摘 要

OD矩阵作为城市交通管理的重要基础数据，一直引起人们的关注。传统获取OD矩阵的方法多采用人工调查，费事费力，且结果精度不高。而随着数据时代的来临，道路监控等技术的蓬勃发展带来了海量的交通大数据。基于交通大数据的OD矩阵获取可以较大程度的弥补传统方法的缺陷，省事省力。且交通大数据的海量性、客观性、不间断性可充分保证OD矩阵的准确度，从而更好的服务于城市交通。

本文以武汉二七区域2019年2月14日到2月21号的卡口数据为基础数据，利用最大熵模型，实现了静态OD矩阵的估计。本文首先对卡口数据进行了预处理，分析了交通大数据中异常数据类型，以及异常数据识别方法，在887万条基础数据中筛除掉17万条异常数据。

数据预处理完后，本文介绍了基于路段流量的OD估计的基本原理及其交通分配模型，并引入Monte-Carlo算法实现交通分配模型的求解。随后介绍了最大熵算法的原理以及其在静态OD估计上的应用。为了验证方法的有效性，对预处理后的数据进行实例分析，选取工作日和非工作日的卡口数据进行OD矩阵估计，结果表明该方法可有效实现交通OD估计，且精度较高。

本文将交通卡口大数据与传统OD估计方法结合，进一步验证了基于交通大数据的OD估计的便捷，准确。且可实现分时段OD矩阵估计，从而更好得服务于城市交通管理和疏导。

关键词：城市交通；OD矩阵估计；卡口数据；最大熵模型

Abstract

OD matrix, the important basic data of urban traffic management, has always attracted people’s attention. The traditional method of obtaining the OD matrix mostly is manual investigation, which is laborious, expensive and inaccurate. However, with the advent of tha data age, the rapid development of technologies such as road monitoring creates massive traffic data. The acquistion of OD matrix can compensate the defects of traditional methods based on traffic big data. And the massiveness, objectivity and uninterrupted nature of traffic data can guarantee the high accuracy of OD matrix.

Based on the data of the bayonet system from February 14^th to 21^st, 2019 in Wuhan Erqi region, this paper employed the maximum entropy method to estimate the static OD matrix. Firstly, we preprocessed the bayonet data and introduced the type and the identification methods of anomalous data, and screened 0.17 million abnormal data in 8.87 million data.

After the data pre-processing, we described the principle of OD estimation based on the road link volume and the traffic assignment model which was calculated by the Monte-Carlo algorithm. Then the main principle of the maximum entropy algorithm and its application in static OD estimation were introduced. In order to verify the validity of the method, the OD matrix estimation was carried out based on the bayonet data of the work day and non-work day. The result showed that the method could effectively realize the estimation of OD matrix with the high accuracy.

The paper combined the traffic big data with the traditional OD estimation method, proving that OD estimation based on traffic big data was convenient and accurate. And the time-division OD matrix estimation can be realized, so as to better serve the urban traffic management and dispersion.

Key words: urban traffic; OD matrix estimation; bayonet data; maximum entropy mode

目 录

摘 要 1

Abstract 2

目 录 3

第1章 绪论 1

1.1 研究背景及意义 1

1.1.1 研究背景 1

1.1.2 研究意义 2

1.2 研究目的及内容 2

1.2.1 研究目的 2

1.2.2 研究内容 2

1.3 文献综述 3

1.3.1 静态OD估计文献综述 3

1.3.2 动态OD估计文献综述 4

1.4 研究技术路线及论文结构 5

1.4.1 技术路线 5

1.4.2 论文结构 7

第2章 基础数据预处理 8

2.1 交通流数据故障类型分析 8

2.2 交通流异常数据识别及处理 9

2.3 基础数据预处理 11

2.4 本章小结 13

第3章 OD估计模型和交通分配模型 14

3.1 交通网络建模概述 14

3.2 基于路段流量估计OD矩阵的基本原理 15

3.3 交通分配模型 16

3.4 本章小结 17

第4章 非拥堵网络的OD估计模型 18

4.1多路径概率分配模型 18

4.1.1基于Monte-Carlo算法的交通分配 18

4.1.2算法步骤 20

4.2交通分配矩阵的获取 20

4.3 基于最大熵估计模型的OD估计 21

4.3.1 最大熵模型算法简介 21

4.3.2 最大熵OD估计模型原理 22

4.3.3 最大熵OD估计模型求解 23

4.4 本章小结 27

第5章 实例分析与评价 28

5.1 精度指标 28

5.1.1 OD矩阵估计精度指标 28

5.2 实例分析 28

5.2.1实例路网 28

5.2.2 基础数据 30

5.2.3 无先验OD最大熵模型构建 35

5.3 最大熵模型结果及分析 35

5.3.1 OD矩阵估计结果 35

5.3.2结果分析 38

5.4 本章小结 38

第6章 结论及展望 39

6.1 主要结论 39

6.2 研究展望 39

参考文献 40

绪论

1.1 研究背景及意义

1.1.1 研究背景

随着我国经济的迅猛发展，我国城市化进程不断加快，机动车保有量逐年增加。据公安部统计，2018年我国新注册登记机动车3172万辆，机动车保有量已达3.27亿辆，较2017年增长了10.51%，其中小型汽车约为2.4亿，小型载客汽车为2亿辆^[1]。然而目前的交通基础设施建设难以满足人们日益增长的出行需求，急速增长的出行需求和有限的道路资源之间的矛盾日益激化。城市交通供需不平衡导致交通拥堵严重，交通污染物排放激增等诸多问题，严重阻碍了城市交通的发展。

据美国联邦公路局发布的数据，1999年到2005年，美国因交通拥堵而造成的直接经济损失高达880亿美元，车辆延误时间增加了80亿个小时，严重影响了居民的出行效率。中国交通部表示我国每年因交通拥堵而造成的经济损失高达2500亿元，约为国内生产总值的5-8%。城市交通拥堵不仅导致了巨额的经济损失，还导致了城市生态环境进一步恶化，严重影响了居民的日常生活和出行。Barth^[2]等人利用加州道路交通数据研究车速与二氧化碳排放量之间的关系，图1.1显示车速与CO₂排放量呈负相关关系，车速越低，CO₂排放量越高。且Barth等人发现低速拥堵路段行驶的机动车二氧化碳的排放量可达正常运行状态的排放量的3倍以上。

图 1.1 车速与CO₂排放量关系曲线图