CN113506445B - 考虑出行者长期遵从行为变化的实时交通诱导系统及方法 - Google Patents

考虑出行者长期遵从行为变化的实时交通诱导系统及方法 Download PDF

Info

Publication number
CN113506445B
CN113506445B CN202111066124.6A CN202111066124A CN113506445B CN 113506445 B CN113506445 B CN 113506445B CN 202111066124 A CN202111066124 A CN 202111066124A CN 113506445 B CN113506445 B CN 113506445B
Authority
CN
China
Prior art keywords
traffic
guidance information
flow data
traveler
traffic flow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111066124.6A
Other languages
English (en)
Other versions
CN113506445A (zh
Inventor
韩科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Original Assignee
Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Guolan Zhongtian Environmental Technology Group Co ltd filed Critical Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Priority to CN202111066124.6A priority Critical patent/CN113506445B/zh
Publication of CN113506445A publication Critical patent/CN113506445A/zh
Application granted granted Critical
Publication of CN113506445B publication Critical patent/CN113506445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑出行者长期遵从行为变化的实时交通诱导系统及方法，该系统包括采用主从式网络架构的一台服务器和至少一台客户端；其中客户端包括信息监测模块、决策计算模块、第一通信模块和交通诱导信息发布模块；服务器包括决策生成模块、数据管理与存储模块及第二通信模块。本发明基于交通历史大数据应用鲁棒优化方法离线建立交通流量数据到交通诱导信息的最优映射关系，基于该映射关系根据实时收集的交通流量信息确定交通诱导信息，并传输至可变电子信息牌进行实时发布，保证了交通诱导信息的有效性与实时性。

