CN103942953A - 一种基于浮动车数据的城市路网动态交通拥挤预测方法 - Google Patents

Abstract

本发明公开了一种基于浮动车数据的城市路网动态交通拥挤预测方法，包括如下步骤：1）确定路段拥挤状态判别指标；2）将浮动车数据转化为交通流参数；3）路段交通流状态判断；4）预测目标路段l的动态通行能力C_l；5）预测目标路段l的动态交通需求D_l；6）预测目标路段l发生拥挤的可能性、拥挤(如果发生)程度LOC以及拥挤形成时间。本发明形成基于浮动车数据的城市路网动态交通拥挤预测方法，可以为城市路网动态交通拥挤预测提供方法，为城市交通管理、控制措施提供决策依据，具有实际推广价值。

Description

一种基于浮动车数据的城市路网动态交通拥挤预测方法

技术领域

本发明涉及城市交通管理的技术领域，尤其是指一种基于浮动车数据的城市路网动态交通拥挤预测方法。

背景技术

交通拥挤是一种由于交通流中个体因相互作用而对个体的移动产生持续干扰的现象，表现为延迟和排队。当交通设施的交通需求接近或超过该设施现有能力时，常发生拥挤现象。

近年来，城市路网交通流短期预测的研究受到高度重视，许多学者应用各种技术方法，从数理统计分析、预测方法到人工智能(AI)技术等角度，研究和开发出各类预测模型。但这些研究大多是对交通流量进行预测，或对交通拥挤/交通状态的识别和检测，专门针对交通拥挤进行预测的研究较少。且绝大多数模型是基于固定检测数据(以线圈数据和视频检测数据为主)而开发的。

发明专利No.201010245759.8提出一种道路交通网络区域拥堵实时预测与智能管理系统。它把实时收集的交通信息通过数据融合的技术产生规范化信息输入，通过历史数据判别道路网络未来90分钟里路段的交通状况(例如速度与流量)。然后根据预测结果进一步判断生成可量化交通指标，包括：各路段堵塞概率，已经堵车的路段何时恢复畅通，车流量异常警报。但该发明预测时段为90分钟，而交通管理中的短时交通状态预测通常为15分钟，故该方法无法为交通管理者提供真正实时动态的交通拥挤预测信息。

发明专利No.201210572722.5提出了一种早晚高峰交通拥堵指数的预测方法。该发明主要将预测天分为工作日和休息日；采用因素分解模型对正常天气的工作日的早晚高峰的拥堵指数进行预测，当出现雨、雪、雾的极端天气时，在正常的工作日的早晚高峰的拥堵指数预测的基础上用天气影响系数做修正。它只针对早晚高峰进行拥堵指数预测，无法利用对路网交通进行实时动态的交通拥挤预测。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种行之有效、科学合理的基于浮动车数据的城市路网动态交通拥挤预测方法。

为实现上述目的，本发明所提供的技术方案为：一种基于浮动车数据的城市路网动态交通拥挤预测方法，包括以下步骤：

1）确定城市路段拥挤状态判别指标；

2）将浮动车数据转化为交通流参数，包括密度、流量、速度；

3）根据步骤2）所得的交通流参数，进行路段交通流状态判断；

4）根据目标路段l自身和下游线路当前的交通流状态，预测目标路段l的动态通行能力C_l；

5）根据目标路段l自身和上游路段当前的交通流状态，预测目标路段l的动态交通需求D_l；

6）根据动态通行能力C_l和需求D_l，判断目标路段l发生拥挤的可能性、拥挤程度LOC以及拥挤形成时间。

根据浮动车数据特点确定城市路段拥挤状态判别指标为拥挤指数CI，为系统延误时间和总的旅行时间的比值，即：

CI=(t-t₀)/t₀

其中：t为实际路段旅行时间，t₀为自由流状况下的路段旅行时间；

将浮动车数据，主要是速度v，转化为交通流参数，包括密度、流量、速度，采用如下交通流模型：

$\left\{\begin{array}{cc}\frac{k}{k_m}=\ln [v_f/v]& v/\mathrm{\σ}\≤m\\ \frac{k}{k_j}=e^{-\frac{v}{v_m}}& v/\mathrm{\σ}>m\end{array}\right.$

