CN107146446A

CN107146446A - 一种基于rfid数据和动态车源的路径诱导方法

Info

Publication number: CN107146446A
Application number: CN201710557731.XA
Authority: CN
Inventors: 王璞; 王骋程
Original assignee: Central South University
Current assignee: Central South University
Priority date: 2017-07-10
Filing date: 2017-07-10
Publication date: 2017-09-08
Anticipated expiration: 2037-07-10
Also published as: CN107146446B

Abstract

本发明提供了一种基于RFID数据和动态车源的路径诱导方法，包括以下步骤：1)构建城市道路交通网络；2)将RFID基站与路段节点匹配；基于RFID记录数据提取基于路段节点的出行OD；3)采用MSA算法将出行OD分配到各个路段上，得到各路段流量和额外行驶时间；4)计算每个RFID基站的总额外行驶时间；将总额外行驶时间最长的N个RFID基站作为造成拥堵的主要车源；5)在进行路径诱导时，对于从造成拥堵的主要车源出发的出行和从其它车源出发的出行，分别使用不同的路阻函数来计算各条路段上的阻抗，基于MSA算法将该时段所有出行分配到各个路段上。本发明能有针对性地对局部车辆进行路径诱导，缓解交通拥堵问题。

Description

一种基于RFID数据和动态车源的路径诱导方法

技术领域

本发明属于交通技术领域，具体涉及一种基于RFID数据和动态车源的路径诱导方法。

背景技术

随着城市化的加速和汽车使用率的提高，城市交通拥堵问题日益严重。交通拥堵的发生将带来燃料消耗、污染气体排放、出行时间增加等多种问题，影响人们的生活环境和出行体验。如何提高城市运输效率，缓解交通拥堵，是解决资源节约、环境保护和人类健康的重要课题之一。现在缓解交通拥堵的主要方式有：控制交通需求、改善道路网络结构、改善交通基础设施、智能路径诱导等。其中，智能路径诱导策略相对于交通需求控制更有利于提高司机接受度，具有更高的可行性，且相对于改善道路网络结构和交通基础设施更便于交通管理部门实施，有利于降低成本，因此该方向现已被广泛研究。但是，现有的智能路径诱导方法仍存在如下问题：

1)缺乏精确实时的交通需求数据，对智能路径诱导的研究局限于理论模型，其可行性和实用性难以证明。

2)目前的路径诱导方法大部分是利用静态的交通信息以全局的角度进行路径诱导，管理范围较广不利于管理部门实施，同时不利于司机接受诱导策略。

因此，有必要设计一种新的路径诱导方法。

发明内容

本发明所解决的技术问题是，针对现有技术的不足，提供一种基于RFID数据和动态车源的路径诱导方法，有针对性地对局部车辆进行路径诱导，缓解交通拥堵问题，可行性和实用性高。

本发明所提供的技术方案为：

一种基于RFID数据和动态车源的路径诱导方法，包括以下步骤：

步骤一、提取城市道路信息和道路属性，构建城市道路交通网络；

所述城市道路交通网络由节点和节点之间有向边组成，所述节点是路段与路段的接触点，所述有向边是指路段；路段属性包括路段限速v、路段长度s、路段自由行驶时间t_f以及车道数l；其中路段自由行驶时间t_f由该路段长度除以其限速得到，即t_f＝s/v；

步骤二、将RFID基站与城市道路交通网络中的节点匹配；基于RFID记录数据，提取不同时段基于路段节点的出行OD，每个出行OD为一个二维向量，其第1个分量为出行的起始节点，第2个分量为出行的终止节点；

所述将RFID基站与城市道路交通网络中的节点匹配是指：对于每一个RFID基站，首先根据其观测方向，搜索所在路段上的车辆行驶方向与该RFID基站的观测方向相同的节点；再找到这些节点中距离该RFID基站最近的节点，将该RFID基站匹配至最近的节点；提取不同时段基于路段节点的出行OD是指根据统计RFID记录的时间间隔分布，设定时间间隔阈值，并定义相邻两次RFID记录的时间间隔大于设定的阈值时，这两次记录分别属于两次出行，从而区分不同的出行，得到精确的出行OD；

步骤三、采用MSA算法将各个时段的出行OD分别分配到各个路段上，得到各个时段接近真实交通状况下的路段流量，并计算各个时段下各路段的额外行驶时间；

步骤四、将每个RFID基站作为车源，根据各个时段下路段的额外行驶时间，得到各个时段下每个RFID基站的总额外行驶时间；分别比较每个时段下各个RFID基站的总额外行驶时间，将总额外行驶时间最长的N个RFID基站作为相应时段造成拥堵的主要车源；不同时段造成拥堵的主要车源分布有所差异，是动态变化的；

步骤五、在进行路径诱导时，采用MSA算法将相应时段所有出行分配到各个路段上，完成路径诱导；在采用MSA算法分配出行的过程中，对于从该时段造成拥堵的主要车源出发的出行和从其它车源出发的出行，分别使用不同的路阻函数来计算各条路段上的阻抗。通过使用不同的路阻函数来进行交通流量分配和路径诱导，使用户最优状态向系统最优状态改变；根据不同时段造成拥堵的主要车源的动态变化，有针对地对不同的区域的出行智能提供有效路径诱导策略。

进一步地，所述步骤三中，采用MSA算法将某个时段的出行OD分配到各个路段上的具体步骤如下：

3.1)、设置迭代初始值n＝1，

3.2)、对于每一个路段，更新其旅行时间：

其中，表示第n次迭代中路段a的旅行时间，t_af表示路段a的自由行驶时间，通过BPR(Bureau of Public Roads)路阻函数计算得到；α、β是阻滞系数，根据经验取值(根据美国公路局给出的推荐值，α＝0.15，β＝4)，C_a为路段a的容量，根据路段a的限速v_a和车道数l_a进行计算；为第n-1次迭代计算得到的路段a的流量；

3.3)、根据各路段的旅行时间用全有全无分配法将所有OD分配到相应的最短路径(一对OD对之间的路径中，总阻抗最小的路径即为最短路径；采用Dijkstra算法求解最短路径)上，得到第n次迭代中各路段的附加流量

3.4)、通过以下公式计算第n次迭代中各路段的流量：

3.5)、当满足收敛条件时，停止计算，将作为最终的分配结果；如果不是，令n＝n+1并返回步骤2)。

进一步地，所述步骤3.5)中，收敛条件为：迭代计算得到的和满足其中ε为收敛阈值，ε<0.0001。

进一步地，所述步骤三中，路段a的容量C_a计算公式如下表所示：

表1.路段容量C_a计算公式.

进一步地，所述步骤三中，根据以下方程计算路段a的额外行驶时间：

进一步地，步骤四中，根据路段额外行驶时间，计算RFID基站的总额外行驶时间的公式如下：

其中，q_zs表示从RFID基站z到RFID基站s的出行OD数量，K_zs表示RFID从基站z到RFID基站s的路径上的路段集合，NS表示从RFID基站z出发的所有出行OD的集合。

进一步地，所述步骤五中，采用MSA算法将相应时段所有出行分配到各个路段上的具体步骤如下：

5.1)、设置迭代初始值k＝1，

5.2)、对于每一个路段，更新其路段阻抗：

其中，表示第k次迭代中路段a的阻抗，c_af表示路段a的自由阻抗，c_af＝t_af；表示路段流量为时路段a的路阻，通过路阻函数计算得到；对于从造成主要拥堵的动态车源出发的出行，采用以下路阻函数：其中表示路段流量为时路段a的旅行时间，α、β是阻滞系数，根据经验取值；C_a为路段a的容量，根据路段a的限速v_a和车道数l_a进行计算；t_af表示路段a的自由行驶时间；为第k-1次迭代计算得到的路段a的流量；对于从其它车源出发的出行，采用以下路阻函数来计算各路段上的阻抗：

5.3)、根据各路段的阻抗将从造成主要拥堵的动态车源出发的出行和其它车源出发的出行分别分配到相应的最短路径上，对路段流量进行累加得到第k次迭代中各路段的附加流量

5.4)、通过以下公式计算第k次迭代中各路段的流量：

5.5)、当满足收敛条件时，停止计算，将作为最终的分配结果；如果不是，令k＝k+1并返回步骤2)。

进一步地，所述步骤5.5)中，收敛条件为：迭代计算得到的和满足其中ε为收敛阈值，ε<0.0001。

进一步地，所述步骤五中，根据缓解拥堵的效率，设定造成拥堵的主要车源的个数N。

有益效果：随着信息技术的发展，大量高精度高分辨率的实时交通信息逐渐被获取和应用，本发明提供了一种基于RFID数据和动态车源的路径诱导方法，基于城市交通网络和高分辨率高精度的RFID数据提取的真实精确的交通需求信息(出行OD信息)，采用MSA算法求解用户最优的情况下的交通量从而得到出行的额外行驶时间。不同时段的出行规律存在差异，通过分析不同时段产生额外行驶时间最多的基站，定位得到不同时段造成拥堵的主要车源，有针对性地对局部车辆进行路径诱导，相对于诱导全部车辆具有更高的可行性。针对从车源出发的车辆通过改变路段的交通阻抗，使用户最优向系统最优的转化。通过这种方式达到路径诱导的目的，且其减缓拥堵的效果接近诱导全部车辆达到的效果。通过分析拥堵减轻的标准——总额外行驶时间的减少量ΔT_e和流量大于路段容量的拥堵路段的减少个数ΔN_c，当车源个数增加时，改善交通的效率逐渐变低，因此在保证减轻拥堵效果的基础上可以减少控制车源的数量以减轻交通管理的压力。通过调整车源个数，实现可以调控的交通流分配，提供更高效可行性更强的路径诱导策略，在降低管理难度和提高驾驶员接受度的情况下在很大程度上缓解交通拥堵问题。本发明与现有技术相比，有以下优点：

1)传统的路径诱导方法多数以理论数据或静态的交通信息为基础，容易忽略城市道路交通的动态变化。本发明利用RFID数据在时间分辨率上的优势，获取高精度高分辨率的交通需求数据，动态车源信息更加精确，有利于根据不同时段的出行特点，对不同区域的车辆提供路径诱导策略；可以获取真实的动态交通信息，有利于证明方法的可行性和实用性。

2)通过分析不同时段造成拥堵的主要车源信息，根据不同时段的出行规律，可以有针对性地引导部分区域的车辆，减轻交通管理部门的管理难度。

附图说明

图1本发明所述基于RFID数据和动态车源的路径诱导方法的流程图；

图2应用本方法分析不同时段的车源分布，其中，(a)、(b)分别表示在早高峰和非高峰时段前45个车源的地理分布情况。

图3应用本方法进行智能路径诱导的效果展示图，其中，(a)、(b)分别表示在早高峰和非高峰时段总额外行驶时间的减少量ΔT_e和流量大于路段容量的拥堵路段的减少个数ΔN_c随着车源个数的变化。

具体实施方式

本发明提出了一种基于RFID数据和动态车源的路径诱导方法，下面结合附图和具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。方法流程图见附图1，主要包括如下步骤：

1)对南京市有RFID基站覆盖的真实道路交通网络进行建模，生成初始路网G₀。城市道路交通网络由节点和节点之间有向边组成，所述有向边是指城市道路交通网络中的路段。南京市城市道路交通网络工包括路段节点3917个，路段4986条。路段中包含路段限速v、车道数l，路段长度s等信息，路段的自由行驶时间t_f＝s/v，路段容量C由表1计算得到。

表1.路段容量C计算公式.

2)南京市的RFID数据来自244个RFID基站，根据其位置信息和方向信息将244个RFID基站匹配到路网G₀中最近的节点。通过统计RFID记录的时间间隔分布，77.6％的时间间隔在20分钟以内，因此定义相邻两次RFID记录的时间间隔大于20分钟时，这两次记录分别属于两次出行。以一个小时为时间区间，根据每次出行的起始时间得到不同时间段的出行OD，8:00a.m.-9:00a.m.定义为早高峰时段，非高峰时段选取10:00a.m.-11:00a.m.。

3)得到出行OD后，采用MSA算法将出行OD分配到各个路段上，得到接近真实交通状况下的路段流量和额外行驶时间。具体的算法步骤如下所示：

0.赋初值n＝1，

1.更新每条路段的旅行时间当n＝1时，路段的旅行时间为自由行驶时间；

2.根据各路段的旅行时间用全有全无分配法将所有OD分配到相应的最短路径上，得到路段流量

3.修正每个路段的流量，

4.当接近时，为最终的分配结果；如果不是，令n＝n+1并返回步骤1；

在算法中，通过Bureau of Public Roads(BPR)方程得到，其中参数α＝0.15，β＝4；通过交通流的分配得到各个路段的流量，根据BPR方程计算路段a的额外行驶时间

4)以每个RFID基站作为车源，根据路段额外行驶时间t_ae，可以得到RFID基站n的总额外行驶时间：

其中，q_zs表示从RFID基站z到RFID基站s的出行OD数量，K_zs表示RFID从基站z到RFID基站s的路径上的路段集合，NS表示从RFID基站z出发的所有出行OD的集合。对不同时段各个基站额外出行时间进行排序，可以得到造成拥堵的主要车源。图2(a)、(b)表示早高峰和非高峰时段前45个造成拥堵的主要车源地理分布。

5)在某一时段，对于从该时段造成拥堵的主要车源出发的出行，在进行交通流分配和路径诱导时采用路阻函数c_a(f)＝t_a(f)+fd[t_a(f)]/df来计算各路段上的阻抗，其中t_a(f)表示路段流量为f时路段a的旅行时间。对于从其它车源出发的出行，在进行交通流分配时，采用路阻函数c_a(f)＝t_a(f)来计算各路段上的阻抗。通过使用不同的路阻函数来进行交通流量分配和路径诱导，使用户最优状态向系统最优状态改变；根据不同时段造成拥堵的主要车源的动态变化，有针对地对不同的区域的出行智能提供有效路径诱导策略。图3(a)、(b)表示早高峰和非高峰时段总额外行驶时间的减少量ΔT_e和流量大于路段容量的拥堵路段的减少个数ΔN_c随着车源个数的增加而增加，但是拥堵缓解的效率逐渐降低。根据图2中体现的缓解拥堵效率可以选择车源的个数为45，在保证缓解拥堵效果的基础上提供更高效更便于实施的路径选择。

Claims

1.一种基于RFID数据和动态车源的路径诱导方法，其特征在于，包括以下步骤：

步骤四、将每个RFID基站作为车源，根据各个时段下路段的额外行驶时间，得到各个时段下每个RFID基站的总额外行驶时间；分别比较每个时段下各个RFID基站的总额外行驶时间，将总额外行驶时间最长的N个RFID基站作为相应时段造成拥堵的主要车源；

步骤五、在进行路径诱导时，采用MSA算法将相应时段所有出行分配到各个路段上，完成路径诱导；在采用MSA算法分配出行的过程中，对于从该时段造成拥堵的主要车源出发的出行和从其它车源出发的出行，分别使用不同的路阻函数来计算各条路段上的阻抗。

2.根据权利要求1所述的一种基于RFID数据和动态车源的路径诱导方法，其特征在于，所述步骤三中，采用MSA算法将某个时段的出行OD分配到各个路段上的具体步骤如下：

3.1)、设置迭代初始值n＝1，

3.2)、对于每一个路段，更新其旅行时间：

其中，表示第n次迭代中路段a的旅行时间，t_af表示路段a的自由行驶时间，通过BPR路阻函数计算得到；α、β是阻滞系数，根据经验取值；C_a为路段a的容量，根据路段a的限速v_a和车道数l_a进行计算；为第n-1次迭代计算得到的路段a的流量；

3.3)、根据各路段的旅行时间用全有全无分配法将所有OD分配到相应的最短路径上，得到第n次迭代中各路段的附加流量

3.4)、通过以下公式计算第n次迭代中各路段的流量：

3.根据权利要求2所述的一种基于RFID数据和动态车源的路径诱导方法，其特征在于，所述步骤3.5)中，收敛条件为：迭代计算得到的和满足其中ε为收敛阈值，ε<0.0001。

4.根据权利要求2所述的一种基于RFID数据和动态车源的路径诱导方法，其特征在于，所述步骤三中，路段a的容量C_a计算公式如下表所示：

表1.路段容量C_a计算公式.

5.根据权利要求2所述的一种基于RFID数据和动态车源的路径诱导方法，其特征在于，所述步骤三中，根据以下方程计算路段a的额外行驶时间：

<mrow> <msub> <mi>t</mi> <mrow> <mi>a</mi> <mi>e</mi> </mrow> </msub> <mo>=</mo> <mi>&alpha;</mi> <msup> <mrow> <mo>(</mo> <msubsup> <mi>f</mi> <mi>a</mi> <mi>n</mi> </msubsup> <mo>/</mo> <msub> <mi>C</mi> <mi>a</mi> </msub> <mo>)</mo> </mrow> <mi>&beta;</mi> </msup> <msub> <mi>t</mi> <mrow> <mi>a</mi> <mi>f</mi> </mrow> </msub> <mo>.</mo> </mrow>

6.根据权利要求4所述的一种基于RFID数据和动态车源的路径诱导方法，其特征在于，步骤四中，根据路段额外行驶时间，计算RFID基站的总额外行驶时间的公式如下：

<mrow> <msub> <mi>t</mi> <mi>e</mi> </msub> <mrow> <mo>(</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <mo>(</mo> <mi>z</mi> <mo>,</mo> <mi>s</mi> <mo>)</mo> <mo>&Element;</mo> <mi>N</mi> <mi>S</mi> </mrow> </munder> <mo>&lsqb;</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>a</mi> <mo>&Element;</mo> <msub> <mi>K</mi> <mrow> <mi>z</mi> <mi>s</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>t</mi> <mrow> <mi>a</mi> <mi>e</mi> </mrow> </msub> <mo>&rsqb;</mo> <msub> <mi>q</mi> <mrow> <mi>z</mi> <mi>s</mi> </mrow> </msub> </mrow>

7.根据权利要求1所述的一种基于RFID数据和动态车源的路径诱导方法，其特征在于，所述步骤五中，采用MSA算法将相应时段所有出行分配到各个路段上的具体步骤如下：

5.1)、设置迭代初始值k＝1，

5.2)、对于每一个路段，更新其路段阻抗：

5.4)、通过以下公式计算第k次迭代中各路段的流量：

8.根据权利要求7所述的一种基于RFID数据和动态车源的路径诱导方法，其特征在于，所述步骤5.5)中，收敛条件为：迭代计算得到的和满足其中ε为收敛阈值，ε<0.0001。

9.根据权利要求1～8中任一项所述的一种基于RFID数据和动态车源的路径诱导方法，其特征在于，所述步骤五中，根据缓解拥堵的效率，设定造成拥堵的主要车源的个数N。