Description

考虑出行者长期遵从行为变化的实时交通诱导系统及方法
技术领域
本发明涉及路网交通管理与控制技术领域，具体涉及一种考虑出行者长期遵从行为变化的实时交通诱导系统及方法。
背景技术
路网交通管理与控制是缓解城市交通拥堵及其衍生的一系列问题，如大气污染问题的有效方法，其主要作用为根据现有的路网供给，通过直接或间接的方式针对路网交通需求进行管理，从而保证其不超出路网的供给能力。常用的路网交通管控方法主要包含路网交叉口信号控制方法以及路网交通出行路径诱导方法。相较于信号控制方法，针对出行路径进行诱导可以直接对于路网交通需求进行调整，以匹配现有的路网供给能力，从而实现路网交通的供需平衡。
现有的交通诱导方法通常根据路网道路通行状况进行判断，如若某条主干道发生交通拥堵则推荐出行者选择相应的替代道路作为出行路径，这种方式可以短时间内缓解主干道的拥堵情况，一定程度上缓解主干道的通行压力。然而，代替道路往往由于路径较长，虽然通行更为顺畅，但假如主干道拥堵情况并不突出，则可能导致出行者更改路径后反而增加了出行时间，造成出行者对于交通诱导信息的遵从率降低，从而加剧主干道的拥堵情况。与此同时，道路交通状况除了有长期的规律性，如早晚高峰交通流潮汐现象，也会存在短期的不确定性或是突发事件，如交通事故发生所造成的拥堵，固定单一的交通诱导不适用于交通流的不确定性以及交通事件的偶发性。
因此，现有交通诱导方法存在静态、未考虑出行者针对交通诱导信息遵从行为的变化以及鲁棒性较差等问题。
发明内容
针对现有技术中的上述不足，本发明提供了一种考虑出行者长期遵从行为变化的实时交通诱导系统及方法，基于交通历史大数据应用鲁棒优化方法离线建立交通流量数据到交通诱导信息的最优映射关系，基于该映射关系根据实时收集的交通流量信息确定交通诱导信息，并传输至可变电子信息牌进行实时发布，保证了交通诱导信息的有效性与实时性。
为了达到上述发明目的，本发明采用的技术方案为：
第一方面，本发明提出了一种考虑出行者长期遵从行为变化的实时交通诱导系统，包括采用主从式网络架构的一台服务器和至少一台客户端；
所述客户端包括第一通信模块，及分别与所述第一通信模块通信连接的信息监测模块、决策计算模块、交通诱导信息发布模块；
所述信息监测模块用于利用布设于道路交通网络的检测器实时检测交通流数据；
所述决策计算模块用于利用历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系；
所述第一通信模块用于将实时交通流数据及交通流数据与最优交通诱导信息的映射关系传输至服务器，并且向服务器请求历史交通流数据、当前出行者对交通诱导信息的遵从率及优化决策方案；
所述交通诱导信息发布模块将优化决策方案中的交通诱导信息通过布设在交通网络路口的可变电子信息牌进行发布；
所述服务器包括第二通信模块，及分别与所述第二通信模块通信连接的决策生成模块、数据管理与存储模块；
所述决策生成模块用于利用实时交通流数据，根据建立的交通流量数据与最优交通诱导信息的映射关系实时生成优化决策方案；
所述数据管理与存储模块用于存储、管理及调用历史和实时交通流数据、出行者对交通诱导信息的遵从率、以及交通诱导决策规则的映射关系系数；
所述第二通信模块用于将调用的历史交通流数据和当前出行者对交通诱导信息的遵从率以及生成的优化决策方案传输至客户端。
进一步地，所述决策计算模块利用历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系，具体包括：
将历史交通流数据中的历史交通流量数据和经验通行时间按路网各路段进行编号，并按天排列；
根据历史交通流量数据和经验通行时间计算出行者遵循交通诱导信息的效益；
采用Logit行为选择模型根据出行者遵循交通诱导信息的效益更新出行者对交通诱导信息的遵从率；
设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标，采用元启发式算法对优化目标进行求解，建立交通流量数据与最优交通诱导信息的映射关系。
进一步地，所述出行者遵循交通诱导信息的效益的计算公式表示为：
Figure 346493DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示出行者第t天遵循交通诱导信息的效益，
Figure 529213DEST_PATH_IMAGE004
表示第t-1天交通诱导信息发布累积的效益，
Figure DEST_PATH_IMAGE005
表示第t天由A到B点的出行者若遵循交通诱导信息所节约的出行时间，w表示权重系数。
进一步地，所述出行者对交通诱导信息的遵从率的更新公式表示为：
Figure DEST_PATH_IMAGE007
其中，
Figure 636846DEST_PATH_IMAGE008
表示出行者在第t+1天对交通诱导信息的遵从率，
Figure DEST_PATH_IMAGE009
表示模型参数。
进一步地，所述设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标表示为：
Figure DEST_PATH_IMAGE011
其中，
Figure 97302DEST_PATH_IMAGE012
表示映射关系系数，D表示交通流量数据的概率分布，O表示包含真实分布的概率分布集合，E D 表示概率分布D的期望值，
Figure 646095DEST_PATH_IMAGE014
表示优化决策方案对路网管控效果的交通性能指标，q表示交通流量数据，V表示出行者对交通诱导信息的遵从率。
第二方面，本发明还提出了一种考虑出行者长期遵从行为变化的实时交通诱导方法，其特征在于，包括以下步骤：
利用客户端执行第一通信模块离线向服务器请求历史交通流数据和当前出行者对交通诱导信息的遵从率；
利用服务器执行数据管理与存储模块离线调用存储的历史交通流数据和当前出行者对交通诱导信息的遵从率，并执行第二通信模块将调用的历史交通流数据和当前出行者对交通诱导信息的遵从率传输至客户端；
利用客户端执行决策计算模块根据历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系，并执行第一通信模块将交通流数据与最优交通诱导信息的映射关系传输至服务器；
利用服务器执行第二通信模块接收交通流数据与最优交通诱导信息的映射关系，并执行数据管理与存储模块存储接收的映射关系；
利用客户端执行信息监测模块利用布设于道路交通网络的检测器实时检测交通流数据，并执行第一通信模块将实时交通流数据传输至服务器，向服务器请求优化决策方案；
利用服务器执行决策生成模块利用实时交通流数据，根据建立的交通流量数据与最优交通诱导信息的映射关系实时生成优化决策方案，并执行第二通信模块将生成的优化决策方案传输至客户端；
利用客户端执行交通诱导信息发布模块将优化决策方案中的交通诱导信息通过布设在交通网络路口的可变电子信息牌进行发布。
进一步地，所述利用客户端执行决策计算模块根据历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系，具体包括：
将历史交通流数据中的历史交通流量数据和经验通行时间按路网各路段进行编号，并按天排列；
根据历史交通流量数据和经验通行时间计算出行者遵循交通诱导信息的效益；
采用Logit行为选择模型根据出行者遵循交通诱导信息的效益更新出行者对交通诱导信息的遵从率；
设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标，采用元启发式算法对优化目标进行求解，建立交通流量数据与最优交通诱导信息的映射关系。
进一步地，所述出行者遵循交通诱导信息的效益的计算公式表示为：
Figure 999716DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
表示出行者第t天遵循交通诱导信息的效益，
Figure 797907DEST_PATH_IMAGE018
表示第t-1天交通诱导信息发布累积的效益，
Figure 793545DEST_PATH_IMAGE005
表示第t天由A到B点的出行者若遵循交通诱导信息所节约的出行时间，w表示权重系数。
进一步地，所述出行者对交通诱导信息的遵从率的更新公式表示为：
Figure 993582DEST_PATH_IMAGE020
其中，
Figure 721367DEST_PATH_IMAGE021
表示出行者在第t+1天对交通诱导信息的遵从率，
Figure 6855DEST_PATH_IMAGE009
表示模型参数。
进一步地，所述设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标表示为：
Figure 275025DEST_PATH_IMAGE023
其中，
Figure 329569DEST_PATH_IMAGE024
表示映射关系系数，D表示交通流量数据的概率分布，O表示包含真实分布的概率分布集合，E D 表示概率分布D的期望值，
Figure 556151DEST_PATH_IMAGE025
表示优化决策方案对路网管控效果的交通性能指标，q表示交通流量数据，V表示出行者对交通诱导信息的遵从率。
本发明具有以下有益效果：