$v=\frac{{\mathrm{\Σ}}_{i=1}^n{v}_{\mathrm{ti}}}{T}$

$\mathrm{\σ}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^n{(v_{\mathrm{ti}}-v)}^2}{n}}$

Q=kvL

其中，m为待估计参数，代表交通流状态的阈值，根据路段类型不同而不同，通常取250；k为交通流密度；k_m为交通流流量最大时的密度；k_j为交通流拥挤状态密度；v_f为自由流状态下的速度；v_ti为浮动车在时间ti的行驶速度；v_m为最大交通流量时的速度；v为观测时段T内采集的浮动车速度样本的平均值；σ为速度样本标准差；Q为流量；L为车道数系数；上述参数和变量均可根据浮动车历史数据计算获得；

根据上面获得的交通流参数，采用模糊判断法进行路段交通流状态判断；构建模糊推理模型，首先要确立输入输出变量的模糊集，确定各自的隶属度函数，并将其转化为语言变量；

建立相应模糊推理规则，根据所得交通流参数判断路段l的交通流状态为很好、良好、中等、较差或很差，模糊规则条件式，如下：

如果路段l交通流量Q为大，密度k为中等，速度v为中等，那么路段l的交通状态为中等；

该模糊推理规则可根据专家经验汇总形成；

根据目标路段l自身和下游线路当前的交通流状态，预测路段l的动态通行能力C_l，也采用模糊推理方法，通过路段l自身和下游线路当前的交通流状态，综合预测路段l的动态通行能力C_l为高、中等或低，模糊规则条件式，如下：

如果路段l交通流状态为良好，下游路段交通流状态为中等，那么路段l的动态通行能力C_l为大；

该模糊推理规则可根据专家经验汇总形成；

根据目标路段l自身和上游线路当前的交通流状态，预测路段l的动态交通需求D_l，采用模糊推理方法，通过路段l自身和上游线路当前的交通流状态，综合预测路段l的动态交通需求D_l为高、中等或低；模糊规则条件式，如下：

如果路段l交通流状态为良好，其上游路段交通流状态为中等，那么路段l的动态交通需求C_l为中等；

该模糊推理规则可根据专家经验汇总形成；

最后，根据所述动态通行能力C_l和需求D_l，采用模糊推理方法预测路段l发生拥挤的可能性、拥挤程度LOC以及拥挤形成时间；通过路段l的动态交通需求C_l为高、中等或低和路段l的动态交通需求D_l为高、中等或低，预测路段l发生拥挤的可能性为很大、较大、中等、较小或很小，拥挤程度LOC为严重、中等或轻，以及拥挤形成时间为长、中等或短；模糊规则条件式，如下：

如果路段l动态通行能力C_l为大，路段l的动态交通需求D_l为大，预测路段l发生拥挤的可能性为较小，拥挤程度LOC为中等以及拥挤形成时间为长；

该模糊推理规则可根据专家经验汇总形成；

预测的路段l发生拥挤的可能性、拥挤程度LOC以及拥挤形成时间的具体量化结果，可利用隶属度函数进行反模糊化得到。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明利用浮动车数据获取城市路段宏观动态交通状态，并根据上下游动态交通状况判断路段l的动态交通需求和动态通行能力，采用模糊推理法进行推理和预测，方法简便灵活，充分利用专家经验和知识；

2、本发明可在集成浮动车数据的城市交通管理系统中应用，也可在安装车载记录仪如公交、出租车的行业管理系统中应用；且方法简单易行，可根据浮动车数据情况灵活设置预测时间间隔，从3分钟到15分钟均可，只要路段上的浮动车数量达到合适的标准（如5辆）即可；应用该方法可对我国城市路网动态交通拥挤状况进行实时评估，并据此进行针对性管理措施，因此本发明具有很大的实际推广价值。

