CN103942957B - 信号交叉口饱和状态下车辆排队长度计算方法 - Google Patents

Abstract

本发明提供一种信号交叉口饱和状态下车辆排队长度计算方法，该方法基于交通波理论，包括下述步骤：（1）采集信号交叉口的信息；（2）计算信号交叉口饱和排队长度，并在距离停车线信号交叉口饱和排队长度之处安置车辆检测器；（3）实时监测车辆检测器的占有率，通过检测车辆检测器的占有率确认车辆排队状态；且通过占有率确定状态转换时间点；（4）车辆排队长度模型建立计算；最终实现本发明的在信号交叉口饱和状态下排队车辆长度的计算方法。本发明具有准确性高、计算复杂度低的优点，可满足实际应用的需要。

Description

信号交叉口饱和状态下车辆排队长度计算方法

技术领域

本发明涉及智能交通技术领域，具体是一种基于交通波理论的饱和信号交叉口车辆排队长度的计算方法。

背景技术

车辆排队长度和排队持续时间是交通管理与控制部门制定和实施管理控制措施的重要依据,对车辆排队长度和排队时间计算方法进行研究具有重要的实际意义和应用价值。

在交通流理论的研究过程中,先后提出了多种排队长度计算方法,其中较为经典的是MILLER、AKCELIK、SYNCHRO3、SIGNAL94、TRANSYT排队长度模型。然这些模型要求各进口道的车辆平均到达率在整个时间段内稳定不变，且需要实时准确的测量一段时间内的车辆到达率，在信号交叉口饱和的情况下，车辆检测器被长时间占据，此时，车辆检测器无法及时准确的测量到车辆到达率，因此以上的模型便无法准确的测量出车辆排队长度。

发明内容

针对现有车辆排队长度的计算方法上的不足，本发明提供一种信号交叉口饱和状态下车辆排队长度计算方法，利用交通波理论，建立了适应于饱和状态下的车辆排队长度模型，并利用VISSIM仿真软件进行验证，可实现精确、高效的车辆排队长度计算采集功能，弥补现有技术在车辆饱和情况下的不足。本发明采用的技术方案是：

一种信号交叉口饱和状态下车辆排队长度计算方法，包括下述步骤：

（1）采集信号交叉口的几何特征信息、信号灯配时信息和饱和流量，主要包括下述参数：信号交叉口车道数量，车道宽度，具体配时方案，有效绿灯时间、平均车辆长度；

（2）通过有效绿灯时间、饱和流量以及平均车辆长度计算信号交叉口饱和排队长度，并在距离停车线信号交叉口饱和排队长度之处安置车辆检测器；

（3）实时监测车辆检测器的占有率，通过检测车辆检测器的占有率确认车辆排队状态；且通过占有率确定状态转换时间点；

（4）针对不同的排队状态建立相应的车辆排队长度模型进行车辆排队长度的计算。

本发明的优点在于：本发明通过利用交通波理论，通过对整个停车过程不同交通状态的分析，解决在饱和状态下信号交叉口的实时排队长度计算。该模型针对饱和状态信号交叉口实时排队长度计算具有较定数更好的准确性，大大提高了检测精度和效率，可以满足信号配时和交通管理的需求。

附图说明

图1为本发明的技术路线流程图。

图2为本发明的时间点检测判断流程图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

如图1所示，本发明所提出的信号交叉口饱和状态下车辆排队长度计算方法，包括以下步骤：

（1）采集信号交叉口的几何特征信息、信号灯配时信息和饱和流量，主要包括下述参数：信号交叉口车道数量，车道宽度，具体配时方案，有效绿灯时间、平均车辆长度；

（2）通过有效绿灯时间、饱和流量以及平均车辆长度计算信号交叉口饱和排队长度，并在距离停车线信号交叉口饱和排队长度之处安置车辆检测器；

（3）实时监测车辆检测器的占有率，通过检测车辆检测器的占有率确认车辆排队状态；

（4）针对不同的排队状态建立相应的车辆排队长度模型进行车辆排队长度的计算。

以上可以看出，本发明主要由数据采集（步骤1）、检测器安置（步骤2）、时间点确认（步骤3）、建立模型计算（步骤4）等部分组成。所述数据采集是通过线圈采集，视频回放，人工现场测量等方式采集需要的交通参数；所述检测器安置部分，负责将检测器安置在车辆排队的饱和位置；所述时间点确认部分，通过占有率确定状态转换时间点；所述模型建立计算部分，负责建立在不同状态下的排队长度计算模型。

