CN108777068A - 一种基于多维检测线圈采集周期的交通流瓶颈识别方法 - Google Patents

Abstract

本发明公开了一种基于多维检测线圈采集周期的交通流瓶颈识别方法，包括以下步骤：步骤1：通过数据采集周期为T的大尺度检测线圈检测数据确定瓶颈所在的大致位置；步骤2：通过瓶颈位置的大尺度检测线圈的占有率确定瓶颈与大尺度检测线圈之间的相对位置；步骤3：通过数据采集周期为t的小尺度检测线圈确定瓶颈发生的具体位置和瓶颈的上游位置；步骤4：计算瓶颈所引发交通拥堵的路段长度L、瓶颈持续时间T_during和瓶颈所产生的总延误，实现交通流瓶颈的识别；本发明瓶颈识别的准确度高、能够确定瓶颈产生拥堵的影响范围，掌握瓶颈的持续时间以及其产生的延误大小。

Description

一种基于多维检测线圈采集周期的交通流瓶颈识别方法

技术领域

本发明涉及交通流瓶颈识别方法，具体涉及一种基于多维检测线圈采集周期的交通流瓶颈识别方法。

背景技术

目前针对高速公路或快速路的交通流瓶颈识别的方法主要包括两类：变形累积曲线法、自动识别法；变形累积曲线法理论上可以根据变形累积曲线函数的一二阶导数来确定拐点位置，从而确定瓶颈发生和消散的时间；变形累积曲线法利用历史线圈检测数据，根据检测位置车辆达到累积数据的变化趋势确定瓶颈点位置，该方法可以详细分析瓶颈拥堵时的参数细节；但由于它是一种可视化的分析工具，在实际情况中，变形累积曲线没有具体的函数表达形式，因此只能借助人工进行判断，实时性较差，不能进行大规模的应用；并且实际应用中工作量大，在数据量大的情况时操作困难，并且无法进行实时的交通流瓶颈的判别；自动识别法中的阈值法利用相邻断面的速度差或临界占有率来确定交通瓶颈的位置，但只能利用线圈检测数据将交通流瓶颈定位到安装有检测线圈的位置，当检测线圈位置比较稀疏时，对瓶颈定位的准确度不够，只有当瓶颈所形成的交通流拥堵蔓延至检测线圈位置时才可判定瓶颈；阈值法可以较为准确的识别瓶颈发生位置，但该方法对瓶颈引起拥堵的时空分布目前还缺乏系统的研究；自动跟踪与交通对象预测模型是较为理想的方法，能够对交通流中的阻塞流进行识别，同时可以预测交通流拥堵的时空分布情况，其缺点是在模糊规则的制定时，速度的“高”、“中”以及流量的“高”、“低”难以界定；阈值法为了避免交通流波动对识别准确度的影响，常常采用较大的数据采集周期通常为3min到5min，识别结果的实时性也较差；ASDA-FOTO是另一种交通流瓶颈识别方法，该方法在检测线圈较少的情况下也具有较高的可靠性，但不能有效过滤随机波动的交通检测数据，对道路的几何形状和特定的交通条件也比较敏感。

另外，现有瓶颈识别的方法，无论是变形累积曲线法还是阈值法都存在一个缺陷，只能将交通流瓶颈定位到相应的检测线圈位置；当瓶颈发生在两个检测线圈之间时，所检测到的瓶颈位置并不准确，并可能出现以下两种情况：

(1)当交通流瓶颈接近下游检测线圈位置时，到达下游检测的车辆流量减少，或瓶颈区域释放车辆到达下游检测线圈时速度小于临界速度，这时利用变形累积曲线法或阈值法确定的瓶颈位于下游检测线圈位置；

(2)当交通流瓶颈靠近上游检测线圈位置时，车辆到达下游检测线圈位置时速度已经高于临界速度，这时利用车辆到达累积曲线法确定的瓶颈位于下游检测线圈位置；而利用阈值法确定时，只有当瓶颈引发的交通流拥堵蔓延到上游检测线圈位置时，瓶颈才能够被检测；因此，阈值法确定的交通流瓶颈位于上游检测线圈位置。

在交通流瓶颈识别的过程中，检测线圈不同数据采集周期采集的交通流数据对瓶颈识别的结果具有重要影响；当检测线圈采用太小的周期时(如30s的线圈检测数据)，采集的数据虽然能够反映交通的实时状况；但交通流暂时的小幅波动可能会被误判为瓶颈，检测到的佳通流瓶颈数量将很大程度会增多；当检测线圈采用周期较大时(如3min或5min的线圈检测数据)，瓶颈的正确识别率将显著提高；但采集周期过大对瓶颈的准确定位会产生影响，一般情况下只能将瓶颈定位到相应的检测线圈位置。

发明内容

本发明提供一种融合不同采集周期的交通流数据，瓶颈识别的准确度高、能够确定瓶颈产生拥堵的影响范围，掌握瓶颈的持续时间以及其产生的延误大小的基于多维检测线圈采集周期的交通流瓶颈识别方法。

本发明采用的技术方案是：一种基于多维检测线圈采集周期的交通流瓶颈识别方法，包括以下步骤：

步骤1：通过数据采集周期为T的大尺度检测线圈检测数据确定瓶颈所在的大致位置；

步骤2：通过瓶颈位置的大尺度检测线圈的占有率确定瓶颈与大尺度检测线圈之间的相对位置；

步骤3：通过数据采集周期为t的小尺度检测线圈确定瓶颈发生的具体位置和瓶颈的上游位置；

步骤4：计算瓶颈所引发交通拥堵的路段长度L、瓶颈持续时间T_during和瓶颈所产生的总延误，实现交通流瓶颈的识别。

进一步的，所述步骤1中确定瓶颈所在大尺度检测线圈的位置方法如下：

合流区一侧沿车行进方向大尺度检测线圈位置依次为d_k、d_l、d_i、d_j；

当如下关系成立，即可确定大尺度检测线圈i位置出现交通瓶颈即瓶颈激活时的下游位置d_i；

式中：V(d_i,T)为检测线圈i在某周期T内的检测速度；V(d_k,T)为检测线圈k在某周期T内的检测速度；V(d_l,T)为检测线圈l在某周期T内的检测速度；V(d_j,T)为检测线圈j在某周期T内的检测速度；V₀为设定的瓶颈发生时的临界速度；S为大尺度检测线圈的集合。

进一步的，所述步骤2中确定瓶颈与大尺度检测线圈之间的相对位置的方法如下：

若O(d_i,T)＜O(d_i)，则交通瓶颈的位于大尺度检测线圈i上游；

若O(d_i,T)≥O(d_i)，则交通瓶颈的位于大尺度检测线圈i下游；

其中，O(d_i,T)为大尺度检测线圈i检测到的占有率；O(d_i)为检测线圈i位置的临界占有率。

进一步的，所述步骤3中确定瓶颈发生的具体位置的方法如下：

当O(d_i,T)＜O(d_i)时，

当O(d_i,T)≥O(d_i)时：

式中：X_down(T)为瓶颈在周期T内的实际位置，d_i为大尺度检测线圈i的位置坐标；q_kt(d_i,t)为周期T内第k个小周期t检测到瓶颈发生时的流量；ρ_kt(d_i,t)为周期T内第k个小周期t检测到瓶颈发生时的密度；ρ_max为瓶颈位置的交通流密度；q_min为瓶颈位置的车流量；w为瓶颈向上游或下游蔓延或消散的速度；大尺度数据采集周期T由n个小尺度数据采集周期t构成。

进一步的，所述步骤3中瓶颈的上游位置确定方法如下：

当大尺度检测线圈i在周期T内首先检测到瓶颈发生时，若满足下式：

即可确定瓶颈上游位置；

式中：V(d_i-n,T)为小尺度检测线圈i-n在某周期T的检测速度；V(d_i-n+1,T)为小尺度检测线圈i-n+1在某周期T的检测速度；V(d_i-n-1,T)为小尺度检测线圈i-n-1在某周期T的检测速度；S₁为小尺度检测线圈集合；

瓶颈范围的最大上游位X_up为：

式中：q(d_i-n-1,(n-k)t)为小尺度检测线圈i-n-1在周期T内第kt至第nt时段内的流量；q(d_i-n,(n-k)t)为小尺度检测线圈i-n在周期T内第kt至nt时段内的流量；ρ(d_i-n,(n-k)t)为小尺度检测线圈i-n在周期T内第kt至nt时段内的密度；ρ(d_i-n-1,(n-k)t)为小尺度检测线圈i-n-1在周期T内第kt至第nt时段内的密度；d_i-n为小尺度检测线圈i-n的位置坐标。

进一步的，所述步骤4中瓶颈所引发交通拥堵的路段长度L计算方法如下：

L＝X_down-X_up。

进一步的，所述步骤4中的瓶颈持续时间T_during计算方法如下：

T_during＝t₁-t₀

式中：t₀为小尺度检测线圈检测到瓶颈所产生的时刻，t₁为小尺度检测线圈检测到瓶颈消除的时刻。

进一步的，所述步骤4中瓶颈所产生的总延误D_i(t₀,t₁)计算方法如下：

瓶颈周期T内相邻检测线圈间的路段为拥堵路段，大尺度检测线圈i检测到瓶颈发生后上游拥堵路段的集合B_i(T)为：

B_i(T)＝{m:V_m(T)≤V₀，i≤m≤i-n}

式中：V_m(T)为大尺度检测线圈m在周期T内的检测速度；V₀为临界车速；

若V_m(T)≤V₀，则小尺度检测线圈m和m-1之间的路段为拥堵路段；

周期T内瓶颈产生的延误为D_i(T)：

式中：d_m(T)为周期T内小尺度检测线圈m所在路段产生的延误；

式中：l_m为小尺度检测线圈m所在路段的长度，l_m＝d_m-d_m-1；q_m(T)为小尺度检测线圈m所在路段在周期T内的流量；V_ref为路段畅行速度；

瓶颈发生后产生的总延误D_i(t₀,t₁)为：

本发明的有益效果是：

(1)本发明通过大采集周期的交通流数据将瓶颈定位到检测线圈位置，避免较小采集周期的交通流数据因为波动性较强而形成对瓶颈的误判；

(2)本发明通过较小采集周期的交通流数据提高瓶颈定位的准确度；可分析瓶颈形成的空间范围、持续时间和产生的延误大小；

(3)本发明可提高瓶颈识别的准确度，确定瓶颈产生拥堵的影响范围，并掌握瓶颈的持续时间以及其产生的延误大小。

附图说明

图1为本发明实施流程图。

图2为本发明中合流区瓶颈识别示意图。

图3为本发明中瓶颈位置靠近下游检测线圈示意图。

图4为本发明中瓶颈位置靠近上游检测线圈示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

使用时，首先，通过数据采集周期为T的大尺度检测线圈检测数据确定瓶颈所在的大致位置；其中采集周期T＝3min或5min；根据瓶颈处上下游速度的变化特点将瓶颈定位到相应的检测线圈位置；当交通瓶颈产生时，瓶颈位置车速迅速降低至临界速度之下；由于瓶颈的截留作用，瓶颈上游到瓶颈位置的车速逐渐降低，而位于瓶颈下游检测线圈位置的车速仍处于较高水平；根据这一特点可确定瓶颈所在的大致位置，即瓶颈所在的检测线圈位置。

确定瓶颈所在大尺度检测线圈的位置方法如下：

合流区一侧沿车行进方向大尺度检测线圈位置依次为d_k、d_l、d_i、d_j；

当如下关系成立，即可确定大尺度检测线圈i位置出现交通瓶颈即瓶颈激活时的下游位置d_i；

式中：V(d_i,T)为检测线圈i在某周期T内的检测速度；V(d_k,T)为检测线圈k在某周期T内的检测速度；V(d_l,T)为检测线圈l在某周期T内的检测速度；V(d_j,T)为检测线圈j在某周期T内的检测速度；V₀为设定的瓶颈发生时的临界速度；S为大尺度检测线圈的集合。

通过上式可确定瓶颈激活时的下游位置d_i，上述合流区交通流瓶颈识别的方法同样适用于基本路段的瓶颈识别。

其次，通过瓶颈位置的大尺度检测线圈的占有率确定瓶颈与大尺度检测线圈之间的相对位置；如图2所示，当瓶颈在大尺度检测线圈i的上游并接近大尺度检测线圈i时，瓶颈位置驶出车辆到达大尺度检测线圈i时车速小于临界车速，此时大尺度检测线圈检测到的交通流瓶颈位于大尺度检测线圈位置d_i；由于瓶颈位置到下游释放的流量相对较小，因此，大尺度检测线圈i检测到的占有率O(d_i,T)相对较小；如图3所示，当瓶颈位于大尺度检测线圈i下游并接近大尺度检测线圈i时，瓶颈位置驶出车辆到达下游大尺度检测线圈j位置时的车速已经高于临界车速，此时下游检测线圈j检测不到瓶颈；只有当瓶颈所引发的交通拥堵蔓延到大尺度检测线圈i位置时，交通流瓶颈才会被检测，此时上游大尺度检测线圈i的占有率相对较高。

所以可以通过瓶颈位置的占有率大小来判别瓶颈位于相对于大尺度检测线圈的上、下游位置；分为以下两种情况：

若O(d_i,T)＜O(d_i)，则交通瓶颈的位于大尺度检测线圈i上游；

若O(d_i,T)≥O(d_i)，则交通瓶颈的位于大尺度检测线圈i下游；

其中，O(d_i,T)为大尺度检测线圈i检测到的占有率；O(d_i)为检测线圈i位置的临界占有率。

通过数据采集周期为t的小尺度检测线圈确定瓶颈发生的具体位置和瓶颈的上游位置；其中数据采集周期t＝30s；设大尺度的数据采集采集周期T由n个小尺度的数据采集周期t组成，即T＝nt；当大尺度检测线圈在某周期T内检测到瓶颈的发生，对应的，若该周期T内在第k(1≤k≤n)个小周期t内也检测到瓶颈发生，即可确定瓶颈发生的时间，利用下述方法计算瓶颈发生的具体位置X_down(T)：

当O(d_i,T)＜O(d_i)时，

当O(d_i,T)≥O(d_i)时：

式中：X_down(T)为瓶颈在周期T内的实际位置，d_i为大尺度检测线圈i的位置坐标；q_kt(d_i,t)为周期T内第k个小周期t检测到瓶颈发生时的流量；ρ_kt(d_i,t)为周期T内第k个小周期t检测到瓶颈发生时的密度；ρ_max为瓶颈位置的交通流密度；q_min为瓶颈位置的车流量；w为瓶颈向上游或下游蔓延或消散的速度。

当瓶颈位于上述小尺度检测线圈之间的路段时，瓶颈处的流量q_min和密度ρ_max不能由检测线圈直接获取；一种方法是利用发生在检测线圈位置的交通瓶颈数据进行标定，另一种方法是直接采用交通流发生阻塞时的流量和密度进行估算。

由于检测线圈只能采集流量、速度、占有率数据，因此，密度数据不能直接获取，可通过占有率与密度的关系进行转换。

ρ＝O/(l+d)

式中：l为车辆长度，高架路以小汽车为主，本发明实施例中l取4.5m；d为检测线圈宽度，本发明实施例中检测线圈宽度取2m；本文中检测线圈包括大尺度检测线圈和小尺度检测线圈。

瓶颈的上游位置确定方法如下：

当瓶颈产生时，由于瓶颈的截留作用，车辆在瓶颈位置不断聚集并引发交通拥堵，如果瓶颈不能在短时间内及时消除，瓶颈产生的交通拥堵将不断向上游蔓延；因此，在研究交通拥堵的空间范围时，需要同时确定瓶颈发生的开始位置和瓶颈上游交通拥堵蔓延的位置；上文已经确定了瓶颈发生的开始位置X_down(T)，只需要确定瓶颈上游交通拥堵蔓延的位置X_up，便可得到瓶颈所引发交通拥堵的空间范围。

假设大尺度检测线圈i在某周期T内首先检测到瓶颈发生，在随后的时间段内，当瓶颈所形成的交通拥堵蔓延至上游某小尺度检测线圈i-n位置时，该小尺度检测线圈位置的车速迅速降低至临界车速之下，此时小尺度检测线圈i-n-1的车速仍处于临界车速之上，由此可确定瓶颈的上游位置，其关系如下：

式中：V(d_i-n,T)为小尺度检测线圈i-n在某周期T的检测速度；V(d_i-n+1,T)为小尺度检测线圈i-n+1在某周期T的检测速度；V(d_i-n-1,T)为小尺度检测线圈i-n-1在某周期T的检测速度；S₁为小尺度检测线圈集合。

瓶颈范围的最大上游位置X_up可用下式计算：

式中：q(d_i-n-1,(n-k)t)为小尺度检测线圈i-n-1在周期T内第kt至第nt时段内的流量；q(d_i-n,(n-k)t)为小尺度检测线圈i-n在周期T内第kt至nt时段内的流量；ρ(d_i-n,(n-k)t)为小尺度检测线圈i-n在周期T内第kt至nt时段内的密度；ρ(d_i-n-1,(n-k)t)为小尺度检测线圈i-n-1在周期T内第kt至第nt时段内的密度；d_i-n为小尺度检测线圈i-n的位置坐标。

若大尺度检测线圈i检测到瓶颈发生后，在随后一个或几个周期T内，瓶颈所引发交通拥堵尚未蔓延至瓶颈上游相邻大尺度检测线圈位置，同样成立(此时n＝1)。

因此瓶颈所引发交通拥堵的路段长度L为：

L＝X_down-X_up。

瓶颈持续时间T_during计算方法如下：

T_during＝t₁-t₀

式中：t₀为小尺度检测线圈检测到瓶颈所产生的时刻，t₁为小尺度检测线圈检测到瓶颈消除的时刻。

瓶颈所产生的总延误D_i(t₀,t₁)计算方法如下：

瓶颈产生的拥堵范围内每两个相邻检测线圈之间的路段在任一时间间隔内的交通流速度均小于临界速度；瓶颈周期T内相邻检测线圈间的路段为拥堵路段，大尺度检测线圈i检测到瓶颈发生后上游拥堵路段的集合B_i(T)为：

B_i(T)＝{m:V_m(T)≤V₀，i≤m≤i-n}

式中：V_m(T)为大尺度检测线圈m在周期T内的检测速度；V₀为临界车速。

若V_m(T)≤V₀，则小尺度检测线圈m和m-1之间的路段为拥堵路段；

上式可获得从瓶颈发生到瓶颈消散全过程的拥堵路段，并计算每个拥堵路段产生的延误；周期T内瓶颈产生的延误为D_i(T)：

式中：d_m(T)为周期T内小尺度检测线圈m所在路段产生的延误；

式中：l_m为小尺度检测线圈m所在路段的长度，l_m＝d_m-d_m-1；q_m(T)为小尺度检测线圈m所在路段在周期T内的流量；V_ref为路段畅行速度；

瓶颈发生后产生的总延误D_i(t₀,t₁)为：

使用时，如图1所示，利用检测线圈对交通流数据进行采集，并将采集到的交通流数据传输到数据处理中心进行处理，根据瓶颈识别的需要，得到较大时间尺度的交通流数据；同时得到相应较小时间尺度的交通流数据，得到的数据主要包括流量、占有率和速度数据；将较大时间尺度的占有率、速度数据输入到瓶颈识别模型中，判断是否有交通瓶颈发生，如果有交通瓶颈出现，进一步将较小时间尺度的交通流数据输入到后面的模型中，确定瓶颈发生的具体位置，并且得到瓶颈发生的具体时间、随时间变化的实时位置、产生的延误大小；最后根据瓶颈识别结果及其产生影响的分析，制定合理的交通管理和控制方案。

本发明一方面从空间维度，融合不同采集周期的交通流数据在瓶颈识别时的优点，提高瓶颈识别的准确度；克服目前瓶颈识别方法只能讲瓶颈定位到检测线圈位置的缺陷，并确定瓶颈产生拥堵的影响范围；另一方面从时间维度，掌握瓶颈的持续时间以及其产生的延误大小。

由于检测线圈能够同时采集不同周期的交通流数据，本发明在现有基于速度阈值法判别交通瓶颈的基础上，充分融合了不同检测线圈采集周期的交通流数据在实时性和瓶颈识别准确性方面的优点；结合交通瓶颈发生时上、下游占有率的特点，提出了一种可以进一步提高瓶颈定位准确度的交通瓶颈识别方法；通过较大采集周期的交通流数据将瓶颈定位到检测线圈位置，避免较小采集周期的交通流数据因为波动性强而形成对瓶颈的误判；运用较小采集周期的交通流数据实时性强的特点进一步提高瓶颈定位的准确度；采用该方法可以分析瓶颈形成的空间范围、持续时间、产生的延误大小。

Claims (8)

1.一种基于多维检测线圈采集周期的交通流瓶颈识别方法，其特征在于，包括以下步骤：

步骤1：通过数据采集周期为T的大尺度检测线圈检测数据确定瓶颈所在的大致位置；

步骤2：通过瓶颈位置的大尺度检测线圈的占有率确定瓶颈与大尺度检测线圈之间的相对位置；

步骤3：通过数据采集周期为t的小尺度检测线圈确定瓶颈发生的具体位置和瓶颈的上游位置；

步骤4：计算瓶颈所引发交通拥堵的路段长度L、瓶颈持续时间T_during和瓶颈所产生的总延误，实现交通流瓶颈的识别。

2.根据权利要求1所述的一种基于多维检测线圈采集周期的交通瓶颈识别方法，其特征在于，所述步骤1中确定瓶颈所在大尺度检测线圈的位置方法如下：

合流区一侧沿车行进方向大尺度检测线圈位置依次为d_k、d_l、d_i、d_j；

当如下关系成立，即可确定大尺度检测线圈i位置出现交通瓶颈即瓶颈激活时的下游位置d_i；

式中：V(d_i,T)为检测线圈i在某周期T内的检测速度；V(d_k,T)为检测线圈k在某周期T内的检测速度；V(d_l,T)为检测线圈l在某周期T内的检测速度；V(d_j,T)为检测线圈j在某周期T内的检测速度；V₀为设定的瓶颈发生时的临界速度；S为大尺度检测线圈的集合。

3.根据权利要求1所述的一种基于多维检测线圈采集周期的交通瓶颈识别方法，其特征在于，所述步骤2中确定瓶颈与大尺度检测线圈之间的相对位置的方法如下：

若O(d_i,T)＜O(d_i)，则交通瓶颈的位于大尺度检测线圈i上游；

若O(d_i,T)≥O(d_i)，则交通瓶颈的位于大尺度检测线圈i下游；

其中，O(d_i,T)为大尺度检测线圈i检测到的占有率；O(d_i)为检测线圈i位置的临界占有率。

4.根据权利要求1所述的一种基于多维检测线圈采集周期的交通瓶颈识别方法，其特征在于，所述步骤3中确定瓶颈发生的具体位置的方法如下：

当O(d_i,T)＜O(d_i)时，

当O(d_i,T)≥O(d_i)时：

式中：X_down(T)为瓶颈在周期T内的实际位置，d_i为大尺度检测线圈i的位置坐标；q_kt(d_i,t)为周期T内第k个小周期t检测到瓶颈发生时的流量；ρ_kt(d_i,t)为周期T内第k个小周期t检测到瓶颈发生时的密度；ρ_max为瓶颈位置的交通流密度；q_min为瓶颈位置的车流量；w为瓶颈向上游或下游蔓延或消散的速度；大尺度数据采集周期T由n个小尺度数据采集周期t构成。

5.根据权利要求4所述的一种基于多维检测线圈采集周期的交通瓶颈识别方法，其特征在于，所述步骤3中瓶颈的上游位置确定方法如下：

当大尺度检测线圈i在周期T内首先检测到瓶颈发生时，若满足下式：

即可确定瓶颈上游位置；

式中：V(d_i-n,T)为小尺度检测线圈i-n在某周期T的检测速度；V(d_i-n+1,T)为小尺度检测线圈i-n+1在某周期T的检测速度；V(d_i-n-1,T)为小尺度检测线圈i-n-1在某周期T的检测速度；S₁为小尺度检测线圈集合；

瓶颈范围的最大上游位X_up为：

式中：q(d_i-n-1,(n-k)t)为小尺度检测线圈i-n-1在周期T内第kt至第nt时段内的流量；q(d_i-n,(n-k)t)为小尺度检测线圈i-n在周期T内第kt至nt时段内的流量；ρ(d_i-n,(n-k)t)为小尺度检测线圈i-n在周期T内第kt至nt时段内的密度；ρ(d_i-n-1,(n-k)t)为小尺度检测线圈i-n-1在周期T内第kt至第nt时段内的密度；d_i-n为小尺度检测线圈i-n的位置坐标。

6.根据权利要求5所述的一种基于多维检测线圈采集周期的交通瓶颈识别方法，其特征在于，所述步骤4中瓶颈所引发交通拥堵的路段长度L计算方法如下：

L＝X_down-X_up。

7.根据权利要求1所述的一种基于多维检测线圈采集周期的交通瓶颈识别方法，其特征在于，所述步骤4中的瓶颈持续时间T_during计算方法如下：

T_during＝t₁-t₀

式中：t₀为小尺度检测线圈检测到瓶颈所产生的时刻，t₁为小尺度检测线圈检测到瓶颈消除的时刻。

8.根据权利要求7所述的一种基于多维检测线圈采集周期的交通瓶颈识别方法，其特征在于，所述步骤4中瓶颈所产生的总延误D_i(t₀,t₁)计算方法如下：

瓶颈周期T内相邻检测线圈间的路段为拥堵路段，大尺度检测线圈i检测到瓶颈发生后上游拥堵路段的集合B_i(T)为：

B_i(T)＝{m:V_m(T)≤V₀，i≤m≤i-n}

式中：V_m(T)为大尺度检测线圈m在周期T内的检测速度；V₀为临界车速；

若V_m(T)≤V₀，则小尺度检测线圈m和m-1之间的路段为拥堵路段；

周期T内瓶颈产生的延误为D_i(T)：

式中：d_m(T)为周期T内小尺度检测线圈m所在路段产生的延误；

式中：l_m为小尺度检测线圈m所在路段的长度，l_m＝d_m-d_m-1；q_m(T)为小尺度检测线圈m所在路段在周期T内的流量；V_ref为路段畅行速度；

瓶颈发生后产生的总延误D_i(t₀,t₁)为：