基于車輛自動(dòng)識(shí)別技術(shù)的動(dòng)態(tài)OD 矩陣估計(jì)新方法

孫 劍，馮 羽

（同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海201804）

車輛出行OD（origin－destination）是交通系統(tǒng)規(guī)劃、設(shè)計(jì)及運(yùn)行管理的核心基礎(chǔ)信息.傳統(tǒng)的OD 矩陣獲取方法是進(jìn)行大規(guī)模的車輛出行抽樣調(diào)查，為了避開出行調(diào)查技術(shù)困難、經(jīng)費(fèi)巨大及耗時(shí)長的問題，基于交通檢測(cè)信息的OD 估計(jì)理論一直是研究的熱點(diǎn).自1978 年Van Zuylen 和Willumsen首次運(yùn)用極大熵理論通過檢測(cè)路段交通量來“反推”O(jiān)D矩陣以來，OD 估計(jì)研究已經(jīng)有30余年的歷史.估計(jì)方法包括最小二乘法、狀態(tài)空間模型以及信息論方法等［1－3］.

隨著信息檢測(cè)技術(shù)的迅速發(fā)展，交通信息采集技術(shù)已經(jīng)迅速從以環(huán)形線圈為代表的“斷面型”檢測(cè)技術(shù)向“廣域”的車輛自動(dòng)識(shí)別技術(shù)（automatic vehicle identification，AVI）轉(zhuǎn)變.AVI技術(shù)包括視頻牌照自動(dòng)識(shí)別技術(shù)、基于高精度GPS的車輛定位技術(shù)、路側(cè)信標(biāo)與車輛通信識(shí)別技術(shù)等，其核心是可檢測(cè)車輛ID（車牌號(hào)）、通過時(shí)間以及車輛位置等信息.伴隨著AVI技術(shù)的應(yīng)用，國內(nèi)外學(xué)者對(duì)AVI環(huán)境下的OD 估計(jì)進(jìn)行了探索，國外Dixon［4］等通過擴(kuò)展卡爾曼濾波模型，同時(shí)將交通量和AVI之間的行程時(shí)間作為觀測(cè)變量對(duì)車輛OD 進(jìn)行了估計(jì)；Zhou［5］在利用非線性最小二乘估計(jì)中考慮了行程時(shí)間影響；Barcelo［6］等通過車載藍(lán)牙信息預(yù)測(cè)行程時(shí)間，并將之引入卡爾曼濾波進(jìn)行OD 估計(jì).國內(nèi)Deng［7］等通過整合3S信息資源進(jìn)行動(dòng)態(tài)OD 矩陣的研究；陳大山［8］等將神經(jīng)網(wǎng)絡(luò)嵌入到卡爾曼濾波中進(jìn)行動(dòng)態(tài)OD 矩陣研究.然而上述方法仍然存在如下問題和挑戰(zhàn)：

（1）對(duì)于AVI環(huán)境下的動(dòng)態(tài)OD 估計(jì)，目前的方法仍然是通過對(duì)經(jīng)典OD 估計(jì)模型進(jìn)行改進(jìn)，加入AVI檢測(cè)時(shí)間信息來提高OD 估計(jì)精度.事實(shí)上，AVI檢測(cè)的路徑信息對(duì)OD 估計(jì)的精度至關(guān)重要.

（2）OD 估計(jì)不僅與網(wǎng)絡(luò)拓?fù)洹⒙范瘟髁肯嚓P(guān)，還與先驗(yàn)信息的精度有密切的關(guān)系，以往的研究通常都假設(shè)已獲得可靠的先驗(yàn)信息來推算OD，未對(duì)不同質(zhì)量的先驗(yàn)信息環(huán)境下估計(jì)算法的實(shí)用性和可靠性進(jìn)行精細(xì)化分析.

（3）在實(shí)際路網(wǎng)中，受投資預(yù)算、安裝條件、AVI識(shí)別率等多方面的影響，AVI檢測(cè)精度和覆蓋率都有一定限制.如何在有限精度／覆蓋的檢測(cè)條件下獲得較高精度的動(dòng)態(tài)OD 矩陣是一個(gè)巨大的挑戰(zhàn).

