CN103996289B - 一种流量-速度匹配模型及行程时间预测方法及系统 - Google Patents
一种流量-速度匹配模型及行程时间预测方法及系统 Download PDFInfo
- Publication number
- CN103996289B CN103996289B CN201410250605.6A CN201410250605A CN103996289B CN 103996289 B CN103996289 B CN 103996289B CN 201410250605 A CN201410250605 A CN 201410250605A CN 103996289 B CN103996289 B CN 103996289B
- Authority
- CN
- China
- Prior art keywords
- flow
- section
- time
- speed
- average speed
- 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.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种流量‑速度匹配模型及行程时间预测方法及系统,包括计算路段的理论行程时间和车流平均速度;计算所述理论行程时间与实测行程时间之间的误差,根据误差对车流平均速度反馈调节,并更新对应路段流量‑速度数据;重复上述步骤,直到误差小于预设阈值,则保存为流量‑速度匹配模型;可直接通过预测流量在流量‑速度匹配模型中进行匹配,从而获取平均速度,再根据平均速度计算行程时间。本方案利用交通波原理计算行程时间,并对平均速度进行反馈调节,不断修正计算结果,更新流量‑速度匹配模型;行程时间预测方法简单,同时在进行行程时间预测的过程中可动态丰富优化流量‑速度匹配模型,使预测模型精度更高。
Description
技术领域
本发明涉及一种流量-速度匹配模型及行程时间预测方法及系统,具体是一种使用速度反馈调节方法建立流量-速度匹配模型,再使用流量-速度匹配模型对城市道路间断流行程时间进行预测的方法。属于交通控制技术领域。
背景技术
城市交通状况是否良好直接影响着城市经济的发展。尽快、有效地治理交通堵塞已成为许多城市亟待解决的问题。交通流诱导系统是缓解城市道路交通拥堵,调节城市路网交通流朝着均衡分布方向发展的重要手段,而建立交通流诱导系统的关键是要能较为精确地预测未来一段时间内车辆在路段上的行驶时间。因此,对城市交通流路段行程时间预测方法的研究有着重要的意义。
目前根据行程时间预测研究对象的不同主要分为高速公路行程时间预测、快速路行程时间预测和城市道路行程时间预测。高速公路和快速路的交通流属于连续流,而由于路网中信号灯的作用以及城市交叉口道路交通形成的复杂性,使得城市道路间断流行程时间预测相对高速路或快速路连续流行程时间预测来说要复杂的多,因此,应该根据高速公路、快速路和城市道路间断交通流各自的特点选择合适的行程时间预测方法。
目前城市道路间断流行程时间预测的方法主要有卡尔曼滤波、非参数回归模型、神经网络等。卡尔曼滤波的权值在每次计算时需要调整,计算量大,模型适应性不强;非参数回归模型所需参数较多,在行程时间预测上应用较少;神经网络需要大样本训练,数据不足导致预测效果差。上述方法所需参数较多,计算较复杂;或者计算简单,但预测精度稍差。
发明内容
为此,本发明所要解决的技术问题在于现有的城市道路间断流行程时间预测方法所需参数较多,计算较复杂;或者计算简单,但预测精度稍差,从而提出一种流量-速度匹配模型,并使用该模型的城市间断流行程时间预测方法及系统。
为解决上述技术问题,本发明的技术方案如下:
一种流量-速度匹配模型的建立方法,包括:
计算路段的理论行程时间和车流平均速度;
计算所述理论行程时间与实测行程时间的误差,根据所述误差对所述车流平均速度进行反馈调节,并更新对应所述路段流量-速度数据;
重复上述步骤,直到所述理论行程时间与所述实测行程时间的误差小于预设阈值,则将所述流量-速度数据保存为流量-速度匹配模型。
所述“计算路段的理论行程时间”的过程为:
采集所述路段的车流量、阻塞密度及饱和流量;
根据所述路段的车流量、阻塞密度及饱和流量计算集结波和消散波;
根据所述集结波和所述消散波判断每辆车的行驶状态;
根据所述每辆车的行驶状态计算单位时间内进入路段的车辆的平均行驶时间,作为所述路段的理论行程时间。
所述“根据所述每辆车的行驶状态计算单位时间内进入路段的车辆的平均行驶时间”的过程为:
