装的数量更高。这导致一个更好的算法的性能虽然预期的估计结果也会满意的。

5.2。城市真正的网络

在本节中,我们说明了该方法的应用过后网络。特别是,我们已经适应之真实网络中使用卡斯蒂略et al。1和欧维斯et al。45]。这个网络有218个链接和105节点和共分为20交通区,380年原始矩阵OD对(见图10)。在应用中暴露的方法部分3,10374年扩展的OD矩阵是由基于节点OD对。在那之后,k最短路径进行了假设k= 3,丢弃路线有超过1.1倍的最短路径,导致18630路线在集合 。然后,该算法已经应用假设B= 50, ,和 ,和产生的路线的数量表所示9。注意,生成的路线的数量在应用该算法在同一数量级,再次导致好的结果在所有情况下。图11显示的进化Nguyen-Dupuis网络表现出相同的趋势。

6。结论

提出了一种两步方法,可能有重要的优势从实用的观点与现有的方法相比,预测交通流量使用板扫描数据。

在第一步中,交通网络建模的新方法,不使用重心和连接器。问题源自这些工具的使用是众所周知的,在一些研究和项目进行了分析。相反,该方法是一个重要的一步从实用的观点,因为它定义了一个网络节点之间的更多细节,以便位移(即。网络线路)有一个更好的定义,也不导致人工堵塞链接。同时考虑使该方法符合板扫描获得的数据的具体情况AVI读者。

在第二步中,提出了一种启发式算法面对不确定的或部分的路线是必不可少的知识的正确应用板扫描技术或其他AVI-based方法。尚未制定,一个迭代过程,获取设备位置期待最好的结果的链接流估计。该算法提高了预期流量估计质量相同的值目标函数用于其他论文的文献中找到。此外,减少达到前300 - 500年的迭代算法。这种改善的原因之一是公司新航线的估计模型一旦字段数据被收集。这填补了缺口的现有方法,因为他们没有提到如何处理的扫描工具扫描模式与建模路线不匹配。

最后,评估算法的不同参数的影响最终的解决方案,我们有使用知名Nguyen-Dupuis网络进行了敏感性分析。特别是,(我)我们通过改变参数进行分析枚举的过程中k设计网络的节点之间的最短路径。它已被观察到的高价值允许更好地估计流RMARE较小。然而,一个高值需要处理大量的网络线路,也有一些计算成本主要是在位置优化问题。小该参数的值可以避免这个问题,我们已经证明的质量解决方案类似于解决方案获得更高数量的路线。这是因为公司的航线估计模型一旦收集现场数据。板的灵敏度分析进行确认,扫描技术,的值3和4之间的一个可接受的值(由几个作者)支持这种类型的模型。(2)分析测试的含义进行网络的简化已经完成通过消除那些需求低于阈值定义的OD-pairs流值 。同样,不同的值的情况下研究已获得的RMARE几乎相同的解决方案。这意味着中低程度的简化会导致一个好的网络模型的最终评估过程以及算法的性能。(3)通过验证,预算或数量的AVI设备上安装网络评估结果有很大的影响。所有的案例研究,设备的数量已经严重影响了新的路线和集的数量因此质量的估计错误。正如预期的那样,网络上增加安装扫描设备的数量将产生更好的可观察性和更好的估算流动,因此关于航线(包括在设置的更多信息),在使用中不发生有限数量的设备。

最后,方法也被应用于过后网络。尽管,观察到更高的改进解决方案300 - 500发生在第一个迭代,导致一些改进的算法进行了大量的迭代。感兴趣的是找到一个方法,可以获得扫描链路群的最佳解决方案在早期的实例或迭代以避免计算迭代可能带来不必要的成本。这个观察应该更详细地调查,在未来的研究中,使用先进的工具的启发式优化和机器学习提出了提高效率的操作时间短的寻找解决方案。

数据可用性

所有的数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由西班牙经济和竞争力与项目tra2016 - 80721 r (AEI /菲德尔,问题)。同样,作者承认米格尔腐肉(castilla -拉曼查大学)教授和大学提供技术人员的计算机资源。