（1）本发明解决了传统交通诱导方法通常在发生交通拥堵时，将预设好的交通诱导信息予以发布，难以针对交通状态的变化进行实时调整的问题，利用离线建立的交通流量与交通诱导信息的最优映射关系，基于实时收集的当前交通流量数据调整交通诱导信息，可以在保证管控效益最大化的情况下，针对快速变化的交通状态进行实时响应，实现实时交通诱导。
（2）本发明所设计的交通诱导方法除了在短期内响应交通状况的变化，还能针对出行者针对交通诱导信息长期遵从率的变化进行相应调整，避免了传统交通诱导方法短视的问题，更好的反应了交通诱导信息发布后交通状态的真实变化，同时避免了出行者对交通诱导信息不信任从而导致的交通诱导失效问题。
（3）本发明利用大量历史交通数据，建立由历史交通数据到交通诱导信息映射关系，该映射关系可以在各种交通情况下针对交通诱导信息进行实时调整，以适应交通流的规律性变化以及特殊交通事件如交通事故所带来的偶发性变化。
（4）在历史交通数据充足的情况下，本发明所设计的考虑出行者长期遵从行为变化的交通诱导系统及方法可应用于不同时段、多个城市、不同类型的交通网络。
附图说明
图1为本发明实施例中考虑出行者长期遵从行为变化的实时交通诱导系统结构示意图；
图2为本发明实施例中考虑出行者长期遵从行为变化的实时交通诱导方法流程示意图；
图3为本发明实施例中建立交通流数据与最优交通诱导信息的映射关系流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示，本发明实施例提供了一种考虑出行者长期遵从行为变化的实时交通诱导系统，包括采用主从式网络架构的一台服务器和至少一台客户端；
其中客户端包括第一通信模块，及分别与第一通信模块通信连接的信息监测模块、决策计算模块、交通诱导信息发布模块；
信息监测模块用于利用布设于道路交通网络的检测器实时检测交通流数据；
决策计算模块用于利用历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系；
第一通信模块用于将实时交通流数据及交通流数据与最优交通诱导信息的映射关系传输至服务器，并且向服务器请求历史交通流数据、当前出行者对交通诱导信息的遵从率及优化决策方案；
交通诱导信息发布模块将优化决策方案中的交通诱导信息通过布设在交通网络路口的可变电子信息牌进行发布；
服务器包括第二通信模块，及分别与第二通信模块通信连接的决策生成模块、数据管理与存储模块；
决策生成模块用于利用实时交通流数据，根据建立的交通流量数据与最优交通诱导信息的映射关系实时生成优化决策方案；
数据管理与存储模块用于存储、管理及调用历史和实时交通流数据、出行者对交通诱导信息的遵从率、以及交通诱导决策规则的映射关系系数；
第二通信模块用于将调用的历史交通流数据和当前出行者对交通诱导信息的遵从率以及生成的优化决策方案传输至客户端。
在本实施例中，本发明采用主从式网络架构搭建数据驱动路网交通信号控制的决策支持系统，该主从式网络架构由1号～N号的N台客户端和一台服务器组成，其中每台客户端均按照其软件系统所实现的功能划分为多个功能模块，具体包括信息监测模块、决策计算模块、第一通信模块和交通诱导信息发布模块，信息监测模块、决策计算模块和交通诱导信息发布模块均与第一通信模块通信连接，以进行数据传输；服务器按照其软件系统所实现的功能划分为多个功能模块，具体包括决策生成模块、数据管理与存储模块及第二通信模块，决策生成模块和数据管理与存储模块均与第二通信模块通信连接，以进行数据传输。
在本发明的一个可选实施例中，信息监测模块利用布设于道路交通网络各个路段、卡口的固定检测器（如感应线圈）或移动检测器（如浮动车）实时检测交通流数据；本发明所采集的实时交通流数据包括道路交通网络中各路口的交通流量以及路段的通行时间等，其可以表示为：
Figure 328935DEST_PATH_IMAGE027
其中，k表示当前所采集交通流数据的时间段，q k 表示在第k时间段采集的交通流数据。
在本发明的一个可选实施例中，决策计算模块采用交通仿真技术，如VISSIM、SUMO等，根据历史交通流数据建立交通仿真环境，利用服务器传递的历史交通大数据，逐日更新出行者对交通诱导信息的遵从率，并通过离线交通仿真和模型训练，建立交通流数据与交通诱导信息的最优映射关系。
本发明中历史交通流数据包含历史所有交通状况的交通流数据，如道路交通流量、路段通行时间等，客户端需根据每日更新的路段经验通行时间，逐日更新出行者针对交通诱导信息的遵从率，在离线建立交通流数据到交通诱导信息的映射关系时，需根据历史交通流数据，对映射关系进行训练，从而使得系统生成的交通诱导信息应对任意交通条件都具有良好的鲁棒性。
具体而言，本发明所建立的由交通流数据到最优交通诱导信息的映射关系是一种交通流数据与交通诱导信息的映射关系，可根据实时输入的交通流数据直接计算得到最优交通诱导信息。该映射关系f(∙,∙)具体表达式如下：
Figure DEST_PATH_IMAGE029
其中，u表示生成的交通诱导信息，
Figure 135217DEST_PATH_IMAGE030
表示映射关系系数，q表示实时输入的交通流数据，V表示出行者对交通诱导信息的遵从率。
决策计算模块利用历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系，具体包括：
将历史交通流数据中的历史交通流量数据和经验通行时间按路网各路段进行编号，并按天排列；
具体而言，服务器从数据库中调用路网各交叉口历史交通流量数据后，需要将数据传输至发出请求指令的客户端，历史交通流量数据q 总以及经验通行时间μ 总按路网各路段进行编号，并按天排列，表示为：
Figure 309846DEST_PATH_IMAGE032
其中，
Figure 379433DEST_PATH_IMAGE034
表示路段1, 2, ..., n的历史交通流量数据，表示为：
Figure 905093DEST_PATH_IMAGE036
其中，
Figure 718328DEST_PATH_IMAGE038
分别表示路段i在第1, 2, ..., T天的交通流量和通行时间。
本发明利用丰富的历史交通流数据可以最大程度上包含所有可能出现的路网交通状态，用以更新出行者针对交通诱导信息的遵从率以及建立由交通数据到交通诱导信息的映射关系，同时增强最优交通诱导方案的鲁棒性。
根据历史交通流量数据和经验通行时间计算出行者遵循交通诱导信息的效益；
具体而言，出行者针对交通诱导信息的遵从率受到出行者过去的出行经验判断以及对交通诱导信息所推荐路径判断的影响，据此，本发明定义在第t天由A到B点的出行者遵循交通诱导信息的效益
Figure DEST_PATH_IMAGE039
如下：
Figure DEST_PATH_IMAGE041
其中，
Figure 278622DEST_PATH_IMAGE042
表示出行者第t天遵循交通诱导信息的效益；w表示出行时间
Figure 867514DEST_PATH_IMAGE043
的权重系数；
Figure 349311DEST_PATH_IMAGE044
表示第t-1天交通诱导信息发布累积的效益，可表示出行者对过去交通诱导信息有效性的经验；
Figure 966238DEST_PATH_IMAGE045
表示第t天由A到B点的出行者若遵循交通诱导信息所节约的出行时间，可表示出行者当天对于诱导信息所推荐路径有效性的判断，其计算表达式如下：
Figure 115459DEST_PATH_IMAGE047
其中，I AB 表示所有从A到B点的可选出行路径集合，N AB 表示从A到B点可选出行路径的数量，r表示交通诱导信息针对从A到B点的出行者所推荐的出行路径，
Figure DEST_PATH_IMAGE049
和
Figure DEST_PATH_IMAGE051
分别表示第t天i路径及r路径的通行时间。与此同时，不遵从交通诱导信息所得效益即为
Figure 120324DEST_PATH_IMAGE052
。
采用Logit行为选择模型根据出行者遵循交通诱导信息的效益更新出行者对交通诱导信息的遵从率；
具体而言，出行者对交通诱导信息的遵从率是指出行者在接收交通诱导信息后，放弃原有出行路径转而选择诱导信息所选择的路径的比例，遵从率一般受到出行者对于过去交通诱导信息有效性的经验判断，以及对于当前交通诱导所推荐路径的个人评估的影响。换句话说，若出行者遵从交通诱导能节约出行时间，出行者针对交通诱导信息的遵从率也能有所增加。
出行者对交通诱导信息的遵从率的更新公式表示为：
Figure 292680DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
表示出行者在第t+1天对交通诱导信息的遵从率，
Figure 41193DEST_PATH_IMAGE009
表示模型参数。
设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标，采用元启发式算法对优化目标进行求解，建立交通流量数据与最优交通诱导信息的映射关系。
具体而言，从包含历史所有交通状况的交通流量数据
Figure 248183DEST_PATH_IMAGE056
中，针对每个路口i采样N个不同的M时间段内的交通流量数据
Figure 158370DEST_PATH_IMAGE058
，k表示当前所收集交通流数据的时间段，作为输入至所需求解映射关系的历史交通流数据集合，令
Figure 818022DEST_PATH_IMAGE060
