[论文解读] Data-driven Estimation of Origin-Destination Demand and User Cost Functions for the Optimization of Transportation Networks

Jing Zhang, Sepideh Pourazarm+2 more|arXiv (Cornell University)|Oct 29, 2016

Transportation Planning and Optimization参考文献 5被引用 9

一句话总结

本文提出了一种数据驱动的逆优化框架，利用实际速度和流量数据，在大规模交通网络中估计起讫（OD）需求矩阵和用户成本函数。通过将成本函数估计重新表述为双层优化问题，该方法克服了先前研究的数值限制，实现了对真实世界马萨诸塞州东部网络数据的精确POA（无效率损失价格）估计与敏感性分析，揭示了通过系统最优路径选择，系统效率最高可提升50%。

ABSTRACT

In earlier work (Zhang et al., 2016) we used actual traffic data from the Eastern Massachusetts transportation network in the form of spatial average speeds and road segment flow capacities in order to estimate Origin-Destination (OD) flow demand matrices for the network. Based on a Traffic Assignment Problem (TAP) formulation (termed "forward problem"), in this paper we use a scheme similar to our earlier work to estimate initial OD demand matrices and then propose a new inverse problem formulation in order to estimate user cost functions. This new formulation allows us to efficiently overcome numerical difficulties that limited our prior work to relatively small subnetworks and, assuming the travel latency cost functions are available, to adjust the values of the OD demands accordingly so that the flow observations are as close as possible to the solutions of the forward problem. We also derive sensitivity analysis results for the total user latency cost with respect to important parameters such as road capacities and minimum travel times. Finally, using the same actual traffic data from the Eastern Massachusetts transportation network, we quantify the Price of Anarchy (POA) for a much larger network than that in Zhang et al. (2016).

研究动机与目标

• 克服使用真实交通数据估计大规模交通网络中用户成本函数与OD需求时的数值限制。
• 开发一种可扩展的逆问题公式化方法，高效估计观测到的路段流量与速度下的OD需求矩阵和时延成本函数。
• 量化比以往研究更大子网络的无效率损失价格（POA），评估用户自私路径选择导致的低效程度。
• 推导总用户时延对路网容量和自由流行驶时间的敏感性分析公式，指导有针对性的基础设施干预。
• 实现日尺度的OD需求估计，以提升性能评估的时间分辨率与准确性。

提出的方法

• 将双层优化问题（BiLev）公式化，通过最小化观测与预测路段流量之间的差异，来估计OD需求矩阵。
• 提出一种新颖的逆问题公式化方法以估计用户成本函数，避免在大规模网络中出现的数值不稳定性。
• 使用系统最优路径分配模型计算社会最优流量，并将POA定义为用户最优与系统最优总时延的比值。
• 对交通分配问题（TAP）应用敏感性分析，推导总时延对路段容量和自由流时间的偏导数。
• 采用需求调整方案，通过迭代方式利用观测数据不断优化初始OD估计，收敛至接近真实值的解。
• 利用代表性子网络（地标子网络）将OD估计扩展至更大网络，同时保持精度不下降。

实验结果

研究问题

• RQ1 数据驱动的逆优化框架能否在大规模交通网络中准确估计起讫（OD）需求矩阵与用户成本函数？
• RQ2 通过重新公式化的逆问题方法，如何克服大规模网络估计中的数值不稳定性？
• RQ3 大规模真实世界交通网络的无效率损失价格（POA）是多少？其在不同时间段内如何变化？
• RQ4 在总用户时延方面，哪些网络路段对容量或自由流行驶时间的变化最为敏感？
• RQ5 与月度估计相比，日尺度的OD需求估计是否能提升POA等性能指标的准确性？

主要发现

• 所提出的逆问题公式化方法成功克服了数值限制，使估计范围远超以往研究（Zhang et al., 2016）的规模。
• 在30天数据的平均POA约为1.5，表明若从用户最优路径切换至系统最优路径，系统效率最高可提升50%。
• POA值在不同日期间差异显著，部分日期超过2.2，凸显了系统整体效率提升的巨大潜力。
• 敏感性分析识别出路段19、10、8、20和21在改善自由流行驶时间方面对降低总时延影响最大。
• 路段23、20、19、21和10对容量增加最为敏感，建议优先进行基础设施升级。
• 需求调整方案收敛迅速，与真实需求的距离持续减小，并在数轮迭代后趋于稳定。