根据单位时间内进入所述路段的每辆车的行驶状态计算每辆车的行驶时间;
将每辆车的行驶时间相加后再计算平均值,作为所述单位时间内进入路段的车辆的平均行驶时间。
所述“根据所述误差对所述车流平均速度进行反馈调节”的过程为:
所述理论行程时间大于所述实测行程时间时,若所述路段的车流平均速度小于预设的最大平均速度,则增大所述平均速度;否则取所述最大平均速度为所述车流平均速度;
所述理论行程时间小于所述实测行程时间时,若所述路段的车流平均速度大于预设的最小平均速度,则减小所述平均速度;否则取所述最小平均速度为所述车流平均速度。
所述预设阈值额取值范围为3%~15%。
一种使用所述流量-速度匹配模型的建立方法的流量-速度匹配模型的建立系统,包括:
用于计算路段的理论行程时间和车流平均速度模块;
用于计算所述理论行程时间与实测行程时间的误差,根据所述误差对所述车流平均速度进行反馈调节,并更新对应所述路段流量-速度数据模块;
用于重复上述步骤,直到所述理论行程时间与所述实测行程时间的误差小于预设阈值,则将所述流量-速度数据保存为流量-速度匹配模型模块。
一种行程时间预测方法,包括:
预测待测路段的车流量;
将所述车流量与所述流量-速度匹配模型进行匹配,获得所述待测路段的车流平均速度;
根据所述车流平均速度计算所述待测路段的行程时间。
所述“将所述车流量与所述流量-速度匹配模型进行匹配,获得所述待测路段的车流平均速度”的过程为:
根据所述车流量与预设的流量区间进行匹配,获取对应的预设流量区间平均速度作为所述待测路段的车流平均速度。
所述“将所述车流量与所述流量-速度匹配模型进行匹配,获得所述待测路段的车流平均速度”的过程为:
采用聚类分析方法将所述车流量与所述速度-流量匹配模型进行匹配,再将获得的速度加权平均后作为所述路段的车流平均速度。
所述的行程时间预测方法,还包括根据实际测得的时间与计算得到的时间之差对速度进行反馈调节,并将调节后的流量-速度数据存入流量-速度匹配模型。
一种使用所述行程时间预测方法的行程时间预测系统,包括:
用于预测待测路段的车流量模块;
用于将所述车流量与所述流量-速度匹配模型进行匹配,获得所述待测路段的车流平均速度模块;
用于根据所述车流平均速度所述待测路段的行程时间模块。
本发明的上述技术方案相比现有技术具有以下优点:
(1)本发明提供一种流量-速度匹配模型的建立方法,包括计算路段的理论行程时间和车流平均速度;计算所述理论行程时间与实测行程时间的误差,根据所述误差对所述车流平均速度进行反馈调节,并更新对应所述路段流量-速度数据;重复上述步骤,直到所述理论行程时间与所述实测行程时间的误差小于预设阈值,则将所述流量-速度数据保存为流量-速度匹配模型。本方案利用交通波原理计算行程时间,并对平均速度进行反馈调节,不断修正计算结果,更新流量-速度匹配模型;行程时间预测方法简单,同时在进行行程时间预测的过程中可动态丰富优化流量-速度匹配模型,使预测模型精度更高。
(2)本发明提供一种流量-速度匹配模型的建立方法,利用交通波原理判断每辆车的行驶状态,交通车流和一般流体一样,当遇到瓶颈时车流就会发生集结拥挤,车速降低,好像水流遇到障碍物时产生相反波阻止车流前进,当瓶颈消失后,车流将增大,车速也逐渐增大。该理论形象科学合理,能更好的判断车辆的行驶状态。
(3)本发明提供一种流量-速度匹配模型的建立方法,根据所述理论行程时间与所述实测行程时间之差对所述平均速度进行反馈调节,并进行最小平均速度和最大平均速度限制,使得平均速度更加接近车流的平均速度。
(4)本发明提供一种流量-速度匹配模型的建立系统,该系统使用上述流量-速度匹配模型的建立方法,通过采集实际路段的车流量,利用交通集散波原理计算路段的行程时间和车流平均速度,并对平均速度进行反馈调节,不断的修正优化,使得车辆的平均速度更接近实际的车流平均速度,在进行流量-速度匹配时,可根据流量匹配相应的速度,计算量小,预测精度高。
(5)本发明提供一种行程时间预测方法,根据采集到的路段车流量直接与流量-速度匹配模型进行匹配,得到路段相应的平均速度,在进行时间预测时选取的参数少,计算量小,响应速度快,同时预测精度高。
(6)本发明提供一种行程时间预测方法,还包括根据实际测得的时间与计算得到的时间之差对速度进行反馈调节,将调节后的速度数据与流量存入流量-速度匹配模型。在预测的过程中可不断优化流量-速度匹配模型,同时也将新的路段的流量-速度数据添加到所述流量-速度匹配模型中,丰富了该模型。
