14、动态 OD 客流矩阵估计的数据驱动方法

动态 OD 客流矩阵估计的数据驱动方法

1. 概述

在城市地铁系统中，准确估计动态 OD（Origin - Destination）客流矩阵对于交通规划、运营管理等方面具有重要意义。为了高效且稳健地预测随机乘客的目的地分布，采用了动态 KNN 和 GPR 相结合的方法，利用 AFC 数据和天气数据进行分析。

1.1 相关定义

• 地铁系统 ：由多条线路 $L = {l_1, l_2, \cdots, l_{|L|}}$ 和多个车站 $S = {s_1, s_2, \cdots, s_{|S|}}$ 组成，其中 $|L|$ 和 $|S|$ 分别是地铁线路和地铁车站的数量，每条线路 $l_i$ 会经过一些有序的车站。
• 时间槽 ：将一天按固定间隔 $s$ 划分为多个时间段 $T = {T_1, T_2, \cdots, T_{|T|}}$，第 $k$ 个时间段的时间范围是 $[(k - 1)s, ks]$。
• 行程 ：乘客的一次行程 $Tr$ 与四个属性相关，即进站车站 $s_o$、出站车站 $s_d$、进站时间 $t_o$ 和出站时间 $t_d$。行程是通过 AFC 系统收集的进站和出站记录，通过匹配卡号和时间得到的。
• 进站客流 ：用 $O_{i,k}$ 表示在时间段 $T_k$ 内从车站 $s_i$ 进入地铁系统的乘客流量。
• OD 客流 ：在时间间隔 $T_k$ 内从车站 $s_i$ 进入