CN104657199B - 基于微观仿真的高速公路交通事件影响范围的预测方法 - Google Patents
基于微观仿真的高速公路交通事件影响范围的预测方法 Download PDFInfo
- Publication number
- CN104657199B CN104657199B CN201510071155.9A CN201510071155A CN104657199B CN 104657199 B CN104657199 B CN 104657199B CN 201510071155 A CN201510071155 A CN 201510071155A CN 104657199 B CN104657199 B CN 104657199B
- Authority
- CN
- China
- Prior art keywords
- traffic
- simulation
- microscopic
- events
- demand data
- 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
Abstract
本发明公开了一种基于微观仿真的高速公路交通事件影响范围的预测方法,涉及交通事件影响范围的预测技术领域。本发明实施例提供的技术方案,将预测的未来交通需求数据和交通事件信息加载到微观交通仿真平台中,通过微观交通仿真模型对车辆在交通事件下的反应、减速、排队等微观行为进行模拟,从而预测高速公路交通时间影响范围,与基于交通波理论预测高速公路交通事件影响范围的方法相比,本发明提供的预测方法对交通事件影响范围的估计精度和准确性均得到了显著提高;此外,本发明实施例中,数据不受车检器布设条件的限制,适用范围明显扩大,更加适用于高速公路网络化的交通事件影响范围预测。
Description
技术领域
本发明涉及交通事件影响范围的预测技术领域,尤其涉及一种基于微观仿真的高速公路交通事件影响范围的预测方法。
背景技术
高速公路交通事件是影响平安交通的重要因素,一旦发生容易导致二次事故,并会引起交通拥堵大范围的传播,快速蔓延至路段上游甚至相邻国省道,严重影响路网交通正常运行。因此在交通事故发生后及时获取交通事故信息并对事故后的交通状态,特别是事件引起的拥堵影响范围进行快速准确的预测,是高速公路管理人员制定科学合理的处置与管控方案的前提。
交通事件影响范围预测的研究一直是国内外的前沿与热点。Morales[1]于1986年提出了利用到达率和离开率的曲线来估计事故引起的排队长度的确定型排队论模型。但是该模型假设到达率和离开率是事先确定不变的固定值,更多用来对交通流状况进行离线的分析,而不是进行实时的估计与预测。Michalopoulos[2]于1981年提出基于流体动力学基本原理来估计偶发性交通拥堵扩散范围的交通波模型,该模型通过分析交通波在传播过程中引起交通流密度的变化,以寻求交通流的流量、密度与交通波传播速度之间的关系,从而描述排队的形成与消散过程。该模型相对确定型排队论模型更能真实描述交通流的状态,但在建模过程中需要采集大量的密度数据,难以实际应用。Newel l[3]于1993年提出了以波动理论为基础完全基于实际数据建立了累积流量、占有率到达、离开曲线模型以及累计流量-占有率模型,对高速公路的交通运行状态进行估计。但该模型只能对交通运行状态进行定性分析,无法进行定量分析。Lawson[4]于1997年通过对I/O模型进行改进,通过追踪队尾车辆的方法估计瓶颈路段车辆排队的时空扩散范围,但是该模型也需要假设到达率和离去率曲线不变,而且不能描述事故路段通行能力的动态变化,不适用于在线预测。Sheu[5]于2001年提出了随机排队预测模型,但是该模型不能描述事故路段通行能力的复杂变化,并且预测的排队长度有上限值。国内研究主要是基于国外研究的思路与方法:郭冠英[6]于1998年基于交通波理论建立了估计事故引起的阻塞排队长度的模型,但是同样假设到达率和离开率在研究时间段内固定不变。臧华[7]于2003年建立了基于交通波理论的事故条件下车辆排队长度估计模型。
目前对高速公路交通事件影响范围预测的方法主要基于交通波理论,通过估计事件断面上下游的交通密度,对交通事件影响下的车辆排队后溢过程进行估计。该方法主要基于流量、速度、密度参数的方程,计算简单,但是缺少对车辆拥堵排队行为的精细化描述,会导致短时拥堵排队长度的估计值与实际严重不符合的情况。此外,现有方法都是基于现状车流量进行预测,都没有考虑未来车辆的到达情况,即预测影响范围并不是基于预测的交通需求,这会导致预测的影响范围与实际存在偏差。
本发明背景技术中涉及到的参考文献如下:
[1]Morales M J.Analytical procedures for estimating freeway trafficcongestion[J].Public Road,1986,50(2):55-61.
[2]Michalopoulos P G,Pishaody V B.Deriation of delays based onimproved macroscopic traffic models[J].Transportation research part B,1981,15:299-317.
[3]Newell G F.A simplified theory of kinematic waves in highwaytraffic,Part II:Queueing at freeway bottlenecks[J].Transportation researchpart B,1993:289-303.
[4]Lawson T W,et al.Using the input-output diagram to determine thespatial and temporal extents of a queue upstream of a bottleneck[J].Transportation Research Record 1572,TRB,National Research Council,Washington,D.C.,1997.
[5]Sheu J B,Chou Y H.Stochastic modeling and real-time prediction ofincident effects on surface street traffic congestion[J].Applied MathematicalModeling,2004(28):445_468.
[6]郭冠英.用集散波计算道路交通阻塞长度[J].上海公路,1998:39-41.
[7]臧华,彭国雄,高速道路异常状态下车辆排队长度的预测模型[J].交通与计算机,2003,21(3):10-12.
发明内容
本发明的目的在于提供一种基于微观仿真的高速公路交通事件影响范围的预测方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于微观仿真的高速公路交通事件影响范围的预测方法,包括如下步骤:
步骤1,获取未来交通需求数据;
步骤2,将所述未来交通需求数据加载入微观交通仿真平台的交通需求矩阵中,得到未来交通需求矩阵;
步骤3,获取待预测影响范围的交通事件的信息;
步骤4,将所述交通事件的信息解析为所述微观交通仿真平台可调用的文件;
步骤5,利用微观交通仿真模型和步骤4中得到的可调用的文件,对所述交通事件进行微观模拟,得到微观模拟的交通事件;
步骤6,利用所述微观交通仿真模型、所述微观模拟的交通事件和步骤2中得到的所述未来交通需求矩阵,对所述交通事件影响下的微观交通过程进行模拟,得到所述交通事件影响下的微观模拟交通过程;
步骤7,在所述微观交通仿真模型中,布设虚拟的车检器,利用所述虚拟车检器测量所述交通事件影响下的微观模拟交通过程中的车辆排队长度;
步骤8,根据步骤7中所得到的车辆排队长度,获取所述交通事件影响下的车辆排队长度;
步骤9,根据所述交通事件影响下的车辆排队长度,结合所述交通事件的位置和信息,获取所述交通事件的影响范围。
其中,步骤1具体为:基于历史交通需求数据与实时交通需求数据,利用卡尔曼滤波算法,获取未来交通需求数据。
具体地,通过统计进入高速公路相同时间段内,进入/离开相同高速公路收费站的数据,获得分时段的交通需求数据,所述历史交通需求数据,为,当前时刻某段时间内的交通需求数据;所述实时交通需求数据,为,当前时刻的交通需求数据;所述未来交通需求数据,为,当前时刻某段时间后的交通需求数据。
优选地,所述历史交通需求数据,为,当前时刻两小时内的交通需求数据;所述未来交通需求数据,为,当前时刻半小时后的交通需求数据。
其中,步骤2,具体为,利用COM调用所述微观交通仿真平台的二次开发接口,将所述未来交通需求数据加载入微观交通仿真平台的交通需求矩阵中,得到未来交通需求矩阵。
具体地,步骤3中,所述交通事件的信息包括所述交通事件发生的时间、路段,桩号位置、方向和/或发生断面的通行能力。
优选地,步骤4中,所述可调用的文件为XML文件。
具体地,步骤5中,所述微观交通仿真模型包括所述交通事件所在路网的主要道路、收费站和/或桥隧、所述路网中的交通管控设施和/或所述路网中的交通需求。
具体地,步骤5中,所述对所述交通事件进行微观模拟,包括对所述交通事件的发生、清除、断面通行能力的场景进行微观模拟。
其中,步骤6中,所述对所述交通事件影响下的微观交通过程进行模拟,具体为,利用所述微观交通仿真模型模拟交通事件场景下,高速公路上车辆对交通事件的反应行为,包括在发现交通事件后的减速行为、在事故断面的合流行为和/或通过事故断面的慢速跟驰行为。
本发明的有益效果是:本发明实施例提供的技术方案,将预测的未来交通需求数据和交通事件信息加载到微观交通仿真平台中,通过微观交通仿真模型对车辆在交通事件下的反应、减速、排队等微观行为进行模拟,从而预测高速公路交通时间影响范围,与基于交通波理论预测高速公路交通事件影响范围的方法相比,本发明提供的预测方法对交通事件影响范围的估计精度和准确性均得到了显著提高;此外,本发明实施例中,预测交通事件影响范围时,基于高速公路最常用的收费数据,而不是基于交通波方法常用的车检器数据,数据质量能够得到保障,而且不受车检器布设条件的限制,适用范围明显扩大,更加适用于高速公路网络化的交通事件影响范围预测;因此,本发明实施例提供的方法,解决了现有的高速公路交通事件影响范围预测中基于交通波与车检器数据的方法不能准确模拟车辆排队的微观过程,以及数据来源不稳定,数据质量差的所导致的预测精度差的缺陷。