針對(duì)上述問題，本文在文獻(xiàn)［9］靜態(tài)OD 估計(jì)的基礎(chǔ)上，引入AVI檢測(cè)的部分路徑信息、動(dòng)態(tài)行程時(shí)間信息以及檢測(cè)器可測(cè)性（measurability）判據(jù)，通過改進(jìn)的粒子濾波算法，從微觀的視角對(duì)路網(wǎng)中任意車輛的起迄點(diǎn)以及進(jìn)入路網(wǎng)的時(shí)間進(jìn)行動(dòng)態(tài)估計(jì)，然后將路段AVI檢測(cè)流量作為輔助參數(shù)校正OD 估計(jì)結(jié)果，進(jìn)而獲得較高精度的動(dòng)態(tài)OD 矩陣.

1 動(dòng)態(tài)OD估計(jì)流程

文獻(xiàn)［9］靜態(tài)OD 估計(jì)的方法是以AVI檢測(cè)的流量和路徑信息為基礎(chǔ)，基于貝葉斯估計(jì)理論修正更新路段－路徑流量關(guān)系，確定可能路徑以及OD.若要進(jìn)行動(dòng)態(tài)的OD 估計(jì)，還需要解決車輛進(jìn)入路網(wǎng)的時(shí)間判斷、不同時(shí)段的動(dòng)態(tài)行程時(shí)間以及車輛路徑估計(jì)問題.本文的方法是以車輛路徑信息、車輛到達(dá)時(shí)間信息為基礎(chǔ)，基于檢測(cè)器可測(cè)性判斷依據(jù)，通過迭代更新貝葉斯算法來縮小車輛缺失路徑搜索范圍，修正可選路徑的后驗(yàn)概率；同時(shí)在行程時(shí)間快速預(yù)測(cè)方程基礎(chǔ)上確定任意車輛的路網(wǎng)進(jìn)入時(shí)間以及所有缺失路徑的行駛時(shí)間；最后通過蒙特卡洛隨機(jī)仿真模擬任意車輛的路徑選擇來實(shí)現(xiàn)動(dòng)態(tài)的OD估計(jì).其算法的數(shù)學(xué)基礎(chǔ)是粒子濾波思想，即通過尋找一組在狀態(tài)空間傳播的隨機(jī)樣本對(duì)概率密度函數(shù)進(jìn)行近似，以樣本均值代替積分運(yùn)算，從而獲得狀態(tài)最小方差分布的過程［10］.

動(dòng)態(tài)OD 估計(jì)算法描述為如圖1 所示流程，共包含8步驟.

圖1 動(dòng)態(tài)OD 估計(jì)流程圖Fig.1 Flow chart of dynamic OD estimation

Step1根據(jù)AVI采集得到的路徑完整程度，將車輛路徑信息數(shù)據(jù)分成以下3類：第一類是路徑全知型；第二類是路徑半知型，包括已知完整路徑中的兩個(gè)或兩個(gè)以上斷面，以及兩個(gè)斷面之間的完整路徑；第三類是路徑單知型，只知道其出行路徑中的某一個(gè)斷面.在考慮AVI檢測(cè)精度的基礎(chǔ)上，根據(jù)估計(jì)時(shí)段內(nèi)AVI檢測(cè)的實(shí)際捕獲的車輛數(shù)，將先驗(yàn)信息放樣至與實(shí)際捕獲車輛數(shù)相同.

Step2將第h時(shí)段中獲得的第一類信息（路徑全知型信息）與AVI先驗(yàn)信息ψ進(jìn)行聯(lián)動(dòng)遞減，即將先驗(yàn)信息中的OD 對(duì)流量減去已知完全路徑的OD信息，獲得新的先驗(yàn)信息ψ′.當(dāng)先驗(yàn)信息中的OD 對(duì)流量小于已知的實(shí)際路徑流量時(shí)，先驗(yàn)信息中的OD對(duì)流量保持為最小流量1.

Step3將檢測(cè)獲得的AVI信息中的到達(dá)時(shí)間依據(jù)AVI檢測(cè)器布設(shè)進(jìn)行分類劃分，獲得任意兩個(gè)相鄰的AVI檢測(cè)器之間的行程時(shí)間，并依據(jù)AVI間行程時(shí)間構(gòu)建路段－路徑行程時(shí)間快速預(yù)測(cè)方程.

