CN104933284B - 一种基于实测数据的公路桥梁随机车流模拟方法 - Google Patents
一种基于实测数据的公路桥梁随机车流模拟方法 Download PDFInfo
- Publication number
- CN104933284B CN104933284B CN201510075950.5A CN201510075950A CN104933284B CN 104933284 B CN104933284 B CN 104933284B CN 201510075950 A CN201510075950 A CN 201510075950A CN 104933284 B CN104933284 B CN 104933284B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- distribution
- random
- wagon flow
- sample
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于建筑和交通桥梁技术领域，具体地说，涉及一种基于实测数据的公路桥梁随机车流模拟方法，采用Monte-Cralo方法，编写算法计算出确定车辆随机车头时距矩阵，通过在时间数列上排序，当排列数的时间间隔等于车流时距矩阵的时距时，则进入车辆生成模块，生成在该时刻上桥的车辆，并且赋予车辆属性。当排列数间隔小于车流时距时，方法只执行车辆运行模块，计算出正在桥上运行车辆该时刻在桥梁上的纵横向位置，依据滤过泊松过程的原理，结合实测的车辆参数分布类型，建立随机车流仿真模型，描述车辆随机性的分布规律。
Description
技术领域
本发明属于建筑和交通桥梁技术领域，具体地说，涉及一种基于实测数据的公路桥梁随机车流模拟方法。
背景技术
汽车工业与交通运输业的发展，使得桥梁结构所承受的荷载发生了很大的变化。交通量的不断增长，车辆性能的迅速提升，重载超载现象的频繁出现，引起了越来越多的学者对车桥耦合，疲劳损伤，桥梁剩余寿命的评估等问题的重视。但在以往的研究中，通常假设车流只是服从某个或几个简单的分布，未能全面考虑车流的随机特性，这对后续的桥梁研究与评估会产生极大的误差。对于桥梁疲劳研究而言，采用时变特性的高真实度随机车流进行荷载谱的定义具有重要的意义。
国内对公路桥梁随机车流的研究大致可分为两个阶段，即早期的疲劳荷载谱的研究阶段与现阶段的随机车流模型研究阶段。但是无论是早期还是现今对随机车流研究，其研究方法过多的依赖于车型、车重、车距及车速不变性的基本假定。
针对上述问题，有必要以概率论与随机过程为基础，以国内外随机车流研究成果为借鉴，针对随机车流研究中存在的问题，进一步有目的、有针对性进行基于实测数据的随机车流仿真模拟的研究。
发明内容
鉴于此，本发明的目的是提供一种基于实测数据的公路桥梁随机车流模拟方法，依据滤过泊松过程的原理，结合实测的车辆参数分布类型，建立随机车流仿真模型，描述车辆随机性的分布规律，更真实的反映作用于桥梁上实际车辆荷载，对于桥梁结构的疲劳分析与动力响应分析提供有力支撑。
为实现上述目的，本发明采用的技术方案为：
一种基于实测数据的公路桥梁随机车流模拟方法，具体步骤如下：
1).进行公路桥梁随机车流调查，获取随机车流样本数据：
利用交通荷载信息采集装置和动态称重系统进行数据测量，全面采集断面随机车流数据信息，并通过现场人工实地调查识别出车辆的具体类型，根据交通荷载信息采集装置提供的车辆图像及视频信息对动态称重系统所记录的断面随机车流数据进行校核，获取准确可靠的实测数据作为随机车流样本数据；
2).对获取的随机车流数据进行随机车流参数分析，找出与各项实测数据最接近的分布类型及分布参数：
通过分布假设检验，针对未知的总体分布或参数，根据样本或经验提供的有关分布或参数的信息，对分布或参数提出假设，对抽取的样本进行正态、对数正态、极值Ⅰ型、威布尔及伽马五种分布类型的分布假设检验，寻找出与实测数据最接近的分布类型及分布参数，为下一步随机车流仿真方法的实现提供数据支持，并建立车时距、车重、车速和横向位置分布函数；
3).结合实测的车辆参数分布类型，进行随机车流仿真模拟，其具体步骤为：
首先，模拟车辆生成：
①.根据各车型的比例，由均匀分布随机数与实测车型比例数的区间进行比较产生下一步将要进入交通流的车辆的车型；
②.根据该车型的横向位置分布的比例，由均匀分布随机数与实测横向位置比例数的区间进行比较产生该车辆所在的行驶车道；
③.根据其行驶的车道，调用该车道车时距的分布函数，计算出随机车时距，通过在时间数列上排序，当排列数的时间间隔等于车流时距样本的时距时，该时间点就生成该辆车；
其次，生成该辆车之后，同时调用该车型的车重、车速和横向位置分布函数，随机生成各项参数，加载车辆属性，随机生成各项车辆属性参数；
最后，通过时间数列上排序，确定每一个时刻车辆在桥上的位置，最后通过在时间上的连续，动态显示车辆的运行状态，从而建立基于滤过泊松过程的随机车流仿真模型。
进一步，在步骤1)中，获取随机车流样本数据包括车型分类、车型构成比例、车流量、车道分布、车速参数、车时距参数、横向位置参数、车重参数。
进一步，在步骤2)中，利用K-S检验方法对抽取的样本进行正态、对数正态、极值Ⅰ型、威布尔及伽马五种分布类型的分布假设检验，寻找出与实测分布最接近的分布类型及分布参数，其具体检验步骤如下：
对于给定样本容量为N的样本空间，假定样本点符合某一分布，此分布的分布函数为FX(x)，可以根据样本值很方便地计算出样本经验分布函数曲线呈阶梯状，而假定的分布函数曲线FX(x)为平滑曲线：
将所有样本点处FX(x)与的最大差值称为K-S检验的统计值D，在和处，D＝0；
如果对两个不同样本空间的经验分布函数的分布假设进行检验，则K-S检验的统计量观测值为：
对于给定的显著性水平α，查K-S分布临界值表得到Dn,α，比较统计量观测值D与相应临界值Dn,α：如果D≤Dn,α，则认为样本符合假定的分布；否则，认为样本拒绝假定的分布；对不服从以上任何一种假设分布的数据进行最小二乘非线性拟合的方法，寻找出与实测分布最接近的分布类型及分布参数，为下一步随机车流仿真方法的实现提供数据支持。
进一步，在步骤3)中，在建立车辆生成模块时，利用Monte-Carlo法产生随机的时距矩阵，给每个时距矩阵赋予随机车辆。
进一步，在步骤3)中，在进行随机车流仿真模拟时，根据实测车辆横向位置分布类型，通过对分布函数进行Monte-Cralo随机抽样，将随机抽样值作为横向位置属性赋予车辆，据此横向位置绘制车辆在结构上的位置。
进一步，在步骤1)中，在车速参数的统计时，以小类即12种车型为单位进行统计分析；在步骤3)中，在进行随机车流仿真模拟时，当具体给各车型赋予车速时，可以按照每种车型各自的车速分布类型来随机赋予车速,当某个车型的车速服从多个分布时，以具体检验时最接近的那个分布类型来代表其分布。
本发明的有益效果为：
1、本发明利用Monte-Carlo法产生随机车辆数列，然后在已有车型的基础上，给每个车辆样本赋予随机车时距，并同时赋予每个车辆的车速，横向位置，车重等属性。然后通过时间计数，确定每一个时刻车辆在桥上的位置，最后通过在时间上的连续，动态显示车辆的运行状态，从而建立基于滤过泊松过程的随机车流仿真模型，依据滤过泊松过程的原理，结合实测的车辆参数分布类型，建立随机车流仿真模型，描述车辆随机性的分布规律，精确度高,可更精细的描述车辆随机性的分布规律，更真实的反映作用于桥梁上实际车辆荷载，对于桥梁结构的疲劳分析与动力响应分析提供有力支撑。
2、本发明是结合实测的车辆参数分布类型所进行的随机车流仿真模拟，在具体给各车型赋予参数时，按照分类不同的车型各自的车时距参数、车速参数、建立车时距、车重参数、横向位置参数的分布类型来随机赋予参数，当某个车型的参数服从多个分布时，以具体检验时最接近的那个分布类型来代表其分布，进一步提高模拟的精确度。
附图说明
图1为交通荷载信息采集装置现场布局图；
图2为实测24小时车流量各车型比例图；
图3公路桥梁随机车流调查路线图；
图4为随机车流参数统计分析流程图；
图5为随机车流编制流程图；
图6为车辆运行模型流程图；
图7为车型比例图；
图8为一类车行车道横向位置对比图；
图9为二类车行车道横向位置对比图；
图10为三类车行车道横向位置对比图；
图11为四类车行车道横向位置对比图；
图12为五类车行车道横向位置对比图；
图13为一类车超车道横向位置对比图；
图14为二类车超车道横向位置对比图；
图15为三类车超车道横向位置对比图；
图16为四类车超车道横向位置对比图；
图17为五类车超车道横向位置对比图；
图18为48小时数据行车道横向位置对比图；
图19为48小时数据超车道横向位置对比图；
图20为一类车车重数据对比图；
图21为二类车车重数据对比图；
图22为三类车车重数据对比图；
图23为四类车车重数据对比图；
图24为五类车车重数据对比图；
图25为一类车车时距数据对比图；
图26为二类车车时距数据对比图；
图27为三类车车时距数据对比图；
图28为四类车车时距数据对比图；
图29为五类车车时距数据对比图；
图30为一类车车速数据对比图；
图31为二类车车速数据对比图；
图32为三类车车速数据对比图；
图33为四类车车速数据对比图；
图34为五类车车速数据对比图；
其中，1-线阵CCD相机I、2-线阵CCD相机II、3-专用摄像机、4-立柱、5-抓拍位置。
具体实施方式
为了使本发明的目的、技术方案和有益效果更加清楚，下面将结合附图和实施例，对本发明的实施例进行详细的说明，以方便技术人员理解。
实施例1：
一种基于实测数据的公路桥梁随机车流模拟方法，具体步骤如下：
1).进行公路桥梁随机车流调查，获取随机车流样本数据：
利用交通荷载信息采集装置和动态称重系统进行数据测量，全面采集断面随机车流数据信息，并通过现场人工实地调查识别出车辆的具体类型，根据交通荷载信息采集装置提供的车辆图像及视频信息对动态称重系统所记录的断面随机车流数据进行校核，获取准确可靠的实测数据作为随机车流样本数据，获取随机车流样本数据包括车型分类、车型构成比例、车流量、车道分布、车速参数、车时距参数、横向位置参数、车重参数；
2).对获取的随机车流数据进行随机车流参数分析，找出与各项实测数据最接近的分布类型及分布参数：
通过分布假设检验，针对未知的总体分布或参数，根据样本或经验提供的有关分布或参数的信息，对分布或参数提出假设，对抽取的样本进行正态、对数正态、极值Ⅰ型、威布尔及伽马五种分布类型的分布假设检验，寻找出与实测数据最接近的分布类型及分布参数，为下一步随机车流仿真方法的实现提供数据支持，并建立车时距、车重、车速和横向位置分布函数；
利用K-S检验方法对抽取的样本进行正态、对数正态、极值Ⅰ型、威布尔及伽马五种分布类型的分布假设检验，寻找出与实测分布最接近的分布类型及分布参数，其具体检验步骤如下：
对于给定样本容量为N的样本空间，假定样本点符合某一分布，此分布的分布函数为FX(x)，可以根据样本值很方便地计算出样本经验分布函数曲线呈阶梯状，而假定的分布函数曲线FX(x)为平滑曲线：
将所有样本点处FX(x)与的最大差值称为K-S检验的统计值D，在和处，D＝0；
如果对两个不同样本空间的经验分布函数的分布假设进行检验，则K-S检验的统计量观测值为：
对于给定的显著性水平α，查K-S分布临界值表得到Dn,α，比较统计量观测值D与相应临界值Dn,α：如果D≤Dn,α，则认为样本符合假定的分布；否则，认为样本拒绝假定的分布；对不服从以上任何一种假设分布的数据进行最小二乘非线性拟合的方法，寻找出与实测分布最接近的分布类型及分布参数，为下一步随机车流仿真方法的实现提供数据支持；
3).结合实测的车辆参数分布类型，进行随机车流仿真模拟，其具体步骤为：
首先，模拟车辆生成：
①.根据各车型的比例，由均匀分布随机数与实测车型比例数的区间进行比较产生下一步将要进入交通流的车辆的车型；
②.根据该车型的横向位置分布的比例，由均匀分布随机数与实测横向位置比例数的区间进行比较产生该车辆所在的行驶车道；根据实测车辆横向位置分布类型，通过对分布函数进行Monte-Cralo随机抽样，将随机抽样值作为横向位置属性赋予车辆，据此横向位置绘制车辆在结构上的位置；
③.根据其行驶的车道，调用该车道车时距的分布函数，计算出随机车时距，通过在时间数列上排序，当排序的时间间隔等于车流时距样本的时距时，该时间点就生成该辆车，在进行随机车流仿真模拟时，利用Monte-Carlo法产生随机的时距矩阵，给每个时距矩阵赋予随机车辆；
其次，生成该辆车之后，同时调用该车型的车重、车速和横向位置分布函数，随机生成各项参数，加载车辆属性，随机生成各项车辆属性参数；
最后，通过时间计数，确定每一个时刻车辆在桥上的位置，最后通过在时间上的连续，动态显示车辆的运行状态，从而建立基于滤过泊松过程的随机车流仿真模型。
