CN107564290A - 一种城市道路交叉口饱和流率计算方法 - Google Patents
一种城市道路交叉口饱和流率计算方法 Download PDFInfo
- Publication number
- CN107564290A CN107564290A CN201710956373.XA CN201710956373A CN107564290A CN 107564290 A CN107564290 A CN 107564290A CN 201710956373 A CN201710956373 A CN 201710956373A CN 107564290 A CN107564290 A CN 107564290A
- Authority
- CN
- China
- Prior art keywords
- mrow
- headway
- data
- urban road
- calculating
- 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.)
- Granted
Links
- 238000000205 computational method Methods 0.000 title abstract 3
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000007621 cluster analysis Methods 0.000 claims abstract description 19
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 12
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 5
- 206010021033 Hypomenorrhoea Diseases 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市道路交叉口饱和流率计算方法，其中，包括：采集城市道路交叉口的交通数据；对所述交通数据进行预处理，并对预处理后得到的结果数据进行存储；根据Grubbs算法实时计算并存储单周期城市道路交叉口的平均车头时距；根据K‑means聚类算法对相同天气条件下单周期城市道路交叉口的平均车头时距进行聚类分析，得到聚类分析结果；根据所述聚类分析结果计算饱和情况下车头时距的均值，得到不同天气条件下城市道路交叉口饱和流率。本发明提供的城市道路交叉口饱和流率计算方法提高了不同天气条件下城市道路交叉口饱和流率的精度。
Description
技术领域
本发明涉及交通控制技术领域，尤其涉及一种城市道路交叉口饱和流率计算方法。
背景技术
近年来，随着国民经济高速发展汽车保有量持续增长，2016年中国汽车保有量达1.94亿辆。不断增长的汽车数量对城市交通系统的正常运行带来巨大的压力，人们对交通系统运行的可靠性和可控性要求越来越高。城市道路交叉口是道路交通的咽喉，其通行能力直接影响整个交通网络的承载能力。由于不同方向机动车、非机动车和行人的相互干扰，交叉口处容易出现拥堵等问题。通过标志设置、道路渠化等交通组织方法进行调整的费用较高、交通参与者适应周期较长。因此，交通信号控制系统成为交叉口交通控制的主要方法。交通信号控制系统通过交通流信息采集和信号控制算法，可以提高城市道路交叉口的通行能力，均衡路网内交通流，避免或缓解道路交通拥堵，同时减少车辆拥堵停车等待时的尾气排放，降低环境污染。
饱和流率是交通信号配时优化的关键参数之一，一般可以通过模型或实测计算获得。饱和流率的模型计算方法需要根据影响饱和流率的因素进行各种修正，这些修正参数在量化或测量时存在一定难度，因此实际工程应用中多采用实测车头时距的方法来确定饱和流率。实测车头时距法测量饱和车流中小型车辆(即标准车辆)通过停止线的车头时距，为避免绿灯初期损失时间的影响，剔除最初几辆车的数据，最后取平均车头时距的倒数乘以3600即为饱和流率。该方法简单、易用，但是在实际应用中很难排除车型、天气等外部因素对车头时距的影响，不能满足交通信号配时优化对饱和流率精度的要求。
因此，如何能够提高不同天气条件下城市道路交叉口饱和流率的精度成为本领域技术人员亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种城市道路交叉口饱和流率计算方法，以解决现有技术中的问题。
作为本发明的第一个方面，提供一种城市道路交叉口饱和流率计算方法，其中，所述城市道路交叉口饱和流率计算方法包括：
采集城市道路交叉口的交通数据；
对所述交通数据进行预处理，并对预处理后得到的结果数据进行存储；
根据Grubbs算法实时计算并存储单周期城市道路交叉口的平均车头时距；
根据K-means聚类算法对相同天气条件下单周期城市道路交叉口的平均车头时距进行聚类分析，得到聚类分析结果；
根据所述聚类分析结果计算饱和情况下车头时距的均值，得到不同天气条件下城市道路交叉口饱和流率。
优选地，所述交通数据包括信号灯数据、天气数据、车辆检测器占有数据、车道信息数据以及各个数据的采集时间。
优选地，所述对所述交通数据进行预处理，并对预处理后得到的结果数据进行存储包括：
根据各个数据的采集时间将所述车辆检测器占有数据、信号灯数据和天气数据分别对应；
根据所述车道信息数据将对应后的数据进行存储。
优选地，所述根据Grubbs算法实时计算并存储单周期城市道路交叉口的平均车头时距包括：
根据所述车辆检测器占有数据计算单个绿灯期间车辆间的车头时距，并对车头时距进行排序；
构造判别统计量Gi并计算获得检验水平为α的异常值判别的临界值Gαi；
根据判别统计量Gi和异常值判别的临界值Gαi的大小关系来剔除车头时距中的异常值，其中，异常值包括大中型车辆的车头时距和因绿灯延误造成偏大的车头时距；
计算剩余车头时距的平均值，并将计算得到的平均值作为单周期内平均车头时距。
优选地，所述构造判别统计量Gi并计算获得检验水平为α的异常值判别的临界值Gαi包括：
构造判别统计量Gi：
其中，Gi表示第i个周期的判别统计量，n表示周期个数，tsi表示车头时距的实测数据，表示实测数据的均值，表示实测数据的方差；
利用t分布变换得到检验水平为α的异常值判别的临界值Gαi：
其中，Gαi表示与均值和方差无关的临界值统计量，tαi表示检验水平为α自由度为m-2的t分布，m表示实测车头时距的个数。
优选地，所述根据判别统计量Gi和异常值判别的临界值Gαi的大小关系来剔除异常值包括：
当Gi＞Gαi，i＝1，2…，n时，判定为异常值并剔除该异常值，车头时距的数量减1；
重复上述异常值剔除判断，直到Gi＜Gαi，i＝1，2…，n时，判定所述车头时距中的全部异常值被剔除。
优选地，所述单周期内平均车头时距包括单周期内左转车道平均车头时距和直行车道平均车头时距，所述单周期内平均车头时距
其中，N表示单周期内车头时距的个数，hp表示第p个车头时距，表示第j个周期平均车头时距。
优选地，所述根据K-means聚类算法对相同天气条件下单周期城市道路交叉口的平均车头时距进行聚类分析，得到聚类分析结果包括：
初始化聚类中心；
将数据分配到最近的聚类中心；
重新计算聚类中心；
重复“将数据分配到最近的聚类中心和重新计算聚类中心”步骤以使得准则函数最小化；
剔除非饱和或拥堵情况下的簇，计算平均车头时距。
优选地，所述计算平均车头时距为：
其中，表示城市道路交叉口平均车头时距，M＜N，M表示剔除异常值后的单个周期平均车头时距个数，q表示剔除异常值后的单个周期第q个平均车头时距，表示剔除异常值后的单个周期平均车头时距。
优选地，所述根据所述聚类分析结果计算饱和情况下车头时距的均值，得到不同天气条件下城市道路交叉口饱和流率包括：
其中，S表示不同天气条件下城市道路交叉口饱和流率。
本发明提供的城市道路交叉口饱和流率计算方法，通过分析城市道路交叉口处车流运动和排队规律，排除车型、启动延误等因素对车辆占有检测器时间的影响，实时计算城市道路交叉口单周期内平均车头时距，基于K-means聚类算法对单周期平均车头时距进行聚类分析，排除拥堵或非饱和情况的影响，进而计算得到城市道路交叉口饱和流率，因此，本发明提供的城市道路交叉口饱和流率计算方法提高了不同天气条件下城市道路交叉口饱和流率精度计算，获得的饱和流率与传统人工计算精度相符，且方法可靠实用，可广泛应用于交通控制系统的信号配时优化。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的城市道路交叉口饱和流率计算方法的流程图。
图2为本发明提供的城市道路交叉口饱和流率计算方法的具体实施方式示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
作为本发明的第一个方面，提供一种城市道路交叉口饱和流率计算方法，其中，如图1所示，所述城市道路交叉口饱和流率计算方法包括：
S110、采集城市道路交叉口的交通数据；
S120、对所述交通数据进行预处理，并对预处理后得到的结果数据进行存储；
S130、根据Grubbs算法实时计算并存储单周期城市道路交叉口的平均车头时距；
S140、根据K-means聚类算法对相同天气条件下单周期城市道路交叉口的平均车头时距进行聚类分析，得到聚类分析结果；
S150、根据所述聚类分析结果计算饱和情况下车头时距的均值，得到不同天气条件下城市道路交叉口饱和流率。
本发明提供的城市道路交叉口饱和流率计算方法，通过分析城市道路交叉口处车流运动和排队规律，排除车型、启动延误等因素对车辆占有检测器时间的影响，实时计算城市道路交叉口单周期内平均车头时距，基于K-means聚类算法对单周期平均车头时距进行聚类分析，排除拥堵或非饱和情况的影响，进而计算得到城市道路交叉口饱和流率，因此，本发明提供的城市道路交叉口饱和流率计算方法提高了不同天气条件下城市道路交叉口饱和流率精度计算，获得的饱和流率与传统人工计算精度相符，且方法可靠实用，可广泛应用于交通控制系统的信号配时优化。
具体地，所述交通数据包括信号灯数据、天气数据、车辆检测器占有数据、车道信息数据以及各个数据的采集时间。
具体地，所述对所述交通数据进行预处理，并对预处理后得到的结果数据进行存储包括：
根据各个数据的采集时间将所述车辆检测器占有数据、信号灯数据和天气数据分别对应；
根据所述车道信息数据将对应后的数据进行存储。
具体地，所述根据Grubbs算法实时计算并存储单周期城市道路交叉口的平均车头时距包括：
根据所述车辆检测器占有数据计算单个绿灯期间车辆间的车头时距，并对车头时距进行排序；
构造判别统计量Gi并计算获得检验水平为α的异常值判别的临界值Gαi；
根据判别统计量Gi和异常值判别的临界值Gαi的大小关系来剔除车头时距中的异常值，其中，异常值包括大中型车辆的车头时距和因绿灯延误造成偏大的车头时距；
计算剩余车头时距的平均值，并将计算得到的平均值作为单周期内平均车头时距。
进一步具体地，所述构造判别统计量Gi并计算获得检验水平为α的异常值判别的临界值Gαi包括：
构造判别统计量Gi：
其中，Gi表示第i个周期的判别统计量，n表示周期个数，tsi表示车头时距的实测数据，表示实测数据的均值，表示实测数据的方差；
利用t分布变换得到检验水平为α的异常值判别的临界值Gαi：
其中，Gαi表示与均值和方差无关的临界值统计量，tαi表示检验水平为α自由度为m-2的t分布，m表示实测车头时距的个数。
进一步具体地，所述根据判别统计量Gi和异常值判别的临界值Gαi的大小关系来剔除异常值包括：
当Gi＞Gαi，i＝1，2…，n时，判定为异常值并剔除该异常值，车头时距的数量减1；
重复上述异常值剔除判断，直到Gi＜Gαi，i＝1，2…，n时，判定所述车头时距中的全部异常值被剔除。
具体地，所述单周期内平均车头时距包括单周期内左转车道平均车头时距和直行车道平均车头时距，所述单周期内平均车头时距
其中，N表示单周期内车头时距的个数，hp表示第p个车头时距，表示第j个周期平均车头时距。
具体地，所述根据K-means聚类算法对相同天气条件下单周期城市道路交叉口的平均车头时距进行聚类分析，得到聚类分析结果包括：
初始化聚类中心；
将数据分配到最近的聚类中心；
重新计算聚类中心；
重复“将数据分配到最近的聚类中心和重新计算聚类中心”步骤以使得准则函数最小化；
剔除非饱和或拥堵情况下的簇，计算平均车头时距。
需要说明的是，所述准则函数为：
其中，Jc表示每个簇中数据x与聚类中心cr的距离平方和，k表示聚类的个数，r表示第r个聚类，wr表示第r个聚类的数据集合。
可以理解的是，在进行聚类分析时，首先初始化聚类中心，该初始化聚类中心是随机选取的，然后将所有数据分配到最近的聚类中心，再重新计算聚类中心，后面则不断重复将数据分配到最近的聚类中心以及重新计算聚类中心的步骤，直到准则函数最小化时停止，最后剔除掉饱和或者拥堵情况下的簇，计算平均车头时距。
需要说明的是，在使得准则函数最小化时，通常将Jc与设定的阈值比较，计算Jc与阈值之间的差值是否小于某一数值，如果满足，则准则函数已经最小化。
具体地，所述计算平均车头时距为：
其中，表示城市道路交叉口平均车头时距，M＜N，M表示剔除异常值后的单个周期平均车头时距个数，q表示剔除异常值后的单个周期第q个平均车头时距，表示剔除异常值后的单个周期平均车头时距。
进一步具体地，所述根据所述聚类分析结果计算饱和情况下车头时距的均值，得到不同天气条件下城市道路交叉口饱和流率包括：
其中，S表示不同天气条件下城市道路交叉口饱和流率。
下面结合图2对本发明提供的城市道路交叉口饱和流率计算方法作进一步说明。
如图2所示，本发明提供的城市道路交叉口饱和流率计算方法可以应用于不同天气条件下，具体包括以下步骤：
步骤S1、采集数据，所需采集的数据包括信号灯数据、天气数据、车辆检测器占有数据、车道信息并记录相应时间。
步骤S2、数据预处理，根据时间将车辆检测器占有数据、信号灯数据和天气数据对应，并根据车道信息分别存储。
步骤S3、利用Grubbs算法排除车型等因素对车头时距的影响，实时计算并存储单周期城市道路交叉口的平均车头时距。
步骤S31、根据车辆检测器占有数据计算单个绿灯期间车辆间的车头时距；
步骤S32、构造判别统计量Gi：
其中，Gi表示第i个周期的判别统计量，n表示周期个数，tsi表示车头时距的实测数据，表示实测数据的均值，表示实测数据的方差。
利用t分布变换上式得到检验水平为α的异常值判别的临界值Gαi：
其中，Gαi表示与均值和方差无关的临界值统计量，tαi表示检验水平为α自由度为m-2的t分布，m表示实测车头时距的个数。
当Gi＞Gαi时，样本为异常值，应该被剔除，样本数减去1，重复上述过程，直到Gi＜Gαi，i＝1，2…，n时，表明全部的异常值被剔除。所述异常值包括大中型车辆的车头时距，因绿灯延误等原因造成偏大的车头时距。
步骤S33、求剩余车头时距的平均值作为单周期内平均车头时距。单周期内平均车头时距包括单周期内左转车道平均车头时距和直行车道平均车头时距，根据所述步骤计算得到单周期平均车头时距，所述单周期内的平均车头时距为：
其中，N表示单周期内车头时距的个数，hp表示第p个车头时距，表示第j个周期平均车头时距。
步骤S4、提取饱和情况下的车头时距：利用K-means聚类算法对相同天气条件下单周期平均车头时距进行聚类分析，排除非饱和或拥堵情况的影响，具体地，可以包括：初始化聚类中心、将数据分配到最近的聚类中心，重新计算聚类中心，重复上述步骤以使得准则函数最小化，剔除非饱和或拥堵情况下的簇，计算平均车头时距。
其中，所述K-means聚类算法准则函数为：
其中，Jc表示每个簇中数据x与聚类中心cr的距离平方和，k表示聚类的个数，r表示第r个聚类，wr表示第r个聚类的数据集合。
具体地，所述计算平均车头时距为：
其中，表示城市道路交叉口平均车头时距，M＜N，M表示剔除异常值后的单个周期平均车头时距个数，q表示剔除异常值后的单个周期第q个平均车头时距，表示剔除异常值后的单个周期平均车头时距。
步骤S5、根据上述聚类结果，计算城市道路交叉口饱和流率，得到
其中，S表示饱和流率。
因此，本发明提供的城市道路交叉口饱和流率计算方法，从排除天气、车型等外部因素对饱和流率的影响出发，实现不同天气条件下城市道路交叉口饱和流率精确计算，方法简单可靠，适用范围广。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种城市道路交叉口饱和流率计算方法，其特征在于，所述城市道路交叉口饱和流率计算方法包括：
采集城市道路交叉口的交通数据；
对所述交通数据进行预处理，并对预处理后得到的结果数据进行存储；
根据Grubbs算法实时计算并存储单周期城市道路交叉口的平均车头时距；
根据K-means聚类算法对相同天气条件下单周期城市道路交叉口的平均车头时距进行聚类分析，得到聚类分析结果；
根据所述聚类分析结果计算饱和情况下车头时距的均值，得到不同天气条件下城市道路交叉口饱和流率。
2.根据权利要求1所述的城市道路交叉口饱和流率计算方法，其特征在于，所述交通数据包括信号灯数据、天气数据、车辆检测器占有数据、车道信息数据以及各个数据的采集时间。
3.根据权利要求2所述的城市道路交叉口饱和流率计算方法，其特征在于，所述对所述交通数据进行预处理，并对预处理后得到的结果数据进行存储包括：
根据各个数据的采集时间将所述车辆检测器占有数据、信号灯数据和天气数据分别对应；
根据所述车道信息数据将对应后的数据进行存储。
4.根据权利要求2所述的城市道路交叉口饱和流率计算方法，其特征在于，所述根据Grubbs算法实时计算并存储单周期城市道路交叉口的平均车头时距包括：
根据所述车辆检测器占有数据计算单个绿灯期间车辆间的车头时距，并对车头时距进行排序；
构造判别统计量Gi并计算获得检验水平为α的异常值判别的临界值Gαi；
根据判别统计量Gi和异常值判别的临界值Gαi的大小关系来剔除车头时距中的异常值，其中，异常值包括大中型车辆的车头时距和因绿灯延误造成偏大的车头时距；
计算剩余车头时距的平均值，并将计算得到的平均值作为单周期内平均车头时距。
5.根据权利要求4所述的城市道路交叉口饱和流率计算方法，其特征在于，所述构造判别统计量Gi并计算获得检验水平为α的异常值判别的临界值Gαi包括：
构造判别统计量Gi：
<mrow>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>n</mi>
</mrow>
</munder>
<mo>|</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>t</mi>
<mi>s</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
</mrow>
<mover>
<mi>s</mi>
<mo>&OverBar;</mo>
</mover>
</mfrac>
<mo>,</mo>
</mrow>
其中，Gi表示第i个周期的判别统计量，n表示周期个数，tsi表示车头时距的实测数据，表示实测数据的均值，表示实测数据的方差；
利用t分布变换得到检验水平为α的异常值判别的临界值Gαi：
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>&alpha;</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>&alpha;</mi>
<mi>i</mi>
</mrow>
</msub>
<msqrt>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msqrt>
</mrow>
<msqrt>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>2</mn>
<mo>-</mo>
<msubsup>
<mi>t</mi>
<mrow>
<mi>&alpha;</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
</mrow>
其中，Gαi表示与均值和方差无关的临界值统计量，tαi表示检验水平为α自由度为m-2的t分布，m表示实测车头时距的个数。
6.根据权利要求5所述的城市道路交叉口饱和流率计算方法，其特征在于，所述根据判别统计量Gi和异常值判别的临界值Gαi的大小关系来剔除异常值包括：
当Gi＞Gαi，i＝1，2…，n时，判定为异常值并剔除该异常值，车头时距的数量减1；
重复上述异常值剔除判断，直到Gi＜Gαi，i＝1，2…，n时，判定所述车头时距中的全部异常值被剔除。
7.根据权利要求4所述的城市道路交叉口饱和流率计算方法，其特征在于，所述单周期内平均车头时距包括单周期内左转车道平均车头时距和直行车道平均车头时距，所述单周期内平均车头时距
<mrow>
<msub>
<mover>
<mi>h</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>h</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
</mrow>
其中，N表示单周期内车头时距的个数，hp表示第p个车头时距，表示第j个周期平均车头时距。
8.根据权利要求7所述的城市道路交叉口饱和流率计算方法，其特征在于，所述根据K-means聚类算法对相同天气条件下单周期城市道路交叉口的平均车头时距进行聚类分析，得到聚类分析结果包括：
初始化聚类中心；
将数据分配到最近的聚类中心；
重新计算聚类中心；
重复“将数据分配到最近的聚类中心和重新计算聚类中心”步骤以使得准则函数最小化；
剔除非饱和或拥堵情况下的簇，计算平均车头时距。
9.根据权利要求8所述的城市道路交叉口饱和流率计算方法，其特征在于，所述计算平均车头时距为：
<mrow>
<mover>
<mi>h</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mover>
<mi>h</mi>
<mo>&OverBar;</mo>
</mover>
<mi>q</mi>
</msub>
<mo>,</mo>
</mrow>
其中，表示城市道路交叉口平均车头时距，M＜N，M表示剔除异常值后的单个周期平均车头时距个数，q表示剔除异常值后的单个周期第q个平均车头时距，表示剔除异常值后的单个周期平均车头时距。
10.根据权利要求9所述的城市道路交叉口饱和流率计算方法，其特征在于，所述根据所述聚类分析结果计算饱和情况下车头时距的均值，得到不同天气条件下城市道路交叉口饱和流率包括：
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfrac>
<mn>3600</mn>
<mover>
<mi>h</mi>
<mo>&OverBar;</mo>
</mover>
</mfrac>
<mo>,</mo>
</mrow>
其中，S表示不同天气条件下城市道路交叉口饱和流率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710956373.XA CN107564290B (zh) | 2017-10-13 | 2017-10-13 | 一种城市道路交叉口饱和流率计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710956373.XA CN107564290B (zh) | 2017-10-13 | 2017-10-13 | 一种城市道路交叉口饱和流率计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107564290A true CN107564290A (zh) | 2018-01-09 |
| CN107564290B CN107564290B (zh) | 2021-02-19 |
Family
ID=60986166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710956373.XA Active CN107564290B (zh) | 2017-10-13 | 2017-10-13 | 一种城市道路交叉口饱和流率计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107564290B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389826A (zh) * | 2018-12-14 | 2019-02-26 | 武汉理工大学 | 一种信号交叉口饱和流率的实时计算方法 |
| CN110379169A (zh) * | 2019-03-21 | 2019-10-25 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
| CN111028509A (zh) * | 2019-12-19 | 2020-04-17 | 河北万方中天科技有限公司 | 交通饱和流量获取方法、装置及终端设备 |
| CN111815973A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 信号交叉口分析方法及相关设备 |
| CN111986479A (zh) * | 2020-08-24 | 2020-11-24 | 安徽科力信息产业有限责任公司 | 一种城市道路车道通行效率评估方法、系统及存储介质 |
| CN112419751A (zh) * | 2020-10-10 | 2021-02-26 | 同济大学 | 基于单截面电警数据的信号交叉口车道排队长度估计方法 |
| CN112509326A (zh) * | 2020-12-02 | 2021-03-16 | 北京航空航天大学 | 一种基于广义极值t分布偏差的非周期拥堵检测方法 |
| CN113129594A (zh) * | 2021-04-23 | 2021-07-16 | 武汉科技大学 | 一种基于卡口数据的交叉口饱和流率计算方法 |
| CN113643531A (zh) * | 2021-07-20 | 2021-11-12 | 东北大学 | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950477A (zh) * | 2010-08-23 | 2011-01-19 | 北京世纪高通科技有限公司 | 一种交通信息处理方法及装置 |
| CN102867424A (zh) * | 2012-09-26 | 2013-01-09 | 杭州鼎鹏交通科技有限公司 | 一种区域协调交通控制方法 |
| CN103150900A (zh) * | 2013-02-04 | 2013-06-12 | 合肥革绿信息科技有限公司 | 一种基于视频的交通拥堵事件自动检测方法 |
| CN103473255A (zh) * | 2013-06-06 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种数据聚类方法、系统及数据处理设备 |
| CN105654720A (zh) * | 2016-01-21 | 2016-06-08 | 浙江大学 | 基于城市道路拥堵识别的检测器布设方法 |
| CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
-
2017
- 2017-10-13 CN CN201710956373.XA patent/CN107564290B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950477A (zh) * | 2010-08-23 | 2011-01-19 | 北京世纪高通科技有限公司 | 一种交通信息处理方法及装置 |
| CN102867424A (zh) * | 2012-09-26 | 2013-01-09 | 杭州鼎鹏交通科技有限公司 | 一种区域协调交通控制方法 |
| CN103150900A (zh) * | 2013-02-04 | 2013-06-12 | 合肥革绿信息科技有限公司 | 一种基于视频的交通拥堵事件自动检测方法 |
| CN103473255A (zh) * | 2013-06-06 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种数据聚类方法、系统及数据处理设备 |
| CN105654720A (zh) * | 2016-01-21 | 2016-06-08 | 浙江大学 | 基于城市道路拥堵识别的检测器布设方法 |
| CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈晓冬: "基于交通流理论的高速公路安全预警系统关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389826A (zh) * | 2018-12-14 | 2019-02-26 | 武汉理工大学 | 一种信号交叉口饱和流率的实时计算方法 |
| CN109389826B (zh) * | 2018-12-14 | 2021-03-16 | 武汉理工大学 | 一种信号交叉口饱和流率的实时计算方法 |
| CN110379169B (zh) * | 2019-03-21 | 2021-08-17 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
| CN110379169A (zh) * | 2019-03-21 | 2019-10-25 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
| WO2020186764A1 (zh) * | 2019-03-21 | 2020-09-24 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
| CN111028509A (zh) * | 2019-12-19 | 2020-04-17 | 河北万方中天科技有限公司 | 交通饱和流量获取方法、装置及终端设备 |
| CN111028509B (zh) * | 2019-12-19 | 2020-12-15 | 河北万方中天科技有限公司 | 交通饱和流量获取方法、装置及终端设备 |
| CN111815973A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 信号交叉口分析方法及相关设备 |
| CN111986479A (zh) * | 2020-08-24 | 2020-11-24 | 安徽科力信息产业有限责任公司 | 一种城市道路车道通行效率评估方法、系统及存储介质 |
| CN111986479B (zh) * | 2020-08-24 | 2022-05-31 | 安徽科力信息产业有限责任公司 | 一种城市道路车道通行效率评估方法、系统及存储介质 |
| CN112419751A (zh) * | 2020-10-10 | 2021-02-26 | 同济大学 | 基于单截面电警数据的信号交叉口车道排队长度估计方法 |
| CN112509326A (zh) * | 2020-12-02 | 2021-03-16 | 北京航空航天大学 | 一种基于广义极值t分布偏差的非周期拥堵检测方法 |
| CN112509326B (zh) * | 2020-12-02 | 2021-12-10 | 北京航空航天大学 | 一种基于广义极值t分布偏差的非周期拥堵检测方法 |
| CN113129594A (zh) * | 2021-04-23 | 2021-07-16 | 武汉科技大学 | 一种基于卡口数据的交叉口饱和流率计算方法 |
| CN113643531A (zh) * | 2021-07-20 | 2021-11-12 | 东北大学 | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 |
| CN113643531B (zh) * | 2021-07-20 | 2022-09-20 | 东北大学 | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107564290B (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107564290B (zh) | 一种城市道路交叉口饱和流率计算方法 | |
| CN110610260B (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
| CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
| CN105303832B (zh) | 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法 | |
| EP2710572B1 (en) | Vehicle data analysis method and vehicle data analysis system | |
| CN105551250B (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
| CN106649709B (zh) | 一种基于数据挖掘的车辆停留行为模式预测与评估方法 | |
| CN111695241A (zh) | 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法 | |
| CN110070733B (zh) | 一种车头时距建模方法及一种最小绿灯时间计算方法 | |
| CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
| CN109960889B (zh) | 轨道交通工具线路典型速度-时间行驶工况构建方法 | |
| CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
| CN108171975B (zh) | 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 | |
| CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
| CN113553548B (zh) | 一种基于车联网大数据的实际运行工况VSPBin划分方法 | |
| CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
| CN109147320B (zh) | 一种基于卡口数据的路段交通状态判别方法 | |
| CN113450592B (zh) | 一种基于循环神经网络的停车场占有率预测方法 | |
| CN117523900A (zh) | 一种停车场占有率预测方法及系统 | |
| CN115204755B (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
| CN112562336A (zh) | 一种交叉路口交通信号时长的实时动态调配方法及系统 | |
| CN112417960A (zh) | 一种基于大数据的城市车流预警检测方法和系统 | |
| CN108596381B (zh) | 基于od数据的城市停车需求预测方法 | |
| CN105825675A (zh) | 一种基于大数据的路段旅行时间计算方法和装置 | |
| CN113936481B (zh) | 一种信号控制交叉口的空间利用状况评价方法 |
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 |