Step4提取第h時(shí)段中AVI信息中的第二類路徑信息（路徑半知型信息），根據(jù)檢測(cè)器的可測(cè)性判斷依據(jù)和車輛的行程時(shí)間估算，用貝葉斯估計(jì)對(duì)任意車輛的可能缺失路徑進(jìn)行重判斷，重新確定缺失路徑選擇范圍并修正新選擇路徑后驗(yàn)選擇概率；最后通過蒙特卡羅隨機(jī)仿真對(duì)單個(gè)車輛進(jìn)行缺失路徑的估計(jì)，進(jìn)而獲得完整路徑估計(jì)數(shù)據(jù).

Step5將第二類信息的路徑估計(jì)結(jié)果進(jìn)行保存并與AVI先驗(yàn)信息ψ′進(jìn)行聯(lián)動(dòng)遞減獲得新的AVI先驗(yàn)信息ψ″，并基于第三類信息（路徑單知型信息）的捕獲量以及識(shí)別誤差，再次進(jìn)行先驗(yàn)擴(kuò)樣信息，更新得到先驗(yàn)信息ψ?.

Step6第三類路徑信息的處理方法與第二類路徑信息的處理相似，并將此路徑信息進(jìn)行保存.

Step7 將三類信息進(jìn)行整理累加獲得第h時(shí)段估計(jì)的初始修復(fù)車輛OD 矩陣.

Step8將初始修復(fù)車輛OD 矩陣與AVI檢測(cè)器獲得的路段流量進(jìn)行反向校正驗(yàn)算，在路段流量的允許誤差范圍內(nèi)修正初始修復(fù)OD 對(duì)流量.獲得最終第h時(shí)段路徑OD 矩陣，并以此作為h＋1 時(shí)段OD 先驗(yàn)矩陣.

1.1 貝葉斯估計(jì)算法

貝葉斯估計(jì)模型可以在基于不完全情報(bào)條件下，對(duì)部分未知的狀態(tài)利用主觀概率估計(jì)，然后利用貝葉斯公式對(duì)發(fā)生概率進(jìn)行修正，最后利用期望值和修正概率做出最優(yōu)決策.其數(shù)學(xué)模型可以描述成如下形式：

式中：Dh表示在第h時(shí)段所獲得的實(shí)測(cè)數(shù)據(jù)；Hi表示第i條路徑；P（Hi／Dh）表示在第h時(shí) 段，基于AVI數(shù)據(jù)D與先驗(yàn)概率后第i條路徑的后驗(yàn)選擇概率表示在第h時(shí)段，選擇第i條路徑的先驗(yàn)概率；表示在第h時(shí)段，基于AVI數(shù)據(jù)可測(cè)性判據(jù)對(duì)第i條路徑的修正概率；?表示在貝葉斯估計(jì)中存在的噪聲.

其中模型的分母為常量，因此模型可以簡化為

1.1.1 行程時(shí)間快速判斷方程

動(dòng)態(tài)的交通出行OD 矩陣估計(jì)中，車輛行程時(shí)間用于描述車輛進(jìn)入路網(wǎng)和離開路網(wǎng)的時(shí)刻.因此行程時(shí)間估計(jì)精度將對(duì)提高動(dòng)態(tài)OD 矩陣估計(jì)至關(guān)重要.由于AVI檢測(cè)的是AVI點(diǎn)對(duì)的行程時(shí)間，需要將其轉(zhuǎn)化為路段（路徑中的兩個(gè)節(jié)點(diǎn)）行程時(shí)間.AVI點(diǎn)對(duì)與路段行程時(shí)間轉(zhuǎn)化數(shù)學(xué)方程可描述為

式中：tn1－n2表示任意兩個(gè)AVI之間的行程時(shí)間；表示第e輛車經(jīng)過任意相鄰AVI檢測(cè)器的時(shí)間；LAVI1－AVI2表示任意兩個(gè)相鄰AVI檢測(cè)器之間的距離；Ln1－n2表示兩個(gè)AVI檢測(cè)器之間所在的兩個(gè)節(jié)點(diǎn)之間的距離；β表示行程時(shí)間計(jì)算中的隨機(jī)誤差.

利用所有車輛的平均行程時(shí)間預(yù)測(cè)任一車輛的路段行程時(shí)間并不合理，原因在于每個(gè)車輛的駕駛行為差異很大，造成車輛之間的行程時(shí)間有較大差別.因此為了更加合理地描述車輛的行程時(shí)間，本文將估計(jì)時(shí)段內(nèi)，所有通過任意兩個(gè)AVI檢測(cè)器的車輛按行程時(shí)間區(qū)間進(jìn)行分類，并分別計(jì)算各類行程時(shí)間的概率，以P（1），P（2），…，P（n）表示；再通過隨機(jī)模擬的方法，確定任一車輛的行程時(shí)間，即可滿足車輛個(gè)性化的行程時(shí)間計(jì)算.其數(shù)學(xué)模型描述如下：

如圖2所示，假設(shè)編號(hào)為A1，A2，A3，…，Aj的車輛分別經(jīng)過檢測(cè)器AVI1和檢測(cè)器AVI2，并且已知這些車輛到達(dá)兩點(diǎn)的時(shí)間 集合根據(jù)公式分別計(jì)算任意已知車輛經(jīng)過兩個(gè)AVI的行程時(shí)間，并依據(jù)車輛總數(shù)獲得車輛平均行程時(shí)間Tave；將所有車輛的行程時(shí)間與平均行程時(shí)間進(jìn)行比較并進(jìn)行區(qū)間分類，得 到 區(qū) 間 分 類 集 合），其中表示第r組區(qū)間中有輛車，并通過公式（4）計(jì)算各組區(qū)間的選擇概率當(dāng)存在編號(hào)為A 的車輛經(jīng)過檢測(cè)器AVI1時(shí)，可以通過隨機(jī)仿真判斷其到達(dá)AVI2的行程時(shí)間，而該數(shù)據(jù)是檢測(cè)器可測(cè)性判據(jù)的重要依據(jù).同時(shí)通過公式（3）和公式（5）可以計(jì)算車輛A 在兩個(gè)AVI或兩個(gè)AVI間任意兩個(gè)節(jié)點(diǎn)的行程時(shí)間，進(jìn)而判斷車輛是否是在本時(shí)段內(nèi)進(jìn)入路網(wǎng)，這部分信息是動(dòng)態(tài)OD 估計(jì)中的一個(gè)重要參數(shù).

圖2 AVI點(diǎn)對(duì)以及路段節(jié)點(diǎn)對(duì)平均行程時(shí)間計(jì)算示意圖Fig.2 Schematic of calculate average travel time between AVIs and nodes

1.1.2 檢測(cè)器可測(cè)性判據(jù)

在現(xiàn)實(shí)路網(wǎng)中，AVI檢測(cè)存在如下兩個(gè)事實(shí)：①由于AVI檢測(cè)器存在車輛捕獲誤差和識(shí)別誤差，因此其檢測(cè)精度有限；②由于資金和安裝條件等約束，AVI 無法全覆蓋.據(jù)此提出AVI 可測(cè)性（measurability）概念，定義為：基于AVI檢測(cè)信息數(shù)據(jù)缺失的特點(diǎn)和已檢測(cè)車輛的動(dòng)態(tài)行程時(shí)間信息，分析判斷車輛經(jīng)過某一路徑的可能性.

如圖2所示，假設(shè)估計(jì)時(shí)段內(nèi)，已知編號(hào)為A 的車輛通過AVI系統(tǒng)獲得其部分路徑信息，即車輛A通過檢測(cè)器AVI1和AVI2，并且已知經(jīng)過兩檢測(cè)點(diǎn)的到達(dá)時(shí)刻分別為T1和T2，通過式（3）計(jì)算得到AVI2至AVI3的行程時(shí)間為T2－3，并已知車輛A 的缺失 路 徑 概 率 集 合 為ξ（P（O1D3），P（O1D4），P（O1D5），P（O1D6）），根據(jù)AVI可測(cè)性定義，當(dāng)車輛A 有充足時(shí)間到達(dá)下一個(gè)路段檢測(cè)器AVI3，但車輛A 的路徑信息卻不包含檢測(cè)器AVI3時(shí)，存在兩種情況：①車輛A 通過AVI3，但由于檢測(cè)誤差而沒有被記錄；②車輛沒有經(jīng)過布設(shè)AVI3的路段，直接到達(dá)D3.基于以上兩種情況，分別提出判別模型如下：

如果（T2＋T2－3＜h＋Δt）則

式中：Δt表示估計(jì)時(shí)段長度；P′（OmDn）表示修正后的缺失路徑的車輛選擇概率；P（OmDn）表示初始的缺失路徑的車輛選擇概率；ε表示AVI設(shè)施的檢測(cè)誤差，包含捕獲誤差與識(shí)別誤差.