表示映射关系的交通流量输入数据，所需求解的映射关系
Figure DEST_PATH_IMAGE061
是系数为
Figure 370226DEST_PATH_IMAGE062
，自变量为q的线性函数，其具体表达式如下：
Figure 166144DEST_PATH_IMAGE064
该映射关系通过以上线性函数可根据实时交通流量数据q直接计算得到交通诱导信息。计算所得优化交通诱导信息的有效性取决于映射关系系数，为保证所得优化决策方案的最优管控效果，需要针对上述函数形式的映射关系求解最优映射关系系数
Figure DEST_PATH_IMAGE065
。为求解最优映射关系系数，本发明首先定义评价优化决策方案对于路网管控效果的性能指标
Figure 778391DEST_PATH_IMAGE066
，该式表示在输入交通流量数据为q，交通诱导信息为
Figure DEST_PATH_IMAGE067
时的路网交通性能，可用于评价路网交通性能的指标包括路网总通行时间、路网总排放、总燃油消耗等。
由于路网交通流量的不确定性，求解的最优系数α需要考虑所有可能存在的路网交通流量，从而映射关系所得到的交通诱导信息针对任意路网交通状态都具有很好的鲁棒性。假设路网性能指标越低，如路网总通行时间越小表示管控效果越佳，指标越高，如路网总通行时间越长则表示控制效果越差，为保证优化决策方案的鲁棒性，定义求解最优映射关系系数的优化目标为最小化所有路网交通状态中管控效果最差时的路网交通性能指标，从而保证在任意给定交通状况下，实施根据映射关系计算得到的交通诱导信息都具有良好的管控效果。
本发明设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标表示为：
Figure DEST_PATH_IMAGE069
其中，
Figure 456497DEST_PATH_IMAGE070
表示映射关系系数，D表示交通流数据q所遵循的一项未知概率分布，O表示包含真实分布的概率分布集合，E D 表示概率分布D的期望值，
Figure DEST_PATH_IMAGE071
表示优化决策方案对路网管控效果的交通性能指标，q表示交通流量数据，V表示出行者对交通诱导信息的遵从率。在实际应用中所收集的交通流量数据往往存在数据量不足、噪音大等问题，难以对交通状态数据所遵循的真实概率分布进行估计。因此，本发明构建包含真实分布的概率分布集合O，集合由候选概率分布组成，并求解在交通流量数据可能遵循的所有候选概率分布中，管控效益最差情况下的路网性能期望值，最小化该期望值得到的最优映射关系系数
Figure 812392DEST_PATH_IMAGE070
。
得到评估优化目标函数值的计算方法后，步骤C3所建立的最小化-最大化问题可采用元启发式算法求解，如遗传算法、粒子群优化算法、模拟退火算法等。这一类算法只需要零阶信息，即在求解优化问题的过程中，只需在针对给定系数
Figure 728395DEST_PATH_IMAGE070
的情况下，不断评估目标函数值
Figure DEST_PATH_IMAGE073
即可，最后选取使该目标函数值最小化的映射关系系数
Figure 449226DEST_PATH_IMAGE070
，从而建立从实时输入的交通流数据q直接输出交通诱导信息u的决策规则
Figure 883137DEST_PATH_IMAGE074
。客户端执行决策计算模块，生成该决策规则后，将决策规则的相关系数传输至服务器进行存储，以供后续实时决策使用。
在本发明的一个可选实施例中，第一通信模块采用数据通信技术，如SOCKET、HTTP等，用于交通流数据、交通诱导信息在客户端与服务器间的传输。客户端执行第一通信模块向服务器请求历史交通流数据和当前出行者对交通诱导信息的遵从率，将最优交通诱导信息的映射关系传输至服务器；并且将实时收集的交通流数据传输至服务器，在传输数据的同时，向服务器发出请求优化决策方案的指令，传输至服务器的交通流数据将作为映射关系输入。
在本发明的一个可选实施例中，交通诱导信息发布模块用于客户端向服务器实时请求接收包含交通诱导信息的优化决策方案，客户端在接收服务器传输的交通诱导信息后，利用布设在指定路口的可变电子信息牌进行发布，以提醒出行者提前更改出行路径，可变电子信息牌可以保证交通诱导信息发布的实时性。
在本发明的一个可选实施例中，决策生成模块根据服务器接收客户端的请求优化决策方案的指令，调用建立的决策规则
Figure DEST_PATH_IMAGE075
，根据输入的交通流数据q，以及预先存储的可行交通诱导信息集合
Figure 980406DEST_PATH_IMAGE076
，计算优化决策方案
Figure 78812DEST_PATH_IMAGE077
。
在本发明的一个可选实施例中，数据管理与存储模块采用数据库管理技术，如PostgreSQL、Oracle等，用于服务器存储和管理历史及实时传输交通流数据，如道路交通流量、路段通行时间，出行者针对交通诱导信息的遵从率，以及交通诱导决策规则的映射关系系数。其中服务器管理历史交通流数据包括离线调用存储于数据库的历史交通流数据，即服务器从数据库调用的历史交通流数据，包括道路交通网络各交叉口、进口道以及出口道的交通流量、每日更新的各路段实际通行时间等。
在本发明的一个可选实施例中，第二通信模块采用数据通信技术，如SOCKET、HTTP等，用于交通流数据、交通诱导信息在客户端与服务器间的传输。服务器执行第二通信模块将从数据管理与存储模块调用的历史交通流数据和当前出行者对交通诱导信息的遵从率传输至客户端；并且将决策生成模块生成的优化决策方案传输至客户端予以实施。
实施例2
如图2所示，本发明实施例还提供了一种考虑出行者长期遵从行为变化的实时交通诱导方法，包括以下步骤S1至S7：
S1、利用客户端执行第一通信模块离线向服务器请求历史交通流数据和当前出行者对交通诱导信息的遵从率；
在本实施例中，本发明所采用的第一通信模块采用数据通信技术，如SOCKET、HTTP等，用于交通流数据、交通诱导信息在客户端与服务器间的传输。本发明利用客户端执行第一通信模块向服务器请求历史交通流数据和当前出行者对交通诱导信息的遵从率，以进行决策计算。
S2、利用服务器执行数据管理与存储模块离线调用存储的历史交通流数据和当前出行者对交通诱导信息的遵从率，并执行第二通信模块将调用的历史交通流数据和当前出行者对交通诱导信息的遵从率传输至客户端；
在本实施例中，本发明所采用的数据管理与存储模块采用数据库管理技术，如PostgreSQL、Oracle等，用于服务器存储和管理历史及实时传输交通流数据，如道路交通流量、路段通行时间，出行者针对交通诱导信息的遵从率，以及交通诱导决策规则的映射关系系数。利用服务器执行数据管理与存储模块离线调用存储的历史交通流数据具体为利用服务器从数据库调用的历史交通流数据，包括道路交通网络各交叉口、进口道以及出口道的交通流量、每日更新的各路段实际通行时间等。
本发明所采用的第二通信模块采用数据通信技术，如SOCKET、HTTP等，用于交通流数据、交通诱导信息在客户端与服务器间的传输。本发明利用服务器执行第二通信模块将从数据管理与存储模块调用的历史交通流数据和当前出行者对交通诱导信息的遵从率传输至客户端，以进行决策计算。
S3、利用客户端执行决策计算模块根据历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系，并执行第一通信模块将交通流数据与最优交通诱导信息的映射关系传输至服务器；
在本实施例中，本发明所采用的决策计算模块采用交通仿真技术，如VISSIM、SUMO等，根据历史交通流数据建立交通仿真环境，利用服务器传递的历史交通大数据，逐日更新出行者对交通诱导信息的遵从率，并通过离线交通仿真和模型训练，建立交通流数据与交通诱导信息的最优映射关系。
本发明中历史交通流数据包含历史所有交通状况的交通流数据，如道路交通流量、路段通行时间等，客户端需根据每日更新的路段经验通行时间，逐日更新出行者针对交通诱导信息的遵从率，在离线建立交通流数据到交通诱导信息的映射关系时，需根据历史交通流数据，对映射关系进行训练，从而使得系统生成的交通诱导信息应对任意交通条件都具有良好的鲁棒性。
具体而言，本发明所建立的由交通流数据到最优交通诱导信息的映射关系是一种交通流数据与交通诱导信息的映射关系，可根据实时输入的交通流数据直接计算得到最优交通诱导信息。该映射关系f(∙,∙)具体表达式如下：
Figure 970545DEST_PATH_IMAGE078
其中，u表示生成的交通诱导信息，
Figure 92085DEST_PATH_IMAGE079
表示映射关系系数，q表示实时输入的交通流数据，V表示出行者对交通诱导信息的遵从率。
本发明利用客户端执行决策计算模块根据历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系，如图3所示，具体包括以下分步骤S31至S34：
S31、将历史交通流数据中的历史交通流量数据和经验通行时间按路网各路段进行编号，并按天排列；
具体而言，服务器从数据库中调用路网各交叉口历史交通流量数据后，需要将数据传输至发出请求指令的客户端，历史交通流量数据q 总以及经验通行时间μ 总按路网各路段进行编号，并按天排列，表示为：
Figure 258624DEST_PATH_IMAGE081
其中，
