基于改进遗传算法区域OD矩阵反推的研究.pdfVIP

基于改进遗传算法的区域OD 矩阵反推研究 田亮，陈扶崑 河海大学交通学院，南京（210098 ） E-mail ：tianliang3507@163.com 摘 要：利用极大熵模型反推OD 分布矩阵，引入遗传算法求解极大熵模型。针对简单遗传 算法存在过早收敛和收敛速度慢的缺点，本文在编码、选择、交叉和变异方面进行了改进。 改进后的遗传算法可以有效克服简单遗传算法的部分缺点，能够提高求解极大熵模型的速度 与精度，从而提高了OD 矩阵推算的准确度。最后利用简单实例分析本文使用方法的有效 性。 关键词：OD 推算，极大熵模型，遗传算法，改进遗传算法，模型求解 0 引言 在四阶段法交通需求预测中，交通分布预测需要现状OD 出行量，现状OD 出行量可以 通过直接调查或间接推算获得，直接调查需要花费大量的人力、物力、财力、精力和时间， 一般较少采用；相反通过OD 反推方法花费代价较低，若采用的方法合理，误差较小，结果 可靠。近年来，关于OD 矩阵推算方面出现了许多方法，大体上可分为参数估计法，矩阵估 计法，以及结合以上两种方法构造的新方法。尽管OD 矩阵推算方法很多，但各有不足之处， 本文以路段观测流量反推分布矩阵，提出了一种改进的遗传算法求解极大熵OD 反推模型， 经算例分析，精度较高。 1 OD 矩阵反推基本原理 从理论上说，由路段观测流量推算现状OD 分布矩阵是交通分配的逆过程。假设研究地 区分为N 个交通小区，该道路网络由一系列路段和节点构成，如果忽略小区内部的出行， 则该地区的OD 出行量有N(N-1)元素，对于路段a 来说，有关系式： V ∑( Pa q ) a i , j i , j i, j （1 ） a =1,2,3,4……,M ；i，＝，，j 1 2 ·····，N 式中：a—表示路段的编号； V —路段a 上的流量； a P a —交通分区i 与j 间的出行选择路段a 的比率，称为路段的选择率； i, j qi, j —交通分区现状出行分布量。 其中pa 可通过各种出行分配方法获得，这些方法包括最简单的全有全无分配模型，较 i, j 为复杂的平衡分配模型等，不同的分配方法对OD 矩阵推算有很大影响。当所有pa 和路段 i, j 观测量V 已知时，通过一组联立方程组可以估计出q ，但实际观测的路段数量一般远远小 a i, j 于未知量qi, j 的数量。因此不能唯一确定qi, j ，一般可通过构造数学优化模型来获得 OD 出 行量,如设立以下目标函数： min f (T, t, V, v) （2 ） - 1 - 式中：T 为OD 出行推算矩阵；t 为先验OD 矩阵；V 为路段观测交通量向量；v 为按T 分配的交通量向量。根据式（2 ）的不同形式，构造了不同的OD 矩阵推算方法。目前常用 的方法有极大熵模