AVI檢測(cè)器可測(cè)性判別依據(jù)對(duì)于車輛路徑的上游路段是同樣適用的，將檢測(cè)器可測(cè)性判據(jù)根據(jù)行駛路徑的下游缺失路徑和上游缺失路徑分別描述為如下兩種形式：

式（7），（8）中：P（u）表示下游行駛方向中第u組缺失路徑的先驗(yàn)信息；θ（u）表示上游行駛方向中第u組缺失路徑的先驗(yàn)信息；εju表示在第u組缺失路徑下游行駛方向，基于j組滿足可測(cè)條件的AVI檢測(cè)器的可測(cè)性修正概率；εku表示在第u組缺失路徑上游行駛方向，基于k組滿足可測(cè)條件的AVI檢測(cè)器的可測(cè)性修正概率；Ti表示在車輛i最后一次被檢測(cè)到的時(shí)刻；T′i表示在車輛i第一次被檢測(cè)到的時(shí)刻；h表示估計(jì)時(shí)段的開始時(shí)刻；P′（u）表示下游路徑中第u組路徑的后驗(yàn)概率；θ′（u）表示上游路徑中第u組路徑的先驗(yàn)概率.

1.1.3 貝葉斯路徑概率模型

將先驗(yàn)信息矩陣，以及1.1.1節(jié)的行程時(shí)間快速預(yù)測(cè)方程，1.1.2節(jié)的檢測(cè)器可測(cè)性判據(jù)作為先驗(yàn)路徑選擇概率，貝葉斯車輛路徑概率算法模型更新如下：

式中：Pu（Hu／Dh）′表示在第h時(shí)段第u條缺失路徑修正后的路徑選擇概率；Pu（Hu）h表示在第h時(shí)段第u條缺失路徑的先驗(yàn)選擇概率；αu表示路徑選擇概率的隨機(jī)誤差.

1.2 蒙特卡羅仿真路徑選擇過程

蒙特卡羅方法由于能夠真實(shí)地模擬實(shí)際物理過程，逼近真實(shí)的物理結(jié)果，因此通過蒙特卡羅方法對(duì)AVI檢測(cè)的樣本粒子模擬基于概率的空間狀態(tài)選擇.

對(duì)任意被AVI檢測(cè)器所檢測(cè)的車輛，其所有的缺失路徑修正概率集合為ξ（P1，P2，…，Pu），并且根據(jù)行程時(shí)間快速預(yù)測(cè)方程計(jì)算的各缺失路徑起點(diǎn)的出發(fā)時(shí)間集合為ζ（T1，T2，…，Tu），設(shè)定

式中：Wi表示路徑后驗(yàn)概率的累積頻率；Pi表示第i組路徑后驗(yàn)概率.

仍以圖2為例，通過不斷產(chǎn)生隨機(jī)數(shù)的方法，模擬任一車輛可能的選擇路徑.若隨機(jī)數(shù)S小于Wi大于Wi－1，則說明車輛的路徑為第i條缺失路徑.完成路徑選擇后，相應(yīng)工作是車輛進(jìn)入路網(wǎng)時(shí)間的確定，根據(jù)駕駛員的最后路徑選擇，判斷：

式中：Vh表示第h時(shí)段內(nèi)實(shí)際進(jìn)入路網(wǎng)的車輛集合.

1.3 路段流量修正

AVI檢測(cè)器同樣可以獲得路段流量數(shù)據(jù)，路段流量與OD 對(duì)之間存在如下關(guān)系：

式中：Fi表示路段i上的路段流量；fmn表示從起點(diǎn)m到終點(diǎn)n的OD 量；pimn表示從起點(diǎn)m到終點(diǎn)n的OD 量中選擇路徑i的概率.

通過貝葉斯估計(jì)和蒙特卡洛隨機(jī)仿真，可以計(jì)算所有被檢測(cè)車輛的后驗(yàn)路徑選擇概率，并使車輛作為檢測(cè)樣本粒子擬合后驗(yàn)路徑選擇概率密度獲得后驗(yàn)OD 矩陣.本文采用動(dòng)態(tài)的隨機(jī)規(guī)劃方法，當(dāng)路段－路徑流量相對(duì)誤差小于5%，可視為收斂.其數(shù)學(xué)過程描述如下：

式中：α1表示檢測(cè)誤差下限；α2表示檢測(cè)誤差上限；fimn表示通過第i條路徑的后驗(yàn)矩陣中的起點(diǎn)為m，終點(diǎn)為n的OD 對(duì)流量.

