Estimation of origin-destination (OD) flows in transportation networks is a major step in transportation planning. We are interested in estimating OD flows given data on traffic link volumes over a sequence of days. We propose a dynamic hierarchical Bayesian model for the estimation of day-to-day OD flows. At the first level, we specify a dynamic Gaussian model which describes the evolution of OD flows over time. At the second level, we model the assignment of route flows given OD flows. Route choice probabilities are a function of user-predicted route costs, which depend on past user-experienced costs with a leaning parameter which controls the length of users memory. At the third level we model observed link volumes given route flows. Covariance matrices of OD flows and observed link volumes are modeled through variance functions. We develop a Metropolis-within-Gibbs algorithm to sample from the joint posterior distribution of OD flows, route flows, and parameters of the route choice model and the variance functions. Our model can be applied to both congested and uncongested networks and does not assume network equilibrium. We illustrate application of the model and sampling algorithm through numerical studies on two transportation networks from the literature. In a small test network, results indicate that OD flows and parameters may be identified given uninformative priors, while in a real-scale network OD flows and route choice parameters may be reasonably identified given prior knowledge on OD flows at the beginning of the planning horizon and their temporal variability.

中文翻译：

---

动态分层贝叶斯模型用于估计运输网络中的日常目的地流

运输网络中起点-目的地（OD）流量的估算是交通规划中的重要一步。给定连续几天的流量链接流量数据，我们对估算OD流量感兴趣。我们提出了一种动态的分层贝叶斯模型来估计每日的OD流量。在第一级，我们指定一个动态的高斯模型，该模型描述了OD流量随时间的变化。在第二层，我们在给定OD流的情况下对路由流的分配进行建模。路线选择概率是用户预测的路线成本的函数，该路线成本取决于过去的用户体验成本以及带有控制用户内存长度的倾斜参数。在第三级，我们在给定路线流量的情况下对观察到的链接量进行建模。通过方差函数对OD流和观察到的链接量的协方差矩阵进行建模。我们开发了一个Metropolis-in-Gibbs算法，以从OD流，路径流以及路径选择模型和方差函数的参数的联合后验分布中采样。我们的模型可以同时应用于拥塞网络和非拥塞网络，并且不假定网络平衡。我们通过对文献中两个运输网络的数值研究，说明了模型和采样算法的应用。在小型测试网络中，结果表明可以在没有先验信息的情况下确定OD流和参数，而在实际网络中，只要在规划阶段开始时就具有OD流的先验知识就可以合理地确定OD流和路由选择参数及其时间变异性。路线流量，路线选择模型的参数和方差函数。我们的模型可以同时应用于拥塞网络和非拥塞网络，并且不假定网络平衡。我们通过对文献中两个运输网络的数值研究，说明了模型和采样算法的应用。在小型测试网络中，结果表明可以在没有先验信息的情况下确定OD流和参数，而在实际网络中，只要在规划阶段开始时就具有OD流的先验知识就可以合理地确定OD流和路由选择参数及其时间变异性。路线流量，路线选择模型的参数和方差函数。我们的模型可以应用于拥塞网络和未拥塞网络，并且不假设网络平衡。我们通过对文献中两个运输网络的数值研究，说明了模型和采样算法的应用。在小型测试网络中，结果表明可以在没有先验信息的情况下确定OD流和参数，而在实际网络中，只要在规划阶段开始时就具有OD流的先验知识就可以合理地确定OD流和路由选择参数及其时间变异性。我们通过对文献中两个运输网络的数值研究来说明模型和采样算法的应用。在小型测试网络中，结果表明可以在没有先验信息的情况下确定OD流和参数，而在实际网络中，只要在规划阶段开始时就具有OD流的先验知识就可以合理地确定OD流和路由选择参数及其时间变异性。我们通过对文献中两个运输网络的数值研究，说明了模型和采样算法的应用。在小型测试网络中，结果表明可以在没有先验信息的情况下确定OD流和参数，而在实际网络中，只要在规划阶段开始时就具有OD流的先验知识就可以合理地确定OD流和路由选择参数及其时间变异性。