CN108922174B - 一种快速路入口匝道周围交叉口群内路径动态分级方法 - Google Patents

Abstract

本发明涉及一种快速路入口匝道周围交叉口群内路径动态分级方法，包括以下步骤：1)确定入口匝道周围的交叉口群；2)计算交叉口群内各交叉口进口道与入口匝道的流量时间序列相似度；3)以各交叉口与入口匝道流量时间序列相似度、交叉口与入口匝道的距离、交叉口流量为交叉口进口道的特征向量，对交叉口群内的路径进行聚类，划分路径等级，作为交通管控参考依据。与现有技术相比，本发明打破了以往对匝道与地面交叉口协同控制只考虑衔接交叉口，不考虑匝道周围交叉口群的局限，对匝道附近的交叉口群提出了更全面的控制范围；在分区的基础上对区域内的路径采取分级控制，提出了更精细的控制策略；基于去噪分析原始数据，凸显了交通流的短时变化特性。

Description

一种快速路入口匝道周围交叉口群内路径动态分级方法

技术领域

本发明涉及一种交通路径分级方法，尤其是涉及一种快速路入口匝道周围交叉口群内路径动态分级方法。

背景技术

对较大范围的交通网络实施信号灯协调控制时，往往将目标网络划分成为若干个控制子区，对交通子区分别进行控制，但是关于一个控制子区内的不同路径的控制级别在目前的研究中很少有涉及到的，因为同一个控制子区内不同的路径扮演不同的角色，有的路径需要承担大量的交通流量，有的路径就相对次要，而在道路资源有限的情况下首先对关键路径进行调控是效率最高的方式。所以对一个控制子区内不同路径进行分级定位有很重要的意义。

另外，随着我国越来越多的城市建立了城市高架，地面路网和快速路网两个网络之间经常会出现资源利用不均衡，通行效能较低的现象，因此对两网的协同管控有很重要的意义，而匝道作为两网的衔接口，是最容易出现拥堵的，并且拥堵现象有很大概率会扩散至周围交叉口，对地面路网的交通带来很大的影响。现有的关于匝道与地面交通协同控制的研究基本都是关于匝道口与衔接交叉口的协同控制，但事实上，匝道一旦出现拥堵，影响范围往往不会局限在一个衔接的交叉口，而是可能会对周围一个区域内的交通都带来影响，因此，需要将匝道与周围的交叉口群综合考虑进行管控。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速路入口匝道周围交叉口群内路径动态分级方法。

本发明的目的可以通过以下技术方案来实现：

一种快速路入口匝道周围交叉口群内路径动态分级方法，包括以下步骤：

1)确定入口匝道周围的交叉口群；

2)计算交叉口群内各交叉口进口道与入口匝道的流量时间序列相似度；

3)以各交叉口与入口匝道流量时间序列相似度、交叉口与入口匝道的距离、交叉口流量为交叉口进口道的特征向量，对交叉口群内的路径进行聚类，划分路径等级，作为交通管控参考依据。

所述的步骤1)具体为：以入口匝道为中心，选取周围的交叉口，若交叉口与入口匝道距离不超过设定值，则将该交叉口归入交叉口群。

所述的步骤2)具体包括以下步骤：

21)收集交叉口进口道和入口匝道的交通流量数据，形成流量时间序列，交通流量数据为每个信号周期内的流量；

22)对流量时间序列进行优化，切割得到的相同采样频率的流量，从而得到交叉口进口道和入口匝道的流量时间序列；

23)将流量时间序列归一化；

24)计算交叉口进口道与匝道进口道时间序列之间的动态时间弯曲距离，作为相似度。

所述的步骤22)中的优化包括修补缺失数据、剔除并修复错误数据和去噪。

所述的去噪采用卡尔曼滤波法。

所述的步骤22)中的优化具体包括：

修补数据，将系统由于出现故障导致在某个时间段内缺失的数据补齐；

剔除与修复数据，将系统采集到的有明显错误的数据剔除并修补；

数据去噪，对采集到的数据进行去噪处理。

所述的步骤24)中，以长度为m的交叉口进口道时间序列Q和长度为n的入口匝道时间序列C为例，动态时间弯曲距离计算过程包括以下步骤：

241)计算距离矩阵A_m*n，A_m*n中的元素

表示2个序列点之间的欧几里得距离，q_i为Q中的序列点，i＝2,3,...m，c_j为C中的序列点，j＝2,3,...n；

242)获取距离矩阵A_m*n中每组相邻元素的集合W＝[ω₁,ω₂,...ω_m]，作为弯曲路径，W的第k个元素ω_k＝(a_ij)_k，弯曲路径满足以下条件：

243)通过下式计算两个时间序列之间的最小弯曲距离：

其中矩阵S(i,j)表示从(0，0)到(i，j)的最小弯曲距离，最终两个时间序列 Q和C的最小弯曲距离为S(m,n)。

与现有技术相比，本发明在现有技术的基础上，考虑了交叉口群内每个交叉口的进口道和入口匝道交通流量时间序列在不同时段变化趋势的相似性，随着时段的变化，每个交叉口进口道与入口匝道流量时间序列的相似性也在发生动态变化，从而使路径分级实时响应交通流的变化，实时确定路径的优先通行权，实现城市道路交叉口群的协调控制，提高控制的效果，具有以下优点：