2 案例分析

2.1 研究區(qū)域及實(shí)驗(yàn)平臺(tái)

2008年始，上海市開始在快速路系統(tǒng)規(guī)劃布置視頻牌照自動(dòng)檢測(cè)設(shè)備，本案例以上海市南北高架快速路作為研究對(duì)象.在VISSIM 仿真模型中設(shè)置“虛擬檢測(cè)器”模擬實(shí)際視頻的檢測(cè)參數(shù)及檢測(cè)精度，利用虛擬的檢測(cè)數(shù)據(jù)進(jìn)行OD 估計(jì)并和VISSIM中的“真實(shí)”O(jiān)D 做比較，由此來解決OD 估計(jì)精度的驗(yàn)證問題［11］.

2.2 動(dòng)態(tài)OD 估計(jì)結(jié)果分析

2.2.1 OD 估計(jì)精度分析

基于虛擬的“AVI”檢測(cè)數(shù)據(jù)，得到不同估計(jì)時(shí)段OD 估計(jì)相對(duì)誤差值，如圖3，4所示.當(dāng)AVI覆蓋率為60%，先驗(yàn)OD 精度為40%時(shí)，其相對(duì)誤差僅為21.8%；而當(dāng)AVI覆蓋率為80%，先驗(yàn)精度為80%時(shí)，相對(duì)誤差精度提高為17.3%.另外當(dāng)覆蓋率為50%的情況下，動(dòng)態(tài)OD 估計(jì)的精度出現(xiàn)較大的波動(dòng)，但其平均的動(dòng)態(tài)OD 估計(jì)相對(duì)誤差為30.11%；當(dāng)AVI覆蓋率為50%，先驗(yàn)精度60%時(shí)，相對(duì)平均誤差為28.87%.文獻(xiàn)［8］通過對(duì)簡化快速路的研究，在僅考慮較高AVI覆蓋率和高精度的先驗(yàn)信息的前提下，其動(dòng)態(tài)OD 估計(jì)相對(duì)誤差為21.04%，與本文實(shí)際路網(wǎng)動(dòng)態(tài)OD 估計(jì)精度相當(dāng)［8］.但當(dāng)AVI覆蓋率為45%，OD 估計(jì)精度迅速衰減，其平均相對(duì)誤差降為41.9%，已經(jīng)較難滿足實(shí)際需求.主要原因是當(dāng)覆蓋率較低時(shí)，主要的OD 對(duì)流量已經(jīng)不能被檢測(cè)到.

2.2.2 對(duì)先驗(yàn)信息的敏感性分析

圖3 80%覆蓋率下相對(duì)誤差Fig.3 Relative error in 80%coverage

圖4 60%覆蓋率下相對(duì)誤差Fig.4 Relative error in 60%coverage

以往的研究對(duì)先驗(yàn)信息有較大的依賴，而本文引入的檢測(cè)器可測(cè)性方法則對(duì)先驗(yàn)信息有較強(qiáng)的魯棒性.以較低的AVI覆蓋率（60%）為例，在不同的先驗(yàn)信息精度下，OD 估計(jì)精度變化如圖5所示.從圖5可以看出，在任意先驗(yàn)信息精度下，本文方法均能較好地估算動(dòng)態(tài)OD.

圖5 60%覆蓋率下相對(duì)誤差變化Fig.5 Relative error changes in 60%coverage

3 結(jié) 論

本文針對(duì)當(dāng)前視頻牌照自動(dòng)識(shí)別系統(tǒng)在我國逐步應(yīng)用的現(xiàn)實(shí)需求，提出了基于AVI信息的動(dòng)態(tài)OD 估計(jì)新方法，并以上海市南北高架快速路網(wǎng)模型對(duì)方法進(jìn)行檢驗(yàn).主要結(jié)論如下：

（1）本方法突破了傳統(tǒng)方法中僅依賴路段流量和行程時(shí)間作為OD 估計(jì)的主要信息的局限，基于粒子濾波的思想提出了基于路徑信息、檢測(cè)器可測(cè)性、路徑行程時(shí)間的OD 估計(jì)方法.上海市南北高架的案例分析表明，當(dāng)AVI覆蓋率為50%，先驗(yàn)精度為60%時(shí)，平均相對(duì)誤差為28.87%，仍能基本滿足動(dòng)態(tài)交通管理的需求.

