CN106898139B - 一种道路节点的识别方法及装置 - Google Patents
一种道路节点的识别方法及装置 Download PDFInfo
- Publication number
- CN106898139B CN106898139B CN201510954225.5A CN201510954225A CN106898139B CN 106898139 B CN106898139 B CN 106898139B CN 201510954225 A CN201510954225 A CN 201510954225A CN 106898139 B CN106898139 B CN 106898139B
- Authority
- CN
- China
- Prior art keywords
- circuit node
- road circuit
- road
- label
- 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
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明的实施例提供了一种道路节点的识别方法及装置，其中该识别方法包括：构建包括多个道路节点的交通网络；获取交通网络中的车流数据；获取交通网络中车辆的标签在道路节点上的逗留时间；根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果；根据仿真结果，从多个道路节点中确定出作为交通瓶颈的道路节点。本发明的实施例能系统而整体地对交通网络中瓶颈进行研究，简便、准确地确定出交通网络中的交通瓶颈。
Description
技术领域
本发明涉及智能交通技术领域，特别涉及一种道路节点的识别方法及装置。
背景技术
随着城市车辆的持续快速增加，城市交通拥堵情况不断加剧，交通拥堵已经成为了世界各国共同关注的焦点和亟需解决的问题。其中，交通拥堵的成因众多，交通网络结构和设计布局不合理是引起交通拥堵的根本原因。交通网络是通过路段和交叉口紧密相连而形成的整体，由于交通网络结构和设施布局不合理，很多潜在的交通瓶颈点隐含在路网之中。因硬件设施毁坏、恶劣天气、交通事故等事件的发生，导致某些道路发生严重的堵塞现象，进而由于路段、路口间的相互关联引起其它路段或路口发生故障，形成连锁效应，最终会导致交通网络局部或全部崩溃，这些可能引发交通拥挤传播或者蔓延的路段、路口，统称为交通瓶颈。因此，在整体上系统地识别交通瓶颈点对于改进路网设计和采取合理的交通管制方法缓解交通拥堵具有重要意义。
目前关于交通瓶颈识别的方法主要有如下三种方法：第一种为：基于清洗微波和浮动车数据估计路段交通状态，通过计算统计周期内交通拥堵的归一化均衡度衡量交通瓶颈的严重度；第二种为：基于现场可编程门阵列(FPGA，Field－Programmable Gate Array)及改进Payne模型的在线交通瓶颈预测控制方法，用于解决实际的高速公路或封闭道路中交通瓶颈在线预测调控问题，该方法对Payne模型进行改进，把可变信息显示牌融入到Payne模型中，基于FPGA平台通过改进的Payne模型对高速公路或封闭道路整体进行预测分析，根据定义的状态变量找到道路瓶颈，进而给出匝口控制和可变信息显示牌的控制方案，并把这些控制方案按优先级带入预测模型，找到合理的控制方案，对交通瓶颈进行在线控制；第三种为：基于FPGA及改进Xue-Dai模型的在线交通瓶颈预测控制方法，用于解决实际的高速公路或封闭道路中交通瓶颈的在线预测调控问题，该方法对Xue-Dai模型进行改进，把可变信息显示牌融入到Xue-Dai模型中，基于FPGA平台通过改进的Xue-Dai模型对高速公路或封闭道路整体进行预测分析，根据定义的状态变量找到道路瓶颈，进而给出匝口控制和可变信息显示牌的控制方案，并把这些控制方案按优先级带入预测模型，找到合理的控制方案，对交通瓶颈进行在线控制。
综上所述，目前交通瓶颈识别方法大多是针对单条路段、单个交叉口或者换乘点等交通网络中某一独立对象，系统而整体地对交通网络中瓶颈进行研究不多。而基于实际数据的交通瓶颈识别的最主要问题在于实际的交通流量数据不易得到，在数据获取的实时性以及规模性上都达不到分析的要求，因此方法实施较为困难；另外一些方法无法做到对交通瓶颈的量化；基于仿真模拟的方法中，没有考虑到车辆到达交通网络的随机性，没有借鉴随机过程模型对交通流进行刻画，与实际交通流情况不符，造成交通流模型的不准确。总而言之，目前没有较为简便、准确地确定出交通网络中的交通瓶颈的方法。
发明内容
本发明实施例的目的在于提供一种道路节点的识别方法及装置，能系统而整体地对交通网络中瓶颈进行研究，简便、准确地确定出交通网络中的交通瓶颈。
为了达到上述目的，本发明的实施例提供了一种道路节点的识别方法，该识别方法包括：
构建包括多个道路节点的交通网络；
获取交通网络中的车流数据；
获取交通网络中车辆的标签在道路节点上的逗留时间；
根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果；
根据仿真结果，从多个道路节点中确定出作为交通瓶颈的道路节点。
其中，获取交通网络中的车流数据的步骤，包括：
获取在第一预设时间段内第一预设数量的车辆到达交通网络的第一概率；
获取在第二预设时间段内交通网络中的任一路段上经过第二预设数量的车辆的第二概率，路段为每相邻两个道路节点之间的线段；
根据第一概率和第二概率，得到车流数据。
其中，获取在第一预设时间段内第一预设数量的车辆到达交通网络的第一概率的步骤，包括：
通过公式
获取第一概率，其中，P1表示第一概率，e表示常数，λ表示车辆的达到率，t1表示第一预设时间段，n1表示第一预设数量。
其中，获取在第二预设时间段内交通网络中的任一路段上经过第二预设数量的车辆的第二概率的步骤，包括：
通过公式
获取第二概率，其中，P2表示第二概率，e表示常数，t2表示第二预设时间段，
表示车辆平均行驶时间，n2表示第二预设数量。
其中，根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果的步骤，包括：
通过离散时间模拟中的事件调度法，根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果。
其中，根据仿真结果，从多个道路节点中确定出作为交通瓶颈的道路节点的步骤，包括：
根据仿真结果中道路节点上的标签集中各标签在道路节点上的逗留时间，计算得到道路节点的占用程度；
根据道路节点的占用程度和道路节点上的标签集中标签的数量，计算道路节点的交通瓶颈指数；
判断道路节点的交通瓶颈指数是否大于预设值；
当道路节点的交通瓶颈指数大于预设值时，将道路节点作为交通瓶颈的道路节点。
其中，根据仿真结果中道路节点上的标签集中各标签在道路节点上的逗留时间，计算得到道路节点的占用程度的步骤，包括：
通过公式
计算得到道路节点的占用程度，其中，occupied_state表示道路节点的占用程度，
h和k均表示道路节点上的标签集中的标
签的序号，STh表示道路节点上的标签集中的第h个标签在道路节点上的逗留时间，STk表示
道路节点上的标签集中的第k个标签在道路节点上的逗留时间。
其中，根据道路节点的占用程度和道路节点上的标签集中标签的数量，计算道路节点的交通瓶颈指数的步骤，包括：
通过公式
计算得到道路节点的交通瓶颈指数，其中，bottleneck_index表示道路节点的交通瓶颈指数，Token_index表示道路节点上的标签集中标签的数量。
本发明的实施例还提供了一种道路节点的识别装置，该识别装置包括：
构建模块，用于构建包括多个道路节点的交通网络；
第一获取模块，用于获取交通网络中的车流数据；
第二获取模块，用于获取交通网络中车辆的标签在道路节点上的逗留时间；
仿真模块，用于根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果；
确定模块，用于根据仿真结果，从多个道路节点中确定出作为交通瓶颈的道路节点。
其中，第一获取模块包括：
第一获取单元，用于获取在第一预设时间段内第一预设数量的车辆到达交通网络的第一概率；
第二获取单元，用于获取在第二预设时间段内交通网络中的任一路段上经过第二预设数量的车辆的第二概率，路段为每相邻两个道路节点之间的线段；
第三获取单元，用于根据第一概率和第二概率，得到车流数据。
其中，第一获取单元包括：
第一获取子单元，用于通过公式
获取第一概率，其中，P1表示第一概率，e表示常数，λ表示车辆的达到率，t1表示第一预设时间段，n1表示第一预设数量。
其中，第二获取单元包括：
第二获取子单元，用于通过公式
获取第二概率，其中，P2表示第二概率，e表示常数，t2表示第二预设时间段，
表示车辆平均行驶时间，n2表示第二预设数量。
其中，仿真模块包括：
仿真单元，用于通过离散时间模拟中的事件调度法，根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果。
其中，确定模块包括：
第一计算单元，用于根据仿真结果中道路节点上的标签集中各标签在道路节点上的逗留时间，计算得到道路节点的占用程度；
第二计算单元，用于根据道路节点的占用程度和道路节点上的标签集中标签的数量，计算道路节点的交通瓶颈指数；
判断单元，用于判断道路节点的交通瓶颈指数是否大于预设值，并当道路节点的交通瓶颈指数大于预设值时，触发确定单元；
确定单元，用于根据判断单元的触发，将道路节点作为交通瓶颈的道路节点。
其中，第一计算单元包括：
第一计算子单元，用于通过公式
计算得到道路节点的占用程度，其中，occupied_state表示道路节点的占用程度，
h和k均表示道路节点上的标签集中的标
签的序号，STh表示道路节点上的标签集中的第h个标签在道路节点上的逗留时间，STk表示
道路节点上的标签集中的第k个标签在道路节点上的逗留时间。
其中，第二计算单元包括：
第二计算子单元，用于通过公式
计算得到道路节点的交通瓶颈指数，其中，bottleneck_index表示道路节点的交通瓶颈指数，Token_index表示道路节点上的标签集中标签的数量。
本发明的上述方案至少包括以下有益效果：
在本发明的实施例中，通过根据构建的交通网络中的车流数据和车辆的标签在交通网络中的道路节点上的逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，并根据仿真结果，从交通网络中确定出为交通瓶颈的道路节点，解决了不能系统而整体地对交通网络中瓶颈进行研究，简便、准确地确定出交通网络中的交通瓶颈的问题，达到了能系统而整体地对交通网络中瓶颈进行研究，简便、准确地确定出交通网络中的交通瓶颈的效果。
附图说明
图1为本发明第一实施例中道路节点的识别方法的流程图；
图2为本发明第一实施例中交通网络的示意图；
图3为本发明第一实施例中仿真过程的主流程图；
图4为本发明第一实施例中车辆停留事件的仿真流程图；
图5为本发明第一实施例中车辆行驶事件的仿真流程图；
图6为本发明第一实施例中车辆离开事件的仿真流程图；
图7为本发明第一实施例中图1中步骤S105的流程图；
图8为本发明第二实施例中道路节点的识别装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例
如图1所示，本发明的第一实施例提供了一种道路节点的识别方法，该识别方法包括：
步骤S101，构建包括多个道路节点的交通网络。
在本发明的第一实施例中，上述交通网络包括多个道路节点，这些道路节点可分为三类。第一类是产生交通流的起始道路节点，第二类是吸引交通流的终止道路节点，第三类是位于起始道路节点与终止道路节点之间的中间道路节点。其中，每相邻两个道路节点之间的线段称之为路段，每条路段都有自己的容量(该容量可根据经验值进行设定)。在此，为了更清楚的描述上述交通网络，给出如图2所示的交通网络的示意图，其中，图2中的数字1、2、3、4、5、6、7、8、9各代表一个道路节点，而每相邻两个道路节点之间线段表示对应两个道路节点之间的路段，路段上的数字(例如图2中的15、20、25、30、35、50、60)代表对应路段的容量。
步骤S102，获取交通网络中的车流数据。
在本发明的第一实施例中，上述车流数据包括在第一预设时间段内第一预设数量的车辆到达交通网络的第一概率，和在第二预设时间段内交通网络中的任一路段上经过第二预设数量的车辆的第二概率。
步骤S103，获取交通网络中车辆的标签在道路节点上的逗留时间。
在本发明的第一实施例中，每个车辆都携带一个标签，且各个车辆的标签各不相同，当车辆达到上述交通网络中的某个道路节点时，会将自身携带的标签传递给该道路节点。在此假设车辆到达某个道路节点的时间为t，且该车辆(即该车辆的标签)在该道路节点的等待时间为w(w为一随机变量，只与该道路节点有关，与车辆的标签无关)，则该车辆的标签在该道路节点的逗留时间为[t，t+w]。
步骤S104，根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果。
在本发明的第一实施例中，可通过排队论模型中对离散时间模拟中的事件调度法，根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果。需要说明的是，整个仿真过程中主要包括车辆停留事件、车辆行驶事件和车辆离开事件这三种事件。
步骤S105，根据仿真结果，从多个道路节点中确定出作为交通瓶颈的道路节点。
在本发明的第一实施例中，在上述步骤S104中的仿真经历一段时间后，上述仿真结果至少包括：各道路节点上的标签集以及标签集中的每个标签在对应道路节点上的逗留时间。
在本发明的第一实施例中，通过根据构建的交通网络中的车流数据和车辆的标签在交通网络中的道路节点上的逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，并根据仿真结果，从交通网络中确定出为交通瓶颈的道路节点，解决了不能系统而整体地对交通网络中瓶颈进行研究，简便、准确地确定出交通网络中的交通瓶颈的问题，达到了能系统而整体地对交通网络中瓶颈进行研究，简便、准确地确定出交通网络中的交通瓶颈的效果。从而有助于相关部门制定合理的网络改造、交通管制方案，环节城市的交通拥堵问题。
在本发明的第一实施例中，假设车辆随机选择到达的道路节点，且到达交通网络的过程服从泊松分布，即车辆到达的时间间隔服从负指数分布，同时车辆在任一路段上的行驶时间(即在相邻两个道路节点之间的行驶时间)也服从泊松分布，即车辆行驶时间间隔服从负指数分布，那么上述步骤S102具体包括：
第一步，获取在第一预设时间段内第一预设数量的车辆到达交通网络的第一概率。具体地，可通过公式
获取该第一概率，其中，P1表示第一概率，e表示常数，λ表示车辆的达到率，t1表示第一预设时间段，n1表示第一预设数量，t1和n1可以根据实际情况进行设定，更具体地，n1可以取0、1、2、3等数值。需要说明的是，假设在t时刻，车辆到达的道路节点为i，且车辆将要去的下一个道路节点为j，路段R(该路段R为道路节点i与道路节点j之间的路段)的容量为a，在t时刻，路段R的车流量为R(t)，如果R(t)小于或等于a，则车辆进入路段R，如果R(t)大于a，则车辆需要等待，直至R(t)小于或等于a时才能进入路段R。
第二步，获取在第二预设时间段内交通网络中的任一路段上经过第二预设数量的车辆的第二概率。具体地，可通过公式
获取该第二概率，其中，P2表示第二概率，e表示常数，t2表示第二预设时间段，表示车辆平均行驶时间，n2表示第二预设数量，t2和n2可以根据实际情况进行设定，更具体地，n2可以取0、1、2、3等数值。
第三步，根据第一概率和第二概率，得到车流数据。需要说明的是，该车流数据相当于是由第一概率和第二概率构建的一个模型。
在本发明的第一实施例中，在用伪代码实现上述步骤S104仿真过程时，如图3所示，伪代码的编码主流程为：第一步，交通网络初始化；第二步，时间扫描开始；第三步，判断事件(event)的数值，当event＝1时，执行车辆停留事件的仿真流程，当event＝2时，执行车辆行驶事件的仿真流程，当event＝3时，执行车辆离开事件的仿真流程，且在执行完各仿真流程后返回。进一步地，如图4所示，车辆停留事件的仿真流程为：第一步，随机选择道路节点作为起点，更新各道路节点上的标签；第二步，判断该起点是否存在后继道路节点，若存在后继道路节点，则执行车辆行驶事件的仿真流程，若不存在后继道路节点，则执行车辆离开事件的仿真流程，且在执行完各仿真流程后返回。如图5所示，假设在t时刻，车辆到达的道路节点为i，且车辆将要去的下一个道路节点为j，路段R(该路段R为道路节点i与道路节点j之间的路段)的容量为a，在t时刻，路段R的车流量为R(t)，在t-1时刻，路段R车流量为R(t-1)，则车辆行驶事件的仿真流程为：第一步，判断R(t)是否小于或等于a，若R(t)大于a的话，则认为该车辆不能进入该路段R，需要等待直至路段R的车流量小于或等于a才能进入该路段R，需要等待的时间为b，若R(t)小于或等于a的话，则认为R(t)＝R(t-1)+1，且在t+1时刻，该车辆会达到道路节点j；第二步，当t+1时刻，车辆达到道路节点j时，路段R的车流量为R(t+1)，R(t+1)＝R(t)-1，同时更新各道路节点上的标签；第三步，判断道路节点j后是否存在后继道路节点，若存在后继道路节点，则执行车辆停留事件的仿真流程，若不存在后继道路节点，则执行车辆离开事件的仿真流程，且在执行完各仿真流程后返回。如图6所示，车辆离开事件的仿真流程为：更新各道路节点上的标签，接着返回。
在本发明的第一实施例中，如图7所示，上述步骤S105具体包括如下步骤：
步骤S701，根据仿真结果中道路节点上的标签集中各标签在道路节点上的逗留时间，计算得到道路节点的占用程度。
在本发明的第一实施例中，可通过公式
计算得到道路节点的占用程度，其中，occupied_state表示道路节点的占用程度，
h和k均表示道路节点上的标签集中的标
签的序号，STh表示道路节点上的标签集中的第h个标签在道路节点上的逗留时间，STk表示
道路节点上的标签集中的第k个标签在道路节点上的逗留时间。
步骤S702，根据道路节点的占用程度和道路节点上的标签集中标签的数量，计算道路节点的交通瓶颈指数。
在本发明的第一实施例中，可通过公式
计算得到道路节点的交通瓶颈指数，其中，bottleneck_index表示道路节点的交通瓶颈指数，Token_index表示道路节点上的标签集中标签的数量。
步骤S703，判断道路节点的交通瓶颈指数是否大于预设值，若道路节点的交通瓶颈指数大于预设值，则执行步骤S704。其中，该预设值可以根据经验值进行设定。
步骤S704，将道路节点作为交通瓶颈的道路节点。
在本发明的第一实施例中，通过计算出道路节点的交通瓶颈指数，实现交通瓶颈的量化，使得交通网络中交通瓶颈的识别更加准确。
第二实施例
如图8所示，本发明的第二实施例提供了一种道路节点的识别装置，该识别装置包括：
构建模块801，用于构建包括多个道路节点的交通网络；
第一获取模块802，用于获取交通网络中的车流数据；
第二获取模块803，用于获取交通网络中车辆的标签在道路节点上的逗留时间；
仿真模块804，用于根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果；
确定模块805，用于根据仿真结果，从多个道路节点中确定出作为交通瓶颈的道路节点。
其中，第一获取模块802包括：
第一获取单元，用于获取在第一预设时间段内第一预设数量的车辆到达交通网络的第一概率；
第二获取单元，用于获取在第二预设时间段内交通网络中的任一路段上经过第二预设数量的车辆的第二概率，路段为每相邻两个道路节点之间的线段；
第三获取单元，用于根据第一概率和第二概率，得到车流数据。
其中，第一获取单元包括：
第一获取子单元，用于通过公式
获取第一概率，其中，P1表示第一概率，e表示常数，λ表示车辆的达到率，t1表示第一预设时间段，n1表示第一预设数量。
其中，第二获取单元包括：
第二获取子单元，用于通过公式获取第二概率，其中，P2表示第二概率，e表示常数，t2表示第二预设时间段，表示车辆平均行驶时间，n2表示第二预设数量。
其中，仿真模块804包括：
仿真单元，用于通过离散时间模拟中的事件调度法，根据车流数据、逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，得到仿真结果。
其中，确定模块805包括：
第一计算单元，用于根据仿真结果中道路节点上的标签集中各标签在道路节点上的逗留时间，计算得到道路节点的占用程度；
第二计算单元，用于根据道路节点的占用程度和道路节点上的标签集中标签的数量，计算道路节点的交通瓶颈指数；
判断单元，用于判断道路节点的交通瓶颈指数是否大于预设值，并当道路节点的交通瓶颈指数大于预设值时，触发确定单元；
确定单元，用于根据判断单元的触发，将道路节点作为交通瓶颈的道路节点。
其中，第一计算单元包括：
第一计算子单元，用于通过公式
计算得到道路节点的占用程度，其中，occupied_state表示道路节点的占用程度，
h和k均表示道路节点上的标签集中的标
签的序号，STh表示道路节点上的标签集中的第h个标签在道路节点上的逗留时间，STk表示
道路节点上的标签集中的第k个标签在道路节点上的逗留时间。
其中，第二计算单元包括：
第二计算子单元，用于通过公式
计算得到道路节点的交通瓶颈指数，其中，bottleneck_index表示道路节点的交通瓶颈指数，Token_index表示道路节点上的标签集中标签的数量。
在本发明的第二实施例中，通过根据构建的交通网络中的车流数据和车辆的标签在交通网络中的道路节点上的逗留时间，对车辆的标签在交通网络中的传播过程进行仿真，并根据仿真结果，从交通网络中确定出为交通瓶颈的道路节点，解决了不能系统而整体地对交通网络中瓶颈进行研究，简便、准确地确定出交通网络中的交通瓶颈的问题，达到了能系统而整体地对交通网络中瓶颈进行研究，简便、准确地确定出交通网络中的交通瓶颈的效果。
需要说明的是，本发明第二实施例提供的道路节点的识别装置是应用上述道路节点的识别方法的装置，即上述道路节点的识别方法的所有实施例均适用于该道路节点的识别装置，且均能达到相同或相似的有益效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种道路节点的识别方法，其特征在于，所述识别方法包括：
构建包括多个道路节点的交通网络；
获取所述交通网络中的车流数据，包括：获取在第一预设时间段内第一预设数量的车辆到达所述交通网络的第一概率；获取在第二预设时间段内所述交通网络中的任一路段上经过第二预设数量的车辆的第二概率，所述路段为每相邻两个所述道路节点之间的线段；根据所述第一概率和第二概率，得到所述车流数据；
获取所述交通网络中车辆的标签在所述道路节点上的逗留时间；
根据所述车流数据、所述逗留时间，对所述车辆的标签在所述交通网络中的传播过程进行仿真，得到仿真结果；
根据所述仿真结果，从多个所述道路节点中确定出作为交通瓶颈的道路节点。
2.如权利要求1所述的识别方法，其特征在于，所述获取在第一预设时间段内第一预设数量的车辆到达所述交通网络的第一概率的步骤，包括：
通过公式
获取所述第一概率，其中，P1表示所述第一概率，e表示常数，λ表示车辆的达到率，t1表示所述第一预设时间段，n1表示所述第一预设数量。
3.如权利要求1所述的识别方法，其特征在于，所述获取在第二预设时间段内所述交通网络中的任一路段上经过第二预设数量的车辆的第二概率的步骤，包括：
通过公式获取所述第二概率，其中，P2表示所述第二概率，e表示常数，t2表示所述第二预设时间段，
表示车辆平均行驶时间，n2表示所述第二预设数量。
4.如权利要求1所述的识别方法，其特征在于，所述根据所述车流数据、所述逗留时间，对所述车辆的标签在所述交通网络中的传播过程进行仿真，得到仿真结果的步骤，包括：
通过离散时间模拟中的事件调度法，根据所述车流数据、所述逗留时间，对所述车辆的标签在所述交通网络中的传播过程进行仿真，得到仿真结果。
5.如权利要求1所述的识别方法，其特征在于，所述根据所述仿真结果，从多个所述道路节点中确定出作为交通瓶颈的道路节点的步骤，包括：
根据所述仿真结果中所述道路节点上的标签集中各标签在所述道路节点上的逗留时间，计算得到所述道路节点的占用程度；
根据所述道路节点的占用程度和所述道路节点上的标签集中标签的数量，计算所述道路节点的交通瓶颈指数；
判断所述道路节点的交通瓶颈指数是否大于预设值；
当所述道路节点的交通瓶颈指数大于预设值时，将所述道路节点作为交通瓶颈的道路节点。
6.如权利要求5所述的识别方法，其特征在于，所述根据所述仿真结果中所述道路节点上的标签集中各标签在所述道路节点上的逗留时间，计算得到所述道路节点的占用程度的步骤，包括：
通过公式
计算得到所述道路节点的占用程度，其中，occupied_state表示所述道路节点的占用程度，
h和k均表示所述道路节点上的标签集中的标签的序号，STh表示所述道路节点上的标签集中的第h个标签在所述道路节点上的逗留时间，STk表示所述道路节点上的标签集中的第k个标签在所述道路节点上的逗留时间。
7.如权利要求6所述的识别方法，其特征在于，所述根据所述道路节点的占用程度和所述道路节点上的标签集中标签的数量，计算所述道路节点的交通瓶颈指数的步骤，包括：
通过公式
计算得到所述道路节点的交通瓶颈指数，其中，bottleneck_index表示所述道路节点的交通瓶颈指数，Token_index表示所述道路节点上的标签集中标签的数量。
8.一种道路节点的识别装置，其特征在于，所述识别装置包括：
构建模块，用于构建包括多个道路节点的交通网络；
第一获取模块，用于获取所述交通网络中的车流数据；
第二获取模块，用于获取所述交通网络中车辆的标签在所述道路节点上的逗留时间；
仿真模块，用于根据所述车流数据、所述逗留时间，对所述车辆的标签在所述交通网络中的传播过程进行仿真，得到仿真结果；
确定模块，用于根据所述仿真结果，从多个所述道路节点中确定出作为交通瓶颈的道路节点；
所述第一获取模块包括：
第一获取单元，用于获取在第一预设时间段内第一预设数量的车辆到达所述交通网络的第一概率；
第二获取单元，用于获取在第二预设时间段内所述交通网络中的任一路段上经过第二预设数量的车辆的第二概率，所述路段为每相邻两个所述道路节点之间的线段；
第三获取单元，用于根据所述第一概率和第二概率，得到所述车流数据。
9.如权利要求8所述的识别装置，其特征在于，所述第一获取单元包括：
第一获取子单元，用于通过公式
获取所述第一概率，其中，P1表示所述第一概率，e表示常数，λ表示车辆的达到率，t1表示所述第一预设时间段，n1表示所述第一预设数量。
10.如权利要求8所述的识别装置，其特征在于，所述第二获取单元包括：
第二获取子单元，用于通过公式
获取所述第二概率，其中，P2表示所述第二概率，e表示常数，t2表示所述第二预设时间段，
表示车辆平均行驶时间，n2表示所述第二预设数量。
11.如权利要求8所述的识别装置，其特征在于，所述仿真模块包括：
仿真单元，用于通过离散时间模拟中的事件调度法，根据所述车流数据、所述逗留时间，对所述车辆的标签在所述交通网络中的传播过程进行仿真，得到仿真结果。
12.如权利要求8所述的识别装置，其特征在于，所述确定模块包括：
第一计算单元，用于根据所述仿真结果中所述道路节点上的标签集中各标签在所述道路节点上的逗留时间，计算得到所述道路节点的占用程度；
第二计算单元，用于根据所述道路节点的占用程度和所述道路节点上的标签集中标签的数量，计算所述道路节点的交通瓶颈指数；
判断单元，用于判断所述道路节点的交通瓶颈指数是否大于预设值，并当所述道路节点的交通瓶颈指数大于预设值时，触发确定单元；
确定单元，用于根据所述判断单元的触发，将所述道路节点作为交通瓶颈的道路节点。
13.如权利要求12所述的识别装置，其特征在于，所述第一计算单元包括：
第一计算子单元，用于通过公式
计算得到所述道路节点的占用程度，其中，occupied_state表示所述道路节点的占用程度，h和k均表示所述道路节点上的标签集中的标签的序号，STh表示所述道路节点上的标签集中的第h个标签在所述道路节点上的逗留时间，STk表示所述道路节点上的标签集中的第k个标签在所述道路节点上的逗留时间。
14.如权利要求13所述的识别装置，其特征在于，所述第二计算单元包括：
第二计算子单元，用于通过公式
计算得到所述道路节点的交通瓶颈指数，其中，bottleneck_index表示所述道路节点的交通瓶颈指数，Token_index表示所述道路节点上的标签集中标签的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510954225.5A CN106898139B (zh) | 2015-12-17 | 2015-12-17 | 一种道路节点的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510954225.5A CN106898139B (zh) | 2015-12-17 | 2015-12-17 | 一种道路节点的识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106898139A CN106898139A (zh) | 2017-06-27 |
| CN106898139B true CN106898139B (zh) | 2019-10-15 |
Family
ID=59188683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510954225.5A Active CN106898139B (zh) | 2015-12-17 | 2015-12-17 | 一种道路节点的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106898139B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915893B (zh) * | 2019-04-15 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 |
| CN114926976A (zh) * | 2022-03-28 | 2022-08-19 | 武汉市交通发展战略研究院 | 一种城市道路潜在交通瓶颈识别方法、系统及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103680157A (zh) * | 2014-01-06 | 2014-03-26 | 东南大学 | 一种面向城市瓶颈路段的车辆排队溢流预判方法 |
| CN104112361A (zh) * | 2014-04-25 | 2014-10-22 | 浙江大学 | 路网交通中常发瓶颈和偶发瓶颈的识别方法 |
| CN104766475A (zh) * | 2015-04-09 | 2015-07-08 | 银江股份有限公司 | 一种城市交通瓶颈挖掘方法 |
| CN204537445U (zh) * | 2015-05-02 | 2015-08-05 | 石立公 | 一种实时车道拥堵指数分析系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9342982B2 (en) * | 2013-09-09 | 2016-05-17 | International Business Machines Corporation | Traffic control agency deployment and signal optimization for event planning |
-
2015
- 2015-12-17 CN CN201510954225.5A patent/CN106898139B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103680157A (zh) * | 2014-01-06 | 2014-03-26 | 东南大学 | 一种面向城市瓶颈路段的车辆排队溢流预判方法 |
| CN104112361A (zh) * | 2014-04-25 | 2014-10-22 | 浙江大学 | 路网交通中常发瓶颈和偶发瓶颈的识别方法 |
| CN104766475A (zh) * | 2015-04-09 | 2015-07-08 | 银江股份有限公司 | 一种城市交通瓶颈挖掘方法 |
| CN204537445U (zh) * | 2015-05-02 | 2015-08-05 | 石立公 | 一种实时车道拥堵指数分析系统 |
Non-Patent Citations (1)
| Title |
|---|
| 路网中关键节点和重要路段的分析研究;钟茹;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20131115(第11期);正文第37-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106898139A (zh) | 2017-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103593535B (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 | |
| CN105070042B (zh) | 一种交通预测的建模方法 | |
| Jayakrishnan et al. | An evaluation tool for advanced traffic information and management systems in urban networks | |
| Zhang et al. | Optimizing minimum and maximum green time settings for traffic actuated control at isolated intersections | |
| Yousef et al. | Intelligent traffic light flow control system using wireless sensors networks. | |
| Nair et al. | A fuzzy logic controller for isolated signalized intersection with traffic abnormality considered | |
| CN102436751B (zh) | 基于城市宏观路网模型的交通流短时预测方法 | |
| CN103745611B (zh) | 一种交通路径规划方法、装置及系统 | |
| CN104916142B (zh) | 一种干道优先的交叉口自适应交通信号控制方法 | |
| CN105608896A (zh) | 城市交通网络中的交通瓶颈识别方法 | |
| CN106971262A (zh) | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 | |
| CN104616076A (zh) | 一种城市轨道交通多线协同运营方案的优化方法及系统 | |
| CN108682147A (zh) | 一种高速公路交通拥堵疏导决策方法 | |
| Pham et al. | Learning coordinated traffic light control | |
| CN107490384A (zh) | 一种基于城市路网的最优静态路径选择方法 | |
| CN106898139B (zh) | 一种道路节点的识别方法及装置 | |
| Mittal et al. | Network flow relations and travel time reliability in a connected environment | |
| CN107045794A (zh) | 路况处理方法及装置 | |
| Guerrero-Ibanez et al. | A policy-based multi-agent management approach for intelligent traffic-light control | |
| Arnesen et al. | An estimator for traffic breakdown probability based on classification of transitional breakdown events | |
| Varia et al. | Dynamic optimal traffic assignment and signal time optimization using genetic algorithms | |
| Lin et al. | A simulation-based multiclass, multimodal traffic assignment model with departure time for evaluating traffic control plans of planned special events | |
| Fujimoto et al. | Ad hoc distributed simulations | |
| CN104731853A (zh) | 一种基于个体活动链的公交客流时空分布仿真方法及仿真系统 | |
| CN113191029B (zh) | 基于集群计算的交通仿真方法、程序及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |