CN105702031B - 基于宏观基本图的路网关键路段识别方法 - Google Patents
基于宏观基本图的路网关键路段识别方法 Download PDFInfo
- Publication number
- CN105702031B CN105702031B CN201610130293.4A CN201610130293A CN105702031B CN 105702031 B CN105702031 B CN 105702031B CN 201610130293 A CN201610130293 A CN 201610130293A CN 105702031 B CN105702031 B CN 105702031B
- Authority
- CN
- China
- Prior art keywords
- msub
- road network
- mrow
- msup
- traffic flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 4
- 238000000205 computational method Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于宏观基本图的路网关键路段识别方法，包括1、获取城市路网A每条路段的交通流量、平均速度、时间占有率数据；2、计算路网每一个采集周期内的加权流量和非加权密度；3、取样本集合；4、绘制宏观基本图散点图；5、计算获得该路网MFD的临界加权交通流量；6、任意删除某一路段，计算去除该路段后路网A(‑i)的MFD临界加权交通流量及其与路网A的MFD临界加权交通流量的浮动值；7、采用聚类分析法对进行分类，提取阈值r和关键路段。本发明方法改善了从路网静态拓扑结构识别重点路段，与路网交通流动态特性不符合的缺陷，更贴合城市路网交通流变化特点，确保其计算数据的高可靠性。
Description
技术领域
本发明属于城市路网重点路段识别与管控领域，具体涉及一种基于宏观基本图的路网关键路段识别方法。
背景技术
交通拥堵是有限的交通供给与不断增长的交通需求之间的矛盾，随着机动车保有量快速增长，交通拥堵从单个路段拥堵逐渐演变为整体路网拥堵，城市交通环境日益恶化，成为世界性难题。为了避免城市路网出现整体交通拥堵，亟需找出对路网交通状态有重要影响的关键路段，通过对关键路段进行优化控制，疏导和平衡路网中的交通流，降低路网的拥堵程度，缓解路网交通拥堵状态。目前，识别路网中关键路段的方法主要从路网的静态拓扑结构中识别对路网结构有重要作用的重点路段。然而，实际问题在于：路网结构是静态的，而路网交通状态却是动态变化的。对路网结构有重要作用的重点路段不一定是对路网交通状态有重要影响的关键路段。因此，在实际交通管理中，通过路网静态拓扑结构找到的重要路段，并不能成为疏导路网交通拥堵的关键。如何寻求一种客观化的路网关键路段识别方法，能够在贴合当前城市路网实际动态变化路况的同时，确保其计算数据的高针对性和准确性，从而能够为交通管理者识别重点路段，管控路网交通拥堵状态提供精准依据，以在交通拥堵来临前实施关键路段的优化控制策略，最终保障城市路网的交通畅通性，为本领域技术人员近年来所亟待解决的技术难题。
发明内容
本发明的目的为克服上述现有技术的不足，提供一种更为精确客观的基于宏观基本图的路网关键路段识别方法。本方法可在贴合当前城市路网实际动态变化路况的同时，确保其计算数据的高针对性和准确性需求，从而能够为交通管理者识别重点路段，管控路网交通拥堵状态提供精准依据，进而可在交通拥堵来临前实施关键路段的优化控制策略，以最终保障城市路网的交通畅通性。
一种基于宏观基本图的路网关键路段识别方法，包括以下步骤：
1)、在路网中每个路段中间部署微波雷达检测器，获取每个路段上的微波雷达检测器的设备数据，该数据至少包括路段交通流量、平均车速和时间占有率数据；
2)、确定一个采集周期，根据每条路段的交通流量、平均车速和时间占有率数据，计算路网A每一个采集周期内的加权交通流量和非加权密度，计算公式如下：
其中，qw是路网A每个采集周期对应的加权交通流量；ku是路网A每个采集周期对应的非加权密度；qi，ki，oi为i路段的流量、密度和时间占有率；li是路段i的长度；s是车辆空间平均有效长度；
3)、取一天之内路网A所有采集周期所对应的加权交通流量和非加权密度作为样本集合，记为：
Q＝{(qw,ku)|qw＝qw 1,qw 2......qw n；ku＝ku 1,ku 2......ku n}
4)、根据样本集合中的加权交通流量和非加权密度数据，绘制宏观基本图的散点图；
采用回归方程拟合宏观基本图加权交通流量-飞加权密度曲线，确定回归系数，计算路网A的临界加权交通流量qw 0；
5)、设宏观基本图回归方程为qw＝β0+β1(ku)2+β2ku+ε，根据样本集合中的加权交通流量和非加权密度数据，将其录入回归方程计算模型，获得路网A的MFD回归系数β0、β1、β2和统计误差ε；
将宏观基本图回归方程转化为下式：
当取为0值时，反推qw值，得到路网A的MFD曲线顶点对应的临界加权交通流量值，计算公式如下：