Figure 883640DEST_PATH_IMAGE083
表示路段1, 2, ..., n的历史交通流量数据，表示为：
Figure 211853DEST_PATH_IMAGE085
其中，
Figure 617427DEST_PATH_IMAGE087
分别表示路段i在第1, 2, ..., T天的交通流量和通行时间。
本发明利用丰富的历史交通流数据可以最大程度上包含所有可能出现的路网交通状态，用以更新出行者针对交通诱导信息的遵从率以及建立由交通数据到交通诱导信息的映射关系，同时增强最优交通诱导方案的鲁棒性。
S32、根据历史交通流量数据和经验通行时间计算出行者遵循交通诱导信息的效益；
具体而言，出行者针对交通诱导信息的遵从率受到出行者过去的出行经验判断以及对交通诱导信息所推荐路径判断的影响，据此，本发明定义在第t天由A到B点的出行者遵循交通诱导信息的效益
Figure DEST_PATH_IMAGE088
如下：
Figure 56499DEST_PATH_IMAGE090
其中，
Figure 863918DEST_PATH_IMAGE091
表示出行者第t天遵循交通诱导信息的效益；w表示出行时间
Figure 566294DEST_PATH_IMAGE092
的权重系数；
Figure 459164DEST_PATH_IMAGE093
表示第t-1天交通诱导信息发布累积的效益，可表示出行者对过去交通诱导信息有效性的经验；
Figure 905189DEST_PATH_IMAGE094
表示第t天由A到B点的出行者若遵循交通诱导信息所节约的出行时间，可表示出行者当天对于诱导信息所推荐路径有效性的判断，其计算表达式如下：
Figure 301535DEST_PATH_IMAGE096
其中，I AB 表示所有从A到B点的可选出行路径集合，N AB 表示从A到B点可选出行路径的数量，r表示交通诱导信息针对从A到B点的出行者所推荐的出行路径，
Figure 237130DEST_PATH_IMAGE097
和
Figure 351717DEST_PATH_IMAGE098
分别表示第t天i路径及r路径的通行时间。与此同时，不遵从交通诱导信息所得效益即为
Figure 335853DEST_PATH_IMAGE099
。
S33、采用Logit行为选择模型根据出行者遵循交通诱导信息的效益更新出行者对交通诱导信息的遵从率；
具体而言，出行者对交通诱导信息的遵从率是指出行者在接收交通诱导信息后，放弃原有出行路径转而选择诱导信息所选择的路径的比例，遵从率一般受到出行者对于过去交通诱导信息有效性的经验判断，以及对于当前交通诱导所推荐路径的个人评估的影响。换句话说，若出行者遵从交通诱导能节约出行时间，出行者针对交通诱导信息的遵从率也能有所增加。
出行者对交通诱导信息的遵从率的更新公式表示为：
Figure 117864DEST_PATH_IMAGE101
其中，
Figure 162044DEST_PATH_IMAGE102
表示出行者在第t+1天对交通诱导信息的遵从率，
Figure 29506DEST_PATH_IMAGE103
表示模型参数。
S34、设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标，采用元启发式算法对优化目标进行求解，建立交通流量数据与最优交通诱导信息的映射关系。
具体而言，从包含历史所有交通状况的交通流量数据
Figure 614071DEST_PATH_IMAGE104
中，针对每个路口
Figure 188271DEST_PATH_IMAGE105
采样N个不同的M时间段内的交通流量数据
Figure 462739DEST_PATH_IMAGE107
，k表示当前所收集交通流数据的时间段，作为输入至所需求解映射关系的历史交通流数据集合，令
Figure 286339DEST_PATH_IMAGE109
表示映射关系的交通流量输入数据，所需求解的映射关系
Figure DEST_PATH_IMAGE110
是系数为
Figure 674595DEST_PATH_IMAGE111
，自变量为q的线性函数，其具体表达式如下：
Figure 103302DEST_PATH_IMAGE113
该映射关系通过以上线性函数可根据实时交通流量数据q直接计算得到交通诱导信息。计算所得优化交通诱导信息的有效性取决于映射关系系数，为保证所得优化决策方案的最优管控效果，需要针对上述函数形式的映射关系求解最优映射关系系数
Figure 551601DEST_PATH_IMAGE114
。为求解最优映射关系系数，本发明首先定义评价优化决策方案对于路网管控效果的性能指标
Figure 128076DEST_PATH_IMAGE115
，该式表示在输入交通流量数据为q，交通诱导信息为
Figure 257706DEST_PATH_IMAGE116
时的路网交通性能，可用于评价路网交通性能的指标包括路网总通行时间、路网总排放、总燃油消耗等。
由于路网交通流量的不确定性，求解的最优系数α需要考虑所有可能存在的路网交通流量，从而映射关系所得到的交通诱导信息针对任意路网交通状态都具有很好的鲁棒性。假设路网性能指标越低，如路网总通行时间越小表示管控效果越佳，指标越高，如路网总通行时间越长则表示控制效果越差，为保证优化决策方案的鲁棒性，定义求解最优映射关系系数的优化目标为最小化所有路网交通状态中管控效果最差时的路网交通性能指标，从而保证在任意给定交通状况下，实施根据映射关系计算得到的交通诱导信息都具有良好的管控效果。
本发明设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标表示为：
Figure 603237DEST_PATH_IMAGE118
其中，
Figure 222437DEST_PATH_IMAGE070
表示映射关系系数，D表示交通流数据q所遵循的一项未知概率分布，O表示包含真实分布的概率分布集合，E D 表示概率分布D的期望值，
Figure 223891DEST_PATH_IMAGE119
表示优化决策方案对路网管控效果的交通性能指标，q表示交通流量数据，V表示出行者对交通诱导信息的遵从率。在实际应用中所收集的交通流量数据往往存在数据量不足、噪音大等问题，难以对交通状态数据所遵循的真实概率分布进行估计。因此，本发明构建包含真实分布的概率分布集合O，集合由候选概率分布组成，并求解在交通流量数据可能遵循的所有候选概率分布中，管控效益最差情况下的路网性能期望值，最小化该期望值得到的最优映射关系系数
Figure 219529DEST_PATH_IMAGE121
。
得到评估优化目标函数值的计算方法后，步骤C3所建立的最小化-最大化问题可采用元启发式算法求解，如遗传算法、粒子群优化算法、模拟退火算法等。这一类算法只需要零阶信息，即在求解优化问题的过程中，只需在针对给定系数
Figure 357249DEST_PATH_IMAGE070
的情况下，不断评估目标函数值
Figure 412930DEST_PATH_IMAGE123
即可，最后选取使该目标函数值最小化的映射关系系数
Figure 698417DEST_PATH_IMAGE070
，从而建立从实时输入的交通流数据q直接输出交通诱导信息u的决策规则
Figure 169850DEST_PATH_IMAGE124
。客户端执行决策计算模块，生成该决策规则后，将决策规则的相关系数传输至服务器进行存储，以供后续实时决策使用。
S4、利用服务器执行第二通信模块接收交通流数据与最优交通诱导信息的映射关系，并执行数据管理与存储模块存储接收的映射关系；
S5、利用客户端执行信息监测模块利用布设于道路交通网络的检测器实时检测交通流数据，并执行第一通信模块将实时交通流数据传输至服务器，向服务器请求优化决策方案；
在本实施例中，本发明所采用的信息监测模块利用布设于道路交通网络各个路段、卡口的固定检测器（如感应线圈）或移动检测器（如浮动车）实时检测交通流数据；本发明所采集的实时交通流数据包括道路交通网络中各路口的交通流量以及路段的通行时间等，其可以表示为：
Figure DEST_PATH_IMAGE126
其中，k表示当前所采集交通流数据的时间段，q k 表示在第k时间段采集的交通流数据。
本发明利用第一通信模块将实时收集的交通流数据传输至服务器，在传输数据的同时，向服务器发出请求优化决策方案的指令，传输至服务器的交通流数据将作为映射关系输入。
S6、利用服务器执行决策生成模块利用实时交通流数据，根据建立的交通流量数据与最优交通诱导信息的映射关系实时生成优化决策方案，并执行第二通信模块将生成的优化决策方案传输至客户端；
在本实施例中，本发明所采用的决策生成模块根据服务器接收客户端的请求优化决策方案的指令，调用建立的决策规则
Figure 21131DEST_PATH_IMAGE127
，根据输入的交通流数据q，以及预先存储的可行交通诱导信息集合
Figure 185397DEST_PATH_IMAGE128
，计算优化决策方案
Figure 958180DEST_PATH_IMAGE130
。
本发明利用第二通信模块将决策生成模块生成的优化决策方案传输至客户端予以实施。
S7、利用客户端执行交通诱导信息发布模块将优化决策方案中的交通诱导信息通过布设在交通网络路口的可变电子信息牌进行发布。