数据采集部分主要涉及车道几何数据、交通流数据采集等内容。具体步骤如下：

（1.1）通过实地测量的方法采集信号交叉口的几何特性和信号灯配时；

（1.2）通过录像回放的方式统计信号交叉口的车辆类型分布，计算车辆的平均长度；

（1.3）通过录像回放的方式采集信号交叉口的有效绿灯时间内的饱和流量。

检测器安置部分主要将检测器安置在车辆排队的饱和位置。具体步骤如下：

（2.1）通过信息采集到的信号交叉口和交通流量的参数计算得到信号交叉口饱和排队长度L_d；

（2.2）将车辆检测器安置在距离停车线L_d的位置。

时间点确认部分，通过占有率确定状态转换时间点。具体步骤如下：

（3.1）通过大量时间序列数据，确定检测器占有率为100%的第一时间阈值4s；

（3.2）实时监测车辆检测器的占有率，若占有率为100%的占有时间小于4s，则此时的排队长度未达到饱和状态；

（3.3）若占有率为100%的时间超过4s，则记录下此时的时间点T_a，此时排队的长度不断累积，当开始放行时，排队开始消散，当占有率为100%的时间小于4s时，记录下此时的时间点T_b，而后交通状态开始转变，当占有率为0的时间超过2s（第二时间阈值设为2s）时，记录下此时的时间点T_c。

在建立模型计算部分，本发明主要利用了交通波理论进行分析。算法流程如图2所示，具体步骤如下：

（4.1）通过监测时间点，判断交通状态；当时间点T_a不存在时，此时排队长度没有蔓延到检测器的位置，可采用非饱和状态下的排队长度计算（本发明不涉及这一块内容，介绍从略）；当检测到时间点T_a，T_b，T_c，则构建饱和状态下车辆排队长度计算模型，进行计算；

（4.2）计算排队车辆交通启动波波速v₂；当有效绿灯时间开始时，停车线内停止的车辆将以最佳的交通流密度和车流量驶离停车线，此时由于启动而产生的波，以v₂的波速向后传播。

其中q_m和k_m表示有效绿灯时间开始时的最佳车流量和最佳交通流密度；k_j表示车辆的阻塞密度；

（4.3）计算由密度差产生的交通波波速v₃；由道路堵塞时交通流的运行特性分析可知，当停车波和启动波相遇时，启动波与停车波相遇的位置就是排队长度延伸的最长距离，记为L_max，另外，此时由于密度差产生的交通波，以v₃的速度向停车线传播。 $v_3=\frac{q_m-q_a^n}{k_m-k_a^n}$

其中和表示第n个信号灯周期红灯开始后车辆继续到达的车流量和交通流密度，可由车辆检测器测量计算；

（4.4）基于交通波理论建立车辆排队长度的计算模型：

$L_{\max }^n=L_d+\mathrm{\α}\×((T_c-T_B)/(\frac{1}{v_2}+\frac{1}{v_3}))$

其中，L_d表示的是停车线到车辆检测器的距离，α为校正系数；表示第n个信号灯周期的最大排队长度。

具体实施例：

本发明通过VISSIM对实验进行验证，采用双车道的设置，车道宽3.5m，交叉口信号灯周期为60s，其中绿灯周期为30s。发生源流量为600(veh/h)，并且每5周期增长200(veh/h)。在达到1200(veh/h)之后，维持10周期过后，再以每5周期减少200(veh/h)的速度下降至600(veh/h)，本文采用VISSIM中的默认设置，认为当行驶速度小于5km/h时即处于排队状态，由此可知启动波的速度为一定值，这符合VISSIM软件中的车辆行驶特性。在仿真软件VISSIM的初始设定下，k_j=130(veh/km)，饱和流率为S=1800(veh/h)，即最佳车流量q_m。根据Grenberg模型的特性有：

k_m=k_j/e

此处自然常数e近似取值2.7，由此可得k_m为一定值，k_m=48.1(veh/km)，根据交通流基本理论知：

q_m=(k_m-k_j)×v₂

则有：

v₂=21.9(km/h)

对于步骤（4.3）中，由于由车辆检测器无法直接得到车辆密度参数k_a ⁿ，根据交通流理论，可由以下公式计算交通流密度k_a ⁿ

$o=\frac{\underset{i}{\mathrm{\Σ}}(l_i+d)/u_i}{T}=\frac{1}{T}\underset{i}{\mathrm{\Σ}}\frac{l_i}{u_i}+\frac{d}{T}\underset{i}{\mathrm{\Σ}}\frac{1}{u_i}$

$o=\left(\frac{1}{N}\underset{i}{\mathrm{\Σ}}\frac{l_i}{u_i}\right)/\stackrel{\‾}{h}+{{\mathrm{dk}}_a}^n=l_i\frac{q}{{\stackrel{\‾}{u}}_s}+{{\mathrm{dk}}_a}^n=(l_i+d){k_a}^n=l_i{k_a}^n$