其中，qw 0是路网A的MFD曲线顶点对应的临界加权交通流量；β0、β1、β2是路网A的MFD回归系数；
6)、任意删除某一路段i，计算去除该路段后路网A(-i)的MFD每一个采集周期内的加权交通流量和非加权密度，计算公式如下：
其中，q(-i) w是路网A(-i)每个采集周期对应的加权交通流量；k(-i) u代表路网A(-i)每个采集周期对应的非加权密度；qj，kj，oj为路网A(-i)中j路段的流量、密度和时间占有率；lj是路段j的长度；
根据路网A(-i)样本集合中的加权交通流量和非加权密度数据，绘制路网A(-i)的宏观基本图的散点图，以宏观基本图回归方程q(-i) w＝β0′+β1′(k(-i) u)2+β2′k(-i) u+ε′，计算路网A(-i)的MFD曲线顶点对应的临界加权交通流量值，计算公式如下：
其中，qw i0′是路网A(-i)的MFD曲线顶点对应的临界加权交通流量；β0′、β1′、β2′是路网A(-i)的MFD回归系数；
比较初始路网A和去除路段i后的路网A(-i)之间加权交通流量的浮动情况，记为浮动值Δqi，若Δqi大于等于阈值r，则路段i是路网关键路段，浮动值Δqi的计算方法如下：
Δqi＝|qw 0-qw i0'|
7)、采用K均值聚类分析法对{Δqi}进行分类，提取阈值r和关键路段。
本发明的优点在于：
(1)改善了传统的单纯依靠路网静态拓扑结构识别重要路段，不能不能直观贴合当前路网的动态交通特性需求等缺陷。本发明以宏观基本图的方式，通过回归方程模型计算，依靠路网加权交通流量和非加权密度的动态关系，完整呈现路网交通状态动态变化曲线，直观而针对性的精确反映了“当前路网”的交通动态特性。本方法利用路段上微波雷达检测器来点对点的采集数据，精确化的获得绘制宏观基本图散点图的样本集合，采用回归分析方法拟合初始路网A和去除路段i后的路网A(-i)的宏观基本图，进而计算获得路网A和路网A(-i)的临界加权交通流量。本发明通过比较路网A(-i)与路网A的临界加权交通流量浮动值，实现了动态客观判断路段i对路网整体交通状态的影响程度，其适应性和管理针对性显然更强。通过对浮动值进行K均值聚类分析，有效的改进了传统的静态判定和经验判定路网关键路段的不足，其方法精细化程度和高，运行可靠而稳定；
(2)本发明依靠贴合动态交通数据的点对点计算过程，最终识别对路网交通拥堵状态具有重要影响的关键路段。识别关键路段后，一旦路网出现交通拥堵的趋势，则交通管理者即可优先针对关键路段进行优化控制，疏散和平衡路网交通流；并判断在什么时刻安排警力，以进一步合理地干预城市路网的交通管理。通过上述操作手段，最终为交通管理部门提前预警和疏导路网交通拥堵提供决策支持技术。
附图说明
图1为本发明的方法流程示意图；
图2为在路网MFD曲线下的临界加权交通流量qw 0和非加权密度ku 0的位置关系图；
图3为实施例1中，样本数据的24小时路网MFD散点图和拟合曲线图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种基于宏观基本图的路网关键路段识别方法，流程如图1所示，包括以下步骤：
1)、在路网中每个路段中间部署微波雷达检测器，获取每个路段上的微波雷达检测器的设备数据，该数据至少包括路段交通流量、平均车速和时间占有率数据；
2)、确定一个采集周期，根据每条路段的交通流量、平均车速和时间占有率数据，计算路网A每一个采集周期内的加权交通流量和非加权密度，计算公式如下：
其中，qw是路网A每个采集周期对应的加权交通流量；ku是路网A每个采集周期对应的非加权密度；qi，ki，oi为i路段的流量、密度和时间占有率；li是路段i的长度，单位km；s是车辆空间平均有效长度，一般取5.5m；
3)、取一天之内路网A所有采集周期所对应的加权交通流量和非加权密度作为样本集合，记为：
Q＝{(qw,ku)|qw＝qw 1,qw 2......qw n；ku＝ku 1,ku 2......ku n}，
其中，qw代表路网A每个采集周期对应的加权交通流量pcu/h；ku代表路网A每个采集周期对应的非加权密度，单位pcu/km；
4)、根据样本集合中的加权交通流量和非加权密度数据，绘制宏观基本图(MFD)的散点图；
采用回归方程拟合宏观基本图加权交通流量-飞加权密度曲线，确定回归系数，计算路网A的临界加权交通流量qw 0。其中，回归系数及曲线拟合过程，采用常规数学领域的回归方程模型进行数据录入及拟合计算即可，此处就不再赘述。
5)、设宏观基本图回归方程为qw＝β0+β1(ku)2+β2ku+ε，根据样本集合中的加权交通流量和非加权密度数据，将其录入回归方程计算模型，获得路网A的MFD回归系数β0、β1、β2和统计误差ε；
根据回归曲线的数学意义，曲线顶点对应的值即是最大临界加权交通流量和临界非加权密度值。此处的最大临界加权交通流量对应路网A拥堵的临界加权交通流量，即路网拥堵的临界值。为便于计算临界加权交通流量，将宏观基本图回归方程转化为下式：
当取为0值时，反推qw值，即可得到路网A的MFD曲线顶点对应的临界加权交通流量值，计算公式如下：