附图说明
图1是本发明实施例提供的方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于微观仿真的高速公路交通事件影响范围的预测方法,包括如下步骤:
步骤1,获取未来交通需求数据。
具体为:基于历史交通需求数据与实时交通需求数据,利用卡尔曼滤波算法,获取未来交通需求数据。
本实施例中,通过统计进入高速公路相同时间段内,进入/离开相同高速公路收费站的数据,获得分时段的交通需求数据。根据交通需求数据的时段不同,可以包括历史交通需求数据、实时交通需求数据和未来交通需求数据,其中,本实施例中,所述历史交通需求数据,为,当前时刻某段时间内的交通需求数据;所述实时交通需求数据,为,当前时刻的交通需求数据;所述未来交通需求数据,为,当前时刻某段时间后的交通需求数据。
本实施例中,为了能够利用历史交通需求数据和实时交通需求数据,更精确的预测未来交通需求数据,所述历史交通需求数据,为,当前时刻两小时内的交通需求数据;所述未来交通需求数据,为,当前时刻半小时后的交通需求数据。
步骤2,将所述未来交通需求数据加载入微观交通仿真平台的交通需求矩阵中,得到未来交通需求矩阵。
微观交通仿真平台用于交通仿真模拟。本发明实施例中,用于微观交通仿真模拟的输入数据包括未来交通需求数据和待预测影响范围的交通事件的信息。微观交通仿真平台可以利用输入的数据,对交通行为进行仿真模拟,并预测交通运行状态。
本发明实施例中,微观交通仿真平台可以采用TransModeler多功能交通仿真软件包,其可以模拟从高速公路到市中心区路网道口在内的各类道路交通网络、可以详细逼真地分析大范围多种出行方式的交通流。TransModeler可以用动画的形式把交通流的状况、信号灯的运作、以及网络的综合性能直观地表现出来,一目了然地显示复杂交通系统的行为和因果关系。
COM(Component Object Model,组件对象模型)是一种说明如何建立可动态互变组件的规范,此规范提供了为保证能够互操作,客户和组件应遵循的一些二进制和网络标准。通过这种标准将可以在任意两个组件之间进行通信而不用考虑其所处的操作环境是否相同、使用的开发语言是否一致以及是否运行于同一台计算机。
本发明实施例中,步骤2具体为,利用COM调用所述微观交通仿真平台的二次开发接口,将所述未来交通需求数据加载入微观交通仿真平台的交通需求矩阵中,得到未来交通需求矩阵。
步骤3,获取待预测影响范围的交通事件的信息。
其中,所述交通事件的信息可以在交通事件发生后通过报警业务系统上报至数据库,该信息的内容包括所述交通事件发生的时间、路段,桩号位置、方向和/或发生断面的通行能力。
步骤4,将所述交通事件的信息解析为所述微观交通仿真平台可调用的文件。其中,所述可调用的文件可以为XML文件。
步骤5,利用微观交通仿真模型和步骤4中得到的可调用的文件,对所述交通事件进行微观模拟,得到微观模拟的交通事件。
其中,所述微观交通仿真模型包括所述交通事件所在路网的主要道路、收费站和/或桥隧、所述路网中的交通管控设施和/或所述路网中的交通需求。
其中,所述对所述交通事件进行微观模拟,包括对所述交通事件的发生、清除、断面通行能力的场景进行微观模拟。
步骤6,利用所述微观交通仿真模型、所述微观模拟的交通事件和步骤2中得到的所述未来交通需求矩阵,对所述交通事件影响下的微观交通过程进行模拟,得到所述交通事件影响下的微观模拟交通过程。
其中,所述对所述交通事件影响下的微观交通过程进行模拟,具体为,利用所述微观交通仿真模型模拟交通事件场景下,高速公路上车辆对交通事件的反应行为,包括在发现交通事件后的减速行为、在事故断面的合流行为和/或通过事故断面的慢速跟驰行为。
步骤7,在所述微观交通仿真模型中,布设虚拟的车检器,利用所述虚拟车检器测量所述交通事件影响下的微观模拟交通过程中的车辆排队长度。
步骤8,根据步骤7中所得到的车辆排队长度,获取所述交通事件影响下的车辆排队长度。
步骤9,根据所述交通事件影响下的车辆排队长度,结合所述交通事件的位置和信息,获取所述交通事件的影响范围。
实施例一
本实施例中,提供的一种基于微观仿真的高速公路交通事件影响范围的预测方法,可以按照如下步骤进行实施:
步骤1:获取高速公路网的实时收费数据以及历史收费数据。
高速公路收费数据的主要内容包括当前车辆进入高速公路的时间、进入高速公路的收费站编码、离开高速公路的时间、离开高速公路的收费站编码、车型等信息。通过统计相同进入高速公路时间段内,进入/离开相同收费站的收费数据,可获得分时段的高速公路交通需求数据。一个交通需求矩阵时间粒度为5分钟,矩阵横轴纵轴为路网包含的收费站编号,其中矩阵的对角元素均为0。
步骤2:获取高速公路的交通事件信息。
该信息在交通事件发生后通过报警业务系统上报至数据库,信息内容包括交通事件发生的时间、路段,桩号位置、方向、事件发生断面的通行能力等。
步骤3:通过步骤1获得的高速公路历史交通需求数据与实时交通需求数据,利用卡尔曼滤波算法,预测未来30分钟内短时的高速公路交通需求数据,作为微观交通仿真器预测未来拥堵排队长度的输入数据之一。取当前时刻两小时内的交通需求矩阵作为背景交通量,并预测未来半小时的交通需求数据。
步骤4:将高速公路业务管理数据库中的交通事件信息解析为可供微观交通仿真器进行调用执行的XML文件,作为微观交通仿真器预测未来拥堵排队长度的输入数据之一。
步骤5:利用COM二次开发技术结合微观仿真器的二次开发接口,将步骤3估计与预测的高速公路网交通需求数据加载进微观仿真器的交通需求矩阵中。
步骤6:利用微观交通仿真器搭建的预测目标路网的微观仿真模型,包括路网的主要道路、收费站、桥隧等构造物;路网中的交通管控设施(如信号灯、限速标志、)路网中的交通需求(包括交通需求对、出行选择路径集、路径选择偏好、车辆类型、不同类型车辆外观及行驶性能、驾驶员行为模型等)。
步骤7:利用步骤6搭建的微观交通仿真模型,结合步骤4准备的交通事件信息XML文件,对交通事件的发生、清除、断面通行能力等场景因素进行模拟。
步骤8:通过步骤6搭建的微观仿真模型、步骤7模拟的交通事件场景和步骤5得到的未来交通需求矩阵,模拟高速公路上车辆对交通事件的反应行为,包括在发现交通事件后的减速行为、在事故断面的合流行为,通过事故断面的慢速跟驰行为,这些反应行为可以准确的描述交通事件对高速公路车流的影响以及车流因此产生的排队情况。
步骤9:通过步骤6搭建的微观仿真模型上布设虚拟车检器,对步骤7和8产生的车辆排队长度进行量测。
步骤10通过解析微观交通仿真模型的输出文件,获取事件影响的车辆排队长度,与交通事件位置和事件信息相结合,获得交通事件影响范围的短时预测结果。
实施例二
本实施例中,提供的一种基于微观仿真的高速公路交通事件影响范围的预测方法,可以按照如下步骤进行实施:
步骤1:
将完成出行离开高速公路的车辆信息存储在收费站出口信息表中,表中字段可以包括:进站时间、进站编码、出站时间、出战编码、车牌号和车辆类型。
步骤2:
将交通事件信息存储在交通事件信息表中,表中字段可以包括:事件发生时间、事件发生路段、方向、桩号位置、事件发生前可通行车道数和事件发生后可通行车道数。
步骤3:
将待估计OD量相对于历史OD量的偏差定义为状态向量,且该偏差服从一个自回归过程:
式中:为OD向量的偏差,xh为待估计的OD向量,为h时段内的历史值。为回归系数矩阵,反映了δxp对δxh+1的影响;q'为回归方程的阶数;wh+1为高斯白噪声,满足E(wh+1)=0,其中Qh为协方差矩阵,
采用如下量测方程:
式中:yh为时间段h内路段交通量的检测值,为h时段内的历史值。为交通分配矩阵,定义了p时段内OD向量xp与h时段内的观测的交通量向量间的一种影射;p′是任意OD间最大出行时段数;vh为量测噪声,与系统噪声wh+1互不相关,满足E(vh)=0,其中Rh为协方差矩阵。方程(1)与(2)构成了动态OD向量估计的状态空间模型。
假设自回归模型假定了在以天为周期的估计时间内,仅依赖于h与p的差值h-p,而与单独的h、p无关,因此通过相对较少的历史数据(如两天的数据)作线性回归分析即可得到所有的回归系数矩阵;模型的阶次q'取固定值;为进一步简化问题,他们又假定第r个OD的偏差主要受该OD先前时段偏差的影响,其它OD的偏差对其影响可以忽略。在此假定下,可得到nOD个具有如下形式的回归方程:
式中r=1,2,3…nOD,nOD为网络中总的OD对数量,xrh为在时间段h内离开起点的第r个OD对的出行量。
但是由于出行者出行行为的复杂行和不确定性,用简单的线性回归描述OD偏差的基本规律不符合实际情况。因此本文采用多项式回归的形式,假设在时段h+ζ内OD向量的偏差可以由一个λ+1阶的多项式下式所示:
式中:λ为多项式模型的最大阶数,ζ为一个很小的时间增量,当p>λ时,可令将αh+ζ泰勒展开:
综上可得偏差的p阶多项式形式:
那么再假设从第k个时刻到第k+1个时刻,将相邻两个时段内的OD偏差考虑成一个随机变量(Ashok,1993):
式中出行时间h=kg,g为时间间隔。那么状态方程可以写成如下形式:
Zk+1=AkZk+ωk (8)
其中
是对角线为1的上三角矩阵,ωk是系统噪音。
采用多项式的好处是对参数缓变的系统具有一定的自适应能力,能反映参数缓变的趋势,保持系统的稳定性,这在动态OD矩阵的实时估计中是非常重要的。
设系统初态X0的均值为方差为P0。显然,X0已知隐含x0,x-1,x-2…x-s以及它们的先验值均已知。设量测噪声方差阵Rh为分块对角阵,即有如下形式
式中的阶数分别为m1,m2…mr,m1+m2+m3+…+mr=nl,则量测方程(5.23)可改写为如下形式:
根据卡尔曼滤波理论,OD估计的序贯滤波算法时间更新方程为
其中,∑0|0=P0;量测更新方程为
p=1,2,…,r
其中:式中,h=1,2,…,N,与分别为状态Xh的滤波值与一步预测值,∑h|h与∑h|h-1为和的协方差矩阵。
OD向量的k步预测公式为:
同理,k步预测值与相应的历史OD向量相加即可得到k步预测的OD量。将生成的OD矩阵文件存储在OD.txt中,存储格式可以包括:进站时间、进站收费站编码、出站收费站编码、车型和交通量。
步骤4:
根据交通事件信息,生成供微观交通仿真软件的调用的XML文件incident.inc,该文件格式内容可以如下:
步骤5:
(1)利用Com调用微观仿真平台对象tsm,调用tsm实例的OpenMatrix接口函数打开矩阵文件.mtx的句柄;
(2)利用CreateMatrixCurrency接口函数打开矩阵文件中存储的不同车型、不同时间段的OD矩阵,按照时间、车型、进出站点编码对应相应的矩阵单元格;
(3)利用SetMatrixValue接口函数从OD.txt中提取相应的OD交通量填充。
步骤6:
利用微观交通仿真器搭建目标高速公路网的仿真模型,包括Links、Lanes、Nodes、LaneConnectors、Centroids、CentroidConnectors、Sensors、Signals、Vehicles等对象。
(1)Links:ID、Direction、ANode、BNode、Length、Type、Priority、Lanes等;
(2)Lanes:ID、Width、Position、Auxilary、Speedlimit、Mering、Class等;
(3)Nodes:ID、Longitude、Latitude、Approachlinks、Departurelinks、ControlType等;
(4)LaneConnectors:ID、UpstreamLane、DownstreamLane、Direction、Length等;
(5)Centroids:ID、Longitude、Latitude、Inbound、Outbound等;
(6)CentroidConnectors:ID、Centroid、Link、Position、Direction、Traveltime、Entryspeed等。
步骤7:
微观交通仿真器通过加载步骤4的incident.inc文件,生成交通事件的微观仿真场景模拟,参数设置包括:
Name、StartTime、Duration、StartPosition、Range、MaximumSpeed、CapacityReductionRate、RecoveryTime
步骤8:
微观交通仿真器利用输入的.mtx文件、.inc文件以及搭建的微观交通仿真模型,对车辆受交通事件影响下的运行以及排队通行过程进行模拟。
步骤9:
通过设置微观交通仿真器中的虚拟车检器,采集事件上游拥堵排队的车辆数和长度信息,车检器在Link上的布设间距为50米,设置参数包括:
Position、DetectionZone、Lanes、LinkWide、PointCounts属性、SpillbackQueues属性等。
步骤10:
通过微观仿真模型中Link的拓扑关系,从spillback4文件中利用.dcb文件头解析.bin文件中的十六进制字符流,对各个车检器的拥堵排队长度数据进行整合,获取事件影响排队长在路网中的拥堵传播轨迹,得到交通事件影响范围预测结果。
利用应用程序实施上述步骤1-10,具体可以为:
(1)当交通事件发生后,软件系统调用该方法中的步骤1和步骤2,从数据库中读取收费数据和交通事件信息;
(2)通过步骤3生成历史OD.txt文件,通过步骤4生成incident.inc文件,通过步骤5将OD.txt文件转化为OD.mtx文件;
(3)通过步骤6启动微观仿真器,加载OD.mtx
(4)通过步骤7加载incident.inc文件。
(5)通过步骤8运行交通事件模拟
(6)仿真结束后,利用步骤9量测车辆排队长度;随后利用步骤10统计整合步骤9的量测结果,得到高速公路交通事件拥堵排队长度预测结果。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:本发明实施例提供的技术方案,将预测的未来交通需求数据和交通事件信息加载到微观交通仿真平台中,通过微观交通仿真模型对车辆在交通事件下的反应、减速、排队等微观行为进行模拟,从而预测高速公路交通时间影响范围,与基于交通波理论预测高速公路交通事件影响范围的方法相比,本发明提供的预测方法对交通事件影响范围的估计精度和准确性均得到了显著提高;此外,本发明实施例中,预测交通事件影响范围时,基于高速公路最常用的收费数据,而不是基于交通波方法常用的车检器数据,数据质量能够得到保障,而且不受车检器布设条件的限制,适用范围明显扩大,更加适用于高速公路网络化的交通事件影响范围预测;因此,本发明实施例提供的方法,解决了现有的高速公路交通事件影响范围预测中基于交通波与车检器数据的方法不能准确模拟车辆排队的微观过程,以及数据来源不稳定,数据质量差的所导致的预测精度差的缺陷。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域人员应该理解的是,上述实施例提供的方法步骤的时序可根据实际情况进行适应性调整,也可根据实际情况并发进行。
上述实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,例如:个人计算机、服务器、网络设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,例如:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,包括如下步骤:
步骤1,获取未来交通需求数据;
步骤2,将所述未来交通需求数据加载入微观交通仿真平台的交通需求矩阵中,得到未来交通需求矩阵;
步骤3,获取待预测影响范围的交通事件的信息;所述交通事件的信息包括所述交通事件发生的时间、路段,桩号位置、方向和/或发生断面的通行能力;
步骤4,将所述交通事件的信息解析为所述微观交通仿真平台可调用的文件;
步骤5,利用微观交通仿真模型和步骤4中得到的可调用的文件,对所述交通事件进行微观模拟,得到微观模拟的交通事件;
步骤6,利用所述微观交通仿真模型、所述微观模拟的交通事件和步骤2中得到的所述未来交通需求矩阵,对所述交通事件影响下的微观交通过程进行模拟,得到所述交通事件影响下的微观模拟交通过程;
步骤7,在所述微观交通仿真模型中,布设虚拟的车检器,利用所述虚拟车检器测量所述交通事件影响下的微观模拟交通过程中的车辆排队长度;
步骤8,根据步骤7中所得到的车辆排队长度,获取所述交通事件影响下的车辆排队长度;
步骤9,根据所述交通事件影响下的车辆排队长度,结合所述交通事件的位置和信息,获取所述交通事件的影响范围。
2.根据权利要求1所述的基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,步骤1具体为:基于历史交通需求数据与实时交通需求数据,利用卡尔曼滤波算法,获取未来交通需求数据。
3.根据权利要求2所述的基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,通过统计进入高速公路相同时间段内,进入/离开相同高速公路收费站的数据,获得分时段的交通需求数据,所述历史交通需求数据,为,当前时刻某段时间内的交通需求数据;所述实时交通需求数据,为,当前时刻的交通需求数据;所述未来交通需求数据,为,当前时刻某段时间后的交通需求数据。
4.根据权利要求3所述的基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,所述历史交通需求数据,为,当前时刻两小时内的交通需求数据;所述未来交通需求数据,为,当前时刻半小时后的交通需求数据。
5.根据权利要求1所述的基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,步骤2,具体为,利用COM调用所述微观交通仿真平台的二次开发接口,将所述未来交通需求数据加载入微观交通仿真平台的交通需求矩阵中,得到未来交通需求矩阵。
6.根据权利要求1所述的基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,步骤4中,所述可调用的文件为XML文件。
7.根据权利要求1所述的基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,步骤5中,所述微观交通仿真模型包括所述交通事件所在路网的主要道路、收费站和/或桥隧、所述路网中的交通管控设施和/或所述路网中的交通需求。
8.根据权利要求1所述的基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,步骤5中,所述对所述交通事件进行微观模拟,包括对所述交通事件的发生、清除、断面通行能力的场景进行微观模拟。
9.根据权利要求1所述的基于微观仿真的高速公路交通事件影响范围的预测方法,其特征在于,步骤6中,所述对所述交通事件影响下的微观交通过程进行模拟,具体为,利用所述微观交通仿真模型模拟交通事件场景下,高速公路上车辆对交通事件的反应行为,包括在发现交通事件后的减速行为、在事故断面的合流行为和/或通过事故断面的慢速跟驰行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510071155.9A CN104657199B (zh) | 2015-02-10 | 2015-02-10 | 基于微观仿真的高速公路交通事件影响范围的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510071155.9A CN104657199B (zh) | 2015-02-10 | 2015-02-10 | 基于微观仿真的高速公路交通事件影响范围的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104657199A CN104657199A (zh) | 2015-05-27 |
CN104657199B true CN104657199B (zh) | 2017-09-22 |
Family
ID=53248375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510071155.9A Expired - Fee Related CN104657199B (zh) | 2015-02-10 | 2015-02-10 | 基于微观仿真的高速公路交通事件影响范围的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104657199B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787858B (zh) * | 2016-03-29 | 2020-05-15 | 交通运输部公路科学研究所 | 一种高速公路网态势推演方法 |
CN105761492B (zh) * | 2016-05-04 | 2018-07-13 | 北京大学 | 一种基于网络流的大范围高速路网动态配流方法 |
CN105976613A (zh) * | 2016-05-30 | 2016-09-28 | 西华大学 | 基于多项式趋势滤波的od矩阵估计方法 |
CN106355877B (zh) * | 2016-08-23 | 2020-01-14 | 重庆大学 | 基于粒子滤波算法的高速公路交通事件影响范围仿真估计方法 |
CN106971537B (zh) * | 2017-04-20 | 2019-07-26 | 山东高速信息工程有限公司 | 针对突发事件的道路拥堵预测方法及系统 |
CN111275965B (zh) * | 2020-01-20 | 2021-02-05 | 交通运输部科学研究院 | 一种基于互联网大数据的实时交通仿真分析系统与方法 |
CN112380702A (zh) * | 2020-11-16 | 2021-02-19 | 天津大学 | 一种考虑随机减速行为的单车道瓶颈交通流仿真方法 |
CN113178069A (zh) * | 2021-04-20 | 2021-07-27 | 宁波德尔菲信息科技有限公司 | 一种基于大数据机器学习技术的交通预警系统 |
CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控系统 |
CN115512548B (zh) * | 2022-11-22 | 2023-04-07 | 南京大学 | 一种路侧检测单元布设与道路交通稀疏感知方法及系统 |
CN116052435B (zh) * | 2023-03-06 | 2023-07-14 | 广州市交通规划研究院有限公司 | 一种城市道路拥堵影响范围界定与道路影响力计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202075862U (zh) * | 2011-03-28 | 2011-12-14 | 长安大学 | 一种高速公路交通事故影响预测与控制系统 |
CN102419905A (zh) * | 2011-08-12 | 2012-04-18 | 北京航空航天大学 | 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 |
CN102496264A (zh) * | 2011-11-11 | 2012-06-13 | 东南大学 | 一种高速公路突发交通事件影响范围的确定方法 |
JP2013235326A (ja) * | 2012-05-07 | 2013-11-21 | I-Transport Lab Co Ltd | 交通流予測装置、交通流予測方法及び交通流予測プログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8744822B2 (en) * | 2013-08-08 | 2014-06-03 | Iteris, Inc. | Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions on segments of a transportation network infrastructure |
-
2015
- 2015-02-10 CN CN201510071155.9A patent/CN104657199B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202075862U (zh) * | 2011-03-28 | 2011-12-14 | 长安大学 | 一种高速公路交通事故影响预测与控制系统 |
CN102419905A (zh) * | 2011-08-12 | 2012-04-18 | 北京航空航天大学 | 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 |
CN102496264A (zh) * | 2011-11-11 | 2012-06-13 | 东南大学 | 一种高速公路突发交通事件影响范围的确定方法 |
JP2013235326A (ja) * | 2012-05-07 | 2013-11-21 | I-Transport Lab Co Ltd | 交通流予測装置、交通流予測方法及び交通流予測プログラム |
Non-Patent Citations (5)
Title |
---|
A multivariate state space approach for urban traffic flow modeling and prediction;Stathopoulos A, Karlaftis M G.;《ransportation Research Part C: Emerging Technologies》;20030228;第11卷(第2期);第121-135页 * |
Real-time road traffic prediction with spatio-temporal correlations;Min W, Wynter L;《Transportation Research Part C: Emerging Technologies》;20111231;第19卷(第4期);第606-616页 * |
突发事故下交通拥堵控制策略;张敖木翰等;《中国科学》;20110731;第41卷(第7期);第955-961页 * |
突发事故下交通拥堵控制策略设计;张敖木翰等;《系统工程理论与实践》;20130531;第33卷(第5期);第1307-1317页 * |
高速公路交通事件影响范围的模糊预测;郑黎黎等;《数学的实践与认识》;20090131;第39卷(第1期);第72-77页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104657199A (zh) | 2015-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104657199B (zh) | 基于微观仿真的高速公路交通事件影响范围的预测方法 | |
Zheng et al. | A dynamic cordon pricing scheme combining the macroscopic fundamental diagram and an agent-based traffic model | |
Cetin | Estimating queue dynamics at signalized intersections from probe vehicle data: Methodology based on kinematic wave model | |
Lee et al. | Real-time estimation of lane-based queue lengths at isolated signalized junctions | |
Ding et al. | Forecasting traffic volume with space-time ARIMA model | |
Nagle et al. | Accuracy of networkwide traffic states estimated from mobile probe data | |
Wu et al. | A shockwave profile model for traffic flow on congested urban arterials | |
Caprani | Calibration of a congestion load model for highway bridges using traffic microsimulation | |
Hao et al. | Vehicle index estimation for signalized intersections using sample travel times | |
Cortes et al. | General-purpose methodology for estimating link travel time with multiple-point detection of traffic | |
Duret et al. | Traffic state estimation based on Eulerian and Lagrangian observations in a mesoscopic modeling framework | |
CN103593535A (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 | |
Hofleitner et al. | Probability distributions of travel times on arterial networks: A traffic flow and horizontal queuing theory approach | |
Yao et al. | Sampled trajectory data-driven method of cycle-based volume estimation for signalized intersections by hybridizing shockwave theory and probability distribution | |
Fujimoto et al. | Ad hoc distributed simulations | |
Chen et al. | Using automatic passenger counter data in bus arrival time prediction | |
Park et al. | Calibration and validation of TRANSIMS microsimulator for an urban arterial network | |
Hou et al. | Development of travel time functions for disrupted urban arterials with microscopic traffic simulation | |
Guan et al. | Traffic incident duration prediction based on artificial neural network | |
Mystkowski et al. | Estimating queue lengths by using signal94, synchro3, transyt-7f, passer ii-90, and corsim | |
Yang et al. | The queue dynamics of protected/permissive left turns at pre-timed signalized intersections | |
Mahut et al. | Comparison of assignment methods for simulation-based dynamic-equilibrium traffic assignment | |
Hunter et al. | An investigation of real-time dynamic data driven transportation simulation | |
Sekhar et al. | Analysis of travel time reliability of an urban corridor using micro simulation techniques | |
Balakrishna et al. | Comparison of simulation-based dynamic traffic assignment approaches for planning and operations management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170922 Termination date: 20190210 |
|
CF01 | Termination of patent right due to non-payment of annual fee |