进一步，在步骤1)中，在车速参数的统计时，以小类即12种车型为单位进行统计分析；在步骤3)中，在进行随机车流仿真模拟时，当具体给各车型赋予车速时，可以按照每种车型各自的车速分布类型来随机赋予车速,当某个车型的车速服从多个分布时，以具体检验时最接近的那个分布类型来代表其分布。
实施例2：
通过对连霍高速48小时随机车流仿真的计算与实测数据的对比验证本随机车流仿真方法的有效性及准确性。验证方法采用对随机抽取的采样数据进行统计分析，验证其分布规律、分布类型是否与调查统计数据相一致。
公路桥梁随机车流的调查分析：
进行公路桥梁随机车流调查，获取随机车流样本数据：
利用交通荷载信息采集装置和动态称重系统进行数据测量，全面采集断面随机车流数据信息，并通过现场人工实地调查识别出车辆的具体类型，根据交通荷载信息采集装置提供的车辆图像及视频信息对动态称重系统所记录的断面随机车流数据进行校核，剔除不良数据，获取准确可靠的实测数据作为随机车流样本数据
随机车流参数分析：
(1)车型分类
交通流的基本元素是车辆，随机车流统计分析的第一步是车型分类。根据高速公路管理部门车型划分标准，结合车辆类型实际调查情况将车辆划分为客车、货车两大类，共9小类。
在做现场车辆调查时发现总共有26种不同车型，在高速公路管理部门车型划分标准基础上，结合车辆轴数、轮数、轴距、轴重、车重等数据，将高速公路车辆荷载划分为如表1所示的五大类，12小类。
表1高速公路车流调查车型分类
本次两天48小时的随机车流交通流调查共采集到11300辆的车流数据，将实测车流数据按本文的车型分类进行分类统计，其中一类车5822辆，占总流量的51.5％，二类车1096辆，占总流量的9.7％，三类车1330辆，占总流量的11.8％，四类型车1250辆，占总流量的11.1％，五类车1802辆，占总流量的15.9％，如图2所示。
(2)车时距参数分析
在正常的车流中，车时距是随着时间一直在变动的，准确地找到其分布规律，对于进行随机车流的高真实度仿真具有重要的意义。
本次车时距统计以超车道、行车道为基准，根据现场随机车流调查记录每辆车的到达时间，车道位置、通过摄像机采集，然后在整理所得车辆到达时间的基础上，根据车速等随机车流参数，分析各车型在两天48小时各车道车时距的统计规律和参数。利用K-S检验法对车时距进行拟合检验。K-S检验方法的原理如下：K-S检验方法是一种分布假设检验方法。概率分布的假设检验，也叫分布优度拟合检验，目的是通过样本对未知的总体分布或参数作出合理的判断。假设检验的原理是，针对未知的总体分布或参数，根据样本或经验提供的有关分布或参数的信息，对分布或参数提出假设H0，然后根据样本建立适当的统计量，在一定的置信度下，判断提出的假设H0是否为真，如果为真就接受假设，否则就拒绝该假设。
表2车辆行车道车时距分布类型K-S检验参数表(显著性水平0.01)
由表2可以看出在显著性水平0.01下全天车辆行车道车时距可以通过威布尔分布的K-S检验，可以认为全天车辆行车道车时距分布服从威布尔分布类型。
表3车辆超车道车时距分布类型K-S检验参数表(显著性水平0.01)
由表3可以看出在显著性水平0.01下全天车辆超车道车时距可以通过威布尔和伽马分布的K-S检验，可以认为全天车辆超车道车时距分布服从威布尔分布和伽马分布类型。通过以上统计，我们就可以得出各车型在不同车道的车时距分布，为后续的车流模拟做基础。
(3)车速参数分析
车速对桥梁结构的动力分析有着巨大的影响，本次调查采用超声波测速仪对断面车辆车速信息进行调查。
在调查中发现，同一类车内不同车型由于运输性质以及发动机性能的不同，车速差异较大。为了精确获得随机车流车速样本，在车速调查时，将不再以类进行统计，而是以小类，即12种车型为单位进行统计分析。
通过对车速分布统计分析可知各车型车速分布多服从正态分布，对不能通过五种假设分布类型K-S检验的车型对其进行的非线性拟合后发现，近似的分布与实测的分布拟合度较好，可以用拟合出的分布类型近似的替代该车型车速类型，汇总统计结果如表4所示。
表4十二种车型车速分布统计表
| 分布类型 | |
| V1 | 正态 |
| V2 | 正态，威布尔 |
| V3 | 正态 |
| V4 | 正态，对数正态，伽马 |
| V5 | 正态，对数正态，极值I型，威布尔，伽马 |
| V6 | 正态 |
| V7 | 正态，对数正态，极值I型，威布尔，伽马 |
| V8 | 正态，对数正态，极值I型，威布尔，伽马 |
| V9 | 正态，威布尔，伽马 |
| V10 | 正态 |
| V11 | 正态，极值I型，威布尔 |
| V12 | 正态，对数正态，伽马 |
具体给各车型赋予车速时，可以按照每种车型各自的车速分布类型来随机赋予车速；当某个车型的车速服从多个分布时，以具体检验时最接近的那个分布类型来代表其分布。
(4)车重参数分析
针对实测桥梁动态测试仪数据，利用车桥耦合算法可对每辆车的实际车重进行了识别，对车重参数进行分析时，以五大类为基础。以下为识别出的各车型车重的分布统计分析。
表5五类车车重分布统计表
| 行车道 | 超车道 | |
| 一类车 | 对数正态 | 对数正态 |
| 二类车 | 对数正态，伽马 | 对数正态 |
| 三类车 | 对数正态 | 正态，对数正态，伽马 |
| 四类车 | 对数正态 | 正态，对数正态，伽马 |
| 五类车 | 对数正态 | 极值I型，威布尔 |
(5)横向位置参数分析
过往车辆所行驶横向位置的不同对桥梁结构受力影响显著，所以在随机车流调查分析中对车辆行驶车道参数也进行了分类统计分析，横向位置以五大类为基础进行统计。
表6各车型两天48小时车道分配比例表
表7五类车横向位置分布统计表
| 行车道 | 超车道 | |
| 一类车 | 威布尔 | 威布尔 |
| 二类车 | 威布尔 | 伽马 |
| 三类车 | 威布尔 | 威布尔，伽马 |
| 四类车 | 威布尔 | 正态，对数正态，威布尔，伽马 |
| 五类车 | 威布尔 | 威布尔 |
模拟车辆生成：
①.根据各车型的比例，由均匀分布随机数与实测车型比例数的区间进行比较产生下一步将要进入交通流的车辆的车型；
②.根据该车型的横向位置分布的比例，由均匀分布随机数与实测横向位置比例数的区间进行比较产生该车辆所在的行驶车道；
③.根据其行驶的车道，调用该车道车时距的分布函数，计算出随机车时距，通过在时间数列上排序，当排列数的时间间隔等于车流时距样本的时距时，该时刻就生成该辆车；
其次，生成该辆车之后，同时调用该车型的车重、车速和横向位置分布函数，随机生成各项参数，加载车辆属性，随机生成各项车辆属性参数；
最后，通过时间计数，确定每一个时刻车辆在桥上的位置，最后通过在时间上的连续，动态显示车辆的运行状态，从而建立基于滤过泊松过程的随机车流仿真模型。
实施例3：仿真结果验证
车型及横向位置计算对比
由图7可以清楚的看出本程序随机产生的车型比例与交通量调查统计数据基本相符。
由图8-19，可以看到采用大类别车型进行分车型方法验证，规律性非常明显，可以反映交通流基本参数的统计特征。
由方法计算的到的结果与实测车辆横向位置对比，可以明显看出本方法的模拟结果可以较好的体现车辆实际横向位置分布的形式，拟合程度较高。
车重数据计算对比
由图20-24，可以看出轻型车辆，客车的方法拟合度非常好，随着车型的加大，实测数据体现出了多峰分布的特点，本文用近似的对数正态函数拟合结果基本上可以模拟各类车型的车重分布。
车头时距数据计算对比
通过图25-30，可以看出方法随机模拟产生的车辆时距分布与实测车辆时距分布拟合情况较好，验证了本方法的有效性与准确性。
车速数据计算对比
通过图28～31，可以看出方法随机模拟产生的车速分布与实测车速分布基本一致，可以比较好的模拟随机车辆的车速。
本发明利用Monte-Carlo法产生随机车辆数列，然后在已有车型的基础上，给每个车辆样本赋予随机车时距，并同时赋予每个车辆的车速，横向位置，车重等属性。然后通过时间计数，确定每一个时刻车辆在桥上的位置，最后通过在时间上的连续，动态显示车辆的运行状态，从而建立基于滤过泊松过程的随机车流仿真模型，依据滤过泊松过程的原理，结合实测的车辆参数分布类型，建立随机车流仿真模型，描述车辆随机性的分布规律，精确度高,可更精细的描述车辆随机性的分布规律，更真实的反映作用于桥梁上实际车辆荷载，对于桥梁结构的疲劳分析与动力响应分析提供有力支撑。
需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于实测数据的公路桥梁随机车流模拟方法，其特征在于：所述的公路桥梁随机车流模拟方法的具体步骤如下：
1)进行公路桥梁随机车流调查，获取随机车流样本数据：