(7)本发明提供一种行程时间预测系统,使用所述行程时间预测方法,根据采集到的路段车流量直接与流量-速度匹配模型进行匹配,得到路段相应的平均速度,在进行时间预测时选取的参数少,计算量小,响应速度快,同时预测精度高。
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1 是本发明一个实施例的一种流量-速度匹配模型的建立方法流程图;
图2 是本发明一个实施例的一种行程时间预测方法流程图;
图3 是本发明一个实施例的一种行程时间预测方法的交叉路口及路段图;
图4 是本发明一个实施例的一种流量-速度匹配模型的建立方法中车辆行驶状态示意图;
图5 是本发明一个实施例的一种流量-速度匹配模型的建立方法中车辆运行状态时空图;
图6 是本发明一个实施例的一种流量-速度匹配模型的建立方法中两种交通密度车辆的运行状态示意图;
图7 是本发明一个实施例的一种流量-速度匹配模型的建立方法中集结波示意图;
图8 是本发明一个实施例的一种流量-速度匹配模型的建立方法中消散波示意图;
图9 是本发明一个实施例的一种流量-速度匹配模型的建立方法中集散波速示意图。
具体实施方式
实施例一
本实施例提供一种流量-速度匹配模型的建立方法,其流程图如图1所示,具体包括这步骤如下:
(1)计算路段的理论行程时间和车流平均速度,并对所述行程时间和所述车流平均速度进行存储。所述获取所述路段的行程时间具体过程包括:
①采集所述路段的车流量、阻塞密度及饱和流量,可采用本领域熟知的现有技术手段获取。
②根据所述路段的车流量和密度计算集结波和消散波。如图3所示,在路段上行驶的一列车队在交叉口遇到红灯后,车辆停车排队路段上的车流密度逐渐增高,绿灯开启后,排队的车辆依次启动,路段上车流密度逐渐降低。在一个红绿灯周期内,车流中的密度先由低到高,再由高到低,车流中这两种不同密度的分界面会形成车流波动向车队后部传播,车辆沿道路向后传播的速度被称为波速,所形成的交通波被称为集散波。
将集散波的形成过程通过车辆运行状态时空图表示如图5所示:假设一列车队长度为,在图5的区域Ⅰ内车速高而密度低,进入区域Ⅱ后,车速降低,密度增大,进入区域Ⅲ后,车速回升,密度降低。在图中用虚线OA表示车流密度改变的区域分界线,虚线代表车流沿分界线向与车流运行相反的方向传播,斜率代表波的速度,虚线OA和OB是不同车流密度的分界线,OA代表密度由低到高,OB代表密度由高到低,在这两种界面上产生的车流波被称作集结波和消散波。集结波即停止波,消散波即启动波。
③根据所述集结波和所述消散波判断每辆车的行驶状态,所述行驶状态包括停止和行驶两种状态。所述流行驶状态的判断方法:首先,假设第一辆车进入路段的时刻为预测初始时刻,计算得出车辆以平均速度到达停止线的时间;根据该时间判断车辆遇到红绿灯的情况,若遇到红灯,则车辆停车等待,并判断几辆车在阻塞区域内;若遇到绿灯,车辆直行通过;重复以上过程,判断下一辆车到达停止线处所处红绿灯情况,若处于绿灯范围内,但却在上一信号周期红灯阻塞车辆内,则车辆停车等待,否则直行通过。如图4所示,在图四中横坐标表示时间,纵坐标表示路段长度,斜直线表示车辆的运行速度,斜虚线包括的范围内横线表示车辆的停车等待时间。
本实施例利用交通集散波原理判断每辆车的行驶状态,交通车流和一般流体一样,当遇到瓶颈时车流就会发生集结拥挤,车速降低,好像水流遇到障碍物时产生相反波阻止车流前进,当瓶颈消失后,车流将增大,车速也逐渐增大。该理论形象科学合理,能更好的判断车辆的行驶状态。
④根据所述每辆车的行驶状态计算单位时间内进入路段的车辆的平均行驶时间,具体方式为根据单位时间内进入所述路段的每辆车的行驶状态计算每辆车的行驶时间;将每辆车的行驶时间相加后再计算平均值,作为所述单位时间内进入路段的车辆的平均行驶时间。
将最终获得的平均行驶时间作为所述路段的理论行程时间。
(2)计算所述理论行程时间与实测行程时间之间的误差,根据所述误差对所述车流平均速度进行反馈调节,并更新对应所述路段流量-速度数据。具体过程为:①所述理论行程时间大于所述实测行程时间时,并且所述路段的平均速度小于预设的最大平均速度,则增大所述平均速度;否则取所述最大平均速度为所述平均速度;②所述理论行程时间小于所述实测行程时间时,并且所述路段的平均速度大于预设的最小平均速度,则减小所述平均速度;否则取所述最小平均速度为所述平均速度。
本实施例根据所述理论行程时间与所述实测行程时间之差对所述平均速度进行反馈调节,并进行最小平均速度和最大平均速度限制,使得平均速度更加接近车流的平均速度。
