CN105825677B - 一种基于改进bml模型的城市交通拥堵预测方法 - Google Patents
一种基于改进bml模型的城市交通拥堵预测方法 Download PDFInfo
- Publication number
- CN105825677B CN105825677B CN201610374904.XA CN201610374904A CN105825677B CN 105825677 B CN105825677 B CN 105825677B CN 201610374904 A CN201610374904 A CN 201610374904A CN 105825677 B CN105825677 B CN 105825677B
- Authority
- CN
- China
- Prior art keywords
- bml
- models
- point
- traffic
- vehicle
- 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
- 230000000903 blocking effect Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006872 improvement Effects 0.000 title claims description 5
- 238000013507 mapping Methods 0.000 claims abstract description 44
- 230000001413 cellular effect Effects 0.000 claims abstract description 17
- 241000012186 Litura Species 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000009183 running Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000007704 transition Effects 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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于改进BML模型的城市交通拥堵预测方法,首先构建M‑BML模型,并初始化M‑BML模型;然后把真实城市交通纵横交错的路网按照一定的策略映射到M‑BML模型上;并将路网中某个时段的车流量密度按照比例映射到M‑BML模型中;最后M‑BML模型按照元胞自动机的184号规则进行演化,当模型最终进入堵塞态时,得到模型上发生堵塞的网格点坐标值,最后通过相应的策略把模型上得到的坐标值映射到真实的交通路网中,得到真实路网上在下个时间段内可能会发生严重堵塞的交叉路口。
Description
技术领域
本发明属于计算机科学和智能交通技术领域,涉及一种基于改进BML模型的城市交通拥堵预测方法,用于对实际的城市交通路网进行交通拥堵的预测。
背景技术
随着我国工业化和城镇化进程的加快,城市的发展愈来愈趋向饱和,城市的经济发展和人们的出行生活无疑都给城市道路交通带来了很大的压力,所以亟需一种能够指导和调度交通的交通流理论。目前基于元胞自动机的交通流建模获得了学术界的普遍认可,其中用于描述高速公路的交通流模型(Nagel–Schreckenberg traffic model,简称N-S模型)的研究已经臻于成熟,并且已经应用到实际交通仿真系统中。而用于描述城市交通路网的交通流模型(Biham–Middleton–Levine traffic model,简称BML模型)目前主要还停留在理论研究的阶段,大多数学者的研究都是在分析BML模型的相变原理并做了相关的理论证明。还没有学者把BML模型应用到实际城市交通路网中,并进行相关的智能调度和指导。
发明内容
为了解决上述技术问题,本发明在基本BML模型基础上进行改进,建立能够真实描述实际城市交通特性的M-BML模型,通过运行该模型对城市交通拥堵点进行实时预测。
本发明所采用的技术方案是:一种基于改进BML模型的城市交通拥堵预测方法,其特征在于,包括以下步骤:
步骤1:构建M-BML模型,并初始化M-BML模型;
步骤2:把真实城市交通纵横交错的路网按照一定的策略映射到M-BML模型上;并将路网中某个时段的车流量密度按照比例映射到M-BML模型中;
步骤3:M-BML模型按照元胞自动机的184号规则进行演化,当模型最终进入堵塞态时,得到模型上发生堵塞的网格点坐标值,最后通过相应的策略把模型上得到的坐标值映射到真实的交通路网中,得到真实路网上在下个时间段内可能会发生严重堵塞的交叉路口。
作为优选,步骤1中所述构建M-BML模型,是在BML模型基础上,加入线路的概念,将城市路网中的两目的地之间的线路分别东向和北向各映射一次,模型中的元胞为东向和北向的两条线路的交叉部分,比如交叉口、隧道、立交桥等;每条线路上的车辆不再是随机紊乱的,而是服从该条线路的密度分布,具体计算公式如下所示:
其中,M表示模型中的所有线路条数,Ni((1≤i≤M))表示第ith条线路包含的路段数,和(1≤j≤Ni)分别表示第ith条线路上的第jth个路段的车流量密度和长度。根据上述公式得到的线路车辆密度,对元胞中的东向车辆和北向车辆分别进行随机初始化;给BML模型加上标尺,得到M-BML模型。
所述M-BML模型的运行规则为:
(1)模型采用周期性边界条件,所以每条线路上的车辆数是守恒的;
(2)交叉路口处交通信号灯的规则是把时间步分为奇数时间步和偶数时间步,在奇数时间步东向的车辆可以行使,在偶数时间步北行的车辆可以行使;在奇数时间步的时候,东向行驶的车辆只有当右侧元胞为空的情况下才能向右行驶;在偶数时间步的时候,北向行驶的车辆同样只有当上方元胞为空的情况下才能向上行驶;
(3)车辆速度只能在(0,1)之间取值。
作为优选,步骤1中所述初始化M-BML模型,是在设定的t时刻获取整个城市的每条道路的车辆密度值,然后根据公式1计算的相应线路的车辆密度值对M-BML模型进行初始化。不同的初始化车流量密度会导致系统运行到不同的最终状态,比如自由流状态、中间态或者堵塞流状态。通过实验仿真得出车流量密度在处于0.3到0.5之间是系统从自由流相转变为堵塞相的临界区间。
作为优选,步骤2中所述把真实城市交通纵横交错的路网按照下面的策略映射到M-BML模型上:
(1)选择从某起点O到达目的地D的可选路径集合。在不考虑掉头行驶的情况和假设各路段最多被选择一次的前提下,可按以下步骤得到。首先建立以起点O为树根、各路口为孩子结点、具有一定拓展层次的搜索树;其次以目的地D为终点,在搜索树中找出所有从树根遍历到终点经过的孩子结点构成的路径即为可选路径集合。
(2)对这些可行路径进行评估,并将符合选择标准的路径填入关于城市路网对应两交叉路口之间路径的对应表项中。路径选择标准包含车辆对某条路径的偏好以及对应路径的交通状态。车辆对某条路径的偏好不仅仅依赖于该路径的距离和行驶时间,还会同时考虑其他因素,比如该路径所包含的路段的一些客观属性,包括车道数、是否有人行横道、照明设备是否充足等,以及司机对于道路的不同主观喜好;路径的交通状态是指出现的不确定交通事件等。
(3)将根据上面步骤得到的每条路径在M-BML模型的网格中分别东向和北向各映射一次。
作为优选,步骤2中所述路网中某个时段的车流量密度也按照比例映射到M-BML模型中,是通过每段路口的实时监控器来获取当前路段的车辆密度,并按照原来实际路线上每段路的长度比例来将车辆密度映射到M-BML模型上。
作为优选,步骤3中所述通过相应的策略把模型上得到的坐标值映射到真实的交通路网中,是根据网格点包含的线路交叉口的类型(比如十字交叉路口、隧道、立交桥、转角等),将M-BML模型映射到城市交通路网中,其规则分为以下四点:
(1)一对一映射;
如果预测拥堵的网格点仅仅包含一个交叉口,则该交叉口即为真实城市交通路网中发生交通拥堵的那一个;
(2)冲突点的映射;
如果预测拥堵的网格点中仅仅包含交叉口且不止一个,则该网格点称为冲突点;通过联合映射,即将同一行或同一列预测为拥堵点的网格点分别进行取交集运算,得到的交叉口即为真实城市路网中的拥堵点;
(3)模糊点的映射;
如果预测拥堵的网格点中包含立交桥、隧道或者转角,则该网格点称为模糊点;此类情况将M-BML模型在映射到真实城市交通网络时被忽略;
(4)空点的映射;
如果预测拥堵的网格点中没有任何交叉口、隧道、立交桥或转角,则该网格点称为空点;此类情况将M-BML模型在映射到真实城市交通网络时被忽略。
作为优选,步骤3中所述得到真实路网上在下个时间段内可能会发生严重堵塞的交叉路口,其具体实现过程包括以下子步骤:
步骤3.1:加载每条路线的车流量密度;
步骤3.2:按照BML模型的基本规则运行K个时间步,捕捉到最初导致堵塞的路口的标记值;
步骤3.3:根据已经获得的标记值结合映射规则来分析具体是哪些实际交通路口发生了堵塞。
作为优选,步骤3.3中所述根据已经获得的标记值结合映射规则来分析具体是哪些实际交通路口发生了堵塞,是给网格上的每个点标记一个初始化为0的堵塞值,如果该点的堵塞值越大说明该点对整个交通路网造成堵塞的影响越大,超过堵塞阈值的点标记为堵塞点。
作为优选,所述网格点上的堵塞值的更新规则为:
(1)当车辆经过网格点时,如果通行顺畅没有发生停滞,那么该点的堵塞值保持不变;
(2)当车辆由于前方有车辆阻挡而停滞在网格点上时,此时该网格点被车辆占据导致其它想通过该点的车辆无法通行,该点对于整个模型的堵塞造成了影响,那么对该点做出惩罚,可以使该点的堵塞值增大;如果下一个时间步,车辆还是停滞在该网格点上,则进一步加大该网格点的堵塞值;
(3)当车辆由停滞状态转为行驶状态时,也即对应的网格点从堵塞态转变为自由态,那么可以对该点做出奖励,使其的堵塞值按倍数降低。
相对于现有技术,本发明的有益效果是:本发明结合真实城市路网结构,对传统BML模型进行改进,将BML模型简单高效的特征应用于真实城市路网中交通堵塞的实时预测,能够实时准确地预测交通路网中发生堵塞的交叉路口。
附图说明
图1:本发明经过十字路口的东向行驶的交通流到BML模型的映射图。
图2:本发明城市交通路网图。
图3:本发明M-BML模型的空间结构图。
图4:本发明M-BML模型上堵塞点到真实路网上发生堵塞的交叉路口的映射图。
图5:本发明一对一映射的解决方案图。
图6:本发明冲突点映射的解决方案图。
图7:本发明模糊点映射的解决方案图。
图8:本发明空点映射的解决方案图。
图9:本发明M-BML模型预测交通堵塞流程图。
图10:本发明城市交通路网每条道路的密度值初始化图。
图11:本发明真实交通各个路段的车辆密度在M-BML模型上的映射。
图12:本发明M-BML模型下的自由流态、中间态和堵塞态图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
目前,国内外对于BML模型全局堵塞态分析停留在理论研究上,主要研究由自由流状态到堵塞态的相变及理论证明,并没有学者把BML模型应用于实际交通指导中,这跟BML模型自身的局限性有很大的关系。首先,BML模型中的车辆都是向一个方形行驶,在行驶的过程中并不改变方向,这跟现实的交通流明显不符。然后是在BML模型中出现堵塞态,这种堵塞是由两个方向车辆相互干扰造成的,这只能说明BML模型具备描述现实交通中会出现堵塞态的特性,但不能指出具体的是在城市的哪个交通区域发生了堵塞,不能解决实际交通问题。最后是BML模型在初始化时,采取东向和北向行驶的车辆数相等并且随机分布,这与实际城市交通状况也不相符。
针对上述分析中BML模型在模拟真实交通路网堵塞方面存在的不足,本发明通过对基本BML模型进行改进,创建了M-BML模型,通过对真实城市交通路网的仿真来预测真实交通路网堵塞交叉口的发生时间和地点。包括真实城市交通路网与M-BML模型的双向映射规则,以及M-BML模型的数据输入和演化规则等。
请见图9,本发明提供的一种基于改进BML模型的城市交通拥堵预测方法,包括以下步骤:
步骤1:构建M-BML模型,并初始化M-BML模型;
构建M-BML模型,是在BML模型基础上,加入线路的概念,将城市路网中的两目的地之间的线路分别东向和北向各映射一次,模型中的元胞为东向和北向的两条线路的交叉部分,比如交叉口、隧道、立交桥等;每条线路上的车辆不再是随机紊乱的,而是服从该条线路的密度分布,具体计算公式如下所示:
其中,M表示模型中的所有线路条数,Ni((1≤i≤M))表示第ith条线路包含的路段数,和(1≤j≤Ni)分别表示第ith条线路上的第jth个路段的车流量密度和长度。根据上述公式得到的线路车辆密度,对元胞中的东向车辆和北向车辆分别进行随机初始化;给BML模型加上标尺,得到M-BML模型。
M-BML模型的运行规则为:
(1)模型采用周期性边界条件,所以每条线路上的车辆数是守恒的;
(2)交叉路口处交通信号灯的规则是把时间步分为奇数时间步和偶数时间步,在奇数时间步东向的车辆可以行使,在偶数时间步北行的车辆可以行使;在奇数时间步的时候,东向行驶的车辆只有当右侧元胞为空的情况下才能向右行驶;在偶数时间步的时候,北向行驶的车辆同样只有当上方元胞为空的情况下才能向上行驶;
(3)车辆速度在(0,1)之间取值。
初始化M-BML模型,是在设定的t时刻获取整个城市的每条道路的车辆密度值,然后根据公式(1)计算的相应线路的车辆密度值对M-BML模型进行初始化。不同的初始化车流量密度会导致系统运行到不同的最终状态,比如自由流状态、中间态或者堵塞流状态。通过实验仿真得出车流量密度在处于0.3到0.5之间是系统从自由流相转变为堵塞相的临界区间。
如图1(a)所示,本发明从复杂的城市交通路网中选择两条行驶路线,它们分别是从起始点S1经过两个十字路口到达终点E1的路线(路线1)和从起始点S2出发经过两个十字路口到达终点E2的路线(路线2)。从图中可以看出两条行驶路线都不是直线,路线1经过两个十字路口,转过两个方向,路线2也经过两个十字路口,转过两次方向,并且两条路线有一段道路重叠在一起。
本发明的目标是预测分析城市交通路网堵塞发生在哪个交叉路口,而不考虑某段道路发生堵塞的情况。如图,本发明只关注两个十字路口的堵塞发生情况,而不关注Ri路段上由于交通事故或者道路变窄等情况引起的交通拥堵。由于BML模型自身的局限性,本发明不能直接把这两条路线组成的简单路网直接复制到BML模型上。
本发明用图1(b)所示的两条路线(S1->E1S2->E2)来模拟真实交通中的路线1和路线2,构建M-BML模型。如果在M-BML模型上S1->E1路线和S2->E2路线的交叉点发生了堵塞,那可以预测在左图中十字路口1或者十字路口2(左转和直行会交叉,均右转不会交叉)发生了堵塞,这样就可以通过对M-BML模型的仿真实验来得到真实交通的堵塞发生在哪个交叉路口。
如图2所示是一个简单的城市交通路网结构图。这张图基本反映一个城市的基本建筑设施和路网结构,从图中可以看出城市的出行地点主要有郊外住宅、学校、火车站等,分别以英文大写字母A-F来标记。城市路线之间纵横交错,形成不同的交叉路口,从图中可以看出有四个三岔路口分别标记为C1C2C4C9,有三个十字路口分别标记为C3C5C8和两个弯道C6C7。
因为本发明用M-BML模型仿真城市交通路网来预测堵塞将会在哪些交叉路口发生,所以只考虑堵塞由不同方向的车辆互相制约而造成的堵塞,而不考虑由于交通事故引发的堵塞。因此,本发明预测得到的交通堵塞点应该是C1到C9的交叉路口,而不在路段或者出行点上。
表1城市交通路线表
想要通过M-BML模型来仿真真实路网交通的运行,首先要把真实路网上的线路映射到M-BML模型上去。如图2所示,从出行点A出发有五个目的地可以行使,到达每个目的地又有多种路线,例如从郊外住宅A去往学校B,可以从A-C1-C2-B路线行驶,也可以A-C1-C3-C5-C2-B行驶,还可以从A-C1-C3-C7-C8-C5-C2-B这条线路行驶。这里本发明考虑司机的行驶习惯只选择第一条线路。如表1所示,将图2中的所有路线抽取出来,一共有30条路线。从表中可以看到有很多线路的起讫点相同如2号线和3号线,因为这两条线路从司机行驶习惯上考虑是要根据当时路网状况来考虑,两条线路的距离相差不大,如果司机发现2号线行驶拥挤就有可能从3号线行驶。而上面提及的从A点到达B点,司机习惯性地选择1号线的原因是其它路线远比1号线距离长。
现在考虑如何把表1中的这30条路线映射到M-BML模型中,由于基本BML模型是没有路线的概念的,只是每个网格点代表一个交叉路口,模型上的车辆都是随机分布的,只说明由于两个方向的车辆的行驶制约会造成堵塞。现在M-BML模型对基本BML模型的改进就是加入线路的概念,每条线路上的车辆不再是随机紊乱的,而是服从该条线路的密度分布。给模型加上标尺,对基本BML模型进行改进,即构建M-BML,如图3所示。由于表1中表示的城市路网有30条路线,那么映射到模型中使得模型的尺寸为30×30,即在模型中东向的线路和北向的线路都是30条。图中圈出来的东向14号路线和北向9路线即是表1中所对应的B-C2-C1-C3-C4-C和A-C1-C2-C5-C6-C9-F两条路线,它们的交点的坐标值为(9,14),此时从图中可以看出有一辆北向的车辆停止在该坐标点上,而且处于停滞状态,本发明可以认为此时该坐标值所对应的交叉路口发生了堵塞现象。结合表1和图2可以分析出在M-BML模型上该网格点所对应的真实路网上的交叉路口为十字路口C3和C5,即此时本发明可以判定C3和C5其中一个或者两个都发生了堵塞。
步骤2:把真实城市交通纵横交错的路网按照一定的策略映射到M-BML模型上;并将路网中某个时段的车流量密度按照比例映射到M-BML模型中;
把真实城市交通纵横交错的路网按照下面的策略映射到M-BML模型上:
(1)选择从某起点(O)到达目的地(D)的可选路径集合。在不考虑掉头行驶的情况和假设各路段最多被选择一次的前提下,可按以下步骤得到。首先建立以起点(O)为树根、各路口为孩子结点、具有一定拓展层次的搜索树;其次以目的地(D)为终点,在搜索树中找出所有从树根遍历到终点经过的孩子结点构成的路径即为可选路径集合。
(2)对这些可行路径进行评估,并将符合选择标准的路径填入关于城市路网对应两交叉路口之间路径的对应表项中。路径选择标准包含车辆对某条路径的偏好以及对应路径的交通状态。车辆对某条路径的偏好不仅仅依赖于该路径的距离和行驶时间,还会同时考虑其他因素,比如该路径所包含的路段的一些客观属性,包括车道数、是否有人行横道、照明设备是否充足等,以及司机对于道路的不同主观喜好;路径的交通状态是指出现的不确定交通事件等。
(3)将根据上面步骤得到的每条路径在M-BML模型的网格中分别东向和北向各映射一次。
路网中某个时段的车流量密度也按照比例映射到M-BML模型中,是通过每段路口的实时监控器来获取当前路段的车辆密度,并按照原来实际路线上每段路的长度比例来将车辆密度映射到M-BML模型上。
步骤3:M-BML模型按照元胞自动机的184号规则进行演化,当模型最终进入堵塞态时,得到模型上发生堵塞的网格点坐标值,最后通过相应的策略把模型上得到的坐标值映射到真实的交通路网中,得到真实路网上在下个时间段内可能会发生严重堵塞的交叉路口。
把M-BML模型运行得到的结果即模型上发生堵塞的点映射到真实路网的交叉路口上,如图4所示,根据参数值的调整假设堵塞的范围是左图圈定的区域内。从图中可以得到这些网格点的坐标值,如左下角的网格点的坐标值为(12,17),说明该点是12号线路和17号线路的交叉点,对应于真实交通网络中的C5十字路口,那么就可以预测真实路网中C5路口在未来的时间段会发生堵塞。
根据网格点包含的线路交叉口的类型,将M-BML模型映射到城市交通路网的规则分为以下四点:
(1)一对一映射
如果预测拥堵的网格点仅仅包含一个交叉口,则该交叉口即为真实城市交通路网中发生交通拥堵的那一个。如图5所示,假设M-BML模型运行后最终预测拥堵的网格点是(14,21)(16,19),这两个网格点对应的均为一对一映射,所以映射到真实路网中时得到的发生拥堵的交叉口是C2和C4。
(2)冲突点的映射
如果预测拥堵的网格点中仅仅包含交叉口且不止一个,则该网格点称为冲突点。对于冲突点一个很好的解决方案是通过联合映射,即将同一行或同一列预测为拥堵点的网格点分别进行取交集运算,得到的交叉口即为真实城市路网中的拥堵点。
如图6所示,假设系统最终确定坐标值为(14,20)(14,21)(16,19)的三个网格点为堵塞最严重的交叉路口,可以把这三个坐标点联合起来分析,这三个点所对应的真实网络的路口分别为C3C4、C4和C2。网格点(16,19)对应于C2路口是一对一的映射。而另外两个网格点(14,20)(14,21)处于同一列,取交集得到两个网格点都对应有C4路口,因此认定C4路口发生了堵塞。结合网格点(16,19),最终得到的堵塞路口为C2和C4。
(3)模糊点的映射
如果预测拥堵的网格点中包含立交桥、隧道或者转角,则该网格点称为模糊点。因为M-BML模型主要预测的拥堵主要是因为来自方向彼此交叉的交通流造成的,而在立交桥、隧道或者转角处的拥堵不会被考虑在该模型中,因此将M-BML模型在映射到真实城市交通网络时被忽略。
如图7所示,假设系统最终确定坐标值为(16,18)(17,18)(17,21)的三个网格点为堵塞最严重的交叉路口。第一个网格点(16,18)是一对一映射,对应交叉口C2。而后两个网格点(17,18)(17,21)中均包含隧道C8,因此将该隧道忽略,并取交集对应有交叉口C5,因此认定C5发生了堵塞。结合网格点(16,18),最终得到的堵塞路口为C2和C5。
(4)空点的映射
如果预测拥堵的网格点中没有任何交叉口、隧道、立交桥或转角等,则该网格点称为空点。这对应真实城市路网中,同一条路线的东向和北向重叠,或者是两条并不相交的路线,因此在将M-BML模型映射到城市路网时,空点也将被忽略。
如图8所示,假设系统最终确定坐标值为(13,20)(16,18)(16,21)的三个网格点为堵塞最严重的交叉路口。前两个网格点(13,20)(16,18)均为一对一映射,分别对应交叉口C4和C2。而最后一个网格点(16,21)为空点,因此映射时将给拥堵网格点忽略。最终得到的堵塞路口为C2和C4。
改进的BML模型与原BML模型的定义基本相似,遵循相同的交通信号灯规则,同样采用周期性边界条件,车辆的速度只能在(0,1)二者之中取值,不同点在于模型的初始化并不是随机的,而且东向行驶的车辆密度和北向行驶的车辆密度不再相同,而是根据实际交通路况监测获得数据。
M-BML模型是对真实交通网络路线的映射,它保留了BML模型的大部分特性。不同之处在于M-BML模型的初始化不是随机分配的,而是在设定的t时刻获取整个城市的每条道路的密度值,然后把相应的密度值分配在M-BML模型中的每条路线上,这样模型便接近真实的交通路网情况。
在图2中,整个城市交通路网的线路图包括交叉路口与交叉路口的路段和起讫点与交叉路口之间的路段。本发明在观测路段车流量密度数据时也需把起讫点和交叉路口的车流量密度值测量出来。因为对于每个交叉路口的堵塞受各个方向交通流量的影响。比如,交叉路口C1可能由于A-C1路段和C2-C1路段的车流量值过大而发生堵塞,所以本发明要考虑A-C1路段上的车流量密度。
根据图2城市交通路网图为每条路段分配一个初始化的车流量密度值,如图10所示。从起始点D到达终点F的线路中有5个交叉路口,由于交叉路口的影响每个路段的流量密度会相差很大,所以要分段地把每个路段的车流量映射到M-BML模型的线路上去,如图11所示。该路线由6个路段组成,每个路段上的车辆密度都是根据实地路况来决定的,如果在BML模型中初始时刻随机的分布车辆就不能体现真实的路网交通状况,可以通过每段路口的实时监控器来获取当前路段的车辆密度。已经监测得到每个路段的车流量密度值,来得到每条路线的密度值分配是很容易的,如表2所示。图11中6个路段上的密度映射到M-BML模型上时要按照原来实际路线上每段路的长度比例来影射。
表2城市交通路网每条路线的车流量密度值分配表
当每条路线上的每个路段的车流量都已经确定之后,本发明根据概率随机初始化M-BML模型上的车辆分布,因为不可能把实际交通中每辆车的行驶状态直接复制到模型上来,而只能说在某一时刻模型上对应路段上的车流量密度和实际交通中路段上的车流量密度是相等的。
通过计算机数值仿真运行后,M-BML模型系统最终的状态可能是自由流状态、中间态或者堵塞流状态,如图12所示。考虑给网格上的每个点标记一个初始化为0的堵塞值,如果该点的堵塞值越大说明该点对整个交通路网造成堵塞的影响越大。
网格点上的堵塞值的更新规则:
(1)当车辆经过网格点时,如果通行顺畅没有发生停滞,那么该点的堵塞值保持不变。
(2)当车辆由于前方有车辆阻挡而停滞在网格点上时,此时该网格点被车辆占据导致其它想通过该点的车辆无法通行,该点对于整个模型的堵塞造成了影响,那么对该点做出惩罚,可以使该点的堵塞值增大。如果下一个时间步,车辆还是停滞在该网格点上,则进一步加大该网格点的堵塞值。
(3)当车辆由停滞状态转为行驶状态时,也即对应的网格点从堵塞态转变为自由态,那么可以对该点做出奖励,使其的堵塞值按倍数降低。
系统运行完之后,所有网格点的堵塞值都不相同,此时选出堵塞值相对比较大的网格点,可以认为这些点时整个模型堵塞最严重的点,得出这点网格点的坐标值。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (8)
1.一种基于改进BML模型的城市交通拥堵预测方法,其特征在于,包括以下步骤:
步骤1:构建M-BML模型,并初始化M-BML模型;
步骤2:把真实城市交通纵横交错的路网按照一定的策略映射到M-BML模型上;并将路网中某个时段的车流量密度按照比例映射到M-BML模型中;
步骤3:M-BML模型按照元胞自动机的184号规则进行演化,当模型最终进入堵塞态时,得到模型上发生堵塞的网格点坐标值,最后通过相应的策略把模型上得到的坐标值映射到真实的交通路网中,得到真实路网上在下个时间段内可能会发生严重堵塞的交叉路口;
通过相应的策略把模型上得到的坐标值映射到真实的交通路网中,是根据网格点包含的线路交叉口的类型,将M-BML模型映射到城市交通路网中,其规则分为以下四点:
(1)一对一映射;
如果预测拥堵的网格点仅仅包含一个交叉口,则该交叉口即为真实城市交通路网中发生交通拥堵的那一个;
(2)冲突点的映射;
如果预测拥堵的网格点中仅仅包含交叉口且不止一个,则该网格点称为冲突点;通过联合映射,即将同一行或同一列预测为拥堵点的网格点分别进行取交集运算,得到的交叉口即为真实城市路网中的拥堵点;
(3)模糊点的映射;
如果预测拥堵的网格点中包含立交桥、隧道或者转角,则该网格点称为模糊点;此类情况将M-BML模型在映射到真实城市交通网络时被忽略;
(4)空点的映射;
如果预测拥堵的网格点中没有任何交叉口、隧道、立交桥或转角,则该网格点称为空点;此类情况将M-BML模型在映射到真实城市交通网络时被忽略。
2.根据权利要求1所述的基于改进BML模型的城市交通拥堵预测方法,其特征在于,步骤1中所述构建M-BML模型,是在BML模型基础上,加入线路的概念,将城市路网中的两目的地之间的线路分别东向和北向各映射一次,模型中的元胞为东向和北向的两条线路的交叉部分;每条线路上的车辆不再是随机紊乱的,而是服从该条线路的密度分布,具体计算公式如下所示:
其中,M表示模型中的所有线路条数;Ni表示第ith条线路包含的路段数,1≤i≤M;和分别表示第ith条线路上的第jth个路段的车流量密度和长度,1≤j≤Ni;
根据上述公式得到的线路车辆密度,对元胞中的东向车辆和北向车辆分别进行随机初始化;给BML模型加上标尺,得到M-BML模型;
所述M-BML模型的运行规则为:
(1)模型采用周期性边界条件,所以每条线路上的车辆数是守恒的;
(2)交叉路口处交通信号灯的规则是把时间步分为奇数时间步和偶数时间步,在奇数时间步东向的车辆可以行使,在偶数时间步北行的车辆可以行使;在奇数时间步的时候,东向行驶的车辆只有当右侧元胞为空的情况下才能向右行驶;在偶数时间步的时候,北向行驶的车辆同样只有当上方元胞为空的情况下才能向上行驶;
(3)车辆速度在(0,1)之间取值。
3.根据权利要求2所述的基于改进BML模型的城市交通拥堵预测方法,其特征在于,步骤1中所述初始化M-BML模型,是在设定的t时刻获取整个城市的每条道路的车辆密度值,然后根据公式1计算的相应线路的车辆密度值对M-BML模型进行初始化。
4.根据权利要求1所述的基于改进BML模型的城市交通拥堵预测方法,其特征在于,步骤2中所述把真实城市交通纵横交错的路网按照下面的策略映射到M-BML模型上:
(1)选择从某起点O到达目的地D的可选路径集合;在不考虑掉头行驶的情况和假设各路段最多被选择一次的前提下,可按以下步骤得到;首先建立以起点O为树根、各路口为孩子结点、具有一定拓展层次的搜索树;其次以目的地D为终点,在搜索树中找出所有从树根遍历到终点经过的孩子结点构成的路径即为可选路径集合;
(2)对这些可行路径进行评估,并将符合选择标准的路径填入关于城市路网对应两交叉路口之间路径的对应表项中;路径选择标准包含车辆对某条路径的偏好以及对应路径的交通状态;
(3)将根据上面步骤得到的每条路径在M-BML模型的网格中分别东向和北向各映射一次。
5.根据权利要求1所述的基于改进BML模型的城市交通拥堵预测方法,其特征在于,步骤2中所述路网中某个时段的车流量密度也按照比例映射到M-BML模型中,是通过每段路口的实时监控器来获取当前路段的车辆密度,并按照原来实际路线上每段路的长度比例来将车辆密度映射到M-BML模型上。
6.根据权利要求1-5任意一项所述的基于改进BML模型的城市交通拥堵预测方法,其特征在于,步骤3中所述得到真实路网上在下个时间段内可能会发生严重堵塞的交叉路口,其具体实现过程包括以下子步骤:
步骤3.1:加载每条路线的车流量密度;
步骤3.2:按照BML模型的基本规则运行K个时间步,捕捉到最初导致堵塞的路口的标记值;
步骤3.3:根据已经获得的标记值结合映射规则来分析具体是哪些实际交通路口发生了堵塞。
7.根据权利要求6所述的基于改进BML模型的城市交通拥堵预测方法,其特征在于:步骤3.3中所述根据已经获得的标记值结合映射规则来分析具体是哪些实际交通路口发生了堵塞,是给网格上的每个点标记一个初始化为0的堵塞值,如果该点的堵塞值越大说明该点对整个交通路网造成堵塞的影响越大,超过堵塞阈值的点标记为堵塞点。
8.根据权利要求7所述的基于改进BML模型的城市交通拥堵预测方法,其特征在于,所述网格点上的堵塞值的更新规则为:
(1)当车辆经过网格点时,如果通行顺畅没有发生停滞,那么该点的堵塞值保持不变;
(2)当车辆由于前方有车辆阻挡而停滞在网格点上时,此时该网格点被车辆占据导致其它想通过该点的车辆无法通行,该点对于整个模型的堵塞造成了影响,那么对该点做出惩罚,使该点的堵塞值增大;如果下一个时间步,车辆还是停滞在该网格点上,则进一步加大该网格点的堵塞值;
(3)当车辆由停滞状态转为行驶状态时,也即对应的网格点从堵塞态转变为自由态,那么对该点做出奖励,使其的堵塞值按倍数降低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610374904.XA CN105825677B (zh) | 2016-05-31 | 2016-05-31 | 一种基于改进bml模型的城市交通拥堵预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610374904.XA CN105825677B (zh) | 2016-05-31 | 2016-05-31 | 一种基于改进bml模型的城市交通拥堵预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825677A CN105825677A (zh) | 2016-08-03 |
CN105825677B true CN105825677B (zh) | 2018-10-09 |
Family
ID=56531701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610374904.XA Active CN105825677B (zh) | 2016-05-31 | 2016-05-31 | 一种基于改进bml模型的城市交通拥堵预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825677B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530691A (zh) * | 2016-10-25 | 2017-03-22 | 中山大学 | 一种考虑车辆占有空间的混合车型多车道元胞自动机模型 |
CN108733725B (zh) * | 2017-04-24 | 2022-03-25 | 西门子(中国)有限公司 | 目标系统的网络语义模型的建立方法及系统 |
CN108171975B (zh) * | 2017-12-29 | 2020-04-17 | 吉林大学 | 一种基于路段和交叉口分布的城市汽车运行速度预测方法 |
CN109859467B (zh) * | 2019-01-30 | 2020-11-10 | 银江股份有限公司 | 一种交通模型中环境影响因子的挖掘分析方法 |
CN112991712B (zh) * | 2019-12-02 | 2023-08-25 | 奥迪股份公司 | 预测交通密度的方法、系统、计算机设备和存储介质 |
CN111445715B (zh) * | 2020-04-07 | 2020-11-13 | 深圳市智慧城市科技发展集团有限公司 | 基于物联网通信的智慧城市交通调度方法及调度设备 |
CN112356836B (zh) * | 2021-01-14 | 2021-03-30 | 长沙理工大学 | 一种保障自动驾驶交叉口通行安全的关键冲突点确定方法 |
CN113409599B (zh) * | 2021-06-16 | 2022-10-25 | 河南省城乡规划设计研究总院股份有限公司 | 一种基于信息预测的城市公交优先协调控制方法 |
CN115050178A (zh) * | 2022-05-12 | 2022-09-13 | 长沙朗源电子科技有限公司 | 一种基于云计算的交通信息发布系统 |
CN115331425B (zh) * | 2022-06-30 | 2023-12-19 | 银江技术股份有限公司 | 一种交通预警方法、装置和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
CN103927887A (zh) * | 2014-03-18 | 2014-07-16 | 西北工业大学 | 结合离散速度模型的阵列式fpga交通状态预测及控制系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101935969B (zh) * | 2010-09-10 | 2012-01-11 | 天津市市政工程设计研究院 | 基于元胞自动机的港区道路纵坡度设计方法 |
CN102622516A (zh) * | 2012-02-22 | 2012-08-01 | 天津港(集团)有限公司 | 面向道路安全评价的微观交通流仿真方法 |
CN102819954B (zh) * | 2012-08-28 | 2014-11-12 | 南京大学 | 交通区域动态地图监控预测系统 |
US9536424B2 (en) * | 2014-02-10 | 2017-01-03 | Here Global B.V. | Adaptive traffic dynamics prediction |
-
2016
- 2016-05-31 CN CN201610374904.XA patent/CN105825677B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
CN103927887A (zh) * | 2014-03-18 | 2014-07-16 | 西北工业大学 | 结合离散速度模型的阵列式fpga交通状态预测及控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105825677A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825677B (zh) | 一种基于改进bml模型的城市交通拥堵预测方法 | |
CN108198412B (zh) | 车联网下基于mfd的过饱和路网多层控制边界动态划分方法 | |
CN103531024B (zh) | 一种动态交通路网城市道路要素模型及其建模方法 | |
CN102176283B (zh) | 一种简化交通路网模型的导航方法 | |
CN101359434A (zh) | 用于交通导航系统和交通仿真系统的路网模型构建方法 | |
US20130282346A1 (en) | Traffic data management and simulation system | |
CN106052701B (zh) | 一种交通溢流状态下车辆路径选择的方法 | |
CN105678034B (zh) | 行人过街时间模型及信号交叉口人行横道宽度优化方法 | |
CN109887289A (zh) | 一种城市交通网络模型的网络车流量最大化方法 | |
Wu et al. | Effects of road network structure on the performance of urban traffic systems | |
CN101639871A (zh) | 面向行为研究的车载动态交通信息诱导系统模拟设计方法 | |
CN111754769B (zh) | 基于含长程连边的曼哈顿城市网络的路网交通流特性仿真方法 | |
CN109902864A (zh) | 一种考虑网络配载均衡的施工区交通组织方案设计方法 | |
CN113987103B (zh) | 一种面向城市综合交通网的组合出行路径搜索方法及系统 | |
CN111881557A (zh) | 基于道路平均速度的车流仿真方法 | |
Hu et al. | Traffic jams prediction method based on two-dimension cellular automata model | |
Boroiu et al. | Proposals for the reorganization of road traffic in the central area of Pitesti municipality based on microsimulation-performed traffic analyses | |
Gunarathne et al. | Traffic Signal Controller Optimization Through VISSIM to Minimize Traffic Congestion, CO and NOx Emissions, and Fuel Consumption | |
Qi et al. | An emergency traffic light strategy to prevent traffic congestion | |
Van et al. | A fuzzy traffic signal control method for a single intersection under mixed traffic conditions | |
Lindgren et al. | Microscopic simulation of traffic at a suburban interchange | |
Gupta et al. | Simulation of pedestrian at intersection in urban congested area | |
Song et al. | Path planning in urban environment based on traffic condition perception and traffic light status | |
Mansurova et al. | Interaction of adjacent smart traffic lights during traffic jams at an intersection | |
Háznagy et al. | Comparing the road networks of residential areas |
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 |