附图说明

图1为本发明的一个实施例的步骤框架图。

图2a为本发明的一个实施例的交通流量隶属度图。

图2b为本发明的一个实施例的交通密度隶属度图。

图2c为本发明的一个实施例的速度隶属度图。

图2d为本发明的一个实施例的拥挤发生概率隶属度图。

图2e为本发明的一个实施例的拥挤指数隶属度图。

图2f为本发明的一个实施例的拥挤形成时间隶属度图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所述的基于浮动车数据的城市路网动态交通拥挤预测方法，包括以下步骤：

1）根据浮动车数据特点，确定城市路段拥挤状态判别指标；

2）利用实际数据标定交通流模型参数，将浮动车数据转化为交通流参数，包括密度、流量、速度；

3）采用模糊推理法，根据步骤2）所得的交通流参数，进行路段交通流状态判断；

4）采用模糊推理法，根据目标路段l自身和下游线路当前的交通流状态，预测目标路段l的动态通行能力C_l；

5）采用模糊推理法，根据目标路段l自身和上游路段当前的交通流状态，预测目标路段l的动态交通需求D_l；

6）采用模糊推理法，根据动态通行能力C_l和需求D_l，判断目标路段l发生拥挤的可能性、拥挤(如果发生)程度LOC以及拥挤形成时间。

本发明方法可在集成浮动车数据的城市交通管理系统中应用，也可在安装车载记录仪如公交、出租车的行业管理系统中应用。

根据浮动车数据特点确定城市路段拥挤状态判别指标为拥挤指数CI，为系统延误时间和总的旅行时间的比值，即：

CI=(t-t₀)/t₀    (1)

其中，t为实际路段旅行时间，t₀为自由流状况下的路段旅行时间。

将浮动车数据，主要是速度v，转化为交通流参数(密度、流量、速度)，采用经典的交通流模型：

$\left\{\begin{array}{cc}\frac{k}{k_m}=\ln [v_f/v]& v/\mathrm{\σ}\≤m\\ \frac{k}{k_j}=e^{-\frac{v}{v_m}}& v/\mathrm{\σ}>m\end{array}\right.---\left(2\right)$

其中： $v=\frac{{\mathrm{\Σ}}_{i=1}^n{v}_{\mathrm{ti}}}{T}---\left(3\right)$

$\mathrm{\σ}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^n{(v_{\mathrm{ti}}-v)}^2}{n}}---\left(4\right)$

Q=kvL    (5)

其中，m为待估计参数，代表交通流状态的阈值，根据路段类型不同而不同，通常取250左右；k为交通流密度;k_m为交通流流量最大时的密度；k_j为交通流拥挤状态密度；v_f为自由流状态下的速度；v_ti为浮动车在时间t_i的行驶速度；v_m为最大交通流量时的速度；v为观测时段T内采集的浮动车速度样本的平均值；σ为速度样本标准差；Q为流量；L为车道数系数；上述参数和变量都可根据浮动车历史数据计算获得。

根据上面获得的交通流参数(密度、流量、速度)采用模糊判断法进行路段交通流状态判断。构建模糊推理模型，首先要确立输入输出变量的模糊集，确定各自的隶属度函数，并将其转化为语言变量。预测方法模糊变量集合如下表所示：

再建立相应合理的模糊推理规则。根据交通流参数(密度、流量、速度)判断路段l的交通流状态为“很好、良好、中等、较差、很差”，模糊规则条件式，如下：

“如果路段l交通流量Q为“大”，密度k为“中等”，速度v为“中等”，那么路段l的交通状态为“中等”。”

该模糊推理规则可根据专家经验汇总形成。

再根据目标路段l自身和下游线路当前的交通流状态，预测路段l的动态通行能力C_l，也采用模糊推理方法，通过路段l自身和下游线路当前的交通流状态（良好、中等或差），综合预测路段l的动态通行能力C_l为“高、中等或低”。模糊规则条件式，如下：

“如果路段l交通流状态为“良好”，下游路段交通流状态为“中等”，那么路段l的动态通行能力C_l为“大”。”

该模糊推理规则可根据专家经验汇总形成。

然后再根据目标路段l自身和上游线路当前的交通流状态，预测路段l的动态交通需求D_l，采用模糊推理方法，通过路段l自身和上游线路当前的交通流状态（良好、中等或差），综合预测路段l的动态交通需求D_l为“高、中等或低”。模糊规则条件式，如下：

“如果路段l交通流状态为“良好”，其上游路段交通流状态为“中等”，那么路段l的动态交通需求C_l为“中等”。”

该模糊推理规则可根据专家经验汇总形成。

最后，根据所得动态通行能力C_l和需求D_l，采用模糊推理方法预测路段l发生拥挤的可能性、拥挤(如果发生)程度LOC以及拥挤形成时间。通过路段l的动态交通需求C_l为“高、中等或低”和路段l的动态交通需求D_l为“高、中等或低”，预测路段l发生拥挤的可能性为“很大、较大、中等、较小或很小”，拥挤(如果发生)程度LOC为“严重、中等或轻”以及拥挤形成时间为“长、中等或短”。模糊规则条件式，如下：

“如果路段l动态通行能力C_l为“大”，路段l的动态交通需求D_l为“大”，预测路段l发生拥挤的可能性为“较小”，拥挤(如果发生)程度LOC为“中等”以及拥挤形成时间为“长”。”

该模糊推理规则可根据专家经验汇总形成。

预测的路段l发生拥挤的可能性、拥挤(如果发生)程度LOC以及拥挤形成时间的具体量化结果，可利用隶属度函数进行反模糊化得到。

下面以测试广州市内主干路为例，对本发明方法进行具体说明，其情况如下：

首先获取浮动车数据，再根据实地数据标定公式(2)的交通流模型参数，如下表所示：

交通流模型参数表

道路类型	km(pcu/km)	vf(km/h)	kj(pcu/km)	vm(km/h)	m
						快速路	96.3	76.7	102.2	71.3	253
主干道	99.6	65.9	110.8	64.3	287

如目标路段l的浮动车样本速度为40公里/小时，上游路段浮动车样本速度为5公里/小时，下游路段浮动车样本速度为63公里/小时，则根据标定后的公式(2)，目标路段l及其上下游路段的交通流宏观参数如下表所示：

再确立模糊推理方法输入输出变量的模糊集，确定各自的隶属度函数，如图2a-2f所示。

然后根据专家意见汇总分别确定路段l交通状态模糊推理规则，如下表所示：

交通状态模糊推理规则

路段l动态通行能力C_l模糊推理规则，如下表所示：

动态通行能力模糊推理规则

路段l动态交通需求D_l模糊推理规则，如下表所示：

动态交通需求模糊推理规则

预测路段l交通拥挤模糊推理规则，如下表所示：

路段l交通拥挤预测模糊推理规则

根据隶属度函数和模糊规则，目标路段l及其上下游路段的交通状态如下表所示：

目标路段l的动态交通需求D_l以及动态通行能力D_l和拥挤预测结果如下表所示：

经过反模糊化，实例中目标路段l的拥挤发生概率为“中等”，约40%～60%之间；拥挤程度LOC为“中等”，即拥挤指数CI在0.4～0.8之间；拥挤形成时间为“长”，在25分钟以上。

综上所述，本发明形成基于浮动车数据的城市路网动态交通拥挤预测方法，可以为城市路网动态交通拥挤预测提供方法，为城市交通管理、控制措施提供决策依据，具有实际推广价值，值得推广。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (2)

1.一种基于浮动车数据的城市路网动态交通拥挤预测方法，其特征在于，包括以下步骤：

1）确定城市路段拥挤状态判别指标；

2）将浮动车数据转化为交通流参数，包括密度、流量、速度；

3）根据步骤2）所得的交通流参数，进行路段交通流状态判断；

4）根据目标路段l自身和下游线路当前的交通流状态，预测目标路段l的动态通行能力C_l；

5）根据目标路段l自身和上游路段当前的交通流状态，预测目标路段l的动态交通需求D_l；

6）根据动态通行能力C_l和需求D_l，判断目标路段l发生拥挤的可能性、拥挤程度LOC以及拥挤形成时间。

2.根据权利要求1所述的一种基于浮动车数据的城市路网动态交通拥挤预测方法，其特征在于：

根据浮动车数据特点确定城市路段拥挤状态判别指标为拥挤指数CI，为系统延误时间和总的旅行时间的比值，即：

CI=(t-t₀)/t₀

其中：t为实际路段旅行时间，t₀为自由流状况下的路段旅行时间；

将浮动车数据，主要是速度v，转化为交通流参数，包括密度、流量、速度，采用如下交通流模型：

$\left\{\begin{array}{cc}\frac{k}{k_m}=\ln [v_f/v]& v/\mathrm{\σ}\≤m\\ \frac{k}{k_j}=e^{-\frac{v}{v_m}}& v/\mathrm{\σ}>m\end{array}\right.$

$v=\frac{{\mathrm{\Σ}}_{i=1}^n{v}_{\mathrm{ti}}}{T}$

$\mathrm{\σ}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^n{(v_{\mathrm{ti}}-v)}^2}{n}}$

Q=kvL

其中，m为待估计参数，代表交通流状态的阈值，根据路段类型不同而不同，通常取250；k为交通流密度；k_m为交通流流量最大时的密度；k_j为交通流拥挤状态密度；v_f为自由流状态下的速度；v_ti为浮动车在时间t_i的行驶速度；v_m为最大交通流量时的速度；v为观测时段T内采集的浮动车速度样本的平均值；σ为速度样本标准差；Q为流量；L为车道数系数；

根据上面获得的交通流参数，采用模糊判断法进行路段交通流状态判断；构建模糊推理模型，首先要确立输入输出变量的模糊集，确定各自的隶属度函数，并将其转化为语言变量；

建立相应模糊推理规则，根据所得交通流参数判断路段l的交通流状态为很好、良好、中等、较差或很差，模糊规则条件式，如下：

如果路段l交通流量Q为大，密度k为中等，速度v为中等，那么路段l的交通状态为中等；

该模糊推理规则可根据专家经验汇总形成；

根据目标路段l自身和下游线路当前的交通流状态，预测路段l的动态通行能力C_l，也采用模糊推理方法，通过路段l自身和下游线路当前的交通流状态，综合预测路段l的动态通行能力C_l为高、中等或低，模糊规则条件式，如下：

如果路段l交通流状态为良好，下游路段交通流状态为中等，那么路段l的动态通行能力C_l为大；

该模糊推理规则可根据专家经验汇总形成；

根据目标路段l自身和上游线路当前的交通流状态，预测路段l的动态交通需求D_l，采用模糊推理方法，通过路段l自身和上游线路当前的交通流状态，综合预测路段l的动态交通需求D_l为高、中等或低；模糊规则条件式，如下：

如果路段l交通流状态为良好，其上游路段交通流状态为中等，那么路段l的动态交通需求C_l为中等；

该模糊推理规则可根据专家经验汇总形成；

最后，根据所述动态通行能力C_l和需求D_l，采用模糊推理方法预测路段l发生拥挤的可能性、拥挤程度LOC以及拥挤形成时间；通过路段l的动态交通需求C_l为高、中等或低和路段l的动态交通需求D_l为高、中等或低，预测路段l发生拥挤的可能性为很大、较大、中等、较小或很小，拥挤程度LOC为严重、中等或轻，以及拥挤形成时间为长、中等或短；模糊规则条件式，如下：

如果路段l动态通行能力C_l为大，路段l的动态交通需求D_l为大，预测路段l发生拥挤的可能性为较小，拥挤程度LOC为中等以及拥挤形成时间为长；

该模糊推理规则可根据专家经验汇总形成；

预测的路段l发生拥挤的可能性、拥挤程度LOC以及拥挤形成时间的具体量化结果，可利用隶属度函数进行反模糊化得到。