CN106887141B - 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 - Google Patents
基于排队论的连续交通节点拥塞程度预测模型、系统及方法 Download PDFInfo
- Publication number
- CN106887141B CN106887141B CN201710174112.2A CN201710174112A CN106887141B CN 106887141 B CN106887141 B CN 106887141B CN 201710174112 A CN201710174112 A CN 201710174112A CN 106887141 B CN106887141 B CN 106887141B
- Authority
- CN
- China
- Prior art keywords
- traffic
- node
- traffic flow
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000009826 distribution Methods 0.000 claims description 69
- 230000008859 change Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
Images
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于排队论的连续交通节点拥塞程度预测模型、系统及方法，模型包括若干连续的交通节点，以队列长度的分布作为评价交通节点拥塞的指标，每个交通节点的队列长度分布基于排队理论和具有自相似性的流量构建。本发明着重于对连续交通节点拥塞程度的预测。首先，本发明提出的方法能够基于到达单个交通节点的流量对单节点的交通拥塞程度进行预测，然后根据当前交通节点的流量对于与该交通节点相连的连续的多个交通节点的交通拥塞程度进行预测。相关政府部门能根据本系统中的拥塞程度信息来合理地对交通系统进行合理的调整。
Description
技术领域
本发明属于智能交通系统领域，尤其涉及一种基于排队论的连续交通节点拥塞程度预测模型、系统及方法。
背景技术
目前，随着经济的发展和人口的增长，交通拥塞的问题在城市中越来越严重。交通拥塞带来了在经济、社会和生态等方面的一系列问题，造成了在这些方面的严重损失。很多国家开始大力发展以城市公共交通为主的公共交通，然而仍然无法解决交通事故、交通拥堵、交通污染的通病。于是各国开始寻找解决的方法，其中一个重要研究方向就是智能运输系统(ITS)。智能交通系统上是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
在现有文献中，研究者们提出了很多模型来减轻交通拥塞，但是很多解决方案都是静态的。这些静态的解决方案只是来分析和评估交通系统，而不是来对交通系统来进行动态的调度,无法预测交通拥塞情况。
发明内容
本发明为了解决上述问题，提出了一种基于排队论的连续交通节点拥塞程度预测模型、系统及方法，本发明着重于对连续交通节点拥塞程度的预测。
本发明的第一目的是提供一种道路交通拥塞预测模型，本模型基于排队论和流量具有自相似性，清楚的表明了每个交通节点的队列长度分布，明确影响其拥塞程度的参数，进而得到进入交通节点的道路中道路使用者排队个数的概率分布，实现对连续交通节点的交通拥塞程度的预测。
本发明的第二目的是提供一种道路交通拥塞预测系统来预测交通拥塞程度，提出的预测系统对交通系统的流量进行建模和分析，通过建立排队理论模型，分析队列长度和等待时间的分布，以此作为评价交通节点拥塞的重要指标。其中队列长度分布可以作为道路使用者排队数目的评价标准，等待时间分布展示了交通流量通过路口的时间。
本发明的第三目的是提供一种基于排队论的连续交通节点拥塞程度预测方法，本方法能够基于到达单个交通节点的流量对单节点的交通拥塞程度进行预测，然后根据当前交通节点的流量对于与该交通节点相连的连续的多个交通节点的交通拥塞程度进行预测。相关政府部门能根据本系统中的拥塞程度信息来合理地对交通系统进行合理的调整。
为了实现上述目的，本发明采用如下技术方案：
一种基于排队论的连续交通节点拥塞程度预测模型，包括若干连续的交通节点，以队列长度的分布作为评价交通节点拥塞的指标，每个交通节点的队列长度分布基于排队理论和具有自相似性的流量构建。
进一步的，任一交通节点队列长度分布与该节点的服务能力、车辆的非转弯概率、平均到达速率和从两侧方向转弯准备进入该交通节点的车流量的平均到达速率相关。
进一步的，任一交通节点i的队列长度分布为：