(1)打破了以往对匝道与地面交叉口协同控制只考虑衔接交叉口，不考虑匝道周围交叉口群的局限，对匝道附近的交叉口群提出了更全面的控制范围。

(2)打破了对地面交叉口简单的分区控制，在分区的基础上对区域内的路径采取分级控制，提出了更精细的控制策略。

(3)本发明从考虑匝道与交叉口群内交通流的关联性角度出发，基于去噪分析原始数据，凸显了交通流的短时变化特性，探究交叉口群路径的动态分级策略。

(4)本发明提出的利用动态时间弯曲距离作为交通流相似度的度量方法，打破了以往欧式距离等距离要求时间序列必须等长且时间点必须一一对应的约束，可以不考虑时间序列的长度，并忽略时间序列的时间延迟，使得到的关联度更准确。

(5)本发明提出的在一天的不同平峰和高峰时段得到不同的控制策略，一方面可以实现对交叉口群的动态分级控制，一方面又可以保证计算效率和计算规模不会过大。

附图说明

图1为本发明交叉口群内路径等级划分的逻辑流程图；

图2为本发明一个实例中的匝道及周围交叉口群的路网图，数字代表交叉口的编号；

图3为本发明实施例中T1时段交叉口群内路径的控制等级；

图4为本发明实施例中T2时段交叉口群内路径的控制等级。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

如图1所示，一种快速路入口匝道周围交叉口群内路径动态分级方法包括以下流程：首先，确定交叉口群的范围，选取相邻两匝道之间的距离L为参考标准，与匝道距离<0.5L则认为交叉口属于被研究交叉口群范围，否则不在研究范围。确定交叉口群范围后，计算范围内每个交叉口进口道的流量与入口匝道的流量时间序列曲线的相似度，即动态弯曲距离，根据相似度判断每个交叉口与匝道的关联度；之后对交叉口群内的每个交叉口赋予三个属性指标，动态弯曲距离、每个交叉口的流量、每个交叉口到匝道的距离，由三个指标表示每个交叉口的属性特征；根据每个交叉口的属性特征对交叉口群内的交叉口进口道进行聚类划分等级，分成三类，根据聚类结果确定交叉口群内三个等级的路径。

对于三个等级的路径应该采取不同的控制策略：与匝道最相关的一类路径需要采用绿波控制给其优先通行权，与匝道最不相关的一类路径，服从主路优先的原则，不必对其进行控制；介于二者之间的一类路径，当服务水平较高的时候不用考虑路径控制。

将一天的时间段按照流量的大小分为平峰和高峰等五个时间段，由于每个时间段匝道和各交叉口流量不同，交叉口与匝道的相关性也会有不同表现，所以根据不同时段的聚类结果的变化，得到的控制分级结果也不断变化，从而建立起不同时段不同等级路径的动态变化，即可得到不同时段的动态控制策略。

本实施例具体方法如下：

(1)交叉口群的范围确定

首先对匝道进口道周围交叉口群的范围进行划定，以每个匝道进口道为中心向外扩展，选择一定数量的交叉口，初步筛选指标是距离，当交叉口与入口匝道距离超过0.5L则不将其划定为交叉口群内。

(2)交叉口群内每个交叉口进口道与入口匝道流量时间序列的相似度。

主要计算步骤：

1)在路网中收集到交叉口和匝道入口的交通流量数据，获取的交通流量数据为每个信号周期内的流量，为了得到匝道入口和交叉口的流量时间序列，需要将此数据切分并合并，最终得到每个交叉口入口道固定采样频率的流量值，形成流量时间序列。

