基于计算图利用多日交通数据估计概率动态起讫点需求

交通系统中的系统级决策需要理解路网流量的日常变化，这就要求对路网上的概率动态出行需求进行准确建模与估计。现有研究大多估计确定性动态起讫点（OD）需求，而忽略了需求和流量的日常变化。由于时空网络的复杂性以及高维问题计算量大，估计动态OD需求的概率分布具有挑战性。随着海量交通数据的可用性和先进计算方法的出现，本文开发了一个数据驱动框架，利用多日数据求解概率动态起讫点需求估计（PDODE）问题。本文使用并比较了不同的统计距离（如 lp-范数、Wasserstein 距离、KL 散度、Bhattacharyya 距离）来衡量估计交通状况与观测交通状况之间的差距，发现 2-Wasserstein 距离在估计均值和标准差方面取得了平衡的精度。所提框架被构建为计算图，并开发了一种重参数化技巧来同时估计概率动态OD需求的均值和标准差。我们在小型网络和真实世界网络上均展示了所提 PDODE 框架的有效性和高效性。特别地，结果表明所提 PDODE 框架可通过考虑需求变化来缓解过拟合问题。总体而言，所开发的 PDODE 框架为公共机构提供了一个实用工具，用以理解需求随机性的来源、评估路网流量的日常变化，并为智能交通系统做出可靠决策。