利用交通荷载信息采集装置和动态称重系统进行数据测量，全面采集断面随机车流数据信息，并通过现场人工实地调查识别出车辆的具体类型，根据交通荷载信息采集装置提供的车辆图像及视频信息对动态称重系统所记录的断面随机车流数据进行校核，获取准确可靠的实测数据作为随机车流样本数据，获取随机车流样本数据包括车型分类、车型构成比例、车流量、车道分布、车速参数、车时距参数、横向位置参数、车重参数、车质量参数；
2)对获取的断面随机车流数据进行随机车流参数分析，找出与各项实测数据最接近的分布类型及分布参数：
通过分布假设检验，针对未知的总体分布或参数，根据样本或经验提供的有关分布或参数的信息，对分布或参数提出假设，对抽取的样本进行正态、对数正态、极值Ⅰ型、威布尔及伽马五种分布类型的分布假设检验，寻找出与实测数据最接近的分布类型及分布参数，为下一步随机车流仿真方法的实现提供数据支持，并建立车时距、车重、车速和横向位置分布函数；利用K-S检验方法对抽取的样本进行正态、对数正态、极值Ⅰ型、威布尔及伽马五种分布类型的分布假设检验，寻找出与实测分布最接近的分布类型及分布参数，其具体检验步骤如下：
对于给定样本容量为N的样本空间，假定样本点符合某一分布，此分布的分布函数为FX(x)，可以根据样本值很方便地计算出样本经验分布函数曲线呈阶梯状，而假定的分布函数曲线FX(x)为平滑曲线：
将所有样本点处FX(x)与的最大差值称为K-S检验的统计值D，在与处，D＝0；
如果对两个不同样本空间的经验分布函数的分布假设进行检验，则K-S检验的统计量观测值为：
对于给定的显著性水平，查K-S分布临界值表得到Dn，α，比较统计量观测值D与相应临界值Dn，α：如果D≤Dn，α，则认为样本符合假定的分布；否则，认为样本拒绝假定的分布；对不服从以上任何一种假设分布的数据进行最小二乘非线性拟合的方法，寻找出与实测分布最接近的分布类型及分布参数，为下一步随机车流仿真方法的实现提供数据支持。
3)结合实测的车辆参数分布类型，进行随机车流仿真模拟，其具体步骤为：
首先，模拟车辆生成：
①根据各车型的比例，由均匀分布随机数与实测车型比例数的区间进行比较产生下一步将要进入交通流的车辆的车型；
②根据该车型的横向位置分布的比例，由均匀分布随机数与实测横向位置比例数的区间进行比较产生该车辆所在的行驶车道；
③根据其行驶的车道，调用该车道车时距的分布函数，计算出随机车时距，通过在时间数列上排序，当排列数的时间间隔等于车流时距样本的时距时，该时间点就生成该辆车；
其次，生成该辆车之后，同时调用该车型的车重、车速和横向位置分布函数，随机生成各项参数，加载车辆属性，随机生成各项车辆属性参数；
最后，通过时间计数，确定每一个时刻车辆在桥上的位置，最后通过在时间上的连续，动态显示车辆的运行状态，从而建立基于滤过泊松过程的随机车流仿真模型。
2.根据权利要求1所述的一种基于实测数据的公路桥梁随机车流模拟方法其特征在于：在步骤3)中，在进行随机车流仿真模拟时，利用Monte-Carlo法产生随机的时距矩阵，给每个时距矩阵赋予随机车辆。
3.根据权利要求1所述的一种基于实测数据的公路桥梁随机车流模拟方法其特征在于：在步骤3)中，在进行随机车流仿真模拟时，根据实测车辆横向位置分布类型，通过对分布函数进行Monte-Cralo随机抽样，将随机抽样值作为横向位置属性赋予车辆，据此横向位置绘制车辆在结构上的位置。
4.根据权利要求1所述的一种基于实测数据的公路桥梁随机车流模拟方法其特征在于：在步骤1)中，在车速参数的统计时，以小类即12种车型为单位进行统计分析；在步骤3)中，在进行随机车流仿真模拟时，当具体给各车型赋予车速时，可以按照每种车型各自的车速分布类型来随机赋予车速,当某个车型的车速服从多个分布时，以具体检验时最接近的那个分布类型来代表其分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510075950.5A CN104933284B (zh) | 2015-02-12 | 2015-02-12 | 一种基于实测数据的公路桥梁随机车流模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510075950.5A CN104933284B (zh) | 2015-02-12 | 2015-02-12 | 一种基于实测数据的公路桥梁随机车流模拟方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104933284A CN104933284A (zh) | 2015-09-23 |
| CN104933284B true CN104933284B (zh) | 2016-07-06 |
Family
ID=54120450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510075950.5A Expired - Fee Related CN104933284B (zh) | 2015-02-12 | 2015-02-12 | 一种基于实测数据的公路桥梁随机车流模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104933284B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI596579B (zh) * | 2016-05-18 | 2017-08-21 | Chunghwa Telecom Co Ltd | Urban traffic simulation analysis system and method |
| CN107273605B (zh) * | 2017-06-12 | 2020-05-22 | 扬州大学 | 基于多重分类器系统的实测轴载谱确定方法 |
| CN107480353B (zh) * | 2017-07-28 | 2021-07-27 | 武汉理工大学 | 基于不同时段随机车流的双层悬索桥疲劳性能评估方法 |
| CN110211386B (zh) * | 2019-05-22 | 2021-03-23 | 东南大学 | 一种基于非参数检验的高速公路车型分类方法 |
| CN113312744B (zh) * | 2021-04-08 | 2022-11-18 | 同济大学 | 一种车辆荷载预测方法和系统 |
| CN114580176B (zh) * | 2022-03-08 | 2022-09-30 | 哈尔滨工业大学 | 一种基于多维特征聚类的汽车荷载智能化重构方法 |
| CN114708730B (zh) * | 2022-04-01 | 2023-06-13 | 广州大学 | 桥面车流时空分布重构随机车流虚实混合模拟方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102384856A (zh) * | 2011-08-15 | 2012-03-21 | 东南大学 | 基于概率有限元法的钢桥疲劳可靠度评估方法 |
| CN103164577A (zh) * | 2013-03-12 | 2013-06-19 | 天津市市政工程设计研究院 | 确定港口桥梁汽车车辆荷载计算图式的方法 |
| CN103593678A (zh) * | 2013-10-16 | 2014-02-19 | 长安大学 | 一种大跨度桥梁车辆动态荷载分布检测方法 |
-
2015
- 2015-02-12 CN CN201510075950.5A patent/CN104933284B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102384856A (zh) * | 2011-08-15 | 2012-03-21 | 东南大学 | 基于概率有限元法的钢桥疲劳可靠度评估方法 |
| CN103164577A (zh) * | 2013-03-12 | 2013-06-19 | 天津市市政工程设计研究院 | 确定港口桥梁汽车车辆荷载计算图式的方法 |
| CN103593678A (zh) * | 2013-10-16 | 2014-02-19 | 长安大学 | 一种大跨度桥梁车辆动态荷载分布检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104933284A (zh) | 2015-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104850676B (zh) | 一种公路桥梁随机车流仿真模拟方法 | |
| CN104933284B (zh) | 一种基于实测数据的公路桥梁随机车流模拟方法 | |
| CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
| Sun et al. | Modeling carbon emissions from urban traffic system using mobile monitoring | |
| CN104164829B (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统 | |
| CN104732013B (zh) | 一种单车通过多梁式桥梁的车辆荷载识别方法 | |
| Wang et al. | Study of the factors affecting road roughness measurement using smartphones | |
| CN104792937A (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
| CN105547711A (zh) | 基于道路模拟台架的摩托车加速疲劳耐久试验方法 | |
| CN106649709B (zh) | 一种基于数据挖掘的车辆停留行为模式预测与评估方法 | |
| CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
| CN105869402B (zh) | 基于多类型浮动车数据的高速公路路段速度修正方法 | |
| CN111460551A (zh) | 二维车辆超限荷载谱的模拟、分级和编制方法 | |
| CN107957259A (zh) | 轮迹横向分布测量系统及测量方法 | |
| CN102800198A (zh) | 高速公路断面交通流量的测算方法 | |
| CN108804814A (zh) | 一种提取路面谱参数的方法 | |
| CN111667688A (zh) | 一种基于路面振动信号的综合交通信息解析方法及系统 | |
| CN105527110A (zh) | 汽车燃油经济性的评估方法和装置 | |
| Kyriakou et al. | Roadway pavement anomaly classification utilizing smartphones and artificial intelligence | |
| Zeng et al. | Identifying deficient pavement sections by means of an improved acceleration-based metric | |
| Wood et al. | EPA GHG certification of medium-and heavy-duty vehicles: Development of road grade profiles representative of US controlled access highways | |
| CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
| CN110867075A (zh) | 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法 | |
| CN114023065A (zh) | 一种利用视频解析数据智能诊断路口服务等级的算法 | |
| Chauhan et al. | Development of candidate driving cycles for an urban arterial corridor of Vadodara city |
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: 20160706 Termination date: 20170212 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |