CN104680789A - 一种快速道路拥堵指数估算及预测方法 - Google Patents

Abstract

本发明涉及一种快速道路拥堵指数估算及预测方法，包括以下步骤：在选定路段上安装检测装置，依据设定的时间周期实时采集交通流数据；根据采集的交通流数据，建立拥堵指数估算模型，计算相应时间节点的拥堵指数；将设定的时间周期内各时间节点对应的拥堵指数进行拟合，建立该选定路段的拥堵指数预测模型，进行拥堵状态预测。本发明的方法是交通指数对道路的实际拓展应用，对日常车辆出行起到了更好的引导作用，为未来的城市交通管理提供了依据。

Description

一种快速道路拥堵指数估算及预测方法

技术领域

本发明涉及智能化交通技术领域，特别是一种快速道路拥堵指数估算及预测方法。

背景技术

近年来,我国汽车保有量急剧增加,城市道路的面临巨大的承载压力，尤其是城市内的快速通道、立交桥、高架桥等城市快速道路，每日高峰期快速路面的交通严重阻塞,将带来燃料消耗增加、空气污染加剧、城市幸福度降低等一系列问题。

据不完全统计，2013年北京每天平均堵车时间为1小时55分钟，北京因交通拥堵每年带来的损失达到700亿元，其中涵盖时间损失、燃料损失和环境成本。城市快速道路拥堵指数是衡量交通通行状态的重要指标，现有的道路拥堵指数预测方法大部分都十分复杂，只停留在理论阶段，缺乏灵活应变性，实际应用起来十分不便。

发明内容

本发明要解决的技术问题在于提供一种简单实用，且准确度较高的快速道路拥堵指数估算及预测方法。

为此，本发明具体方案如下：

一种快速道路拥堵指数估算及预测方法，包括以下步骤：

11)在选定路段上安装检测装置，依据设定的时间周期实时采集交通流数据；

12)根据采集的交通流数据，建立拥堵指数估算模型，计算相应时间节点的拥堵指数；

13)将设定的时间周期内各时间节点对应的拥堵指数进行拟合，建立该选定路段的拥堵指数预测模型，进行拥堵状态预测。

具体的，所述步骤11)采集的交通流数据包括：对应时间节点车辆行驶的平均速度以及选定路段的实际通行量。

具体的，所述步骤12)按公式[1]-[4]建立拥堵指数估算模型，计算相应时间节点的拥堵指数；

La＝v×3    [1]

$N\max =\frac{300v}{\mathrm{La}+5.2}---\left[2\right]$

$K=\frac{N}{N\max }---\left[3\right]$

$\mathrm{\δ}=10\×\frac{(80-v)\×K}{80}---\left[4\right]$

其中，v为快速检测装置获取到的对应时间节点的车辆行驶的平均速度，La为车头安全间距，Nmax为选定路段的最大通行量，N为快速检测装置获取的对应时间节点的实际通行量，K为选定路段的饱和率，δ为拥堵指数。

具体的，所述步骤13)具体包括以下步骤：

41)将设定时间周期内各时间节点对应的拥堵指数按高斯函数公式[5]进行拟合，得到预测拥堵指数的拟合曲线图；

$\mathrm{\δ}=a1\·e^{(-{\left(\frac{x-b1}{c1}\right)}^2)}+a2\·e^{(-{\left(\frac{x-b2}{c2}\right)}^2)}+a3\·e^{(-{\left(\frac{x-b3}{c3}\right)}^2)}+a4\·e^{(-{\left(\frac{x-b4}{c4}\right)}^2)}+a5\·e^{(-{\left(\frac{x-b5}{c5}\right)}^2)}---\left[5\right]$

其中δ为拥堵指数，x为对应的时间节点的数值，a1～a5、b1～b5、c1～c5分别为待求参数；

42)按公式[6]、[7]、[8]评价预测拥堵指数的拟合效果；

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2---\left[6\right]$

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2}---\left[7\right]$

$R-\mathrm{square}=1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\stackrel{\‾}{y})}^2}---\left[8\right]$

其中，SSE为拟合拥堵指数数据与对应原始拥堵指数数据的误差平方和，RMSE为拟合标准差，R-square为拟合确定系数，yi为实测数据，为拟合数据，为拟合数据的平均值，wi为数据项权重。

本发明的有益效果在于：

传统拥堵状况的界定按照一定模式的函数计算较为复杂，本发明可以根据检测的实际的车辆平均行驶速度、实际通行数量，并根据安全车距、道路最大通行量、道路饱和率等综合考虑，估算得到待测路段拥堵状况与相应时间节点的关系；基于历史的交通拥堵指数进行拟合，对未来交通拥堵指数进行预测，具有较高的预测准确度，是交通指数对道路的实际拓展应用，对日常车辆出行起到了更好的引导作用，为未来的城市交通管理提供了依据。

附图说明

图1为预测拥堵指数的拟合曲线图。

具体实施方式

下面结合具体实施例对本发明做进一步详细说明。

一种快速道路拥堵指数估算及预测方法，以合肥市某高架桥为例，首先于其匝道入口的道闸后侧20米左右处安装车辆抓拍系统，通过视频检测技术时间采集车辆平均行驶速度、实际通行数量，计算通行密度和拥堵指数；并根据通行路段长度在两个匝道之间的路段设置2-3处微波流量检测装置，分路段计算各路段的拥堵指数。

根据采集的交通流数据，按公式[1]-[4]建立拥堵指数估算模型，计算出全天自上午6:00至晚间24:00各时间节点的拥堵指数，所得数据参见表一所示；

La＝v×3    [1]

$N\max =\frac{300v}{\mathrm{La}+5.2}---\left[2\right]$

$K=\frac{N}{N\max }---\left[3\right]$

$\mathrm{\δ}=10\×\frac{(80-v)\×K}{80}---\left[4\right]$

其中，v为快速检测装置获取到的对应时间节点的车辆行驶的平均速度，La为车头安全间距，Nmax为选定路段的最大通行量，N为快速检测装置获取的对应时间节点的实际通行量，K为选定路段的饱和率，δ为拥堵指数。

表一

时间	6.00	6.15	6.30	6.45	7.00	7.15	7.30	7.45	8.00
										拥堵指数	2.75	2.89	3.45	4.2	4.83	5.21	6.02	6.7	7.34
时间	8.15	8.30	8.45	9.00	9.15	9.30	9.45	10.00	10.15
										拥堵指数	7.46	8.24	8.01	7.63	7.45	6.01	5.23	4.33	3.85
时间	10.30	10.45	11.00	11.15	11.30	11.45	12.00	12.15	12.30
										拥堵指数	3.46	2.68	3.56	4.82	5.67	6.32	7.04	7.21	7.15
时间	12.45	13.00	13.15	13.30	13.45	14.00	14.15	14.30	14.45
										拥堵指数	6.59	6.23	5.34	5.21	5.42	4.89	4.2	3.23	3.21
时间	15.00	15.15	15.30	15.45	16.00	16.15	16.30	16.45	17.00
										拥堵指数	2.02	2.1	2.3	1.98	2.65	3.67	5.25	6.39	7.28
时间	17.15	17.30	17.45	18.00	18.15	18.30	18.45	19.00	19.15
										拥堵指数	7.39	7.55	7.65	7.59	7.8	7.92	7.6	6.59	6.62
时间	19.30	19.45	20.00	20.15	20.30	20.45	21.00	21.15	21.30
										拥堵指数	6.3	5.33	4.32	4.05	3.86	4.23	4.66	3.69	3.88
时间	21.45	22.00	22.15	22.30	22.45	23.00	23.15	23.30	23.45
										拥堵指数	3.01	3.21	3.33	2.65	2.63	2.11	2.01	1.59	1.42
时间	24.00
										拥堵指数	1.33

将表一所得的各时间节点对应的拥堵指数导入matlab软件，利用曲线拟合工具，按高斯函数公式[5]进行拟合；

$\mathrm{\δ}=a1\·e^{(-{\left(\frac{x-b1}{c1}\right)}^2)}+a2\·e^{(-{\left(\frac{x-b2}{c2}\right)}^2)}+a3\·e^{(-{\left(\frac{x-b3}{c3}\right)}^2)}+a4\·e^{(-{\left(\frac{x-b4}{c4}\right)}^2)}+a5\·e^{(-{\left(\frac{x-b5}{c5}\right)}^2)}---\left[5\right]$

其中δ为拥堵指数，x为对应的时间节点的数值，a1～a5、b1～b5、c1～c5分别为待求参数；

得到置信度在95％下的各待求参数参见表二所示。

表二

a1	7.862(7.442,8.282)	b1	8.205(8.092,8.319)	c1	1.954(1.765,2.142)
						a2	4.108(2.805,5.412)	b2	18.02(17.45,18.59)	c2	1.299(0.5744,2.023)
a3	6.709(6.234,7.183)	b3	12.47(12.33,12.61)	c3	1.75(1.492,2.008)
						a4	3.319(0.8295,5.808)	b4	16.71(16.56,16.85)	c4	0.5214(0.1584,0.8844)
a5	4.307(3.435,5.178)	b5	19.48(18.82,20.14)	c5	4.195(3.504,4.886)

绘制得到预测拥堵指数的拟合曲线图参见图1。

如图1所示，横坐标为时间节点，纵坐标为拥堵系数，依据图中拟合函数曲线可清晰快捷的对当前路段在各时间节点的拥堵状况做出预测；对各时间节点该路段的车辆出行管控提供了切实的依据。

进一步，按公式[6]、[7]、[8]评价预测拥堵指数的拟合效果；

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2---\left[6\right]$

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2}---\left[7\right]$

$R-\mathrm{square}=1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\stackrel{\‾}{y})}^2}---\left[8\right]$

其中，SSE为拟合拥堵指数数据与对应原始拥堵指数数据的误差平方和，RMSE为拟合标准差，R-square为拟合确定系数，yi为实测数据，为拟合数据，为拟合数据的平均值，wi为数据项权重。

拟合效果评价指标结果参照表三所示。

表三

指标	SSE	R-square	RMSE
				数值	15.17	0.9471	0.5114

由表三可以看出，上述拟合函数的拟合效果较好，可以对获取数据的路段进行较为准确的拥堵状态预测。

根据上述道路状的预测情况，可在完成拥堵指数预测的高架入口处设置可变信息板，进行信息自动发布，显示道路预测各时段的通行状况，提醒出行人员合理安排时间；进一步，可在城区内各个主要快速通道的各匝道口及路段设置检测设备，依本发明方法将各匝道口及路段的设施全部联网，监测数据全部汇聚到控制中心，将拥堵指数按颜色划分在电子地图上予以显示，给予驾驶人员直观的印象，图形化显示更为方便；具体划分方式可按表四进行。

表四

拥堵指数	显示颜色	说明
			0-2	绿色	非常畅通
2-4	浅绿	比较畅通
			4-6	黄色	稍有拥堵
6-8	橙红	较为拥堵
			8-10	红色	非常拥堵

同时控制中心的管控软件可对设置在匝道的控制机进行远程控制，可根据道路拥堵状况、车辆限行时段、特种车辆放行等自动控制动作，也可根据管理人员的权限进行手动控制。

以上所述，仅为本发明较佳具体实施方式，但本发明保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此本发明保护范围以权利要求书的保护范围为准。

Claims (4)

1.一种快速道路拥堵指数估算及预测方法，其特征在于，包括以下步骤：

11)在选定路段上安装检测装置，依据设定的时间周期实时采集交通流数据；

12)根据采集的交通流数据，建立拥堵指数估算模型，计算相应时间节点的拥堵指数；

13)将设定的时间周期内各时间节点对应的拥堵指数进行拟合，建立该选定路段的拥堵指数预测模型，进行拥堵状态预测。

2.根据权利要求1所述的一种快速道路拥堵指数估算及预测方法，其特征在于，所述步骤11)采集的交通流数据包括：对应时间节点车辆行驶的平均速度以及选定路段的实际通行量。

3.根据权利要求2所述的一种快速道路拥堵指数估算及预测方法，其特征在于，所述步骤12)按公式[1]-[4]建立拥堵指数估算模型，计算相应时间节点的拥堵指数；

La＝v×3   [1]

$N\max =\frac{300v}{\mathrm{La}+5.2}---\left[2\right]$

$K=\frac{N}{N\max }---\left[3\right]$

$\mathrm{\δ}=10\×\frac{(80-v)\×K}{80}---\left[4\right]$

其中，v为快速检测装置获取到的对应时间节点的车辆行驶的平均速度，La为车头安全间距，Nmax为选定路段的最大通行量，N为快速检测装置获取的对应时间节点的实际通行量，K为选定路段的饱和率，δ为拥堵指数。

4.根据权利要求1所述的一种快速道路拥堵指数估算及预测方法，其特征在于，所述步骤13)具体包括以下步骤：

41)将设定时间周期内各时间节点对应的拥堵指数按高斯函数公式[5]进行拟合，得到预测拥堵指数的拟合曲线图；

$\mathrm{\δ}=a1\·e^{(-{\left(\frac{x-b1}{c1}\right)}^2)}+a2\·e^{(-{\left(\frac{x-b2}{c2}\right)}^2)}+a3\·e^{(-{\left(\frac{x-b3}{c3}\right)}^2)}+a4\·e^{(-{\left(\frac{x-b4}{c4}\right)}^2)}+a5\·e^{(-{\left(\frac{x-b5}{c5}\right)}^2)}---\left[5\right]$

其中δ为拥堵指数，x为对应的时间节点的数值，a1～a5、b1～b5、c1～c5分别为待求参数；

42)按公式[6]、[7]、[8]评价预测拥堵指数的拟合效果；

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2---\left[6\right]$

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2}---\left[7\right]$

$R-\mathrm{square}=1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\widehat{y_i})}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{(y_i-\stackrel{\‾}{y})}^2}---\left[8\right]$

其中，SSE为拟合拥堵指数数据与对应原始拥堵指数数据的误差平方和，RMSE为拟合标准差，R-square为拟合确定系数，yi为实测数据，为拟合数据，为拟合数据的平均值，wi为数据项权重。