(3)重复上述步骤,直到所述理论行程时间与所述实测行程时间的误差小于预设阈值,则将所述流量-速度数据保存为流量-速度匹配模型,所述预设阈值的范围为3%~15%,本实施例中的阈值为10%,在其他的实施方式中也可以根据实际需求以及交通状况进行设置。
本实施例提供的方案利用交通波原理计算行程时间,并对平均速度进行反馈调节,不断修正计算结果,更新流量-速度匹配模型;行程时间预测方法简单,同时在进行行程时间预测的过程中可动态丰富优化流量-速度匹配模型,使预测模型精度更高。
实施例二
本实施一种使用流量-速度匹配模型的建立方法的流量-速度匹配模型的建立系统,包括:
用于计算路段的理论行程时间和车流平均速度模块;
用于计算所述理论行程时间与实测行程时间之间的误差,根据所述误差对所述车流平均速度进行反馈调节,并更新对应所述路段流量-速度数据模块;
用于重复上述步骤,直到所述理论行程时间与所述实测行程时间的误差小于预设阈值,则将所述流量-速度数据保存为流量-速度匹配模型模块。
本实施例提供的一种流量-速度匹配模型的建立系统,使用所述流量-速度匹配模型的建立方法,利用交通波原理计算行程时间,并对平均速度进行反馈调节,不断修正计算结果,更新流量-速度匹配模型;行程时间预测方法简单,同时在进行行程时间预测的过程中可动态丰富优化流量-速度匹配模型,使预测模型精度更高。
实施例三
本实施例提供一种行程时间预测方法,其流程图如图2所示,具体包括如下步骤:
(1)预测待测路段的车流量。所述预测方法可采用本领域技术人员熟知的时间序列法、历史趋势法、神经网络、卡尔曼滤波法等方法中的一种,或采用其中几种方法组合预测,根据实际路段及需求进行选择。
(2)将所述车流量与所述流量-速度匹配模型进行匹配,获得所述待测路段的车流平均速度,所述匹配的过程为:根据所述车流量与预设的流量区间进行匹配,获取对应的预设流量区间平均速度作为所述待测路段的车流平均速度。在对交通状态不进行分类细化的情况下匹配的过程简单快捷,计算量小,易于实现。
作为可替换的实施例,所述匹配的过程为:采用聚类分析方法将所述车流量与所述速度流量匹配模型进行匹配,再将获得的速度加权平均后作为所述路段的车流平均速度。对交通状态类型进行更好地分类细化,使平均速度更加接近于实际路段的速度,使得行程时间的预算更加精确。
(3)根据所述车流平均速度计算所述待测路段的行程时间。根据路段采集的流量q,以及q=ku得出路段车队的平均速度为u,集结波速度为w1j,消散波速度为w2,车队以等间距进入路段,则直线u与直线w1j、w2分别相交于t1i、t2i,如图9所示,则有:
其中:ki表示第i辆车的进入时刻,i∈(1,2,....N),N为直行车辆数;bj、cj表示集结波与消散波的表达式常数项,j∈(1,2,...L),L为周期数。
将(2)式减去(1)式计算出进入路段的每一辆直行车的延误时间Ti d=t2i-t1i,加上车辆在路段的平均行程时间可得出每一辆车在信号控制下的路段行程时间综上所述,依次计算出进入路段的每一辆车的行程时间相加并平均就可得到预测路段的平均行程时间,即:
本实施例根据预测到的路段车流量直接与流量-速度匹配模型进行匹配,得到路段相应的速度,在进行时间预测时计算量小,响应速度快,同时预测精度高。
作为优选的实施例,所述行程时间预测方法还包括根据实际测得的时间与计算得到的时间之差对速度进行反馈调节,直到所述理论行程时间与所述实测行程时间误差小于预设阈值,并通过流量更新对应所述路段流量-速度数据。
通过实测行程时间数据与预测数据之差来调整路段的平均速度u,以此来提高预测模型的精度,即
unew=αuold
其中:α为调节系数,当Tprep>Treal时,α∈(1,2);当Tprep<realT时,α∈(0,1)。
然后,预测时首先得到路段预测流量,应用相关匹配方法从数据库中通过流量—速度匹配得到路段的平均速度,在通过交通波行程时间计算方法实现路段平均行程时间的计算,作为平均行程时间的预测值。
在预测的过程中可不断优化流量-速度匹配模型,同时也将新的路段的流量-速度数据添加到所述流量-速度匹配模型中,丰富了该模型。
实施例四
本实施例提供一种行程时间预测系统,包括:
用于预测待测路段的车流量模块;
用于将所述车流量与所述流量-速度匹配模型进行匹配,获得所述待测路段的车流平均速度模块;
用于根据所述车流平均速度所述待测路段的行程时间模块。
本实施例提供的行程时间预测系统,使用所述行程时间预测方法,根据预测待测路段车流量直接与流量-速度匹配模型进行匹配,得到路段相应的平均速度,在进行时间预测时计算量小,响应速度快,同时预测精度高。
实施例五
本实施例提供一种流量-速度匹配模型的建立方法的具体事例,具体如下。
在交叉路口及路段图如图3所示,在路段上行驶的一列车队在交叉路口遇到红灯后,车辆停车排队路段上的车流密度逐渐增高,绿灯开启后,排队的车辆依次启动,路段上车流密度逐渐降低。在一个红绿灯周期内,车流中的密度先由低到高,再由高到低,车流中这两种不同密度的分界面会形成车流波动向车队后部传播,车辆沿道路向后传播的速度被称为波速,所形成的交通波被称为集散波。
首先对交通波的基本模型做简单介绍,如图6所示两种车流密度下车流运行状态示意图。
u1、k1:在A区车辆的平均速度、密度;
u2、k2:在B区车辆的平均速度、密度;
ur1=(u1-uw):在A区相对于移动阵面S的车辆速度;
ur2=(u2-uw):在B区相对于移动阵面S的车辆速度。
由交通流量守恒可得到,在t时间内通过界面S的车辆数可表示为下式:
N=ur1k1t=ur2k2t
即:(u1-uw)k1=(u2-uw)k2
u2k2-u1k1=uw(k2-k1)
由q=ku,可知q1=k1u1,q2=k2u2
可得:
流量-密度-速度关系
q=ku
式中:q——流量,辆/h
k——密度,辆/公里
u——区间平均速度,km/h
阻塞密度kj描述的是路段上的车流密集到所有车辆都无法移动的程度所对应交通密度,此时速度u=0;畅行速度uf描述的是路段上车辆可以畅行通过时的平均速度,此时k=0。
利用Greenshields线形模型分析交通波模型
ui=uf(1-ki/kj)
令:ηi=ki/kj可得:
u1=uf(1-η1)
u2=uf(1-η2)
由ηi=ki/kj可得:
uw=uf[1-(η1+η2)]
所述流量-速度匹配模型的建立过程如下:
(1)采集的车流量和密度,假定车辆在排队前(图3中A区域)的流量为qA,密度为kA,在排队区间内流量qj=0,密度为阻塞密度kj,此时由于两个区域内流量密度不同而产生集结波wA(排队现象)。
集结波示意图如图7所示,现假设车流的标准化密度为η1,区间平均速度u1。车辆在交叉口停车线处遇到红灯停,此时η2=1
uw=uf[1-(η1+1)]=-ufη1
2)在绿灯开启后,假设车辆以饱和流率进行消散,饱和流量为qB,密度为kB,形成消散波wB。
消散波示意图如图8所示,绿灯亮时车辆起动,此时,k1=kj,也即η1=1。因为:
可得:
uw=uf[1-(1+η2)]=-ufη2=-(uf-u2)≈-uf
3)设车辆以等间距进入路段,可以根据集结波和消散判断出每辆车的运行轨迹,这样根据两直线关系就可以算出单位时间内进入路段的车辆的行驶时间,以此类推,将单位时间内所有车辆的行驶时间相加再平均就得到车辆在单位时间内的路段平均行程时间。
4)结合集结波和消散波理论,可知消散波波速wB比较稳定,集结波wA的大小直接影响到车辆排队等待时间,而wA与车辆在排队前的密度kA和流量qA有关系,根据q=ku,因而可以尝试通过调整速度u来改变集结波的大小,进而影响路段行程时间的大小。
5)根据以上思路将计算得到的路段平均行程时间与实际测量的行程时间之差进行反馈调节,重复步骤1-4,对不同交通状态下的交通数据进行行程时间计算,把行程时间预测结果与实际测量的行程时间数据之差对路段平均速度进行调节,修正预测结果,并将预测误差控制在10%以内,将流量与修正后的路段平均速度存入数据库,修正路段的平均速度,提高行程时间预测精度。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种流量-速度匹配模型的建立方法,其特征在于,包括:
计算路段的理论行程时间和车流平均速度;其中,所述计算路段的理论行程时间的步骤包括:
采集所述路段的车流量、阻塞密度及饱和流量;
根据所述路段的车流量、阻塞密度及饱和流量计算集结波和消散波;
根据所述集结波和所述消散波判断每辆车的行驶状态;
根据所述每辆车的行驶状态计算单位时间内进入路段的车辆的平均行驶时间,作为所述路段的理论行程时间;
计算所述理论行程时间与实测行程时间的误差,根据所述误差对所述车流平均速度进行反馈调节,并更新对应所述路段流量-速度数据;
重复上述步骤,直到所述理论行程时间与所述实测行程时间的误差小于预设阈值,则将所述流量-速度数据保存为流量-速度匹配模型。
2.根据权利要求1所述的流量-速度匹配模型的建立方法,其特征在于,所述“根据所述每辆车的行驶状态计算单位时间内进入路段的车辆的平均行驶时间”的过程为:
根据单位时间内进入所述路段的每辆车的行驶状态计算每辆车的行驶时间;
将每辆车的行驶时间相加后再计算平均值,作为所述单位时间内进入路段的车辆的平均行驶时间。
3.根据权利要求1所述的流量-速度匹配模型的建立方法,其特征在于,所述“根据所述误差对所述车流平均速度进行反馈调节”的过程为:
所述理论行程时间大于所述实测行程时间时,若所述路段的车流平均速度小于预设的最大平均速度,则增大所述平均速度;否则取所述最大平均速度为所述车流平均速度;
所述理论行程时间小于所述实测行程时间时,若所述路段的车流平均速度大于预设的最小平均速度,则减小所述平均速度;否则取所述最小平均速度为所述车流平均速度。
4.根据权利要求1-3任一所述的流量-速度匹配模型的建立方法,其特征在于,所述预设阈值额取值范围为3%~15%。
5.一种使用权利要求1-4所述的流量-速度匹配模型的建立方法的流量-速度匹配模型的建立系统,其特征在于,包括:
用于计算路段的理论行程时间和车流平均速度模块;其中,计算路段的理论行程时间包括:
采集所述路段的车流量、阻塞密度及饱和流量;
根据所述路段的车流量、阻塞密度及饱和流量计算集结波和消散波;
根据所述集结波和所述消散波判断每辆车的行驶状态;
根据所述每辆车的行驶状态计算单位时间内进入路段的车辆的平均行驶时间,作为所述路段的理论行程时间;
用于计算所述理论行程时间与实测行程时间之间的误差,根据所述误差对所述车流平均速度进行反馈调节,并更新对应所述路段流量-速度数据模块;
用于重复上述步骤,直到所述理论行程时间与所述实测行程时间误差小于预设阈值,则将所述流量-速度数据保存为流量-速度匹配模型模块。
6.一种运用权利要求1所述的流量-速度匹配模型的建立方法进行行程时间预测的方法,其特征在于,包括:
预测待测路段的车流量;
将所述车流量与所述流量-速度匹配模型进行匹配,获得所述待测路段的车流平均速度;所述获得所述待测路段的车流平均速度的步骤包括:
采用聚类分析方法将所述车流量与所述速度-流量匹配模型进行匹配,再将获得的速度加权平均后作为所述路段的车流平均速度;
根据所述车流平均速度计算所述待测路段的行程时间。
7.根据权利要求6所述的行程时间预测方法,其特征在于:还包括根据实际测得的时间与计算得到的时间之差对速度进行反馈调节,并将调节后的流量-速度数据存入流量-速度匹配模型。
8.一种使用权利要求6或7所述行程时间预测方法的行程时间预测系统,其特征在于,包括:
用于预测待测路段的车流量模块;
用于将所述车流量与所述流量-速度匹配模型进行匹配,获得所述待测路段的车流平均速度模块;所述获得所述待测路段的车流平均速度为:
采用聚类分析方法将所述车流量与所述速度-流量匹配模型进行匹配,再将获得的速度加权平均后作为所述路段的车流平均速度;
用于根据所述车流平均速度所述待测路段的行程时间模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410250605.6A CN103996289B (zh) | 2014-06-06 | 2014-06-06 | 一种流量-速度匹配模型及行程时间预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410250605.6A CN103996289B (zh) | 2014-06-06 | 2014-06-06 | 一种流量-速度匹配模型及行程时间预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996289A CN103996289A (zh) | 2014-08-20 |
CN103996289B true CN103996289B (zh) | 2016-08-17 |
Family
ID=51310439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410250605.6A Expired - Fee Related CN103996289B (zh) | 2014-06-06 | 2014-06-06 | 一种流量-速度匹配模型及行程时间预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996289B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547315A (zh) * | 2015-12-25 | 2016-05-04 | 上海电机学院 | 一种车辆实时最优交通规划方法及系统 |
