CN103116808A - 一种快速路短时交通流实时预测的方法 - Google Patents

Abstract

本发明涉及一种快速路短时交通流实时预测的方法，其特征在于，包括：a.实时采集待仿真路段的交通数据；b.根据所述交通数据选择一车辆产生模型来将车辆分布到所述待仿真路段上；c.根据所述交通数据计算OD矩阵并根据所述OD矩阵分配所述待仿真路段的交通出行量；d.根据所述交通出行量和基于所述交通数据的一车辆行驶行为模型对所述待仿真路段的运动数据进行预测。

Description

一种快速路短时交通流实时预测的方法

技术领域

本发明涉及一种智能交通仿真与预测领域。

背景技术

及时、准确地预测未来短时间内(一般认为，不超过15分钟，甚至小于5分钟)的交通流状况，是制定正确诱导和控制措施的一个重要前提，也是目前广泛开展的智能运输系统(Intelligent TransportationSystem，ITS)项目开发研究的基本要求。从20世纪60年代开始，人们就开始把其他领域应用成熟的预测模型用于短时交通流预测领域，并开发了多种预测模型和方法。较早期的预测方法主要有：自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、历史平均模型(HA)和Box-Cox法等等。随着该领域研究的逐渐深入，又出现了一批更复杂的、精度更高的预测方法。大体来说，这些模型可分成五类：基于统计理论的模型、基于非线性预测理论的模型、基于神经网络理论的模型、基于动态分配理论的模型和基于微观交通仿真的模型。

统计理论的模型因为要做统计分析的假设，因此未能反映交通流过程的不确定性与非线性，尤其无法克服随机干扰因素的影响；神经网络理论的模型因其参数训练非常复杂，计算时间太长，所需数据量大且数据平衡性要求高，不适合在线应用；已有的动态交通分配模型普遍存在优化计算时间过长，预测的实时性差，需要在实践中难于做到或无法做到的动态OD信息，而且由于采用递推方式的计算，造成了误差的积累，使得分配结果的可靠度降低。

目前在国内的大型城市基本都已建设了先进的智能交通系统，可以通过视频以及数据，实时地掌握随城市的交通运行状况。但是，仍然无法解决高峰时段城市交通资源分配不均匀的问题，特别是当发生紧急交通事件的时候，交通管理者需要尽快地选择处理的预案，这就需要我们以交通态势信息为基础，对交通态势的仿真，预测出一段时间后各种预案的处理效果，为管理者的决策给出科学的依据。微观交通仿真预测方法利用微观仿真原理对未来数分钟之内的道路交通状态进行仿真，预测所仿真路段的交通流状态，该方法能够快速的对实时的交通状况进行预测。本发明基于微观交通仿真方法，以城市快速路为研究对象，通过实时采集的交通数据，对未来的短时间内的交通状态进行预测。

发明内容

针对现有技术中的技术缺陷，本发明提供一种快速路短时交通流实时预测的方法，其特征在于，包括：a.实时采集待仿真路段的交通数据；b.根据所述交通数据选择一车辆产生模型来将车辆分布到所述待仿真路段上；c.根据所述交通数据计算OD矩阵并根据所述OD矩阵分配所述待仿真路段的交通出行量；d.根据所述交通出行量和基于所述交通数据的一车辆行驶行为模型对所述待仿真路段的运动数据进行预测。

优选地，所述交通数据由分布在待仿真路段的线圈检测获得。

优选地，所述交通数据由分布在待仿真路段的检测摄像头获得。

优选地，所述交通数据包括以下的一个或多个：车辆类型；车辆平均速度；时间占有率；流入交通量；以及流出交通量。

优选地，所述车辆产生模型通过如下步骤选择：据所述交通数据将待仿真路段进行分为畅通路段和拥挤路段；若所述待仿真路段为畅通路段，则所述车辆产生模型为一负指数车头时距分布模型；若所述待仿真路段为拥挤路段，则所述车辆产生模型为一M3车头时距分布模型分布。

优选地，根据所述车辆产生模型确定所述车头时距后将车头时距离散化分布到所述待仿真路段上。

优选地，所述OD矩阵根据如下步骤计算：通过迭代算法对改进极大熵模型求解得到所述OD矩阵，其公式如下所示：

$\max E=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}(T_{\mathrm{ij}}\ln \frac{T_{\mathrm{ij}}}{t_{\mathrm{ij}}}-T_{\mathrm{ij}})+\mathrm{\α}\underset{a}{\mathrm{\Σ}}{V}_a^{*}\ln \frac{V_a^{*}}{V_a}-V_a^{*},$

$\mathrm{st}\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{T}_{\mathrm{ij}}{P}_{\mathrm{ij}}^a=V_a^{*},$

其中，a=1,2,3...M，i,j=1,2,3...N，M为可以通过采集获得交通数据的待仿真路段数目，N为带仿真路段的出入口数目，T_ij表示从i口到j口的OD量，所述OD量为所述OD矩阵中的项，P_ij ^a表示T_ij经过路段a上的比例。t_ij为先验OD量，由用户输入，V_a ^*，V_a分别为路段a上实际的和观测的待仿真路段交通流量。α为置信权重。

优选地，每次迭代使用容量限制逐级加载分配模型进行计算和修正。

优选地，所述容量限制逐级加载分配模型包括：将OD矩阵分解成第一参数个OD子矩阵，用最短路分配模型对第一参数个OD子矩阵分配OD量；每分配一个OD子矩阵，对所述OD量进行修正。

优选地，所述OD量根据路阻函数进行修正，所述路阻函数指路段行程时间与路段交通负荷之间的函数关系。

优选地，所述车辆行驶行为模型包括以下的一种或多种：换道模型；或者跟驰模型。

本发明以线圈或者摄像转至采集到的交通流统计数据为基础，通过修正的极大熵模型计算出入口之间OD矩阵，根据待仿真路段的分段选择采用负指数分布模型或者M3车头时距分布模型实现路网车辆的初始分布，通过微观交通仿真的方法，实时预测城市快速路的交通状态，以及预测车辆的运动轨迹。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明的第一实施例的，一种快速路交通流预测的流程图：

图2示出根据本发明的第二实施例的，车辆产生模型的选择流程图；

图3示出根据本发明的第三实施例的，强制换道模型的示意图；。

图4示出根据本发明的第四实施例的，选择换道模型的示意图；以及

图5示出根据本发明的第五实施例的，跟驰模型的示意图。

具体实施方式

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明的第一实施例的，一种快速路交通流的流程图。具体地，本图示出了四个步骤，首先是步骤S101，实时采集待仿真路段的交通数据，具体地，待仿真路段的交通数据优选地，通过设置在待仿真路段的线圈采集获得。具体地，本领域技术人员理解，路段检测点设置一般来说有一下四个原则：OD覆盖原则；最大流截断原则；最大流量比原则；路段独立原则；OD覆盖原则是进行OD反推的必要条件，所以必须要满足。路段独立原则是进行OD反推最直接的经济性条件，也是减少检测误差影响的直接方式，所以也一定要保证。最大流截断原则和最大流量比原则都是从OD反推精度考虑，前者针对所有OD对而言，后者是针对单个OD对来说，两者可能不能同时被满足，可以根据情况具体选择。本发明中线圈的设置也是遵循此四项原则，具体地，在此不予赘述。优选地，线圈采集经过该线圈的交通量。或者，所述交通数据由一设置在待仿真路段的摄像装置采集获得。该摄像装置优选地设置于待仿真路段的出入口处，摄像装置采集经过该摄像装置的交通量以及车辆类型。进一步地，线圈以及摄像装置采集的交通数据还可以包括平均车速，其实现方式如现有路段上的测速装置类似，在此不予赘述。之后为步骤S102，根据基于所述所述交通数据的一车辆产生模型来将车辆初始分布到所述待仿真路段上。具体地，车辆产生模型的选择包括五个步骤，在图2中具体示出，在此不予赘述。之后执行步骤S103，根据所述交通数据计算OD矩阵并根据所述OD矩阵分配所述待仿真路段的交通出行量。由于本发明是以实时采集的交通流数据作为实时仿真的依据，因此，如何从实时的交通流数据中获得OD矩阵就是要解决的关键问题了。经典的OD反推算法有：极大熵模型、广义最小二乘模型、最小信息量模型、极大似然模型以及贝叶斯推论模型等，系统中准备采用极大熵模型。

极大熵模型认为车辆的出行是随机的，如果把每个OD对T_ij的出行看作一次随机事件,事件的总次数为

$T=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{T}_{\mathrm{ij}}$

每种可能出现的OD分布状态，都有一个相应存在的概率，实际存在的OD分布状态就是概率最大的那一个，其模型为：

$\max E=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}(T_{\mathrm{ij}}\ln \frac{T_{\mathrm{ij}}}{t_{\mathrm{ij}}}-T_{\mathrm{ij}})$

$\mathrm{st}\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{T}_{\mathrm{ij}}{P}_{\mathrm{ij}}^a=V_a$

a=1,2,...,M；i,j=1,2,3...N；M为可以通过线圈自动获得交通量的路段数目；N为调查区域高速路的出入口数目。T_ij表示从i口到j口的OD量，V_a表示路段a的交通量，

表示T_ij经过路段a上的比例。

采用拉格朗日乘子法，求得其解的形式为

$T_{\mathrm{ij}}=t_{\mathrm{ij}}\underset{a}{\mathrm{\Π}}{X_a}^{P_{\mathrm{ij}}^a}$

式中，t_ij为先验OD量。

可见，反推的OD量可以看作是利用道路观测流量对先验OD量进行修正而得到的，目前，求解OD矩阵最有效的方法是Bregman平衡法,当

或1时,其求解思路是：将T_ij用最短路分配方法分配至路网上,根据调查交通量V_a求得路段a的调整系数,然后对所有经过路段a的OD点对进行调整，没有经过的OD点对其值保持不变，如此不断迭代，直到收敛。

本发明中优选地，采用修正的极大熵模型，形式如下：

$\max E=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}(T_{\mathrm{ij}}\ln \frac{T_{\mathrm{ij}}}{t_{\mathrm{ij}}}-T_{\mathrm{ij}})+\mathrm{\α}\underset{a}{\mathrm{\Σ}}{V}_a^{*}\ln \frac{V_a^{*}}{V_a}-V_a^{*}$

$\mathrm{st}\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{T}_{\mathrm{ij}}{P}_{\mathrm{ij}}^a=V_a^{*}$

转化为：

$\min \underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}(T_{\mathrm{ij}}\ln \frac{T_{\mathrm{ij}}}{t_{\mathrm{ij}}}-T_{\mathrm{ij}})+\mathrm{\α}\underset{a}{\mathrm{\Σ}}{V}_a^{*}\ln \frac{V_a^{*}}{V_a}-V_a^{*}$

V_a分别为路段a上真实的、观测的路段交通量。α为置信权重。

根据拉格朗日乘子法，可求解得

$V_a^{*}=V_a{e}^{-{\mathrm{\λ}}_a/\mathrm{\α}}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{T}_{\mathrm{ij}}^{n+1}{P}_{\mathrm{ij}}^a,$

$T_{\mathrm{ij}}^{n+1}=T_{\mathrm{ij}}^n{e}^{{\mathrm{\λ}}_a{P}_{\mathrm{ij}}^a},$

代入上式得

$\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{P}_{\mathrm{ij}}^a{T}_{\mathrm{ij}}^n{e}^{{\mathrm{\λ}}_a{P}_{\mathrm{ij}}^a}=V_a{e}^{-{\mathrm{\λ}}_a/\mathrm{\α}}$

路径选择信息

一般采用交通分配模型获取，对于相同的交通网络以及OD点对，不同的交通分配模型产生不同的路径选择信息

在系统中设定

取值分配模型为容量限制-增量加载分配模型法。例如，通过5次最短路分配，间接地进行“多路径分配”。

OD矩阵推算模型迭代算法如下：

初始化，迭代次数为1，给定权重α，α为置信权重，当α为无穷大时，我们认为为标准极大熵模型，当α为零时，我们认为先验矩阵就是推算矩阵。确定容量限制-逐级加载分配系数θ_k，一般可取θ_k＝0.3、0.25、0.20、0.15、0.10五级分配。置预推算的OD为先验OD。

用容量限制分配法分配

得到路段流量v_a

计算路径a的调整系数

$f_a={\left(\frac{V_a}{v_a}\right)}^{\frac{\mathrm{\α}}{\mathrm{\α}+1}};$

$f_{\mathrm{ij}}={\left[\underset{a}{\mathrm{\Π}}{f}_a\right]}^{\frac{1}{m_{\mathrm{ij}}}};$

m_ij为OD点对ij最短路所经过的观测点数。也就是说m为路段所组成的最短路径中，有多少路段的交通量目前是经过调查得到的。

用容量限制分配法分配OD点对ij，根据OD点，对最短路径经过的路段进行调整，

$T_{\mathrm{ij}}^{n+1}=\underset{k}{\mathrm{\Σ}}{\mathrm{\θ}}_k\×T_{\mathrm{ij}}^n\×f_{\mathrm{ij}}^k$ (

为第k次分配的调整系数）

若满足收敛条件，则结束，否则令n＝n＋1，重新分配

得到路段流量v_a，收敛条件可以是用户设定的最大迭代次数，以及路径的调整系数接近于1。

进一步地，本领域技术人员理解，采用容量-逐级加载分配模型分配出行量时，需要将OD矩阵中的每一OD量分解成k部分，即将初始OD矩阵分解成k个OD子矩阵，然后分k次用最短路分配模型分配OD量，每次分配一个OD子矩阵，并且每分配一次，路权修正一次，路权采用路阻函数修正，直到把k个OD子矩阵全部分配到网络上。

此分配的核心是确定路权及计算最短路权矩阵。路权由路阻函数决定。路阻函数是指路段行程时间与路段交通负荷之间的函数关系。在本次分配中，采用联邦公路局提出的路阻函数，形式为：

$t=t_0[1+\mathrm{\α}{\left(\frac{V}{C}\right)}^{\mathrm{\β}}]$

t－路段的行程时间（分）

t₀－交通量为零时的路段行程时间（分）

V－路段机动车交通量（辆/小时）

C–路段实用通行能力（辆/小时）

α、β－参数，建议取α＝0.15；β＝4。（可由用户修改）

根据计算的最短路权，运用Dijkstra算法分配流量。

最后执行步骤S104，根据所述交通出行量和基于所述交通数据的一车辆行驶行为模型预测未来短时间内车辆在所述待仿真路段的交通状态。车辆换道模型与车辆跟驰模型共同构成了车辆行驶行为模型，用于描述仿真中的人-车单元的行为，是多车道微观仿真模型中的一个重要的动态模型。由于换道牵涉到车辆周围车辆的车速、间隙等环境参数，所以车辆的换道行为比车辆的跟驰行为更加复杂，而难以用数学方法描述。换道是驾驶员根据自身特点以及周围环境信息的刺激而调整和完成驾驶策略的综合过程，一般可分为信息判断和操作执行两个过程。

车辆驶入或驶出交织区、匝道以及车辆的超车都必须进行换道，而驾驶员在不满自己的速度收到前车的限制是也会进行换道。在不同情况下的换道行为在驾驶行为上是有很大区别的，需要采用不同的换道模型进行描述。根据换道行为是否是必须的，可将换道划分为判断性换道和强制区域换道。车辆的换道模型相对于跟驰模型的发展比较滞后，直到1985年美国出于微观交通仿真研究的需要，采用航测手段建立了微观交通车辆运动信息数据库后，换道模型才有了长足的发展。早期的换道行为研究有Gipps模型、NETSIM模型和FRESIM模型，后来又有了SITRAS等模型。没有固定目标车道的换道行为都属于判断性换道。在判断性换道模型中，换道需要经历三个阶段：先根据驾驶员的换道意愿判断是否有换车道的需求；再根据车辆之间空档和速度关系进行评价是否满足换道条件；最后在满足换道条件以后进行换道处理或不满足则车辆继续按原来的行驶状态行驶。下面从需求产生、间隙检测和换道执行三个方面介绍判断性换道模型。

目前换道需求的产生主要有两种算法：PLC法和综合评价法。PLC（probabilityoflanechanging）是换道概率的概念，这种方法是使用简单的驾驶员满意状态统计数据作为产生换道需求的条件。

