拥堵网络下基于贝叶斯学习的动态交通需求演化

Origin-destination (OD) demand in urban road network is a fundamental component for making a long term transportation planning or short term traffic management in a city. In addition, the real-time OD demand in congested network is the prerequisite of urban traffic route guidance, road space rationing, speed limit, or congestion control. The observed variables, such as traffic flow, link speed, density, and travel time, are transformed to a uniform format based on the traffic flow theory in congested road network. Moreover, the transmission mechanism between observed and estimated variables are explored based on the traffic network equilibrium theory. Since the trajectories of some observed route information are not known, the clustering method is used to identify the route trajectories. Using the bi-level optimization framework, the Bayesian-based OD demand estimation model is built. The upper-level model, which is solved by the method of demand separation, is used to derive the posterior distributions of traffic demands. At the same time, the method of successive average is adopted to solve the stochastic user equilibrium model in the lower-level. The iterative algorithm is designed to exchange information between the upper and lower level models. The proposed model is applied to the real transportation network. The influences of traffic demand estimation from different observed data are analyzed; the evolution rules of urban traffic demands and road flows in congested network are uncovered; and also the real-time strategies of traffic management and control are provided to alleviate urban traffic congestion.

道路网络起讫点（OD）需求是城市决策长期交通规划和短期交通管理中的基础参数，拥堵网络中实时OD需求更是实施交通路径诱导、限行限速、拥堵控制等措施的先决条件。基于拥堵网络交通流理论，对观测的交通量、速度、密度、行程时间等变量进行参数转换，从而统一所有观测变量量纲。进一步根据交通网络均衡理论，探索观测变量与待估变量之间的传播机理。考虑到部分观测路径轨迹未知的情况，运用聚类分析方法识别路径轨迹。以双层规划框架建立基于贝叶斯学习的OD需求估计模型，上层模型推断交通需求的贝叶斯后验分布，采用需求分离近似方法求解；下层是随机用户均衡模型，采用相继平均算法求解；上、下层之间采用迭代算法进行信息交换。结合具体城市道路网络，分析不同观测数据对交通需求估计的影响，揭示拥堵网络下城市交通需求以及道路流量的演化规律，并实时提供交通管控策略以缓解城市交通拥堵。

交通需求是城市居民出行路径选择的基础参数，是城市决策长期交通规划和短期交通管理中的先决条件。项目主要研究内容包括：(1)根据子网络拓扑结构，分别对子网络边界点和内部点的需求量进行分析，进而建立了基于网络拓扑的子网络交通需求估计模型；考虑路段和路径覆盖信息最大原则，提出检测器布局模型以确定最优的检测器布设数量和位置。根据布设检测器上的观测路段流量，建立检测器布设和扩样系数推断两阶段模型；通过高斯混合模型对其中轨迹未知的观测出行时间依概率聚类；运用拥堵交通网络均衡理论，解析交通需求和观测变量之间的传播机理。以双层规划框架建立路径轨迹重建环境下拥堵网络贝叶斯交通需求估计模型；(2)根据估计的交通需求，将有限理性融入出行者的路径选择决策中，提出双目标交通网络均衡模型。为应对模型多解问题，进一步建立出行可靠性和有限理性下的贝叶斯随机用户均衡模型；将网络可靠性和经验学习理论引入出行者的路径选择过程中，提出智慧公路多源数据下交通出行演化模型。(3)建立了基于路径的增量均衡分配算法，该算法主要包含增量分配和起讫点需求提取两个步骤。进一步将增量均衡分配算法扩展为增量随机用户均衡算法和增量可靠性用户均衡算法，这两种算法分别用于求解随机用户均衡模型和可靠性用户均衡模型。(4)智慧公路出行学习机制应用在苏州G524常熟段流量预测上。子网络交通需求估计技术应用在常州武进高铁站区域路网交通组织优化项目中。.结合具体城市道路网络，分析不同观测数据对交通需求估计的影响，表明轨迹未知的路径出行信息的加入在提升需求估计精度的同时也增大估计值的方差；设计的增量均衡分配算法能够稳定收敛到10-5的精度；GMM软聚类方法估计的交通需求显著优于硬聚类方法估计的需求值；交通需求值对观测路径出行时间的扰动更加敏感。研究揭示拥堵网络下城市交通需求以及道路流量的演化规律，为交通管控策略的制定提供理论依据，从而缓解城市交通拥堵。