在本实施例中，本发明所采用的交通诱导信息发布模块用于客户端向服务器实时请求接收包含交通诱导信息的优化决策方案，客户端在接收服务器传输的交通诱导信息后，利用布设在指定路口的可变电子信息牌进行发布，以提醒出行者提前更改出行路径，可变电子信息牌可以保证交通诱导信息发布的实时性。
通过以上步骤，本发明实施例提供的考虑出行者短期响应及长期遵从行为变化的实时交通诱导系统及方法，解决了传统交通诱导静态、未考虑出行者遵从行为变化、鲁棒性较差等在路网交通管控中的局限性。该实时交通诱导系统，通过服务器与客户端各模块之间的相互配合，实现交通诱导信息的实时生成与发布。该交通诱导方法，考虑出行者针对交通诱导信息遵从率的长期变化，同时针对路网交通流状态的高度不确定性，利用包含各种可能交通状况的历史交通大数据，建立交通数据与交通诱导信息的映射关系，从而根据实时交通流量数据直接确定交通诱导信息，为交通管理者提升路网交通性能、缓解交通拥堵及交通事故发生所带来的影响、实时应对各种突发情况等多目标决策提供解决思路，具有良好的应用前景。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种考虑出行者长期遵从行为变化的实时交通诱导系统，其特征在于，包括采用主从式网络架构的一台服务器和至少一台客户端；
所述客户端包括第一通信模块，及分别与所述第一通信模块通信连接的信息监测模块、决策计算模块、交通诱导信息发布模块；
所述信息监测模块用于利用布设于道路交通网络的检测器实时检测交通流数据；
所述决策计算模块用于利用历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系，具体包括：
将历史交通流数据中的历史交通流量数据和经验通行时间按路网各路段进行编号，并按天排列；
根据历史交通流量数据和经验通行时间计算出行者遵循交通诱导信息的效益，计算公式表示为：
Figure 131643DEST_PATH_IMAGE001
其中，
Figure 816571DEST_PATH_IMAGE002
表示出行者第t天遵循交通诱导信息的效益，
Figure 775168DEST_PATH_IMAGE003
表示第t-1天交通诱导信息发布累积的效益，
Figure 912757DEST_PATH_IMAGE004
表示第t天由A到B点的出行者若遵循交通诱导信息所节约的出行时间，计算表达式如下：
Figure 327688DEST_PATH_IMAGE005
其中，I AB 表示所有从A到B点的可选出行路径集合，N AB 表示从A到B点可选出行路径的数量，r表示交通诱导信息针对从A到B点的出行者所推荐的出行路径，
Figure 867122DEST_PATH_IMAGE006
和
Figure 262200DEST_PATH_IMAGE007
分别表示第t天i路径及r路径的通行时间；w表示权重系数；
采用Logit行为选择模型根据出行者遵循交通诱导信息的效益更新出行者对交通诱导信息的遵从率，更新公式表示为：
Figure 887086DEST_PATH_IMAGE008
其中，
Figure 697916DEST_PATH_IMAGE009
表示出行者在第t+1天对交通诱导信息的遵从率，
Figure 363295DEST_PATH_IMAGE010
表示模型参数；
设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标，表示为：
Figure 929275DEST_PATH_IMAGE011
其中，
Figure 41456DEST_PATH_IMAGE012
表示映射关系系数，D表示交通流量数据q所遵循的一项未知概率分布，O表示包含真实分布的概率分布集合，E D 表示概率分布D的期望值，
Figure 780611DEST_PATH_IMAGE013
表示优化决策方案对路网管控效果的交通性能指标，q表示交通流量数据，V表示出行者对交通诱导信息的遵从率；
采用元启发式算法对优化目标进行求解，建立交通流量数据与最优交通诱导信息的映射关系；
所述第一通信模块用于将实时交通流数据及交通流数据与最优交通诱导信息的映射关系传输至服务器，并且向服务器请求历史交通流数据、当前出行者对交通诱导信息的遵从率及优化决策方案；
所述交通诱导信息发布模块将优化决策方案中的最优交通诱导信息通过布设在交通网络路口的可变电子信息牌进行发布；
所述服务器包括第二通信模块，及分别与所述第二通信模块通信连接的决策生成模块、数据管理与存储模块；
所述决策生成模块用于利用实时交通流数据，根据建立的交通流量数据与最优交通诱导信息的映射关系实时生成优化决策方案；
所述数据管理与存储模块用于存储、管理及调用历史和实时交通流数据、出行者对交通诱导信息的遵从率、以及交通流数据与最优交通诱导信息的映射关系系数；
所述第二通信模块用于将调用的历史交通流数据和当前出行者对交通诱导信息的遵从率以及生成的优化决策方案传输至客户端。
2.一种考虑出行者长期遵从行为变化的实时交通诱导方法，其特征在于，包括以下步骤：
利用客户端执行第一通信模块离线向服务器请求历史交通流数据和当前出行者对交通诱导信息的遵从率；
利用服务器执行数据管理与存储模块离线调用存储的历史交通流数据和当前出行者对交通诱导信息的遵从率，并执行第二通信模块将调用的历史交通流数据和当前出行者对交通诱导信息的遵从率传输至客户端；
利用客户端执行决策计算模块根据历史交通流数据更新出行者对交通诱导信息的遵从率，建立交通流数据与最优交通诱导信息的映射关系，具体包括：
将历史交通流数据中的历史交通流量数据和经验通行时间按路网各路段进行编号，并按天排列；
根据历史交通流量数据和经验通行时间计算出行者遵循交通诱导信息的效益，计算公式表示为：
Figure 701163DEST_PATH_IMAGE014
其中，
Figure 494501DEST_PATH_IMAGE015
表示出行者第t天遵循交通诱导信息的效益，
Figure 359557DEST_PATH_IMAGE016
表示第t-1天交通诱导信息发布累积的效益，
Figure 308928DEST_PATH_IMAGE017
表示第t天由A到B点的出行者若遵循交通诱导信息所节约的出行时间，计算表达式如下：
Figure 943040DEST_PATH_IMAGE005
其中，I AB 表示所有从A到B点的可选出行路径集合，N AB 表示从A到B点可选出行路径的数量，r表示交通诱导信息针对从A到B点的出行者所推荐的出行路径，
Figure 788505DEST_PATH_IMAGE018
和
Figure 209035DEST_PATH_IMAGE007
分别表示第t天i路径及r路径的通行时间；w表示权重系数；
采用Logit行为选择模型根据出行者遵循交通诱导信息的效益更新出行者对交通诱导信息的遵从率，更新公式表示为：
Figure 634200DEST_PATH_IMAGE019
其中，
Figure 450715DEST_PATH_IMAGE020
表示出行者在第t+1天对交通诱导信息的遵从率，
Figure 998240DEST_PATH_IMAGE010
表示模型参数；
设定最小化所有路网交通状态中管控效果最差时的路网交通性能指标作为优化目标，表示为：
Figure 837889DEST_PATH_IMAGE011
其中，
Figure 412219DEST_PATH_IMAGE012
表示映射关系系数，D表示交通流量数据q所遵循的一项未知概率分布，O表示包含真实分布的概率分布集合，E D 表示概率分布D的期望值，
Figure 693027DEST_PATH_IMAGE013
表示优化决策方案对路网管控效果的交通性能指标，q表示交通流量数据，V表示出行者对交通诱导信息的遵从率；
采用元启发式算法对优化目标进行求解，建立交通流量数据与最优交通诱导信息的映射关系；
并执行第一通信模块将交通流数据与最优交通诱导信息的映射关系传输至服务器；
利用服务器执行第二通信模块接收交通流数据与最优交通诱导信息的映射关系，并执行数据管理与存储模块存储接收的映射关系；
利用客户端执行信息监测模块利用布设于道路交通网络的检测器实时检测交通流数据，并执行第一通信模块将实时交通流数据传输至服务器，向服务器请求优化决策方案；
利用服务器执行决策生成模块利用实时交通流数据，根据建立的交通流量数据与最优交通诱导信息的映射关系实时生成优化决策方案，并执行第二通信模块将生成的优化决策方案传输至客户端；
利用客户端执行交通诱导信息发布模块将优化决策方案中的最优交通诱导信息通过布设在交通网络路口的可变电子信息牌进行发布。
CN202111066124.6A 2021-09-13 2021-09-13 考虑出行者长期遵从行为变化的实时交通诱导系统及方法 Active CN113506445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111066124.6A CN113506445B (zh) 2021-09-13 2021-09-13 考虑出行者长期遵从行为变化的实时交通诱导系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111066124.6A CN113506445B (zh) 2021-09-13 2021-09-13 考虑出行者长期遵从行为变化的实时交通诱导系统及方法

