|
马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。
您需要 登录 才可以下载或查看,没有账号?注册
x
动态OD矩阵用于描述随时间变化的动态交通需求,是动态交通分配(DTA)最重要的输入数据,也是进行动态交通管理最重要的基础数据之一。目前,通过大量交通调查获取该数据仍不够现实(尽管可以通过手机定位获取该数据,但涉及到个人隐私问题)。为此,通过路段交通量反推动态OD成为交通研究者关注的一个热点和难点问题。
即使对相对简单一些的静态OD反推,现实的难题是路段数量远小于OD对个数,通过路段交通流量的检测不能唯一确定OD,因此,必须提供先验的OD数据,如通过交通调查或者应用重力模型等获得。反推动态OD就更加困难了。现有的动态OD算法至少需要提供一个时段的先验动态OD信息。
几年前在学校做动态OD估计与预测的研究时,发现一个问题,那就是动态OD并不是静态OD的简单外推,它有和静态OD反推完全不一样的一些特征。对于某一个检测器,同一时段内属于不同OD对的车辆到达该检测器的时间是存在差异的,因为到该检测器的距离不一样。利用这个特征,可以获得比静态OD估计中更多的观测信息。当时,在用卡尔曼滤波算法估计动态OD时,曾用到现代控制理论中的能观性判据分析能否仅由检测器数据即可反推出准确的动态OD矩阵。结果是多布设几个检测器,确实可以获得比静态反推中更多的独立观测量。遗憾地是没有再深入做下去了。
最近了解到MIT ITS Program的博士生利用能观性判据,解决了利用递推最小二乘估计动态OD时的唯一性问题,这是一个很重要的结果。他们的结论是:
如果每个OD对之间的流量至少被一个检测器所量测,则经过足够多的时间段后,递推最小二乘的估计结果不会受到先验OD矩阵的影响;时间段的个数大致为OD对的个数除以检测器的个数。
也就是说,满足上述条件,不管先验的OD矩阵取什么值,动态OD估计结果都是一致的,可以认为就是真实值的近似。在Los Angeles大规模路网中,没有任何先验OD数据的情况下,他们确实获得了满意的结果。
[ 本帖最后由 水寿松 于 2009-4-29 14:50 编辑 ] |
|