其中，
是标准高斯分布的剩余分布函数，λi为第i个交通节点输入的车流量的平均到达速率，且λi＝Pi-1λi-1+λ'i，其中Pi-1为前一交通节点的非转弯概率，λ′i为从两侧方向转弯准备进入该交通节点的车流量的平均到达速率，Ci为该主干道上的交通节点的服务能力、tx是使得
最小的t的值，X代表队列长度(即P(Q>x)中的x)，t为时间点，S2(t)为方差，S(t)为标准差。
使用指数分布来描述交通路口的服务速率，即使用指数分布来决定在交通灯为绿灯的时间内通过的车辆数。
本模型适用的路段，车道都是单向行驶的车道，并且主干道上的交通流量为主要的交通流量，并且连续的交通节点都具有交通灯。
一种基于排队论的连续交通节点拥塞程度预测系统，包括多个设置于交通节点的车流量传感器、服务器和数据库，其中：
所述车流量传感器，被配置为记录到达各交通节点的主干道上的车流量，通过各节点后转弯的车流量以及从两侧方向转弯准备进入下一个交通节点的车流量，并存储至数据库；
所述服务器，获取并处理数据库内的信息，包括实时车流量参数模块和获取队列长度分布模块，所述实时车流量参数模块，被配置为统计单位时间内主干道方向上到达相应交通节点的车辆数，计算得到平均到达速率、Hurst参数，同时根据车流量传感器采集的信息，确认车辆的非转弯概率和相应主干道上的交通节点的服务能力；
所述获取队列长度分布模块，根据实时车流量参数模块的输入参数，得到当前交通节点的队列长度分布图以及与其连续的交通节点的队列长度分布图。
所述获取队列长度分布模块，计算当前变化度，然后根据当前变化度和其历史数据计算了最终变化度，并计算变化度的阈值。
所述实时车流量参数模块计算在一个时间窗口内的车流量的平均到达速率，若平均到达速率大于阈值，则以该时间窗口的起点时间开始记录的到达车辆数，使用重标极差方法或方差时间方法来分别计算车流量的Hurst参数。
一种基于排队论的连续交通节点拥塞程度预测方法，包括以下步骤：
(1)获取某一个交通节点的主干道上的车流量、通过该节点后转弯的车流量以及从两侧方向转弯准备进入下一个交通节点的车流量，根据设定时段内的记录信息确定该交通节点的车辆的非转弯概率和服务能力；
(2)对实时记录的车辆量进行处理，统计单位时间内主干道方向上到达该交通节点的车辆数，确定平均到达速率，判断交通流量的状态是否可能会进入高峰期，若进入高峰期则实时测定该段时间内的车流量的Hurst参数，否则返回步骤(1)；
(3)根据车流量的Hurst参数、平均到达速率，以及该主干道上的交通节点的服务能力作为输入参数，得到当前交通节点的队列长度分布图，根据该分布预测当前交通节点在当前车流量的情况下拥塞程度；
(4)结合从两侧方向转弯准备进入该交通节点的车流量平均到达速率以及当前交通节点的车辆的非转弯概率，确认下一个交通节点的队列长度分布图，以此得到每一个交通节点的流量对后继的交通节点的拥塞程度的影响，对其拥塞程度进行预测。
所述步骤(2)中，先计算在一个时间窗口内的车流量的平均到达速率，若平均到达速率大于阈值，则以该时间窗口的起点时间开始记录的到达车辆数，使用重标极差方法和方差时间方法来分别计算车流量的Hurst参数，通过取两种方法测得的Hurst参数的均值作为模型的参数输入。
所述步骤(2)中，车流量的Hurst参数为衡量第t个时间单位内到达的车辆数序列的自相似性的参数。
与现有技术相比，本发明的有益效果为：
(1)本发明在对交通拥塞程度的预测中，利用高峰期交通流量的自相似性，根据排队理论对交通系统的自相似流量进行建模，得到基于队列论的对连续道路节点拥塞的预测模型。
(2)本发明在对交通趋势预测的过程中，通过对实际交通流量的分析得到预测模型所需的参数，得到队列长度分布图。从中可以得到进入交通节点的道路中道路使用者排队个数的概率分布。在实际应用中，有了对这些概率分布，可以得到队列长度大于各个数值的概率，从而实现对连续交通节点的交通拥塞程度的预测。对政府部门对交通的调度工作和人们的出行提供实时有用的参考。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明适用的连续交通节点的场景示意图；
图2为本发明的基于队列模型的对连续道路节点拥塞的预测模型示意图；
图3位本发明的模型会产生的队列长度分布例图；
图4为本发明的拥塞程度预测方法的总体流程图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明针对在公开文献中所指出的实际交通系统中的一个现象：在对济南经十路上连续交通节点的车流量进行分析后，得出在高峰时期的车流量的Hurst参数大于0.5，说明高峰时期的车流量拥有一个重要性质：自相似性。利用了该性质，本发明提出一种基于排队论的交通拥塞程度的预测系统，具体来说：
