CN104778835B

CN104778835B - 一种高等级道路多瓶颈点拥堵演化时空范围识别方法

Info

Publication number: CN104778835B
Application number: CN201510114884.8A
Authority: CN
Inventors: 孙剑; 李铁男; 李峰; 陈长; 李莉
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2015-03-17
Filing date: 2015-03-17
Publication date: 2017-01-18
Anticipated expiration: 2035-03-17
Also published as: CN104778835A

Abstract

本发明公开了一种高等级道路（高速公路和城市快速路）多瓶颈点拥堵演化时空范围识别方法，旨在克服现有道路瓶颈拥堵演化范围识别中对多瓶颈间相互影响的无法识别的缺憾。该方法首先基于布置在多瓶颈区域的交通流检测设备采集数据，对时间与空间上的数据进行遍历和运算；依据交通流理论建立算法，对车流拥堵和消散的边界进行实时运算和重现，同时对区域内瓶颈点之间的关联性进行识别和判断；最终得到多瓶颈点区域内完整的拥堵演化时空范围。

Description

一种高等级道路多瓶颈点拥堵演化时空范围识别方法

技术领域

本发明属于交通控制与管理领域，更具体的说，本发明涉及一种基于有限交通流数据，对道路多瓶颈点拥堵演化的完整时空范围进行识别的方法。

背景技术

随着经济的发展和城市规模的不断扩大，城市交通需求与供给之间的矛盾越来越突出，交通拥挤、环境污染等问题日益严重。寻求高效的手段来应对交通拥堵，是当代交通工程领域的主要议题之一。

随着我国快速的城市化和机动化进程，高等级道路(高速公路和城市快速路)连续流设施的接入口之间间距较小，连续的拥堵热点极易组成一片蔓延的多瓶颈点区域。相反，由于西方国家交通需求供给矛盾的相对集中性，国外学者在研究交通拥堵问题时，绝大部分主要针对单瓶颈点的情形进行讨论，其研究结果无法适应于我国更为复杂的多瓶颈情境。国内的相关研究大多也忽略了瓶颈点之间的相互影响和作用，将其视为多个独立瓶颈进行处理，从而存在一定的局限性。

随着我国道路交通信息系统的建设，使得利用海量的交通流数据对高等级道路的交通运行态势进行分析成为可能。然而基于成本与效率的均衡考虑，在道路路网内，交通流检测设备的布置密度大约为每300—1000米一处，设备间的拥堵蔓延模式无法得到有效检测。这就要求一种能够在有限交通流数据下，对道路拥堵的完整时空范围进行重现的方法。

针对以上的现状和问题，本研究提出了一种能够对高等级道路多瓶颈点区域的拥堵演化范围进行有效识别的方法，以期具体了解并尝试解决道路网中存在多瓶颈点区域时的实际问题，为后续精细化的管理控制与改善设计提供依据。

发明内容

本发明所要解决的技术问题是在考虑多瓶颈点之间相互影响作用的基础上，利用有限的交通流数据，提供一种多瓶颈点拥堵演化时空范围的识别方法。

为解决上述技术问题，本发明是通过以下具体步骤实现的：

(1)在多瓶颈区域内由上游至下游连续布置若干个交通流检测设备，交通流检测设备每T秒对当前位置的交通流数据信息进行采集和聚合，得到的交通流数据信息包括该道路断面该T秒内的通过流量Q、车辆平均速度V和道路占有率O；

(2)在每一个时刻内，由上游至下游对每个交通流检测设备所在位置的交通流数据信息进行遍历，对该位置的交通流状态进行判定；由小至大，第K个交通流检测设备的车辆平均速度V_k和道路占有率O_k，与车辆平均速度的最低阈值V_min和道路占有率的最高阈值O_max进行比较；则在当前T_k时刻下，会出现三种情况：

(a)若V_k大于V_min，或O_k小于O_max，两个条件满足其中之一，即交通流数据信息未跨过阈值，则认为该位置没有达到拥堵状态；且该位置在上一个检测间隔，即T_k-T时，亦没有达到拥堵状态；遍历过程继续，对第K+1个交通流检测设备的交通流状态进行判别；

(b)若V_k小于V_min，且O_k大于O_max，即交通流数据信息跨过阈值，则认为该位置已经进入拥堵状态，则进入步骤(3)开始对拥堵的向后蔓延边界进行计算；

(c)若V_k大于V_min，或O_k小于O_max，两个条件满足其中之一，即交通流数据信息未跨过阈值，则认为该位置没有达到拥堵状态；且该位置在上一个检测间隔，即T_k-T时，达到了拥堵状态；可知该位置的拥堵开始消散，则进入步骤(4)开始对拥堵的向后消散边界和蔓延边界进行计算；

(3)拥堵从第K个交通流检测设备向上游蔓延的边界x_c在T_k时刻的计算公式为：

x_{c, k, T_{k}} = m i n (L_{k}, x_{c, k, T_{k} - T}) - \frac{Q_{k - 1} - Q_{k}}{\frac{Q_{k - 1}}{V_{k - 1}} - \frac{Q_{k}}{V_{k}}} \cdot t

式中：——T_k时刻第K个交通流检测设备的向上游蔓延的拥堵边界位置，单位为km；

L_k——第K个交通流检测设备的位置，单位为km；

——T_k-T时刻第K个交通流检测设备的向上游蔓延的拥堵边界位置，单位为km；

Q_k、Q_k-1——分别为第K个和第K-1个交通流检测设备的等效小时流量，单位为veh/h；

V_k、V_k-1——分别为第K个和第K-1个交通流检测设备处的平均车辆速度，单位为km/h；

t——交通流检测设备一个采集周期T的长度，单位为h；

该时刻蔓延边界x_c的计算结束后，继续步骤(2)的交通状态判别，从第K+1个交通流检测设备开始向下游进行遍历；

(4)从第K个交通流检测设备K向上游消散的边界x_f在T_k时刻的计算公式为：

x_{f, k, T_{k}} = m i n (L_{k}, x_{f, k, T_{k} - T}) - \frac{Q_{k} - Q_{k - 1}}{\frac{Q_{k}}{V_{k}} - \frac{Q_{k - 1}}{V_{k - 1}}} \cdot t

在消散车流向上游追赶到拥堵蔓延边界之前，拥堵的边界仍在继续向上游传播，此时假设拥堵车流的状态与第K个交通流检测设备在最后一个拥堵时刻下的交通流状态一致，则从第K个交通流检测设备向上游蔓延的边界x_c在T_k时刻的计算公式为：

x_{c, k, T_{k}} = x_{c, k, T_{k} - T} - \frac{Q_{k - 1} - Q_{k, T_{c}}}{\frac{Q_{k - 1}}{V_{k - 1}} - \frac{Q_{k, T_{c}}}{V_{k, T_{c}}}} \cdot t

——T_k时刻第K个交通流检测设备的向上游蔓延的消散边界位置，单位为km；

L_k——第K个交通流检测设备的位置，单位为km；

——T_k-T时刻交通流检测设备K的向上游蔓延的消散边界位置，单位为km；

Q_k、Q_k-1——分别为第K个和第K-1个交通流检测设备的流量，单位为veh/h；

——第K个交通流检测设备在最后一个拥堵时刻下的流量，单位为veh/h；

——第K个交通流检测设备在最后一个拥堵时刻下的平均车辆速度，单位为km/h；

t——交通流检测设备一个采集周期T的长度，单位为h；

若在该时刻大于或等于可知消散边界向上游已经追赶到拥堵蔓延边界，即第K个和第K-1个交通流检测设备之间所有的拥堵车流已经消散完毕，与重置至L_k处；

该时刻蔓延边界x_c和消散边界x_f的计算结束后，继续步骤(2)的交通状态判别，从第K-1个交通流检测设备开始向下游进行遍历；

(5)重复进行步骤(2)、(3)、(4)的过程，直到在时刻T_k下拥堵蔓延边界的值小于或等于上游交通流检测设备K-1的位置L_k-1，则开始对该拥堵在多瓶颈作用下的根源点进行判别；当且仅当该时刻下第K-1个交通流检测设备处由非拥堵状态变为拥堵状态时，可以确定该瓶颈点的拥堵是由下游瓶颈点蔓延导致的；反之，若第K-1个交通流检测设备处在进入步骤(5)时并未发生由非拥堵至拥堵的状态改变，即在时刻T_k的前后均保持了一致的拥堵或非拥堵状态，则可以认定该瓶颈处的事件和下游第K个交通流检测设备处的瓶颈相互独立；考虑到算法与实际交通状态之间由于交通流的异质性和随机性原因而存在微小差异，因此容许在进行该条件判别时有一个时间颗粒度的浮动，即同时满足条件(a)、(b)时，认定第K-1个交通流检测设备处瓶颈点与下游瓶颈点相关联：

或

且

其中：——第K-1个交通流检测设备处在T_fuzzy-T时刻和T_fuzzy时刻的平均车辆速度，单位为km/h；

——第K-1个交通流检测设备处在T_fuzzy-T时刻和T_fuzzy时刻的道路占有率；

T_fuzzy的取值范围为[T_k-T,T_k+T]，在取值范围内存在一个值满足条件(a)、(b)，则认定条件通过，识别得到交通流检测设备K-1处的拥堵由交通流检测设备K处蔓延而来；

(6)重复步骤(2)、(3)、(4)的过程，直到在T_k下第K-1个交通流检测设备由拥堵状态转变为非拥堵状态，并且计算的拥堵蔓延边界值已经到达其位置，即同时满足条件(d)、(e)、(f)时：

或

且

可知该处的拥堵开始向前消散，开始依据下列计算公式计算拥堵向前消散的边界：

x_{c, k, T_{k}} = m a x (L_{k - 1}, x_{c, k, T_{k} - T}) + \frac{Q_{k} - Q_{k - 1}}{\frac{Q_{k}}{V_{k}} - \frac{Q_{k - 1}}{V_{k - 1}}} \cdot t

式中：——T_k时刻从第K-1个交通流检测设备向下游消散的拥堵边界位置，单位为km；

L_k-1——第K-1个交通流检测设备的位置，单位为km；

——T_k-T时刻从第K-1个交通流检测设备向下游消散的拥堵边界位置，单位为km；

Q_k、Q_k-1——第K个和第K-1个交通流检测设备的流量，单位为veh/h；

V_k、V_k-1——第K个和第K-1个交通流检测设备处的平均车辆速度，单位为km/h；

t——交通流检测设备一个采集周期T的长度，单位为h。

交通流检测设备交通流检测设备交通流检测设备与现有技术相比，本发明的有益效果是：

1、本发明所述的多瓶颈点拥堵演化时空范围识别方法中，充分考虑我国道路网中接入匝道密度普遍较高的现状，及由此产生的多瓶颈区域问题。在对时空范围进行识别时，同时对不同瓶颈点之间的关联性进行计算和判别。从而能够对区域内的交通问题进行充分全面的分析，更好地反映真实的交通环境和状况，提高了研究的准确性。

2、本发明所述的多瓶颈点拥堵演化时空范围识别方法，对我国道路网中的稀疏交通流检测设备布局是良好的补充。基于成本与效率的均衡考虑，在城市路网内，交通交通流检测设备的布置密度大约为每300—1000米一处，设备之间的拥堵演化模式无法得到有效检测。该方法通过基于交通流理论的算法，能够对交通流检测设备之间拥堵演化时空范围进行良好重现，填充了现有交通流检测设备的盲区。

3、本发明所述的多瓶颈点拥堵演化时空范围识别方法，能够对道路网中交通流检测设备实时采集的交通流数据进行良好利用。通过对实时交通状态的在线分析，能够对城市路网中的交通事件进行及时反应，从而提高城市交通管理部门的服务质量，提高城市路网的运行效率。克服了现有技术只能对历史数据进行静态分析的不足。

4、本发明所述的多瓶颈点拥堵演化时空范围识别方法，能够适应不同采集精度的交通流数据，能够高效利用高精度交通流数据对交通流状态进行反应，无需对数据进行二次聚合，克服了现有宏观分析技术对数据内容的整合和浪费。

附图说明

图1本发明提出的多瓶颈点拥堵演化时空范围识别方法流程图。

图2本发明实施例中的路段几何布置和交通流检测设备示意图。

图3由本发明提出的方法计算得到的多瓶颈点拥堵演化时空范围。

具体实施方式

下面结合附图对本发明做详细的描述。

实施例1：

1、本发明所提出的多瓶颈点拥堵演化时空范围识别方法应用于图2所示的多瓶颈区域路段内，该多瓶颈区域包含3下匝道和一个上匝道，布置了8组双线圈交通流检测设备。交通流检测设备的平均布设间距约为400m，数据采集间隔为20s。其具体几何布置和交通流检测设备位置如图2所示。拥堵演化识别的时间段为5:00至24:00。

2、本实施例中，车辆平均速度的最低阈值V_min取为45km/h，道路占有率的最高阈值O_max取为25％。

3、在10:54:00时刻，交通流检测设备7处读取得到的交通流数据为，V₇＝35.8，O₇＝29％，Q₇＝15。根据双阈值法判定，发现V₇<V_min，O₇＞0_max，可知交通流检测设备7在此刻进入了拥堵状态，如图3中A点所示。开始根据具体内容中步骤4的算法对拥堵向上游蔓延的边界进行计算。已知，拥堵从交通流检测设备K向上游蔓延的边界x_c在T_k时刻的计算公式为：

x_{c, k, T_{k}} = m i n (L_{k}, x_{c, k, T_{k} - T}) - \frac{Q_{k - 1} - Q_{k}}{\frac{Q_{k - 1}}{V_{k - 1}} - \frac{Q_{k}}{V_{k}}} \cdot t

式中：——T_k时刻交通流检测设备K的向上游蔓延的拥堵边界位置，单位为km；

L_k——交通流检测设备K的位置，单位为km；

——T_k-T时刻交通流检测设备K的向上游蔓延的拥堵边界位置，单位为km；

Q_k、Q_k-1——交通流检测设备K和K-1的等效小时流量，单位为veh/h；

V_k、V_k-1——交通流检测设备K和K-1处的平均车辆速度，单位为km/h；

t——交通流检测设备一个采集周期T的长度，单位为h；

计算得到该时刻拥堵向上游蔓延的边界位置为x_c,7,10:54:00＝2.2482km，标记于图3之上。

4、该时刻蔓延边界x_c的计算结束后，继续进行空间和时间的遍历过程。通过双阈值法判别出交通流检测设备7处始终处于拥堵状态，则保持对拥堵蔓延边界的计算，直至11:10:20，计算得到如图3中B点所示。已知交通流检测设备6的位置L₆＝1.8970km，根据上述步骤5中的判别条件，开始对交通流检测设备7和交通流检测设备6两处的瓶颈关联性进行判别。已知，当且仅当该时刻下交通流检测设备6处由非拥堵状态变为拥堵状态时，可以确定该瓶颈点的拥堵是由下游瓶颈点蔓延导致的；反之，若交通流检测设备6处在进入步骤5时并未发生由非拥堵至拥堵的状态改变，即在时刻10:10:20的前后均保持了一致的拥堵或非拥堵状态，则可以认定该瓶颈处的事件和下游交通流检测设备K处的瓶颈相互独立。考虑到算法与实际交通状态之间由于交通流的异质性和随机性原因而存在微小差异，因此容许在进行该条件判别时有一个时间颗粒度的浮动。即同时满足条件(a)、(b)时，认定交通流检测设备6处瓶颈点与下游瓶颈点相关联：

或

且

其中：——交通流检测设备K-1处在T_fuzzy-T时刻和T_fuzzy时刻的平均车辆速度，单位为km/h；

——交通流检测设备K-1处在T_fuzzy-T时刻和T_fuzzy时刻的道路占有率；

T_fuzzy的取值范围为[10:10:00,10:10:40]。已知，V_6,10:09:40＝47.2km/h，O_6,10:09:40＝28％，V_6,10:10:00＝52.4km/h，O_6,10:10:00＝23％，V_6,10:10:20＝49.1km/h，O_6,10:10:20＝22％，V_6,10:10:40＝58.1km/h，O_6,10:10:40＝26％。可以发现，在取值范围内不存在任何一个值满足条件(a)、(b)，判别条件未通过，识别得到交通流检测设备6处的瓶颈和交通流检测设备7处的瓶颈在此时相互独立。

5、在11:13:40时刻，交通流检测设备6处读取得到的交通流数据为，V₇＝40.1，O₇＝26％，Q₇＝17。根据双阈值法判定，发现V₆≤V_min，O₆≥0_max，可知交通流检测设备6在此刻进入了拥堵状态，如图3中C点所示。开始根据上述步骤3中的算法对拥堵向上游蔓延的边界进行计算。计算得到该时刻拥堵向上游蔓延的边界位置为标记于图3之上。

6、该时刻蔓延边界x_c的计算结束后，继续进行空间和时间的遍历过程。通过双阈值法判别出交通流检测设备6处始终处于拥堵状态，则保持对拥堵蔓延边界的计算，直至11:29:40，计算得到如图3中D点所示。已知交通流检测设备5的位置L₅＝1.5470km，根据上述步骤5中的判别条件，开始对交通流检测设备6和5两处的瓶颈关联性进行判别。

此时，T_fuzzy的取值范围为[10:29:20,10:30:00]。已知，V_5,10:29:00＝37.2km/h，O_5,10:29:00＝23％，V_5,10:29:20＝45.4km/h，O_5,10:29:20＝23％，V_5,10:29:40＝42.1km/h，O_5,10:29:40＝29％，V_5,10:30:00＝38.9km/h，O_5,10:30:00＝28％。可以发现，在取值范围内，当T_fuzzy取10:30:00时，如图3中E点所示，存在V_5,10:29:40<V_min，O_5,10:29:40<O_max，且V_5,10:30:00<V_min，O_5,10:30:00＞O_max，即交通流检测设备5处的瓶颈在10:30:00由非拥堵转化为拥堵状态，满足条件(a)、(b)，判别通过，识别得到交通流检测设备5处的瓶颈和交通流检测设备6处的瓶颈此时相关，交通流检测设备5处的拥堵是由交通流检测设备6处蔓延而来。

7、该时刻瓶颈相关性判别结束后，继续进行空间和时间的遍历过程。通过双阈值法判别出交通流检测设备5处始终处于拥堵状态。直至18:21:00，数据采集得到V₅＝35.4km/h，O₅＝24％，满足O₅<O_max，可知交通流检测设备5由拥堵状态转变为非拥堵状态，如图3中F点所示。开始根据具体内容中步骤4的算法对向上游消散的边界进行计算。已知，从交通流检测设备K向上游消散的边界x_f在T_k时刻的计算公式为：

x_{f, k, T_{k}} = m i n (L_{k}, x_{f, k, T_{k} - T}) - \frac{Q_{k} - Q_{k - 1}}{\frac{Q_{k}}{V_{k}} - \frac{Q_{k - 1}}{V_{k - 1}}} \cdot t

式中：——T_k时刻交通流检测设备K的向上游蔓延的消散边界位置，单位为km；

L_k——交通流检测设备K的位置，单位为km；

Q_k、Q_k-1——交通流检测设备K和K-1的流量，单位为veh/h；

t——交通流检测设备一个采集周期T的长度，单位为h；

计算得到x_f,5,18:21:00＝1.5468km，标记于图3之上。

同时，由于此时由交通流检测设备6向下蔓延的x_c,5,18:21:00已经到达交通流检测设备5的位置。已知具体内容步骤6进行的条件为同时满足下列(a)、(b)、(c)：

或

且

(c) x_{c, k, T_{k}} \leq L_{k - 1};

即此刻F点满足了具体内容中步骤6的条件，可知该处的拥堵亦开始向前消散，开始依据下列计算公式计算拥堵向前消散的边界：

x_{c, k, T_{k}} = m a x (L_{k - 1}, x_{c, k, T_{k} - T}) + \frac{Q_{k} - Q_{k - 1}}{\frac{Q_{k}}{V_{k}} - \frac{Q_{k - 1}}{V_{k - 1}}} \cdot t

式中：——T_k时刻从交通流检测设备K-1向下游消散的拥堵边界位置，单位为km；

L_k-1——交通流检测设备K-1的位置，单位为km；

——T_k-T时刻从交通流检测设备K-1向下游消散的拥堵边界位置，单位为km；

Q_k、Q_k-1——交通流检测设备K和K-1的流量，单位为veh/h；

t——交通流检测设备一个采集周期T的长度，单位为h；

计算得到x_c,6,18:21:00＝1.5489km，标记于图3之上。

8、在空间和时间上对交通流检测设备状态进行遍历，得到该多瓶颈区域该天5:00—24:00的完整拥堵演化时空范围如图3所示。

Claims

1.一种高等级道路多瓶颈点拥堵演化时空范围识别方法，其特征在于具体步骤如下：

x_{c, k, T_{k}} = m i n (L_{k}, x_{c, k, T_{k} - T}) - \frac{Q_{k - 1} - Q_{k}}{\frac{Q_{k - 1}}{V_{k - 1}} - \frac{Q_{k}}{V_{k}}} \cdot t

L_k——第K个交通流检测设备的位置，单位为km；

t——交通流检测设备一个采集周期T的长度，单位为h；

x_{f, k, T_{k}} = m i n (L_{k}, x_{f, k, T_{k} - T}) - \frac{Q_{k} - Q_{k - 1}}{\frac{Q_{k}}{V_{k}} - \frac{Q_{k - 1}}{V_{k - 1}}} \cdot t

x_{c, k, T_{k}} = x_{c, k, T_{k} - T} - \frac{Q_{k - 1} - Q_{k, T_{c}}}{\frac{Q_{k - 1}}{V_{k - 1}} - \frac{Q_{k, T_{c}}}{V_{k, T_{c}}}} \cdot t

L_k——第K个交通流检测设备的位置，单位为km；

t——交通流检测设备一个采集周期T的长度，单位为h；

(a)或

(b)且

(d)或

(e)且

(f)

x_{c, k, T_{k}} = m a x (L_{k - 1}, x_{c, k, T_{k} - T}) + \frac{Q_{k} - Q_{k - 1}}{\frac{Q_{k}}{V_{k}} - \frac{Q_{k - 1}}{V_{k - 1}}} \cdot t

L_k-1——第K-1个交通流检测设备的位置，单位为km；

t——交通流检测设备一个采集周期T的长度，单位为h。