PSO算法在交叉口OD矩阵推算中的应用

针对由交叉口已知交通量推算OD矩阵时,当已知交通量数小于OD变量数时难以得到满意解的问题,提出了采用基于群智能技术改进的粒子群优化算法(Particle Swarm Optimization,简称PSO)来进行全局优化求解.论文设计了用粒子群算法求解交叉口OD矩阵推算模型的方法,确定了目标函数和终止条件,给出了具体的计算步骤及粒子群算子的选择,通过初始化粒子的速度和位置,不断送代更新直到搜索出全局最优值.最后用Matlab语言编程进行了仿真试验.仿真结果表明,该方法具有较高的效率和准确性.     

单向交通干线现状OD矩阵的推算及应用

本文对单向交通干线现状OD矩阵的推算进行了专门的研究;并把此方法运用到丹东沿江路单行道的OD实际计算中,得到理想结果。     

单向交通干线现状OD矩阵的推算及应用

本对单向交通干线现状OD矩阵的推算进行了专门的研究；并把此方法运用到丹东沿江路单行道的OD实际计算中，得到理想结果。     

基于马尔科夫模型的线路OD矩阵的研究

OD矩阵的理论和方法被广泛应用到交通规划的研究中.在公交站点上下车乘客数一定的条件下,推算线路客流OD矩阵时,利用马尔科夫模型可减少未知参数的个数.假设过去和未来的状态都是独立时,根据容易获取的公交线路上下车旅客的人数,利用马尔科夫模型的原理,通过极大似然估计原理得出有关参数的值.推导出计算OD矩阵的一种简易方法.     

基于免疫遗传算法的OD矩阵反推模型与算法

针对在反推OD矩阵的非结构化方法中,各模型都将路段流量一次观测得到的样本值作为路段流量的真实值来推算OD矩阵,导致推算结果出现偏差的问题,在熵极大化模型的基础上,引入了路段流量真实值参数,对模型进行了修正。在反推过程中,利用免疫遗传算法良好的全局搜索能力,提出了基于免疫遗传算法的OD矩阵反推模型。算例表明,免疫遗传算法在进行OD矩阵反推时,能够快速、有效地搜索出最优OD矩阵。     

OD调查抽样模拟试验及抽样率影响因素分析

OD调查主要目的之一是获得准确、可靠的OD矩阵,交通区划分的数目越多,则OD矩阵构成元素越多,即每次出行试验的结果越复杂,要得到可靠的OD矩阵需要的调查样本量也越大,而目前常用居民抽样率确定方法均未考虑交通小区划分数目的影响.本文编程模拟了OD调查抽样随机试验,并利用多元回归分析技术,量化分析了交通区数目、调查精度和OD矩阵元素不均匀程度对抽样样本量及抽样率的影响,证明随着交通区数目、调查精度和OD矩阵元素不均匀程度的增加,调查样本量也将大幅度增加.     

交通仿真在动态交通分配应用研究中的尝试

基于微观交通仿真模型CORSIM中交通仿真与交通分配相结合的特点，在仿真模型中将路网的OD流量通过按动态规律沿时间轴加以扩展，使之成为一个时变OD矩阵，再分析研究路段自由流车速与高峰时段路网流量的动态关系，从而进行动态交通分配的建模研究尝试．     

基于交通区数目抽样率确定新方法

编程模拟了OD调查抽样随机试验,证明随着小区数量的增加调查样本的数量将大幅增加,并量化分析交通小区数量、调查精度要求和OD矩阵元素不均匀程度对抽样样本量的影响。建立了OD调查样本量与影响因素关系模型,提出OD调查样本量(或抽样率)确定方法,该方法克服了常规方法中无法考虑交通小区个数和区间出行不均匀弊端。     

人工神经网络在交通网络OD矩阵推算中的应用

交通网络中ＯＤ矩阵的推算曾一度成为交通规划界的热点,国内外不少学者也提出了一些计算模型和求解方法。在此基础上,针对常规求解方法的不足,提出了应用神经网络来进行ＯＤ矩阵的推算,最后通过实例,分析了此方法的精度,从理论上和实践上证实了该方法的可行性。     

基于信息提取的动态OD估计理念研究

由于现有动态OD估计模型大多是基于有限先验信息下的反推估计,没有充分利用已有海量交通数据库的各种信息,距离智能交通系统的实际需求仍有差距,因此,针对这一问题,在回顾动态OD估计与交通信息提取技术研究进展的基础上,提出了基于信息提取的动态OD估计理念:以各类交通检测器为主数据源,同时兼顾其他相关数据库,将信息提取理念尽可能贯穿动态OD估计始终,实时地为智能交通控制和管理系统提供动态OD矩阵,同时整合智能交通系统的功能,附加提供更为丰富的决策信息。最后,深入分析了基于信息提取的动态OD估计的研究意义,并初步提出其技术框架,为进一步的理论和技术研究奠定基础。