一是根据高峰期交通流量自相似的特性以及排队理论，提出了基于队列模型的对连续道路节点拥塞的预测系统，使用排队理论和通过对具有自相似性的流量建模，以队列长度作为评价标准，提出了基于队列论的对连续道路节点拥塞的预测模型。
二是使用部署在交通节点附近的传感器记录的长时间内(比如一个月内)的交通流量数据，对长时间记录的交通数据进行处理分析，得到当前交通节点的参数：车辆的非转弯概率P和该主干道上的交通节点的服务能力C。同时对实时获取的交通流量数据进行处理，获得车流量的参数：Hurst参数、平均到达速率。将这些参数作为预测模型的输入参数，可以得到当前交通节点的队列长度分布图以及与其连续的交通节点的队列长度分布图，以此为依据来判断和预测交通节点的拥塞程度。
具体包括：
计算交通节点参数模块：使用预先布置在交通节点周边的传感器(比如说磁感线圈)记录到达该交通节点的主干道上的车流量，通过该节点后转弯的车流量以及从两侧方向转弯准备进入下一个交通节点的车流量。分析一个月内记录的交通流量数据来得到交通系节点的参数：车辆的非转弯概率P和该主干道上的交通节点的服务能力C；
计算实时车流量参数模块：所实时记录的车辆量进行处理，统计单位时间内(比如30秒或者1分钟)的主干道方向上到达该交通节点的车辆数。先计算在一个时间窗口内(比如5分钟)的车流量的平均到达速率，若平均到达速率大于阈值，则以该时间窗口的起点时间开始记录的到达车辆数，使用重标极差方法(Rescaled Range Method，简称R/S方法)和方差时间方法(Variance Time Method，简称VT方法)来分别计算车流量的Hurst参数，通过取两种方法测得的Hurst参数的均值作为模型的参数输入。
获取队列长度分布模块：根据以上模块实时测量得到的实际交通流量的参数(车流量的Hurst参数、平均到达速率)，以及该主干道上的交通节点的服务能力C、车辆的非转弯概率P作为本发明提出的基于队列理论的对连续道路节点拥塞的预测模型的参数，可以得到当前交通节点的队列长度分布图以及与其连续的交通节点的队列长度分布图。
自相似过程：在数学上，自相似物体与其自身的一部分完全或大致相似(即整体具有与一个或多个部分相同的形状)。自相似过程是随机过程的一种，特点是统计特性不随空间或时间尺度的变化而变化，一个连续随机过程{X＝X(ti),ti∈T,i∈N}满足：对于任意a∈N和b>0，有{X(bt1),X(bt2),...,X(bta)}＝{bHX(t1),bHX(t2),...,bHX(ta)}，即X(t)的有限维度的分布与bHX(t)的有限维度的分布的统计特性相同，称X(t)是具有自相似参数H(即Hurst参数)的自相似过程。在网络流量的应用中，X(t)可以理解为第t个时间单位内到达的网络数据包个数。在本发明中，即在实际交通环境下，X(t)可以理解为第t个时间单位内到达的车辆数。
Hurst参数：自相似参数H又可以称为Hurst参数，用来度量随机过程的持续性。通常，Hurst参数用来衡量网络流量的自相似程度，在实际交通环境下，则可以用来衡量到达一个交通节点的交通流量的自相似程度。一般情况下，自相似参数H∈(0.5,1)，在这个范围内，H越大，说明流量的自相似特性越强。测定Hurst参数有很多方法，在本发明中，采用重标极差方法(Rescaled Range Method，简称R/S方法)和方差时间方法(Variance TimeMethod，简称VT方法)来分别测量交通流量的自相似参数H。
重标极差方法：R/S方法是一种启发式图形的方法，对于一个长度为c的时间序列X＝{X1,X2,...,Xc},c∈N，对时间序列求和的函数为
时间序列的方差为
则有
这样就可以计算统计量R(n)/S(n)。对于自相似随机过程，当n→∞时，E[R(n)/S(n)]～enH，其中，e是一个与n无关的常数。在实际应用中，H的估计过程为：把观测到的长度为c的时间序列分为M块，对每一块计算R(Mi,n)/S(Mi,n)，然后对其取对数得到log(R(Mi,n)/S(Mi,n))，最后使用最小二乘法拟合曲线，可以得到斜率为H的曲线，从而得到Hurst参数。
方差时间方法：VT方法利用自相似过程的慢衰减方差特性，由Var(x(m))～am-β两边取对数可得，log(Var(x(m)))～-βlog(m)+loga，采用最小二乘拟合散点图，在方差时间对数图上显示斜率为-β的直线，如果满足-1＜-β＜0，利用H＝1-β/2，从而得到交通流量序列的Hurst参数值。
基于队列论的对连续道路节点拥塞的预测模型：本模型对有自相似性的实际高峰期交通流量进行建模。在排队理论研究中，由于真实交通系统中的交通流量的随机性，所以使用指数分布来描述交通路口的服务速率，即使用指数分布来决定在交通灯为绿灯的时间内通过的车辆数。如图1和图2中所示，在本模型中，一个单向车道的装有交通灯的十字路口作为模型中一个单服务排队节点。在单个服务节点中，交通灯可以作为排队节点中的服务器。故单个交通节点的服务性能能够通过检查排队节点的性能来得到。在本模型中分析队列长度的分布，以此作为评价交通节点拥塞的重要指标，队列长度分布可以作为道路使用者排队数目的评价标准。
通过分析图2中的车流量的平均到达速度，可以得到图中作为第i个交通节点输入的车流量的平均到达速率为λi＝Pi-1λi-1+λ'i，根据归纳法可以得到第n个交通节点输入的车流量的平均到达速率为
从中可以看出到达第一个交通节点流量对其后连续的交通节点有很大的影响。通过已发表论文中的数学公式的推导，最后可以得到队列长度分布的范围：
其中，tx是使得
最小的t的值，φ(·)是标准高斯分布的剩余分布函数(residual distribution function)。最后，在本模型中对其上下界取算术均值来估算，得到队列长度分布公式为：
队列长度分布图：通过前面几个模块，可以得到模型中队列长度分布公式所需的各个参数，以此作为输入，就可以得到某个交通节点的队列长度分布图。如图3所示，其中利用率α(utilization)可以由α＝λ/C得到。在图中可以得到，在某一利用率曲线中上，到交通节点的路上会产生某一队列长度(即道路使用者排队数目)的概率。
具体的，模型所需要的Hurst参数H由R/S方法和VT方法分别测得的数据取均值得到。
具体的，某个交通节点的处理能力C和车辆非转弯概率P通过长时间记录(比如至少一个月)的数据分析得到。
具体的，实时记录数据的传感器，可以布置在距离交通节点稍微远点的地点，这样系统在测量某一波高峰流量的时候，这样系统在预测拥堵程度时候，道路使用者会有较长的反应时间。
具体的，本发明适用的路段，如图1所示，车道都是单向行驶的车道，并且主干道上的交通流量的主要的交通流量(比如济南的经十路)，并且连续的几个交通节点都有交通灯。
此外，本发明的交通拥塞趋势预测方法，包括以下实现步骤：
a.在交通节点(十字路口)周边的布置传感器(比如说磁感线圈)，记录到达该交通节点的主干道上的车流量，通过该节点后转弯的车流量以及从两侧方向转弯准备进入下一个交通节点的车流量。根据这些长时间记录的车流量信息进行统计得到该交通系节点的参数：车辆的非转弯概率P和该主干道上的交通节点的服务能力C(即在正常状况下该交通节点单位时间内最大能够通过多少车流量。)；
b.对所实时记录的车辆量进行处理，统计单位时间内(比如30秒或者1分钟)的主干道方向上到达该交通节点的车辆数。先计算在一个时间窗口内(比如5分钟)的车流量的平均到达速率λ0，若平均到达速率大于阈值，则以该时间窗口的起点时间开始记录的到达车辆数来计算车流量的Hurst参数H，否则说明在此主干道的车流量未能进入高峰期，这样理论上就不会进入交通拥塞；
c.根据以上实时测量得到的实际交通流量的参数(车流量的Hurst参数、平均到达速率)，以及该主干道上的交通节点的服务能力C作为本发明提出的基于队列模型的对连续道路节点拥塞的预测模型的参数输入，可以得到当前交通节点的队列长度分布图，根据该分布图可以得到在该进入该交通节点的主干道上的车辆排队数目的概率分布，根据该分布可以得到当前交通节点在当前车流量的情况下拥塞程度的预测；
d.同时，在也测得从两侧方向转弯准备进入下一个交通节点的车流量的情况下，测量得到这些车辆量的参数(平均到达速率λ′1)，以及当前交通节点的车辆的非转弯概率P0，与上一步骤的参数一起作为预测模型的输入，则可以得到下一个交通节点的队列长度分布图，以此进行拥塞程度的预测。
如图4所示，本发明中的拥塞程度预测系统包括计算交通节点参数模块、计算实时车流量参数模块和获取队列长度分布模块。
计算交通节点参数模块，使用长时间记录的交通流量数据，进行统计分析后获取交通节点参数；
计算实时车流量模块，对实时获取的车流量进行预处理，得到统计单位时间内(比如30秒或者1分钟)的主干道方向上到达该交通节点的车辆数的序列，计算序列的平均到达速率，使用R/S方法和VT方法得到Hurst参数；
获取队列长度分布模块，用于计算当前变化度，然后根据当前变化度和其历史数据计算了最终变化度，并同时计算了变化度的阈值。最终变化度和变化度阈值作为下一模块的输入。
下面以一个实施例对交通拥塞程度预测算法进行具体的阐述。
步骤1：对长时间记录的交通流量数据进行统计分析，得到该交通系节点的参数：车辆的非转弯概率P和该主干道上的交通节点的服务能力C(即在正常状况下该交通节点单位时间最大能够通过多少车流量。)
步骤201：实时获取交通流量数据，对其进行预处理，得到单位时间内(比如30秒)到达的车辆数序列；
步骤202：计算在一个时间窗口内(比如5分钟)的车流量的平均到达速率，若平均到达速率大于阈值，则以该时间窗口的起点时间开始记录的到达车辆数来计算车流量的Hurst参数H，否则说明在此主干道的车流量未能进入高峰期，这样理论上就不会进入交通拥塞，转步骤201；
步骤203：使用R/S方法和VT方法分别计算车流量的Hurst参数，取其均值作为模型的参数输入。
步骤3：使用前面计算得到的模型所需的参数，模型实时输出某个交通节点及其后继交通节点的队列长度分布，则可以得到进入交通节点的道路上的道路使用者排队数目的概率分布，从而实现对当前交通节点以及后继交通节点的拥塞程度的预测。
综上所述，通过本发明实施例，通过计算交通节点参数模块、计算实时车流量参数模块和获取队列长度分布模块相结合，提出交通拥塞程度预测方法，能够对某一特定路段的交通拥塞程度进行预测，为交通部门的对交通系统的总体调度和人们的出行选择提供参考。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于排队论的连续交通节点拥塞程度预测系统，其特征是：包括多个设置于交通节点的车流量传感器、服务器和数据库，其中：
所述车流量传感器，被配置为记录到达各交通节点的主干道上的车流量，通过各节点后转弯的车流量以及从两侧方向转弯准备进入下一个交通节点的车流量，并存储至数据库；
所述服务器，获取并处理数据库内的信息，包括实时车流量参数模块和获取队列长度分布模块，所述实时车流量参数模块，被配置为统计单位时间内主干道方向上到达相应交通节点的车辆数，计算得到平均到达速率、Hurst参数，同时根据车流量传感器采集的信息，确认车辆的非转弯概率和相应主干道上的交通节点的服务能力；
所述获取队列长度分布模块，根据实时车流量参数模块的输入参数，得到当前交通节点的队列长度分布图以及与其连续的交通节点的队列长度分布图；
所述获取队列长度分布模块，计算当前变化度，然后根据当前变化度和其历史数据计算了最终变化度，并计算变化度的阈值；
所述实时车流量参数模块计算在一个时间窗口内的车流量的平均到达速率，若平均到达速率大于阈值，则以该时间窗口的起点时间开始记录的到达车辆数，使用重标极差方法和方差时间方法来分别计算车流量的Hurst参数。
2.一种基于排队论的连续交通节点拥塞程度预测方法，其特征是：包括以下步骤：
(1)获取某一个交通节点的主干道上的车流量、通过该节点后转弯的车流量以及从两侧方向转弯准备进入下一个交通节点的车流量，根据设定时段内的记录信息确定该交通节点的车辆的非转弯概率和服务能力；
(2)对实时记录的车辆数量进行处理，统计单位时间内主干道方向上到达该交通节点的车辆数，确定平均到达速率，判断交通流量的状态是否可能会进入高峰期，若进入高峰期则实时测定该段时间内的车流量的Hurst参数，否则返回步骤(1)；
(3)根据车流量的Hurst参数、平均到达速率，以及该主干道上的交通节点的服务能力作为输入参数，得到当前交通节点的队列长度分布图，根据该分布预测当前交通节点在当前车流量的情况下拥塞程度；
(4)结合从两侧方向转弯准备进入该交通节点的车流量平均到达速率以及当前交通节点的车辆的非转弯概率，确认下一个交通节点的队列长度分布图，以此得到每一个交通节点的流量对后继的交通节点的拥塞程度的影响，对其拥塞程度进行预测。
3.如权利要求2所述的一种基于排队论的连续交通节点拥塞程度预测方法，其特征是：所述步骤(2)中，先计算在一个时间窗口内的车流量的平均到达速率，若平均到达速率大于阈值，则以该时间窗口的起点时间开始记录的到达车辆数，使用重标极差方法和方差时间方法来分别计算车流量的Hurst参数，通过取两种方法测得的Hurst参数的均值作为模型的参数输入。
4.如权利要求2所述的一种基于排队论的连续交通节点拥塞程度预测方法，其特征是：所述步骤(2)中，车流量的Hurst参数为第t个时间单位内到达的车辆数，具有自相似性。
5.一种如权利要求1所述系统的基于排队论的连续交通节点拥塞程度预测模型，其特征是：包括若干连续的交通节点，以队列长度的分布作为评价交通节点拥塞的指标，每个交通节点的队列长度分布基于排队理论和具有自相似性的流量构建。
6.如权利要求5所述的一种基于排队论的连续交通节点拥塞程度预测模型，其特征是：任一交通节点队列长度分布与该节点的服务能力、车辆的非转弯概率、平均到达速率和从两侧方向转弯准备进入该交通节点的车流量的平均到达速率相关。
7.如权利要求5所述的一种基于排队论的连续交通节点拥塞程度预测模型，其特征是：任一交通节点i的队列长度分布为：
其中，
是标准高斯分布的剩余分布函数，λi为第i个交通节点输入的车流量的平均到达速率,那么λi-1是第i-1个交通节点输入的车流量的平均到达速率，且λi＝Pi-1λi-1+λ′i，其中Pi-1为前一交通节点的非转弯概率,λ′i为从两侧方向转弯准备进入该交通节点的车流量的平均到达速率，Ci为该主干道上的交通节点的服务能力、tx是使得
最小的t的值，S2(tx)为t＝tx时的方差，S(tx)为t＝tx时的标准差，P(Q>x)是队列长度分布，x代表队列长度，t为时间点，S2(t)为方差，S(t)为标准差，yi(t)是交通节点i的队列长度分布的决定性函数。
8.如权利要求5所述的一种基于排队论的连续交通节点拥塞程度预测模型，其特征是：使用指数分布来描述交通路口的服务速率，即使用指数分布来决定在交通灯为绿灯的时间内通过的车辆数；
或本模型适用的路段，车道都是单向行驶的车道，并且主干道上的交通流量为主要的交通流量，并且连续的交通节点都具有交通灯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710174112.2A CN106887141B (zh) | 2017-03-22 | 2017-03-22 | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710174112.2A CN106887141B (zh) | 2017-03-22 | 2017-03-22 | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106887141A CN106887141A (zh) | 2017-06-23 |
| CN106887141B true CN106887141B (zh) | 2020-05-12 |
Family
ID=59182517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710174112.2A Active CN106887141B (zh) | 2017-03-22 | 2017-03-22 | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106887141B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341579B (zh) * | 2017-07-28 | 2020-10-16 | 东北大学 | 一种缓解时延影响的公交路线选择方法 |
| CN108460497A (zh) * | 2018-03-28 | 2018-08-28 | 中国民航大学 | 一种机场候机楼排队信息提示方法 |
| CN110164128B (zh) * | 2019-04-23 | 2020-10-27 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
| CN110503350B (zh) * | 2019-09-11 | 2023-05-09 | 中国民航大学 | 一种空中交通系统自组织临界特性的辨识方法 |
| CN111341123B (zh) * | 2020-03-03 | 2021-06-01 | 东南大学 | 基于车辆运动学模型的路口待行队列估计方法 |
| CN111583654B (zh) * | 2020-05-27 | 2022-07-12 | 多伦科技股份有限公司 | 一种预防交叉口堵车的方法 |
| CN112564966B (zh) * | 2020-12-02 | 2021-09-17 | 北京航空航天大学 | 基于网络细胞的业务时序耦合拥塞分析方法 |
| CN113011009B (zh) * | 2021-03-01 | 2024-01-30 | 澳门科技大学 | 一种基于MoreData机制的参数优化方法、装置及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100452109C (zh) * | 2006-10-19 | 2009-01-14 | 上海交通大学 | 城市路段交通流平均速度获取方法 |
| CN100553230C (zh) * | 2007-05-21 | 2009-10-21 | 中南大学 | 一种用于高速网络中的协同工作式拥塞控制方法 |
| CN101604478B (zh) * | 2009-06-18 | 2011-05-04 | 北京九州联宇信息技术有限公司 | 一种动态交通信息的处理方法及系统 |
| US9330565B2 (en) * | 2013-09-18 | 2016-05-03 | Iteris, Inc. | Traffic bottleneck detection and classification on a transportation network graph |
| WO2015198156A1 (en) * | 2014-06-17 | 2015-12-30 | King Abdullah University Of Science And Technology | System and method for traffic signal timing estimation |
| CN104680788B (zh) * | 2015-02-11 | 2017-06-13 | 北京交通大学 | 一种用于交通路径选择的生态阻抗计算方法 |
-
2017
- 2017-03-22 CN CN201710174112.2A patent/CN106887141B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106887141A (zh) | 2017-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106887141B (zh) | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 | |
| CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
| EP3413284B1 (en) | Computer system and method for state prediction of a traffic system | |
| CN107945507B (zh) | 行程时间预测方法及装置 | |
| CN108346010B (zh) | 基于用户需求分析的共享汽车调度方法 | |
| CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
| CN106781499B (zh) | 一种交通网络效率评价系统 | |
| CN107025788B (zh) | 一种旅行时间预测方法及装置 | |
| CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
| CN101894461A (zh) | 城市地面道路行程时间预测方法 | |
| CN112466117A (zh) | 基于深度时空残差网络的路网短时交通流预测方法 | |
| CN104751642A (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
| CN107766636A (zh) | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 | |
| CN102082703A (zh) | 业务支撑系统设备性能监控的方法及装置 | |
| CN113971884B (zh) | 一种道路交通拥堵确定方法、装置、电子设备及存储介质 | |
| CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
| CN112819325B (zh) | 高峰时段确定方法、装置、电子设备和存储介质 | |
| CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
| CN106781508B (zh) | 一种Spark环境下基于多重相空间的短时交通流预测方法 | |
| Liu et al. | A hybrid model based on kalman filter and neutral network for traffic prediction | |
| Bhat et al. | Design and implementation of a dynamic intelligent traffic control system | |
| CN113643529B (zh) | 基于大数据分析的停车场车道拥堵预测方法及系统 | |
| CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及系统 | |
| Thonhofer et al. | A flexible, adaptive traffic network simulation with parameter estimation | |
| CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |