在在线需求估计中纳入出行链
数据结构与算法
2019-11-21 v3
摘要
时变起讫点（OD）需求流是动态交通分配（DTA）系统和实时交通管理的基本输入。本文引入了一种新颖的状态空间框架，用于在在线环境中估计这些需求流。具体而言，我们提出在状态空间公式中显式纳入出行链行为，并使用成熟的卡尔曼滤波技术求解。尽管现有工作已在在线需求估计问题中考虑结构信息和递归行为，但此类信息始终是在 OD 层面上考虑的。在本研究中，我们通过在该估计框架中显式表示出行链来引入此结构信息。其优势有两方面。首先，属于同一出行 tour 的所有行程可联合标定。其次，给定某一时间间隔内的估计值，无需运行额外仿真即可获得全天结构偏差的预测。所提方法的有效性首先在一个玩具网络上得到验证，随后在一个大型真实世界网络上得到验证。结果表明，相对于传统的卡尔曼滤波方法，该模型提升了预测性能。我们还表明，基于早高峰通勤的估计，该模型可用于预测晚高峰通勤，而无需运行额外仿真。
引用
@article{arxiv.1910.00400,
title = {Incorporating Trip Chaining within Online Demand Estimation},
author = {Guido Cantelmo and Moeid Qurashi and A. Arun Prakash and Constantinos Antoniou and Francesco Viti},
journal= {arXiv preprint arXiv:1910.00400},
year = {2019}
}
备注
copyright 2019. This manuscript version is made available under the CC-BY-NC-ND 2.0 license http://creativecommons.org/licenses/by-nc-nd/2.0 Article presented at 23rd International Symposium on Transportation and Traffic Theory, ISTTT 23, 24-26 July 2019, Lausanne, Switzerland