CN104750919B - 一种道路通行能力影响因素识别方法 - Google Patents
一种道路通行能力影响因素识别方法 Download PDFInfo
- Publication number
- CN104750919B CN104750919B CN201510112057.5A CN201510112057A CN104750919B CN 104750919 B CN104750919 B CN 104750919B CN 201510112057 A CN201510112057 A CN 201510112057A CN 104750919 B CN104750919 B CN 104750919B
- Authority
- CN
- China
- Prior art keywords
- level
- traffic capacity
- factor
- traffic
- model
- 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.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路通行能力影响因素识别方法，旨在提高通行能力估计模型回归的准确性，更加科学地识别通行能力显著影响因素。该方法包含以下步骤：1）交通流数据采集；2）道路参数与环境参数采集；3）确定实测通行能力；4）数据准备；5）建立通行能力多层统计分析模型，确定通行能力影响因素。该方法综合考虑影响道路通行能力的快慢变量因素，且考虑了各个通行能力检测点之间的差异性，能弥补传统回归方法因数据稀缺带来的回归误差，因此，能够更加科学、准确地预测通行能力，分析通行能力影响因素。
Description
技术领域
本发明涉及一种用于道路通行能力影响因素识别的方法，更具体的说，本发明涉及一种基于多层统计分析模型的道路通行能力影响因素识别方法，属于交通规划设计领域的关键技术。
背景技术
随着经济的发展，我国汽车保有量持续增加，道路系统面临着巨大的交通压力。伴随着机动化进程的加快，尤其是城市道路，交通拥堵频发。经常发生的交通拥堵导致道路功能不能正常发挥，并且其拥堵范围呈现扩大化趋势。通行能力作为交通系统规划、设计和运行管理的核心参数，其影响因素识别一直是交通工程领域的关键问题。
现有通行能力影响因素的研究方法有回归分析与方差分析，涉及到的影响因素包含道路条件、交通条件及环境条件等，其中以美国2010版通行能力手册（HCM2010）成果最为全面，该手册汇集了百家之长，融汇众多通行能力影响因素研究成果，囊括所有可能影响通行能力影响因素。道路条件包含车道数、车道宽度、侧向净空、坡度、平面线型等，一般为静态的慢变量因素；交通条件和环境条件包括天气、时段、日期、车型比例等，一般为动态的快变量因素。
但是，目前尚缺乏一种综合考虑道路条件、交通条件与环境条件等快慢变量相结合的通行能力影响因素识别方法。基于此，本发明针对影响道路通行能力的各种因素特性，建立道路通行能力多层统计分析模型，识别快慢变量不同影响因素及其权重，为道路通行能力的估计与道路的规划、设计、管理及控制提供更为准确的技术支撑。
发明内容
本发明的目的在于提供一种道路通行能力影响因素识别方法。
本发明提出的道路通行能力影响因素识别方法，具体步骤如下：
（1）交通流数据采集：采用交通流自动检测数据或者人工调查方法，获取车辆流量、速度、占有率、车型、车道与检测时间等动态快变量因素数据；
（2）道路参数与环境参数采集：采集车道数、车道宽度、侧向净空、坡度和平面线型等静态慢变量因素数据；
（3）确定实测通行能力：根据步骤（1）得到的动态快变量因素数据绘制速度-流量曲线图，判断交通流状态是否达到通行能力状态，若达到，则确定该道路检测点通行能力，否则，舍弃该天数据；
（4）数据准备，根据步骤（3）获得的交通流达状态达到通行能力状态的时间段，收集该时间段所有可能影响因素得到的检测点数据，包含交通参数（例如车型比例、汇入比等），道路参数（例如车道宽度、侧向净空等），环境参数（例如天气等）；
（5）根据步骤（4）得到的基于多个通行能力检测点数据，结合步骤（1）得到的动态快变量因素数据和步骤（2）得到的静态慢变量因素数据建立通行能力多层统计分析模型，确定通行能力显著影响因素，具体为：
（5..1）把通行能力影响因素分为两层，水平1为动态快变量因素，水平2为静态慢变量因素；
（5.2）建立多层统计分析模型
一个基本的两水平多层模型中包括一个水平1解释变量（静态慢变量）和一个水平2解释变量（动态快变量），并求解多层统计分析模型；
（5.2.1）运行空模型，空模型方程为：
计算组内相关系数ICC，，判断是否组间异质。当ICC值趋于1时，组间方差相对于组内方差非常大，组间方差统计显著，需进行多层模型分析。相反，当ICC值趋于0时，组内各个体间趋于相互独立，表示没有组群效应，组间方差统计不显著，可对该数据集进行多元回归模型分析；
式中，为组内方差；为组间方差；为总方差；ICC为组间方差与总方差之比，或组间方差占总方差的比例；
(5.2.2)将水平2解释变量（静态慢变量）纳入步骤(5.3.1)空模型中，得到截距模型，所述截距模型方程为：
(5.2.3)将水平1解释变量（动态快变量）纳入步骤(5.3.2)截距模型中，得到随机截距模型，随机截距模型方程为：
