详情

原文传递基于车辆号牌识别数据的城市路网车流OD不确定性估计

论文题名：	基于车辆号牌识别数据的城市路网车流OD不确定性估计
关键词：	城市路网;车流估计;不确定性;车辆号牌识别数据;贝叶斯神经网络
摘要：	路网车流 OD 估计是研究交通供需关系以缓解城市交通拥堵、交通安全和交通污染问题的核心内容，也是城市道路交通管理与服务智能化的关键支撑。既有路网车流OD估计方法鲜有考虑交通变量本身的不确定性以及交通分配过程的不确定性，存在容易过拟合、对数据质量要求较高、实时车流 OD 不确定性估计研究不足等问题。卡口式电子警察设备在城市中心区域覆盖率高，其较高的设备采样率和识别率可以有效捕捉渗透率较高的车辆轨迹，为车流 OD 不确定性估计提供重要数据支撑。人工智能、大数据等新兴手段为解决路网车流 OD 不确定性估计问题提供新思路、新路径。本研究以车辆号牌识别数据为基础，利用贝叶斯神经网络与计算图方法进行城市路网车流OD不确定性估计，包括搭建车流OD不确定性估计框架、设计框架求解流程（包括历史、实时两个方面）以及分析估计结果的准确性与可靠性三方面内容，具体内容如下：　　针对车流 OD 估计方法存在的问题，论文搭建了基于贝叶斯神经网络与计算图（以下简称“贝叶斯计算图”）的路网车流 OD 不确定性估计框架。首先研究了车流OD不确定性估计过程在贝叶斯计算图框架上的逻辑关系与表征方式；其次按照真实路网上车流的产生和分布规律，根据车流分布、路径选择、流量汇聚等过程，设计了 3个物理层级，即车流 OD 层、路径流量层、路段流量层；最后根据实际路网信息搭建了关键层级之间的映射关系，实现了车流 OD 层与路径流量层、路径流量层与路段流量层的精准映射，使所搭建的框架更容易捕捉车流在路网上的实际分布情况。　　基于搭建的城市路网车流OD不确定性估计框架，设计了框架的历史OD不确定性估计求解流程和实时OD不确定性估计求解流程。历史车流OD不确定性估计流程包括两个步骤，首先将历史车辆号牌识别数据得到的样本 OD、样本路径流量和样本路段流量输入框架，可以得到一组样本数据的训练参数，进而，将得到的参数结合从车辆号牌识别数据提取的历史路段流量输入框架，可以得到历史车流 OD 的均值和分布区间；实时车流OD不确定性估计以历史同时段OD和路径流量、前若干时段OD和路径流量、实时路段流量为输入，框架学习后可以得到实时车流 OD 的均值和分布区间；基于贝叶斯反向传播算法以及变分推断方法，构建了适用于车流 OD 不确定性估计框架的损失函数。　　面向昆山市中心区域的实例路网，评估了车流 OD不确定性估计框架的准确性和可靠性。首先确定了贝叶斯计算图框架各层的神经元个数，选取平均绝对误差指标，利用网格搜索法对框架求解过程中的可调整参数进行了标定；其次选取平均绝对百分比误差指标、均方根误差指标、GEH 指标分析了历史车流 OD 不确定性估计结果和实时车流 OD 不确定性估计过程的路段流量分配的准确性；最后选取无效覆盖率、置信区间宽度指标，评估了历史车流OD不确定性估计结果和实时车流OD不确定性估计过程路段流量分配的可靠性，结果表明，本研究提出的基于贝叶斯计算图的路网车流 OD不确定性估计方法能够在保证较高准确性的基础上，有效量化历史与实时车流 OD 估计过程中的不确定性，同时也能满足OD估计的实时性要求。
作者：	成岷
专业：	交通信息工程及控制
导师：	夏井新;王树盛
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022