CN105513357B (zh) * | 2015-12-30 | 2017-11-03 | 银江股份有限公司 | 一种基于微波数据的交通流基本图参数标定方法 |
CN108615385B (zh) * | 2016-12-13 | 2021-04-20 | 比亚迪股份有限公司 | 道路路况评估方法和装置、车辆及云服务器 |
RU2666333C1 (ru) | 2017-04-04 | 2018-09-06 | Общество С Ограниченной Ответственностью "Яндекс" | Способы определения параметра ошибки расчета пользовательского трафика, который связан с расчетными условиями дорожного трафика |
CN106952475B (zh) * | 2017-04-26 | 2019-04-23 | 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 |
CN107527501A (zh) * | 2017-06-05 | 2017-12-29 | 交通运输部公路科学研究所 | 一种高速公路站间行程时间数据的构造方法以及预测高速公路行程时间的方法 |
CN107591003B (zh) * | 2017-10-26 | 2020-04-03 | 江苏智通交通科技有限公司 | 基于车辆识别数据的城市路网消散能力提取方法 |
CN107895481B (zh) * | 2017-11-21 | 2021-01-19 | 福建工程学院 | 基于浮动车技术的区域道路车流量控制方法 |
CN109712397B (zh) * | 2019-01-22 | 2021-05-28 | 江苏智通交通科技有限公司 | 基于gm跟驰模型的高速公路行程时间估计方法 |
CN110853380B (zh) * | 2019-10-15 | 2021-09-03 | 同济大学 | 一种基于轨迹数据的信号控制时段划分方法 |
CN110942644B (zh) * | 2019-12-11 | 2020-12-15 | 长安大学 | 一种道路瓶颈路段识别及交通拥堵传播预警系统和方法 |
CN111199646B (zh) * | 2020-01-10 | 2021-07-06 | 北京航空航天大学 | 一种基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法 |
CN111667701A (zh) * | 2020-05-27 | 2020-09-15 | 北京百度网讯科技有限公司 | 信控设备调整方法和装置 |
CN113183966B (zh) * | 2021-05-27 | 2023-12-05 | 上海悟景信息科技有限公司 | 一种智能驾驶方法、系统、设备及介质 |
CN113506438B (zh) * | 2021-06-18 | 2022-07-05 | 同济大学 | 网联自动驾驶混行车流动态控制方法、系统、装置及介质 |
CN114187755A (zh) * | 2021-12-14 | 2022-03-15 | 上海平可行智能科技有限公司 | 车辆编队控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894461A (zh) * | 2009-05-22 | 2010-11-24 | 上海宝康电子控制工程有限公司 | 城市地面道路行程时间预测方法 |
CN102610088A (zh) * | 2012-03-08 | 2012-07-25 | 东南大学 | 一种公交车站点间行程时间预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10022812A1 (de) * | 2000-05-10 | 2001-11-22 | Daimler Chrysler Ag | Verfahren zur Verkehrslagebestimmung auf Basis von Meldefahrzeugdaten für ein Verkehrsnetz mit verkehrsgeregelten Netzknoten |
-
2014