Publications (2)

Publication Number Publication Date
CN113506445A CN113506445A (zh) 2021-10-15
CN113506445B true CN113506445B (zh) 2021-11-30

Family

ID=78016898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111066124.6A Active CN113506445B (zh) 2021-09-13 2021-09-13 考虑出行者长期遵从行为变化的实时交通诱导系统及方法

Country Status (1)

Country Link
CN (1) CN113506445B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021133247A1 (de) 2021-12-15 2023-06-15 Joynext Gmbh Bestimmen einer Zeitdauer und eines Energieverbrauchs zum Passieren eines Knotenpunktes auf einer Fahrtroute

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743396B (zh) * 2022-03-29 2023-04-28 江苏拓邮信息智能技术研究院有限公司 基于粒子群优化算法的交通诱导调度系统及其调度方法
CN116386336B (zh) * 2023-05-29 2023-08-08 四川国蓝中天环境科技集团有限公司 基于卡口车牌数据的路网交通流量鲁棒计算方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60121200D1 (de) * 2000-10-27 2006-08-10 Thales Sa Verfahren zur führung eines flugzeugs in einer formation
CN101281684A (zh) * 2008-01-30 2008-10-08 吉林大学 显示板诱导与区域控制协同运作的区域交通管理系统
CN101465057A (zh) * 2009-01-05 2009-06-24 天津大学 智能式动态路线诱导系统诱导子区协调方法
CN101465058A (zh) * 2009-01-05 2009-06-24 天津大学 智能式动态路线诱导系统诱导单元决策方法
CN102750826A (zh) * 2012-06-26 2012-10-24 浙江大学 一种用于群体诱导信息下驾驶员响应行为的辨识方法
CN103106789A (zh) * 2013-01-10 2013-05-15 东南大学 一种交通诱导系统与信号控制系统的协同方法
CN104157151A (zh) * 2014-06-13 2014-11-19 东南大学 城市交通诱导与信号控制的协同方法及系统
KR20160064672A (ko) * 2014-11-28 2016-06-08 현대모비스 주식회사 차량의 전방충돌위험경보 및 안전운행가이드 시스템 및 그 제어방법
CN106952475A (zh) * 2017-04-26 2017-07-14 清华大学 用户均衡原则下的双路径路网个性化诱导率分配方法
CN110491125A (zh) * 2019-08-20 2019-11-22 江苏金晓电子信息股份有限公司 一种交通预警诱导信息生成方法
CN112102619A (zh) * 2020-09-14 2020-12-18 广东新时空科技股份有限公司 基于融合时空关系的驾驶行为分析与分级方法
CN113055233A (zh) * 2021-03-12 2021-06-29 北京工业大学 基于奖励机制的个性化信息协作发布方法
CN113299059A (zh) * 2021-04-08 2021-08-24 四川国蓝中天环境科技集团有限公司 一种数据驱动的道路交通管控决策支持方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011094734A2 (en) * 2010-02-01 2011-08-04 Jumptap, Inc. Integrated advertising system
CN105761520A (zh) * 2014-12-17 2016-07-13 上海宝康电子控制工程有限公司 实现交通路线自适应诱导的系统
KR102286574B1 (ko) * 2019-03-07 2021-08-06 한국전자통신연구원 운전 가이드 정보 제공 방법 및 장치
CA3143232A1 (en) * 2019-06-24 2020-12-30 Bilal FAROOQ Distributed traffic management system with dynamic end-to-end routing

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60121200D1 (de) * 2000-10-27 2006-08-10 Thales Sa Verfahren zur führung eines flugzeugs in einer formation
CN101281684A (zh) * 2008-01-30 2008-10-08 吉林大学 显示板诱导与区域控制协同运作的区域交通管理系统
CN101465057A (zh) * 2009-01-05 2009-06-24 天津大学 智能式动态路线诱导系统诱导子区协调方法
CN101465058A (zh) * 2009-01-05 2009-06-24 天津大学 智能式动态路线诱导系统诱导单元决策方法
CN102750826A (zh) * 2012-06-26 2012-10-24 浙江大学 一种用于群体诱导信息下驾驶员响应行为的辨识方法
CN103106789A (zh) * 2013-01-10 2013-05-15 东南大学 一种交通诱导系统与信号控制系统的协同方法
CN104157151A (zh) * 2014-06-13 2014-11-19 东南大学 城市交通诱导与信号控制的协同方法及系统
KR20160064672A (ko) * 2014-11-28 2016-06-08 현대모비스 주식회사 차량의 전방충돌위험경보 및 안전운행가이드 시스템 및 그 제어방법
CN106952475A (zh) * 2017-04-26 2017-07-14 清华大学 用户均衡原则下的双路径路网个性化诱导率分配方法
CN110491125A (zh) * 2019-08-20 2019-11-22 江苏金晓电子信息股份有限公司 一种交通预警诱导信息生成方法
CN112102619A (zh) * 2020-09-14 2020-12-18 广东新时空科技股份有限公司 基于融合时空关系的驾驶行为分析与分级方法
CN113055233A (zh) * 2021-03-12 2021-06-29 北京工业大学 基于奖励机制的个性化信息协作发布方法
CN113299059A (zh) * 2021-04-08 2021-08-24 四川国蓝中天环境科技集团有限公司 一种数据驱动的道路交通管控决策支持方法

Non-Patent Citations (14)

* Cited by examiner, † Cited by third party
Title
Hui Fu等."Optimization of Evacuation Traffic Management With Intersection Control Constraints".《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》.2015,第16卷(第1期), *
Jun Song等."Deep-MAPS: Machine-Learning-Based Mobile Air Pollution Sensing".《IEEE Internet of Things Journal》.2020,第8卷(第9期), *
Ke Han等."On the continuum approximation of the on-and-off signal control on dynamic traffic networks".《ELSEVIER-Transportation Research Part B》.2014, *
Shiquan Zhong等."Effects of different factors on drivers’ guidance compliance behaviors under road condition information shown on VMS".《ELSEVIER-Transportation Research Part A》.2012,第46卷(第9期), *
Wen-Xiang Wu等."A Study of Modeling Travelers’ Route Choice Behavior and Information Release Strategy".《2008 International Conference on Intelligent Computation Technology and Automation》.2008, *
万灵君等."基于VMS的交通诱导信息有效性研究".《第七届中国智能交通年会优秀论文集》.2012, *
周嘉男."考虑交叉口优先信号的小型路网交通控制与诱导协同优化研究".《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》.2014,C034-360. *
李凡."面向大型活动的PVMS布点方法及诱导仿真研究".《中国优秀硕士学位论文全文数据库（工程科技II辑）》.2021,(第3期),C034-330. *
董开帆等."VMS可变信息标志动态路径诱导的环境效益研究".《第十二届中国智能交通年会大会论文集》.2017, *
贺国光等."交通诱导系统智能化方案及其仿真研究".《系统工程学报》.2002,第17卷(第4期), *
钟石泉等."智能式动态路线诱导系统诱导单元决策方法".《控制与决策》.2010,第25卷(第5期), *
陆佳炜."基于系统最优的城市道路交通流实时诱导研究".《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》.2019,(第5期),C034-610. *
黄智芳等."诱导信息与路径选择行为对交通流分配的影响".《湖南城市学院学报（自然科学版）》.2009,第18卷(第3期), *
龙科军等."城市道路干线信号协调控制与车速引导集成优化".《长安大学学报（自然科学版）》.2018,第38卷(第2期), *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021133247A1 (de) 2021-12-15 2023-06-15 Joynext Gmbh Bestimmen einer Zeitdauer und eines Energieverbrauchs zum Passieren eines Knotenpunktes auf einer Fahrtroute

Also Published As

Publication number Publication date
CN113506445A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN113506445B (zh) 考虑出行者长期遵从行为变化的实时交通诱导系统及方法
CN110472764B (zh) 基于强化学习使用半合作纳什平衡来协调多方服务的方法和系统
Balaji et al. Type-2 fuzzy logic based urban traffic management
CN111105141B (zh) 一种需求响应型公交调度方法
Zhou et al. Optimizing taxi driver profit efficiency: A spatial network-based markov decision process approach
US11893518B2 (en) Methods and systems of optimizing pressure regulation at intelligent gas gate stations based on internet of things
CN107045785B (zh) 一种基于灰色elm神经网络的短时交通流量预测的方法
CN113299059B (zh) 一种数据驱动的道路交通管控决策支持方法
CN114827198B (zh) 一种应用于车联网的多层中心异步联邦学习方法
CN103280114A (zh) 一种基于bp-pso模糊神经网络的信号灯智能控制方法
CN110110903B (zh) 一种基于神经进化的配送车辆路径规划方法
CN110570656B (zh) 定制公共交通线路方法及装置
Ahmed et al. A congestion aware route suggestion protocol for traffic management in internet of vehicles
CN112819413B (zh) 一种适用于即时物流的配送改进算法
CN106453608A (zh) 一种基于云端的移动应用的后台请求自适应调度算法
Xu et al. Multi-agent fuzzy-based transit signal priority control for traffic network considering conflicting priority requests
WO2023277814A3 (en) Computer-implemented apparatus and method for predicting traffic conditions in a route planning application
Yuan Jitter buffer control algorithm and simulation based on network traffic prediction
Zhang et al. DRL-based adaptive signal control for bus priority service under connected vehicle environment
CN112733452B (zh) 轨迹预测方法、装置、电子设备和可读存储介质
Jun et al. Research of traffic flow forecasting based on neural network
CA3170965A1 (en) System and method for machine learning architecture with multiple policy heads
CN111611332B (zh) 航线中转的优化方法及系统
Chen et al. Adaptive traffic signal control with network-wide coordination
Chauhan et al. D2PG: Deep Deterministic Policy Gradient-Based Vehicular Edge Caching Scheme for Digital Twin-Based Vehicular Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant