交通网络中日际起讫点流动态线性模型的贝叶斯推断
应用统计
2021-05-26 v1
摘要
起讫点 (OD) 需求的估计在成功的交通研究中起着关键作用。在本文中，我们考虑基于交通网络中连续多日的交通量数据，估计时变的日际 OD 流。我们提出了一种动态线性模型 (DLM) 来表示 OD 流随时间的随机演化。DLM 是能够捕捉非平稳性的贝叶斯状态空间模型。我们考虑了 OD 流在路径间的分布与路段上交通量分配之间的层次关系。路径选择概率是通过基于过去路径成本的效用模型获得的。我们提出了一种 Markov 链 Monte Carlo 算法，该算法结合了 Gibbs 采样和前向滤波后向采样技术，以近似平均 OD 流和路径选择模型参数的联合后验分布。我们的方法可应用于拥堵网络，以及仅在部分路段有数据可用的情况。我们通过文献中的一个测试网络上的模拟实验说明了该方法的应用。
引用
@article{arxiv.1608.06682,
title = {Bayesian inference on dynamic linear models of day-to-day origin-destination flows in transportation networks},
author = {Anselmo Ramalho Pitombeira-Neto and Carlos Felipe Grangeiro Loureiro and Luis Eduardo Carvalho},
journal= {arXiv preprint arXiv:1608.06682},
year = {2021}
}
备注
22 pages, 8 figures