（2）針對(duì)AVI檢測(cè)誤差和覆蓋度所提出的檢測(cè)器可測(cè)性判據(jù)，較好地緩解了對(duì)先驗(yàn)信息的依賴，可以在隨機(jī)的先驗(yàn)信息下推算出較高精度的OD.

（3）此方法對(duì)大規(guī)模開放式地面道路網(wǎng)絡(luò)同樣具備適用性.通過AVI信息的采集以及交通分配算法得到路段－路徑流量數(shù)據(jù)庫，應(yīng)用本文所提出的方法，能迅速縮小任意車輛路徑選擇范圍，提高車輛真實(shí)路徑的選擇概率，并可通過AVI檢測(cè)的流量數(shù)據(jù)對(duì)OD 矩陣再次進(jìn)行修正，實(shí)現(xiàn)快速準(zhǔn)確的對(duì)大規(guī)模開放式路網(wǎng)OD 進(jìn)行估計(jì).

（4）本文提出的方法提供了一種從微觀的車輛路徑修復(fù)角度進(jìn)行動(dòng)態(tài)OD 估計(jì)的方法.在進(jìn)一步的研究中，將重點(diǎn)考慮如何結(jié)合本方法優(yōu)化AVI設(shè)施的布局方案，在規(guī)劃層面，指導(dǎo)更科學(xué)地布設(shè)，從源頭上為運(yùn)營管理中獲取高精度動(dòng)態(tài)OD 提供支撐.

［1］ 常云濤.考慮交通流行駛時(shí)間的高速公路動(dòng)態(tài)OD 矩陣估計(jì)模型［J］.同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，37（9）：1184.CHANG Yuntao.Dynamic OD matrix estimation model of freeway with consideration of travel time［J］.Journal of Tongji University：Natural Science，2009，37（9）：1184.

［2］ Tsekeris T， Stathopoulos A. Real－time dynamic origindestination matrix adjustment with simulated and actual link flows in urban networks［J］.Transportation Research Record 1857，2003：117.

［3］ Bierlaire M，Crittin F.An efficient algorithm for real－time estimation and prediction of dynamic OD tables［J］.Operation Research.2004，52（1）：116.

［4］ Dixon P M，Rilett R L.Population origin destination estimation using automatic vehicle identification and volume data ［J］.Journal of Transportation Engineering，2005，131（2）：75.

［5］ Zhou X S， Mahmassani H S. Dynamic origin－destination demand estimation using automatic vehicle identification data［J］.IEEE Transactions on Intelligent Transportation Systems，2006，17（1）：105.

［6］ BarcelóJ，Montero L，Marqués L，et al.Carmona，travel time forecasting and dynamic OD estimation in freeways based on bluetooth traffic monitoring［J］.Transportation Research Record 2175，2010：19.

［7］ DENG Bin，HU Jianming，DAI Zhiguang，et al.Using 3S technology to estimate OD matrix［C］／／Proceedings of the 12th International IEEE Conferenceon Intelligent Transportation Systems.St.Louis：IEEE，2009：836－842.

［8］ CHEN Dashan，SUN Jian，LI Keping.Dynamic OD estimation under automated vehicle identification environment［J］.Key Engineering Materials，2011，46（7）：835.

［9］ 孫劍，馮羽.車輛自動(dòng)識(shí)別環(huán)境下的OD 估計(jì)新方法研究［J］.同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，39（12）：1800.SUN Jian，F(xiàn)ENG Yu.A new method of OD estimation based on automatic vehicle identification Data［J］.Journal of Tongji University：Natural Science，2011，39（12）：1800.

［10］ 胡士強(qiáng)，敬忠良.粒子濾波算法綜述［J］.控制與決策，2005，20（4）：361.HU Shiqiang，JING Zhongliang.Overview of particle filter algorithm［J］.Control and Decision，2005，20（4）：361.

［11］ 孫劍，李克平，魏靜，等.基于視頻牌照識(shí)別的動(dòng)態(tài)交通OD估計(jì)仿真優(yōu)化［J］.公路交通科技，2009，26（8）：130.SUN Jian，LI Keping， WEI Jing，et al.Dynamic OD estimation simulation optimization based on video license plate recognition［J］.Journal of Highway and Transportation Research and Development.2009，26（8）：130.