在产生了换道需求以后，能不能进行换道就需要进行间隙检测。车辆换道会引起车辆跟驰状态的变化，所以间隙检测需要和跟驰模型结合在一起。INTRAS和WEAVSIM的模型都使用了这样的方法：判断主车能否安全跟驰目标车道的前车和目标车道的后车能否跟车主车。安全间隙若满足则接受换道请求。

执行换道一般有两种方式：一种是进行换道轨迹的仿真，从驾驶偏角和车速的关系详细描述车辆的换道行为；另一种是给出一个换道完成需要的时间T，在经过时间段T后，车辆进入目标车道，而不用考虑车辆换道的具体过程。后一种方法跟普遍的被利用。

图2示出根据本发明的第二实施例的，车辆产生模型的选择流程图。本图共示出了5个步骤，首先是步骤S201，将待仿真路段进行分段。步骤S202，判断待仿真路段各路段的平均车速是否大于一速度常量。若平均车速大于一速度常量，则将该路段分为通畅路段并执行步骤S203，采用负指数车头时距分布模型。若平均车速不大于一速度常量，则将该路段分为拥堵路段并执行步骤S204，采用M3车头时距分布模型。最后步骤S205，对不同模型车头时距的分布进行离散化处理。具体地，本领域技术人员理解，车头时距分布是交通流理论研究的一个重要内容，它是通行能力分析、间隙接受问题研究、交叉口交通控制以及交通流模拟的基础。特别对于交通流模拟，车头时距分布及其计算机模拟实现对于交通流模拟系统的仿真能力具有决定性的意义。本发明采用的基本思想是，假设在不发生交通异常事件的情况下，首先将道路按照它本身的性质进行分段，然后求出各段的密度，进而求得在此路段上的车辆数，再将车头时距离散化，最后我们按照离散化后的车头时距在此路段上进行分布车辆。

这里假定实时的平均车速为v,v₀是一个区分路段状态的速度常量（数据采集周期是20秒，数据采集某时刻通过线圈的全部车辆速度的几何叠加除以通过的车辆数即为v₀）：

1.当v>v₀时，认为车流量比较小，此时将此段路上的车辆的车头时距看作是负指数分布的，即车头时距是按照公式(1)进行分布的：

$f\left(t\right)=\frac{1}{T}{e}^{-t/T}---\left(1\right)$

即此段路上的车辆的密度表达式为公式(1)。其中参数T可由观测样本均值估计，由公式(2)计算：

$T=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_i---\left(2\right)$

其中，t₁,t₂,…t_n为采集点在不同时刻采集到此路段的车头时距，n为采集的次数。设此段路长为L₁，则我们得到此路段上的车辆为 $N_1=\frac{L_1}{f\left(t\right)}.$

2.当v<v₀时，认为此时交通较拥挤，出现了部分车辆成车队状态行驶，此时车辆的车头时距看作是M3分布模型。该模型假设车辆处于两种行驶状态：一部分是车队状态行驶，另一部分车辆按自由流状态行驶。分布函数为：

$F\left(t\right)=\left\{\begin{array}{cc}1-\mathrm{\&alpha;exp}\{-\mathrm{\&lambda;}(t-\mathrm{\&tau;})\}& t\&GreaterEqual;\mathrm{\&tau;}\\ 0& t<\mathrm{\&tau;}\end{array}\right.---\left(3\right)$

其中,τ=min{t₁,t₂,…,t_n}，t₁,t₂,…t_n为采集点在不同时刻采集到此路段的车头时距。τ表示车辆处于车队状态行驶时，车辆之间保持的最小车头时距。

为参数，其中t_τ为车头时距大于nt的样本观测指的均值。

表示按自由流状态行驶车辆所占的比例，n,m分别表示采集点的次数和采集点的车头时距不大于给定值λ₀的个数。在此计算中取α=e^-bβ，其中，参数b为一系数，其取值情况可参阅表1。

表1参数取值表

设此段路长为L₂，则得到此路段上的车辆为

得到了车辆数，再按照车头时距将车辆离散化到路段上就完成了车辆的初始分布。

具体地，本发明提供的车辆行驶行为模型，优选地，采用了强制区域换道模型以及选择性换道模型。优选地，换道模型包括强制区域换道模型以及选择性换道模型。

强制区域的换道不需要进行换道需求产生的判断，车辆在进入强制换道区时已经有了确定的换道目标车道。在强制换道区域，车辆不停的检测目标车道的空档和前后车的速度及距离，判断是否满足车辆的换道条件。若条件被满足则执行换道行为，若换道条件不满足则继续检测判断，直到成功完成换道为止。

如果当前车无法顺利地到达下个车道或者前方发生交通事故时无所继续行驶，这时就需要进行强制换道以便当前车能够顺利的进入下一个车道，如图3所示为强制性换道示意图。

此时目标车辆立刻产生强制换道意识，并以减速度a_n开始减速，a_n的表达式为：

$a_n=-\frac{v_n^2}{2(l_n-\mathrm{\&sigma;})}$

其中：v_n表示当前车的行驶速度；l_n表示当前车距离入口或出口的距离；σ表示当前车在事故地点前σ米处停下。

当当前车以减速度a_n开始减速时，开始不断检查与后车的间距是否满足其变换道的条件，即判断与后车的间距是否大于等于必须的车间距。其中必须的车间距确定依据为：如果当前车要换道到相邻车道上，它应将相邻车道上的前车为作为自己的前车，邻车道上的后车作为自己的后随车。若与后车的间距已经满足换道所要求的车间距，当前车将不再加速行驶，转而判断后随车是否满足其换道要求。若与后随车的车距也满足跟车模型的要求，则当前车换道，否则，当前车发出换道信号给后随车，并等待后随车减速，直至满足换道条件为止。

综上所述，当车辆进入强制换道区后，立即产生强制换道意图，然后开始减速，并选择目标车道，目标车道确定后，再判断它与目标车道上的前后车的车间距是否满足换道要求。若与前后车的车距都满足换道条件，则立即换道，否则，再分别判断与前后车的车间距，如果与前车的车距不满足换道要求，它将继续减速；如果与后车的车间距不满足换道要求，它就向后车发出换道请求，直至满足换道条件为止。

选择性换道是由于前车的限制，当前车不能达到自己的期望速度，而相邻车道比当前车道有更高地驾驶满意度，这时当前车有可能进行选择性换道，如图4所示：

在选择性换道的过程中，首先对司机对当前的车道是否满意进行评估，如果当前车的速度v_n大于前方车的速度v_n-1，且与前方车的距离小于一定值时，则生成换道需求，随后对与相邻车道上的前后车的车距进行判断，分析能否实现换道，如果满足则开始换道，如果与相邻车道前车的距离小于换道所需距离，则它将减速，一直到能满足车间距离为止。当与前车的车距满足换道要求后，当前车再判断它与后随车的车距是否也满足换道所需距离，若不满足，它将以现有速度继续行驶，并给后随车发出请求换道信号。后随车以一定的概率p_n+1选择是否减速以给当当前车让出足够的空档，使其换道。其中p_n+1的表达式为：

$p_{n+1}=\min (0.75,\mathrm{\&alpha;}(v_n-v_n^0)(1.5-\mathrm{\&theta;}))$

这里α表示系统参数，一般取0.2，θ为司机的冲动系数。

由此看出，当前车有可能无法完成换道行为，也有可能在后随车n+1以后的某个车辆后完成换道行为。

换道行为可以看作是车辆跟驰行为的转变，由跟驰当前车道的前车变为跟弛换道目标车道的前车，因而可以将能否安全跟驰作为判断换道能否安全实施的标准。

本实施例换道模型优选地使用下列原则：

（1）如果当前车与前车间距或者与后车间距中的任一间距被拒绝则取消换道；

（2）当前车进入强制换到区时，获得强制换道信号，并开始执行强制性换道，如果当前车的速度大于前车的速度。并且距离大于安全距离，则只执行以提高车速为目的的判断性换道：

①强制换道的目的为正确到达行驶路线的下一个路段；

②判断换道的目的是车辆希望提高车速或超过前方的慢车；

（3）车辆每次换道，只能够换到相邻车道，如果当前车所在的车道和目标车道不相邻，则需经过多次换道；

（4）实行2s换道原则。

本实施例车辆跟驰模型优选地采用经典的安全距离跟驰模型，安全距离模型也称为防撞模型，简称CA模型），该模型最基本的关系是寻找一个特定的跟驰距离，当前车驾驶员做出了一个后车驾驶员意想不到的动作，后车能及时减速并防止碰撞。最初模型如式所示：

$\mathrm{\&Delta;x}(t-T)={\mathrm{av}}_{n-1}^2(t-T)+{\mathrm{\&beta;}}_l{v}_n^2\left(t\right)+\mathrm{\&beta;}{v}_n\left(t\right)+b_0$

其中：a,β_l,β,b₀为参数。

安全距离模型在计算机仿真中有着广泛的应用。如英国交通部McDonald，Brackstone和Jefery的SISTM模型，意大利、法国的PROMETHEUS计划中的Broqua，Lemer，Mauro和Morell的SPACES模型，美国的Benekohal和Treiterer的INTRAS和CARSIM模型。1995年，日本的Kumamoto，Nishi，Tenmoku和Shimoura也应用此类模型进行仿真。这类模型之所以有如此大的吸引类，部分原因在于可以用一些对驾驶行为的一般感性假设来标定模型。大多数情况下只需要知道驾驶员将采用的最大制动减速度，就能满足整个模型的需要。尽管该模型能够得出令人接受的结果，但是仍有很多问题有待解决，例如，避免碰撞的假设在模型的建立中是合乎情理的，但与实际情况存在着差距；在实际的交通运行中，驾驶员在很多情况下并没有保持安全距离行驶，造成这种情况的原因是多方面的，如驾驶员可以看到前方信号灯以及不止一辆前导车，驾驶员综合判断这些信息后，能及时对前导车的变化做出预测。因此，当利用CA模型进行通行能力分析时，很难与实际最大交通量吻合。

本实施例将跟驰模型分为三个阶段即：常规跟驰阶段、自由行使阶段、紧急刹车阶段。假设前车速度为V，处于跟驰状态的前后车的相对速度与相对距离的关系图如图5所示。C点为前后两车的期望车距，A为前后两车的最小车距，B为两车的最大车距。当车距小于OA时为紧急刹车阶段，当车距大于OB时为自由行驶阶段，当车距在AB之间时为常规跟驰阶段。根据J.J.Gibson的视觉感知生态学理论中观测者与环境发生相对运动时的感知机理知AC<CB，并且AC与CB的值是和驾驶员个性相关的随机值。因此，可以将车辆跟驰问题转化为根据车头时距求车辆加速度问题。

根据前面的数据，将车头时距>5s的状态定义为自由行驶阶段，其加速度公式为：

$a=\left\{\begin{array}{cc}{a}_0\frac{v_{\exp }-v}{v_{\exp }}& v<v_{\exp }\\ a_0\frac{v-v_{\exp }}{v}& v>v_{\exp }\end{array}\right.$

其中：a₀初始加速度；v_exp当前车自由行驶时的期望速度；v当车辆的速度；a当前车应采取的加速度。

当车头时距<0.5s时，此时车辆处于紧急状态，即紧急刹车阶段，此时后车必须采用适当的减速度以增加与前车的距离，直至进入安全范围内。其减速度公式如下：

$a_n=\left\{\begin{array}{cc}\min \{a_n^{-},a_{n-1}+0.25a_n^{-}\}& v_n\&le;v_{n-1}\\ \min \{a_n^{-},a_{n-1}-0.5{(v_n-v_{n-1})}^2/g_n\}& v_n>v_{n-1}\end{array}\right.$

其中：a_n为后车应该采取的加速度；a_n为后车当前的加速度；a_n-1为当前车的加速度；v_n后车当前速度；v_n-1前车当前速度；g_n前后两车的净距离。

当车头时距处于大于5s小于0.5s之间时，此时车辆行驶的速度和加速度受前车的动力特性影响，车辆处于振荡阶段，用常规跟驰方案来定义跟驰模型。

本发明结合步骤S101获取的交通数据、步骤S102计算的车头时距、S103计算的OD矩阵以及上述车辆行为行驶模型再现了车辆在所述待仿真路段的运动数据。具体地，本发明运用微观交通仿真系统，能够在单个车辆级别上模拟人-车-路的相互作用，有效地利用线圈以及摄像装置采集的数据，预测交通流的真实状态，描述各种交通控制策略的实施过程。它是以单个车辆为对象，车辆在道路上的跟车、超车及车道变换行为等微观行为都能够非常细致和真实的反映出来，并以动态图像的形式显示出来，为交通控制策略的调整、实施提供直观的参考。基于某段时间的待仿真路段的预测，消除现有交通系统无法对车流预先进行秩序高效的纵向或横向有序阵列排布组合和通行的控制诱导、以及消除冲突干扰、或消除不能充分利用路口、路段的通行空间等弊端，提高路口通行能力、减少延误，从而解决缓解交通拥堵的具体技术问题。预测出一段时间后各种预案的处理效果，为管理者的决策给出科学的依据。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (11)

1.一种快速路短时交通流实时预测的方法，其特征在于，包括：

a.实时采集待仿真路段的交通数据；

b.根据所述交通数据选择一车辆产生模型来将车辆分布到所述待仿真路段上；

c.根据所述交通数据计算OD矩阵并根据所述OD矩阵分配所述待仿真路段的交通出行量；

d.根据所述交通出行量和基于所述交通数据的一车辆行驶行为模型对所述待仿真路段的运动数据进行预测。

2.根据权利要求1所述的方法，其特征在于，所述交通数据由分布在待仿真路段的线圈检测获得。

3.根据权利要求1所述的方法，其特征在于，所述交通数据由分布在待仿真路段的检测摄像头获得。

4.根据权利要求1所述的方法，其特征在于，所述交通数据包括以下的一个或多个：

车辆类型；

车辆平均速度；

时间占有率；

流入交通量；以及

流出交通量。

5.根据权利要求1所述的方法，其特征在于，所述车辆产生模型通过如下步骤选择：

根据所述交通数据将待仿真路段分为畅通路段和拥挤路段；

若所述待仿真路段为畅通路段，则所述车辆产生模型为一负指数车头时距分布模型；

若所述待仿真路段为拥挤路段，则所述车辆产生模型为一M3车头时距分布模型分布。

6.根据权利要求5所述的方法，其特征在于，根据所述车辆产生模型确定所述车头时距后将车头时距离散化分布到所述待仿真路段上。

7.根据权利要求1所述的方法，其特征在于，所述OD矩阵根据如下步骤计算：

通过迭代算法对改进极大熵模型求解得到所述OD矩阵，其公式如下所示：

$\max E=-\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}(T_{\mathrm{ij}}\ln \frac{T_{\mathrm{ij}}}{t_{\mathrm{ij}}}-T_{\mathrm{ij}})+\mathrm{\&alpha;}\underset{a}{\mathrm{\&Sigma;}}{V}_a^{*}\ln \frac{V_a^{*}}{V_a}-V_a^{*},$

$\mathrm{st}\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{T}_{\mathrm{ij}}{P}_{\mathrm{ij}}^a=V_a^{*},$

其中，a=1,2,3...M，i,j=1,2,3...N，M为可以通过采集获得交通数据的待仿真路段数目，N为待仿真路段的出入口数目，T_ij表示从i口到j口的OD量，所述OD量为所述OD矩阵中的项，P_ij ^a表示T_ij经过路段a上的比例。t_ij为先验OD量，由用户输入，V_a ^*，V_a分别为路段a上实际的和观测的待仿真路段交通流量。α为置信权重。

8.根据权利要求7所述的方法，其特征在于，每次迭代使用容量限制逐级加载分配模型进行计算和修正。

9.根据权利要求8所述的方法，其特征在于，所述容量限制逐级加载分配模型包括：

将OD矩阵分解成第一参数个OD子矩阵，用最短路分配模型对第一参数个OD子矩阵分配OD量；

每分配一个OD子矩阵，对所述OD量进行修正。

10.根据权利要求9所述的方法，其特征在于，所述OD量根据路阻函数进行修正，所述路阻函数指路段行程时间与路段交通负荷之间的函数关系。

11.根据权利要求1所述的方法，其特征在于，所述车辆行驶行为模型包括以下的一种或多种：

换道模型；或者

跟驰模型。

Images