- 2014-06-06 CN CN201410250605.6A patent/CN103996289B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894461A (zh) * | 2009-05-22 | 2010-11-24 | 上海宝康电子控制工程有限公司 | 城市地面道路行程时间预测方法 |
CN102610088A (zh) * | 2012-03-08 | 2012-07-25 | 东南大学 | 一种公交车站点间行程时间预测方法 |
Non-Patent Citations (2)
Title |
---|
公路交通流车速-流量实用关系模型;王炜;《东南大学学报(自然科学版)》;20030731;第33卷(第4期);正文第487页-490页、图2-4、6 * |
基于速度-流量关系模型的公路噪声预测方法;李超等;《公路》;20090228(第2期);正文第176-179页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103996289A (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及系统 | |
CN108847037B (zh) | 一种面向非全局信息的城市路网路径规划方法 | |
CN104464310B (zh) | 城市区域多交叉口信号协同优化控制方法及系统 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN108510764B (zh) | 一种基于q学习的多路口自适应相位差协调控制系统及方法 | |
CN111951549B (zh) | 在网联车辆环境下的自适应交通信号灯控制方法及系统 | |
CN102419905B (zh) | 基于交通波理论的高速公路事故的交通影响范围确定方法 | |
CN110136455A (zh) | 一种交通信号灯配时方法 | |
CN106710220B (zh) | 一种城市道路分层动态协调控制算法及控制方法 | |
CN103927887A (zh) | 结合离散速度模型的阵列式fpga交通状态预测及控制系统 | |
CN104282162A (zh) | 一种基于实时车辆轨迹的交叉口自适应信号控制方法 | |
CN105046987A (zh) | 一种基于强化学习的路面交通信号灯协调控制方法 | |
CN104240523A (zh) | 城市干道绿波控制方法 | |
CN101639978A (zh) | 一种动态划分交通控制子区的方法 | |
CN102592447A (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN105551250A (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
CN108877253A (zh) | 一种基于物联网的公交专用道资源动态共享方法及系统 | |
Mahut et al. | Calibration and application of a simulation-based dynamic traffic assignment model | |
CN110889967B (zh) | 一种基于干道分割的溢流风险平衡信号控制优化方法 | |
Roshan et al. | Adaptive traffic control with TinyML | |
Kong et al. | Urban arterial traffic two-direction green wave intelligent coordination control technique and its application | |
CN113112823A (zh) | 一种基于mpc的城市路网交通信号控制方法 | |
CN103500511A (zh) | 一种基于车联网的交叉口信号灯绿信比调节方法 | |
CN111009140B (zh) | 一种基于开源路况信息的智能交通信号控制方法 | |
CN114694382B (zh) | 一种基于车联网环境的动态单向交通控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 |
|
CF01 | Termination of patent right due to non-payment of annual fee |