其中，qw 0是路网A的MFD曲线顶点对应的临界加权交通流量；β0、β1、β2是路网A的MFD回归系数。
6)、任意删除某一路段i，计算去除该路段后路网A(-i)的MFD每一个采集周期内的加权交通流量和非加权密度，计算公式如下：
其中，q(-i) w是路网A(-i)每个采集周期对应的加权交通流量pcu/h；k(-i) u代表路网A(-i)每个采集周期对应的非加权密度，单位pcu/km；qj，kj，oj为路网A(-i)中j路段的流量、密度和时间占有率；lj是路段j的长度，单位km。
根据路网A(-i)样本集合中的加权交通流量和非加权密度数据，绘制路网A(-i)的宏观基本图(MFD)的散点图，以宏观基本图回归方程q(-i) w＝β0′+β1′(k(-i) u)2+β2′k(-i) u+ε′，计算路网A(-i)的MFD曲线顶点对应的临界加权交通流量值，计算公式如下：
其中，qw i0′是路网A(-i)的MFD曲线顶点对应的临界加权交通流量；β0′、β1′、β2′是路网A(-i)的MFD回归系数。
比较初始路网A和去除路段i后的路网A(-i)之间加权交通流量的浮动情况，将这个差异记为浮动值Δqi，若Δqi大于等于一定的阈值r，说明路段i对路网A的拥堵临界值影响较大，即路段i是对路网动态交通具有重要影响的关键路段，浮动值Δqi的计算方法如下：
Δqi＝|qw 0-qw i0'|
7)、采用常用的数理统计方法—K均值聚类分析法对{Δqi}进行分类，提取阈值r和关键路段。其中，类的数量根据实际交通管理灵活设定，K均值聚类分析计算过程可以采用专业的统计分析软件完成，如SPSS软件。
所述步骤1)中，微波雷达检测器的设备数据还包括当前设备编号数据、所处位置编号数据以及当前所处的交通道路路段名称ID数据。
所述步骤2)中，一个采集周期为一小时；交通流量是每一小时内该交通道路路段通过的所有当量的小汽车总数，车辆平均车速是采集周期内所有车辆行驶速度的平均值，时间占有率是采集周期内全部车辆通过检测器断面所需时间的累计值与观测时间的比值。
所述步骤7)中，K均值聚类分析计算过程可以采用专业的统计分析软件完成，如SPSS软件。
由于上述计算过程，数据取材乃至计算方式均客观的取自当前的路网中每条路段的动态交通数据，因此本方法具备极强的贴合路网动态交通特性的点对点的针对性和适应性。实际操作时，交通管理者通过汇总各路段的信息数据和经过计算得到的路网关键路段信息，即可针对性的进行交通管理布置。简言之，当路网逐渐拥堵时，交通管理者可优先针对关键路段进行优化控制，疏散和平衡路网交通流，；并判断在什么时刻安排警力，以进一步合理地干预城市路网的交通管理。通过上述操作手段，最终为交通管理部门提前预警和疏导路网交通拥堵提供决策支持技术。
实施例：
1)、选择一个路网A(共35条路段)，在路网A中的每个路段的中间位置设置微波雷达检测器，获取每个微波雷达检测器的交通流量、平均车速和占有率数据，如下：
(2427,34,0.39),(2789,31,0.45),…(4230,26,0.89),…(2638,34,0.43)；
统计周期为1小时，得到一天中获取的数据共840组。
2)、根据路网中每个路段一个采集周期(也即1h)内的交通流量和时间占有率和路段长度，计算路网A的加权交通流量和非加权密度数据如下：
(1893,67),(2473,79),…(3649,117),…(4131,166)；
统计周期为1小时，得到一天中获取的数据共24对。
3)、取一天之内所有采集周期路网所对应的加权交通流量和非加权密度作为样本集合，如下：
Q＝{(qw,ku)|qw＝1893,2473,3694,......4143；ku＝67,79,117,......166}
4)、根据样本集合中的加权交通流量和非加权密度数据，绘制交通基本图的散点图，并通过回归方程拟合，如图3所示；其中图3的X轴为24h内的每一个采集周期内路网A的非加权密度，Y轴为24h内的对应X轴每一个采集周期内的各加权交通流量。
5)如图3所示，根据路网A样本集合中的加权交通流量和非加权密度数据，以数学回归方程模型，计算回归系数β0、β1、β2和误差ε，获得下式：
qw＝-675.95-0.119(kw)2+49.197kw+ε
计算临界加权交通流量，如下：
6)、任意删除某一路段i，计算去除该路段后路网A(-i)的MFD每一个采集周期内的加权交通流量和非加权密度，绘制路网A(-i)的宏观基本图，采用回归方程拟合路网A(-i)宏观基本图加权交通流量-飞加权密度曲线，计算路网A(-i)的临界加权交通流量qw i0'，如下：
{qw i0'＝3308,3718,3778,......4118}
计算路网A和路网A(-i)的临界加权交通流量浮动值Δqi，如下：
{Δqi＝1100,690,630,......290}
7)、采用SPSS统计分析软件中的K均值聚类分析法对{Δqi}进行分类，类数设定为3，提取阈值r＝490，对应的路网关键路段为为6条。
根据路网关键路段的识别结果，可知样本路网对交通状态有重要影响的关键路段编号及位置，交通管理部门根据管理需求，可以优先部署相关优化控制策略及交通组织措施，缓解路网整体拥堵，包场路网交通畅通。
Claims (3)