由此可得交通流密度为： ${k_a}^n=o/l_i=\left(\frac{1}{T}\underset{i}{\mathrm{\Σ}}\frac{l_i}{u_i}\right)/l_i$

其中k_a ⁿ表示第n个信号灯周期红灯开始后车辆继续到达交通流密度（veh/km）；o表示交通流的时间占有率（%）；l_i表示第i辆车的长度（m）；d表示检测器长度（m）；u_i表示第i辆车的速度（km/h）；T表示观测时间（h）。

通过实验用最小二乘法确定校正系数α=1.25。

表1为单车道模拟路段各周期内的数据统计以及各个周期当量排队长度与实际排队长度的绝对误差，由于模拟初期路段交通流不稳定并且未能达到饱和状态，这里取了达到饱和状态的周期的数据。

从结果我们可以看出，交通波模型的最大绝对误差为38.008m，平均绝对误差为14.488m，最大相对误差为27.417%，平均相对误差为9.281%（精度可达90%以上），可得出结论本文采取的修正后的交通波模型在交通流量发生变化并且饱和的情况下有更好的估计效果。

表1

Claims (5)

1.一种信号交叉口饱和状态下车辆排队长度计算方法，其特征在于，包括下述步骤：

（1）采集信号交叉口的几何特征信息、信号灯配时信息和饱和流量，主要包括下述参数：信号交叉口车道数量，车道宽度，具体配时方案，有效绿灯时间、平均车辆长度；

（2）通过有效绿灯时间、饱和流量以及平均车辆长度计算信号交叉口饱和排队长度，并在距离停车线信号交叉口饱和排队长度之处安置车辆检测器；

（3）实时监测车辆检测器的占有率，通过检测车辆检测器的占有率确认车辆排队状态；且通过占有率确定状态转换时间点；

（4）针对不同的排队状态建立相应的车辆排队长度模型进行车辆排队长度的计算；

步骤(3)中状态转换时间点的确认包括以下步骤：

（3.1）确定一个检测器占有率为100%的第一时间阈值；

（3.2）实时监测车辆检测器的占有率，若占有率为100%的占有时间小于第一时间阈值，则此时的车辆排队长度未达到饱和状态；

（3.3）若占有率为100%的时间超过第一时间阈值，则记录下此时的时间点T_a，此时排队的长度不断累积，当开始放行时，排队开始消散，当占有率为100%的时间小于第一时间阈值时，记录下此时的时间点T_b，而后交通状态开始转变，当占有率为0的时间超过第二时间阈值时，记录下此时的时间点T_c；

步骤(4)中建立车辆排队长度模型进行车辆排队长度的计算具体包括以下步骤：

（4.1）通过监测时间点，判断交通状态；当检测到时间点T_a，T_b，T_c，则构建饱和状态下车辆排队长度计算模型；

（4.2）计算排队车辆交通启动波波速v₂；

其中q_m和k_m表示有效绿灯时间开始时的最佳车流量和最佳交通流密度；k_j表示车辆的阻塞密度；

（4.3）计算由密度差产生的交通波v₃；

其中和表示第n个信号灯周期红灯开始后车辆继续到达的车流量和交通流密度；

（4.4）基于交通波理论建立车辆排队长度的计算模型：

$L_{max}^n=L_d+\mathrm{\α}\×\left(\right(T_c-T_B)/(\frac{1}{v_2}+\frac{1}{v_3}\left)\right)$

其中，L_d表示的是停车线到车辆检测器的距离，α为校正系数；表示第n个信号灯周期的最大排队长度。

2.如权利要求1所述的信号交叉口饱和状态下车辆排队长度计算方法，其特征在于，步骤(1)中信息采集包括以下步骤：

（1.1）通过实地测量的方法采集信号交叉口的几何特性和信号灯配时；

（1.2）通过录像回放的方式统计信号交叉口的车辆类型分布，计算车辆的平均长度；

（1.3）通过录像回放的方式采集信号交叉口的有效绿灯时间内的饱和流量。

3.如权利要求1所述的信号交叉口饱和状态下车辆排队长度计算方法，其特征在于，步骤(2)包括以下步骤：

（2.1）通过信息采集到的信号交叉口和交通流量的参数计算得到信号交叉口饱和排队长度L_d；

（2.2）将车辆检测器安置在距离停车线L_d的位置。

4.如权利要求1所述的信号交叉口饱和状态下车辆排队长度计算方法，其特征在于：

第一时间阈值为4s，第二时间阈值为2s。

5.如权利要求1所述的信号交叉口饱和状态下车辆排队长度计算方法，其特征在于：

校正系数α的取值为1.25。