其中： 为第j个检测点中的第i个通行能力值；为第j个检测点水平2影响因素（静态慢变量影响因素）；为第j个检测点第i个通行能力值对应的水平1影响因素（动态快变量影响因素）；水平1随机截距；为水平2误差项；为水平1误差项；,,为系数。
相对于已有的研究方法相比，本发明更加全面地分析了通行能力及其影响因素。
本发明的有益效果在于：
（1）本发明综合考虑了交通条件、道路条件与环境条件，既包含了短时间内保持不变的静态慢变量因素（例如车道宽度、车道数等），又包含了时刻变化的动态快变量因素（例如天气、车型比例等）；
（2）本发明采用的多层统计分析模型，考虑了各个检测点之间的差异性；
（3）本发明弥补了传统回归方法因稀缺数据不足带来的不准确性，提高回归模型的可信度。
附图说明
图1为通行能力状态识别。
图2为实施例通行能力计算流程图。
图3为实施例多层统计分析模型建模流程图。
具体实施方式
下面通过实施例结合附图进一步描述本发明。
实施例1：
本实施例以上海市城市快速路合流区通行能力影响因素识别为例，需要注意的是，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
所述步骤（1）交通流数据采集，本实施例采用的是上海市城市快速路交通流线圈检测数据，时间间隔为5分钟，包含速度、流量、占有率、车型、车道与检测时间等数据；
所述步骤（2）道路参数主要通过人工采集结合高精度地图等，采集的数据有汇入长度、车道数、车道宽度、侧向净空、匝道密度、平曲线曲率。环境参数通过气象部门获取，精确到小时天气信息，分为晴、雨、雾、雪四种天气；
所述步骤（3）通行能力确定，上海市城市快速路属于连续流交通设施，采用15分钟最大小时流率估计检测点通行能力。如图2所示，首先将交通流数据集计成15分钟数据，取每天15分钟流量最大值换算成最大小时流率，然后绘制5分钟速度-流量散点图，判断交通流是否达到通行能力状态，即是否出现图1中阴影标识区域的散点数据，若达到通行能力状态，则取该15分钟最大小时流率作为通行能力，否则舍弃该天数据；
所述步骤（4）根据步骤（3）瓶颈点取得通行能力的时段收集所有可能影响因素，包含的静态慢变量因素有汇入长度、车道数、车道宽度、侧向净空、匝道密度、平曲线曲率，动态快变量因素有天气、工作日、时段、车型比例、汇入比；
所述步骤（5）为建立通行能力多层统计分析模型，确定通行能力显著影响因素。其步骤包括：
（1）把通行能力影响因素分为两层，水平1为动态快变量因素，水平2为静态慢变量因素；
（2）建立多层统计分析模型
为了简便起见，下述模型是在一个两水平多层模型中包括一个水平1解释变量和一个水平2解释变量。多层统计分析模型为：
式中，为第j个检测点中的第i个通行能力值；为第j个检测点水平2影响因素（静态慢变量影响因素）；为第j个检测点第i个通行能力值对应的水平1影响因素（动态快变量影响因素）；水平1随机截距；为水平2误差项；为水平1误差项；,,为系数。
（3）利用SAS统计软件求解多层统计分析模型，如图3所示，其步骤如下：
1.运行空模型，空模型方程为：
计算组内相关系数（Intra-class correlation coefficient, ICC），，判断是否组间异质。当ICC值趋于1时，组间方差相对于组内方差非常大，组间方差统计显著，需进行多层模型分析。相反，当ICC值趋于0时，组内各个体间趋于相互独立，表示没有组群效应，组间方差统计不显著，可对该数据集进行多元回归模型分析。
式中，为组内方差；为组间方差；为总方差；ICC为组间方差与总方差之比，或组间方差占总方差的比例。
2.将水平2解释变量纳入空模型，即截距模型，截距模型方程为：
3.将水平1解释变量纳入截距模型，即随机截距模型，随机截距模型方程为：
多层统计分析模型结果如下所示：
式中：CAP为通行能力；ML为汇入长度；N为车道数；LW为车道宽度；W为当星期为工作日时取1，反之取0；P1为当通行能力在6:00-7:30达到时取1，反之取0；P2为当通行能力在7:30-9:30达到时取1，反之取0；P3为当通行能力在9:30-10:30达到时取1，反之取0；P4为当通行能力在10:30-16:30达到时取1，反之取0；P5为当通行能力在16:30-18:30达到时取1，反之取0；P6为当通行能力在18:30-19:30达到时取1，反之取0；SUN为当天气为晴时取1，反之取0；RAIN为当天气为雨时取1，反之取0；FOG为当天气为雾时取1，反之取0；LV为大车比例；MV为中车比例。
上海市城市快速路合流区通行能力影响因素有汇入长度、车道数、车道宽度、星期、时段、天气以及车型比例。
Claims (1)
1.一种道路通行能力影响因素识别方法，其特征在于具体步骤如下：
（1）交通流数据采集：采用交通流自动检测数据或者人工调查方法，获取车辆流量、速度、占有率、车型、车道与检测时间动态快变量因素数据；
（2）道路参数与环境参数采集：采集车道数、车道宽度、侧向净空、坡度和平面线型静态慢变量因素数据；
（3）确定实测通行能力：根据步骤（1）得到的动态快变量因素数据绘制速度-流量曲线图，判断交通流状态是否达到通行能力状态，若达到，则确定该道路检测点通行能力，否则，舍弃该天数据；
（4）数据准备，根据步骤（3）获得的交通流状态达到通行能力状态的时间段，收集该时间段所有影响因素得到的检测点数据，包含交通参数，道路参数和环境参数；
（5）根据步骤（4）得到的基于多个通行能力检测点数据，结合步骤（1）得到的动态快变量因素数据和步骤（2）得到的静态慢变量因素数据建立通行能力多层统计分析模型，确定通行能力显著影响因素，具体为：
（5.1）把通行能力影响因素分为两层，水平1为动态快变量因素，水平2为静态慢变量因素；
（5.2）建立多层统计分析模型
一个基本的两水平多层模型中包括一个水平1解释变量和一个水平2解释变量，并求解多层统计分析模型；水平1解释变量为动态快变量，水平2解释变量为静态慢变量；
（5.2.1）运行空模型，空模型方程为：
计算组内相关系数ICC，，判断是否组间异质；当ICC值趋于1时，组间方差相对于组内方差非常大，组间方差统计显著，需进行多层模型分析；相反，当ICC值趋于0时，组内各个体间趋于相互独立，表示没有组群效应，组间方差统计不显著，可对该数据集进行多元回归模型分析；
式中，为组内方差；为组间方差；为总方差；ICC为组间方差与总方差之比，或组间方差占总方差的比例；
(5.2.2)将水平2解释变量纳入步骤(5.２.1)空模型中，得到截距模型，所述截距模型方程为：
(5.2.3)将水平1解释变量纳入步骤(5.２.2)截距模型中，得到随机截距模型，随机截距模型方程为：
其中： 为第j个检测点中的第i个通行能力值；为第j个检测点水平2影响因素，即静态慢变量影响因素；为第j个检测点第i个通行能力值对应的水平1影响因素，即动态快变量影响因素；水平1随机截距；为水平2误差项；为水平1误差项；,,为系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510112057.5A CN104750919B (zh) | 2015-03-16 | 2015-03-16 | 一种道路通行能力影响因素识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510112057.5A CN104750919B (zh) | 2015-03-16 | 2015-03-16 | 一种道路通行能力影响因素识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104750919A CN104750919A (zh) | 2015-07-01 |
| CN104750919B true CN104750919B (zh) | 2017-08-15 |
Family
ID=53590598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510112057.5A Active CN104750919B (zh) | 2015-03-16 | 2015-03-16 | 一种道路通行能力影响因素识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104750919B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105632327B (zh) * | 2015-12-24 | 2018-03-20 | 东南大学 | 一种带有道路曲率的增强型数字矢量地图制作方法 |
| CN109147329B (zh) * | 2018-09-18 | 2020-11-03 | 银江股份有限公司 | 基于通行能力的区域交通运行状态指数计算及可视化方法 |
| CN109191846B (zh) * | 2018-10-12 | 2021-03-09 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
| CN109448380B (zh) * | 2018-12-17 | 2022-01-28 | 百度在线网络技术（北京）有限公司 | 道路阻断发现方法、装置、设备及计算机可读介质 |
| CN110428608B (zh) * | 2019-06-18 | 2022-03-04 | 上海电科智能系统股份有限公司 | 一种基于交通大数据的道路通行能力提取方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4630961A (en) * | 1982-06-30 | 1986-12-23 | Horst Hellwig | Traffic intersection |
| CN103456163A (zh) * | 2012-06-04 | 2013-12-18 | 北京市市政工程设计研究总院 | 城市快速路互通立交通行能力和运行状态判别方法与系统 |
| CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
-
2015
- 2015-03-16 CN CN201510112057.5A patent/CN104750919B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4630961A (en) * | 1982-06-30 | 1986-12-23 | Horst Hellwig | Traffic intersection |
| CN103456163A (zh) * | 2012-06-04 | 2013-12-18 | 北京市市政工程设计研究总院 | 城市快速路互通立交通行能力和运行状态判别方法与系统 |
| CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Effect of Highway Geometric Characteristics on Capacity Loss;HASHIM等;《交通运输系统工程与信息》;20121031;第12卷(第5期);全文 * |
| 上海城市快速路通行能力的研究;温学钧;《上海建设科技》;20051231(第1期);全文 * |
| 城市干道路段速度-流量模型及通行能力研究;王文英等;《交通标准化》;20111231(第3/4期);全文 * |
| 城市道路通行能力影响因素研究;贾晓敏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20091215(第12期);全文 * |
| 城市道路通行能力的影响因素研究;茹红蕾;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20080815(第08期);全文 * |
| 恶劣天气条件下城市快速路通行能力研究;杨忠良等;《交通信息与安全》;20101231;第28卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104750919A (zh) | 2015-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104750919B (zh) | 一种道路通行能力影响因素识别方法 | |
| WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
| CN102737510B (zh) | 一种基于移动智能终端的实时交通路况采集方法 | |
| Su et al. | Online travel mode identification using smartphones with battery saving considerations | |
| CN100456335C (zh) | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 | |
| CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
| CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
| CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
| CN104537209B (zh) | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 | |
| CN105513370B (zh) | 基于稀疏车牌识别数据挖掘的交通小区划分方法 | |
| CN101694706A (zh) | 基于多源数据融合的人口时空动态出行特征建模方法 | |
| CN103761430A (zh) | 一种基于浮动车的路网高峰时段识别方法 | |
| CN103440764A (zh) | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 | |
| CN106446208A (zh) | 一种考虑路网契合度的智能手机出行方式识别方法 | |
| CN103714696B (zh) | 高速交通信息接入处理系统 | |
| CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
| CN107368931A (zh) | 基于大数据分析技术的物流配送路径动态规划方法及系统 | |
| CN102509454A (zh) | 基于fcd与地磁检测器的道路状态融合方法 | |
| CN106781493A (zh) | 一种车辆排队长度模拟系统、方法和装置 | |
| CN103824450B (zh) | 基于交通状态规则的大型活动专用行车线路规划方法 | |
| CN109278758A (zh) | 一种基于智能手机的智能车个性化驾驶学习系统 | |
| CN104537052B (zh) | 基于小波分析模极大值算法的交通出行换乘点识别方法 | |
| CN106448173A (zh) | 一种基于手机数据的长距离出行交通方式划分方法 | |
| CN109816271A (zh) | 基于共享单车轨迹数据的自行车道服务水平评价方法 | |
| CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 |
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 |