1.一种基于宏观基本图的路网关键路段识别方法，包括以下步骤：
1)、在路网中每个路段中间部署微波雷达检测器，获取每个路段上的微波雷达检测器的设备数据，该数据至少包括路段交通流量、平均车速和时间占有率数据；
2)、确定一个采集周期，根据每条路段的交通流量、平均车速和时间占有率数据，计算路网A每一个采集周期内的加权交通流量和非加权密度，计算公式如下：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mi>q</mi>
<mi>w</mi>
</msup>
<mo>=</mo>
<mstyle>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mrow>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
</mrow>
</mstyle>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>k</mi>
<mi>u</mi>
</msup>
<mo>=</mo>
<mstyle>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mrow>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
</mrow>
</mstyle>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>o</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<mi>s</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，qw是路网A每个采集周期对应的加权交通流量；ku是路网A每个采集周期对应的非加权密度；qi，ki，oi为i路段的流量、密度和时间占有率；li是路段i的长度；s是车辆空间平均有效长度；
3)、取一天之内路网A所有采集周期所对应的加权交通流量和非加权密度作为样本集合，记为：
Q＝{(qw,ku)|qw＝qw 1,qw 2......qw n；ku＝ku 1,ku 2......ku n}
4)、根据样本集合中的加权交通流量和非加权密度数据，绘制宏观基本图的散点图；
采用回归方程拟合宏观基本图加权交通流量-非加权密度曲线，确定回归系数，计算路网A的临界加权交通流量qw 0；
设宏观基本图回归方程为qw＝β0+β1(ku)2+β2ku+ε，根据样本集合中的加权交通流量和非加权密度数据，将其录入回归方程计算模型，获得路网A的MFD回归系数β0、β1、β2和统计误差ε；
将宏观基本图回归方程转化为下式：
<mrow>
<msup>
<mi>q</mi>
<mi>w</mi>
</msup>
<mo>=</mo>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mi>u</mi>
</msup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
<mrow>
<mn>2</mn>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>4</mn>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
当取为0值时，反推qw值，得到路网A的MFD曲线顶点对应的临界加权交通流量值，计算公式如下：
<mrow>
<msub>
<msup>
<mi>q</mi>
<mi>w</mi>
</msup>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>4</mn>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>4</mn>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中，qw 0是路网A的MFD曲线顶点对应的临界加权交通流量；β0、β1、β2是路网A的MFD回归系数；
5)、任意删除某一路段i，计算去除该路段后路网A(-i)的MFD每一个采集周期内的加权交通流量和非加权密度，计算公式如下：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<msub>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mi>w</mi>
</msup>
<mo>=</mo>
<mo>(</mo>
<mstyle>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mrow>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
</mrow>
</mstyle>
<mo>-</mo>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mstyle>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
</mstyle>
<mo>-</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<msub>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mi>u</mi>
</msup>
<mo>=</mo>
<mo>(</mo>
<mstyle>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>k</mi>
<mi>j</mi>
</msub>
</mstyle>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mstyle>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
</mstyle>
<mo>-</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>k</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>o</mi>
<mi>j</mi>
</msub>
<mo>/</mo>
<mi>s</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，q(-i) w是路网A(-i)每个采集周期对应的加权交通流量；k(-i) u代表路网A(-i)每个采集周期对应的非加权密度；qj，kj，oj为路网A(-i)中j路段的流量、密度和时间占有率；lj是路段j的长度；
根据路网A(-i)样本集合中的加权交通流量和非加权密度数据，绘制路网A(-i)的宏观基本图的散点图，以宏观基本图回归方程q(-i) w＝β0′+β1′(k(-i) u)2+β2′k(-i) u+ε′，计算路网A(-i)的MFD曲线顶点对应的临界加权交通流量值，计算公式如下：
<mrow>
<msup>
<mi>q</mi>
<mi>w</mi>
</msup>
<msup>
<msub>
<mrow></mrow>
<mrow>
<mi>i</mi>
<mn>0</mn>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mn>4</mn>
<msup>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>&prime;</mo>
</msup>
<msup>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
<mrow>
<mn>4</mn>
<msup>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
</mrow>
其中，qw i0′是路网A(-i)的MFD曲线顶点对应的临界加权交通流量；β0′、β1′、β2′是路网A(-i)的MFD回归系数；
比较初始路网A和去除路段i后的路网A(-i)之间加权交通流量的浮动情况，记为浮动值Δqi，若Δqi大于等于阈值r，则路段i是路网关键路段，浮动值Δqi的计算方法如下：
Δqi＝|qw 0-qw i0'|
6)、采用K均值聚类分析法对{Δqi}进行分类，提取阈值r和关键路段。
2.根据权利要求1所述的一种基于宏观基本图的路网关键路段识别方法，所述步骤1)中，微波雷达检测器的设备数据还包括当前设备编号数据、所处位置编号数据以及当前所处的交通道路路段名称ID数据。
3.根据权利要求1所述的一种基于宏观基本图的路网关键路段识别方法，所述步骤2)中，一个采集周期为一小时；交通流量是每一小时内该交通道路路段通过的所有当量的小汽车总数，车辆平均车速是采集周期内所有车辆行驶速度的平均值，时间占有率是采集周期内全部车辆通过检测器断面所需时间的累计值与观测时间的比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610130293.4A CN105702031B (zh) | 2016-03-08 | 2016-03-08 | 基于宏观基本图的路网关键路段识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610130293.4A CN105702031B (zh) | 2016-03-08 | 2016-03-08 | 基于宏观基本图的路网关键路段识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105702031A CN105702031A (zh) | 2016-06-22 |
| CN105702031B true CN105702031B (zh) | 2018-02-23 |
Family
ID=56221099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610130293.4A Expired - Fee Related CN105702031B (zh) | 2016-03-08 | 2016-03-08 | 基于宏观基本图的路网关键路段识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105702031B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106297334B (zh) * | 2016-10-27 | 2018-12-28 | 东南大学 | 绿波协调控制下的干线路段划分方法 |
| CN106960582B (zh) * | 2017-03-12 | 2019-05-07 | 浙江大学 | 一种基于宏观基本图的区域瓶颈控制的方法 |
| CN106981194B (zh) * | 2017-05-02 | 2019-06-07 | 北京大学 | 一种高速路网关键路段的识别方法 |
| CN108665703B (zh) * | 2018-04-23 | 2020-08-14 | 东南大学 | 基于宏观基本图的路网状态转换点判别方法 |
| CN108806254B (zh) * | 2018-06-28 | 2020-05-26 | 中国联合网络通信有限公司深圳市分公司 | 城市交通走廊的识别方法、装置及计算机可读存储介质 |
| CN109615851B (zh) * | 2018-07-30 | 2021-01-29 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
| CN109308805A (zh) * | 2018-08-20 | 2019-02-05 | 广东交通职业技术学院 | 一种基于自适应加权平均数据融合的路网mfd估测方法 |
| CN109858559B (zh) * | 2019-02-14 | 2020-11-27 | 同济大学 | 基于交通流宏观基本图的自适应交通分析路网简化方法 |
| CN111613046B (zh) * | 2019-02-26 | 2022-09-23 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置和系统 |
| CN109859477B (zh) * | 2019-03-15 | 2021-03-19 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
| CN110232237B (zh) * | 2019-06-11 | 2021-04-13 | 北京航空航天大学 | 一种基于交通基本图的疏散车流量分配方法 |
| CN110598747B (zh) * | 2019-08-13 | 2023-05-02 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
| CN111127880A (zh) * | 2019-12-16 | 2020-05-08 | 西南交通大学 | 一种基于mfd的网格路网交通性能分析方法 |
| CN111311907B (zh) * | 2020-02-13 | 2021-05-28 | 北京工业大学 | 基于元胞传输模型的不确定基本图参数辨识的识别方法 |
| CN111798663B (zh) * | 2020-08-07 | 2021-12-14 | 交通运输部公路科学研究所 | 一种路网关键路段辨识方法 |
| CN113537555B (zh) * | 2021-06-03 | 2023-04-11 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
| CN113781772B (zh) * | 2021-08-17 | 2022-11-01 | 太原理工大学 | 一种点对点迭代学习与模型预测的交通信号混合控制方法 |
| CN113870553B (zh) * | 2021-08-20 | 2023-08-29 | 西安电子科技大学 | 一种面向混合交通流的路网运行状态检测系统及方法 |
| CN114049759B (zh) * | 2021-10-19 | 2023-07-25 | 昆明理工大学 | 一种基于宏观基本图的交叉口禁左评价方法 |
| CN113947905B (zh) * | 2021-10-19 | 2022-09-06 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
| CN115830842A (zh) * | 2022-09-07 | 2023-03-21 | 交通运输部公路科学研究所 | 一种面向车路协同自动驾驶的关键路段辨识方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10036789A1 (de) * | 2000-07-28 | 2002-02-07 | Daimler Chrysler Ag | Verfahren zur Bestimmung des Verkehrszustands in einem Verkehrsnetz mit effektiven Engstellen |
| CN103021176B (zh) * | 2012-11-29 | 2014-06-11 | 浙江大学 | 基于断面检测器的城市道路交通状态判别方法 |
| CN105046963B (zh) * | 2015-08-21 | 2017-07-28 | 安徽四创电子股份有限公司 | 基于交通基本图的高架道路路段交通拥堵临界值计算方法 |
| CN105206051B (zh) * | 2015-09-10 | 2018-10-16 | 深圳先进技术研究院 | 一种城市路网合理性评价方法及装置 |
-
2016
- 2016-03-08 CN CN201610130293.4A patent/CN105702031B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105702031A (zh) | 2016-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105702031B (zh) | 基于宏观基本图的路网关键路段识别方法 | |
| CN102360525B (zh) | 基于判别分析的快速道路实时交通事故风险预测方法 | |
| WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
| CN106997669B (zh) | 一种基于特征重要性的判断交通拥堵成因的方法 | |
| CN104574967B (zh) | 一种基于北斗的城市大面积路网交通感知方法 | |
| CN109241627B (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
| CN101581940B (zh) | 基于集成学习时间序列预测的隧道事件检测方法 | |
| CN106840049A (zh) | 基于内置三轴加速传感器智能手机的路面质量评级方法 | |
| CN108647805B (zh) | 一种山洪灾害临界雨量综合检验方法 | |
| CN103593976A (zh) | 基于检测器确定道路交通状态的方法及系统 | |
| CN103150900A (zh) | 一种基于视频的交通拥堵事件自动检测方法 | |
| CN102081846A (zh) | 基于高速公路收费数据轨迹匹配的交通状态识别方法 | |
| CN104809877A (zh) | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 | |
| Hendrikx et al. | Avalanche activity in an extreme maritime climate: The application of classification trees for forecasting | |
| CN113392885B (zh) | 一种基于随机森林理论的交通事故时空热点判别方法 | |
| CN107153737A (zh) | 基于力学‑经验法的路面最佳轴载周期确定方法 | |
| CN109543874A (zh) | 一种结合气象条件影响的机场空气质量预测方法 | |
| CN103093625A (zh) | 一种基于可信度验证的城市道路交通状态实时估计方法 | |
| CN100481153C (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
| CN112767684A (zh) | 一种基于收费数据的高速公路交通拥堵检测方法 | |
| Roh | Developing cold region winter weather traffic models and testing their temporal transferability and model specification | |
| CN111462492B (zh) | 一种基于里奇流的关键路段检出方法 | |
| CN117854285B (zh) | 一种顾及城市水文和交通流特征的暴雨积水路段识别方法 | |
| CN117172554A (zh) | 覆冰灾害风险预测方法、装置、设备及存储介质 | |
| CN105701579A (zh) | 高原双车道二级公路基本路段交通事故预测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180223 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |