利用逐日交通数据对概率型起讫需求进行统计推断
统计方法学
2024-12-20 v1 数值分析
系统与控制
系统与控制
数值分析
摘要
近期关于不确定性与可靠性的交通网络研究要求对概率型O-D需求与概率型网络流进行建模。为充分利用多年来收集的逐日交通数据，本文发展了一个新颖的理论框架，用于估计O-D需求的均值与方差/协方差矩阵，并考虑由出行者独立路径选择引起的逐日变化。该框架还估计了路段/路径流及其出行成本的概率分布，其方差源于三个部分：O-D需求、路径选择与未知误差。该框架迭代估计O-D需求均值与方差/协方差矩阵，在统计学中亦称为迭代广义最小二乘（IGLS）。采用Lasso正则化以获得稀疏协方差矩阵，从而提升可解释性与计算效率。尽管概率型O-D估计（ODE）的解空间远大于确定型ODE，我们证明其对O-D需求均值的估计器不差于最佳可能估计器，其误差随样本量增大而减小。该概率型ODE在两个小型网络与两个真实大规模网络上进行了检验。在IGLS框架下解收敛迅速。在所有实验中，概率型ODE的结果令人信服、满意且计算可行。协方差矩阵估计上的Lasso正则化倾向于低估大部分方差/协方差项。适当的Lasso惩罚可确保估计偏差与方差间的良好权衡。
引用
@article{arxiv.1901.10068,
title = {Statistical inference of probabilistic origin-destination demand using day-to-day traffic data},
author = {Wei Ma and Zhen Qian},
journal= {arXiv preprint arXiv:1901.10068},
year = {2024}
}