论文摘要
随着我国经济的高速发展,交通拥堵情况已变得日益突出,严重影响了城市的发展和人民生活质量。因此,在城市道路基础设施建设速度无法满足快速增长的交通出行需求的情况下,大力发展智能交通系统（Intelligent Transportation Systems, ITS）成为缓解交通出行压力的有效办法,先进的出行者信息服务系统作为智能交通系统的子系统起着至关重要的作用。本文给出了动态OD矩阵的估计与预测方法,并以诱导作为动态OD的应用背景,提出了基于动态OD矩阵的车辆诱导方法。OD （Origin-Destination）矩阵反映了交通出行需求,其中的元素是在特定时间段内由路网中某一起点到某一终点的车辆出行量。本文提出了改进的广义最小二乘模型的动态OD估计方法。对未来OD矩阵的预测采用BP神经网络方法。将动态的OD矩阵加载到路网上,通过仿真,就能获得路网的交通状况,通过对路网中各路段的旅行时间进行分析,可以为用户提供更优的出行路线。本文提出的交通诱导方法能从时间和空间上整体把握路网状况,产生路径诱导策略。并考虑了由于诱导产生的拥堵转移现象,通过限制路段进入车流量,预防此现象的发生。本文通过将动态OD信息加载到交通仿真软件Vissim中,获取各路段每分钟的道路旅行时间以及各路段每分钟的车流进入量。通过时变的道路旅行时间，可以计算各路径的旅行时间,获得可诱导的路径集合。为了预防诱导产生的拥堵转移现象,设置各OD对的诱导路径的诱导优先权值,按照其权值从大到小依次对其诱导,并判断诱导是否会使各路段车流进入量超过限制,如果超过,则不对其诱导,选取下一个可诱导路径继续进行,最终生成所有的路径诱导信息。