利用高粒度多源交通数据估算多年全天候起讫需求
系统与控制
2024-12-20 v1 机器学习
系统与控制
摘要
动态起讫（OD）需求是交通系统建模与分析的核心。动态 OD 需求估计问题（DODE）已被研究数十年，其中多数在典型日或若干典型小时上求解 DODE 问题。缺乏估算连续多日跨越数年（本研究称其为 24/7 OD）的高分辨率动态 OD 需求的方法。拥有多年 24/7 OD 需求将能更好地理解动态 OD 需求的特征及其在过去数年中的演变/趋势，这是交通系统演变与可靠性建模的关键输入。本文提出一个数据驱动框架，利用多年采集的高粒度交通流量与速度数据估算逐日动态 OD。所提框架使用 t-分布随机邻域嵌入（t-SNE）与 k-means 方法将每日交通数据按统计聚类为典型交通模式。提出一种基于 GPU 的随机投影梯度下降方法，以高效求解多年 24/7 DODE 问题。结果表明，该方法高效估算了萨克拉门托地区 I-5 与 SR-99 上 2014 至 2016 年每一天的 5 分钟动态 OD 需求。所得多年 24/7 动态 OD 需求揭示了区域内出行需求的日、周、月、季节与年度变化，暗示了多年来引人关注的需求特征。
引用
@article{arxiv.1901.09266,
title = {Estimating multi-year 24/7 origin-destination demand using high-granular multi-source traffic data},
author = {Wei Ma and Zhen and Qian},
journal= {arXiv preprint arXiv:1901.09266},
year = {2024}
}