2)为了对比交叉口入口道和匝道入口道流量时间序列的相似度，需要对收集到数据进行修补、剔除和去噪，具体步骤如下：

步骤一：修补数据，将系统由于出现故障导致在某个时间段内缺失的数据补齐；

步骤二：剔除与修复数据，将系统采集到的有明显错误的数据剔除并修补，比如，一段平稳的流量出现突变点，这样的流量点需要剔除并修复。

步骤三：数据去噪，选择卡尔曼滤波的方法对采集到的数据进行去噪处理，去除其中的噪声，能够更好地看出时间序列的变化趋势。

数据经过处理可以得到每个交叉口和匝道的流量时间序列，对于两个时间序列 Q＝q₁,q₂,…q_i…,q_n；C＝c₁,c₂,…c_j,…,c_m，寻找两个时间序列之间的动态时间弯曲距离，考虑选择动态时间弯曲距离作为一个指标是为了探究交叉口和匝道流量时间序列的相似度，因此不应该考虑流量的具体数值对动态时间弯曲的影响，所以对交叉口的流量时间序列进行归一化处理，消除流量的影响，之后需要实现以下过程计算动态时间弯曲时间距离：

此算法具体实施如下：

长度分别为m和n的时间序列Q＝q₁,q₂,…q_i…,q_m，C＝c₁,c₂,…c_j,…,c_n，可以得到两个时间序列的距离矩阵A_m*n，A_m*n中的元素

表示2 个时间序列点之间的欧几里得距离。

在矩阵A中，每组相邻矩阵元素的集合称为弯曲路径，记为W＝[ω₁,ω₂,...ω_m],弯曲路径满足下列条件，即：

有界性：max{m,n}≤k≤m+n-1

边界条件：ω₁＝a₁₁,ω_m＝a_mn

连续性：对于ω_k＝a_ij,ω_k+1＝a_i‘j’，满足i'-i≤1,j'-j≤1。

单调性：对于ω_k＝a_ij,ω_k+1＝a_i‘j’，满足0≤i'-i,0≤j'-j

计算两个时间序列的最小弯曲距离以通过下式计算：

式中，i＝2，3，...m；j＝2，3，...n；A中弯曲距离的最小累加值为S(m，n)，实质上S(i，j)构成的矩阵S是时间序列Q和C之间进行动态弯曲累加距离的矩阵。

以上计算过程需要通过计算机编程的方式实现，最终时间序列弯曲路径最小累加值为S_m,n，从S_m,n起沿着弯曲路径按最小累加值倒退从而获得起始点S_1,1，即可找到整个弯曲路径。由于选取的每个时间段T长度不一致，需要计算单位时间的动态时间弯曲距离。

(3)选取交叉口流量与匝道流量时间序列的相似度、交叉口进口道的流量、交叉口与匝道距离作为交叉口的三个属性指标，对交叉口群内的路径进行聚类。

下面给出基于K-means聚类方法分析路径优先等级的算法步骤：

步骤1：设交叉口x_k的3个指标值为x_k＝(ω_k,q_k,s_k),k＝1,2,3...p。

ω_k表示交叉口进口道流量与入口匝道流量时间序列的相似度、q_k表示交叉口的流量、sk表示交叉口与匝道距离，p表示交叉口群内共有p个交叉口。

步骤2：归一化处理交叉口的指标值，消除量纲影响。

步骤3：将路径划分为三个等级，给出初始聚类中心，以每个交叉口的欧式距离为计算指标将所有路径聚为三类。

步骤4：迭代，重新计算聚类中心，得到最终的聚类中心和划分的三个级别的路径。

附图2所示的为本方法的示例，研究范围路网包括多条主干道、次干道和快速路入口匝道，由于快速路匝道承担很大部分的交通流量，很容易造成交通拥堵现象，因此，对于交叉口群内的交通控制需要以驶向匝道的交通流为主要的控制对象，这对于提高交叉口群内的交通流的运行效率有很大的意义。

路网中交叉口在两个时段T1、T2的流量数据如表1、2所示。

表1 T1时间段交叉口每小时各进口道流量，以39号交叉口为例(单位：辆/h)

西左	西直	南直	南右	东右	北直
						72	59	81	52	28	34

表2 T2时间段交叉口每小时各进口道流量，以39号交叉口为例(单位：辆/h)

西左	西直	南直	南右	东右	北直
						195	59	232	123	106	83

交叉口群内每个交叉口与匝道的距离如表3所示。

表3交叉口群内每个交叉口与匝道的距离

实验1：交叉口群为T1时段交通流数据时，路径分级如附图3所示。

实验2：交叉口群为T2时段交通流数据时，路径分级如附图4所示。

表4T1时段交叉口群内路径聚类分级结果

表5T2时段交叉口群内路径聚类分级结果

上述算例表明：

1)划分交叉口群内路径等级的方法不是一成不变的，而是随着划分时段的不同而不断变化的。

2)本方法能够对交叉口群内的不同等级的路径给出不同的通行权，产生较好的控制效果。

Claims (4)

1.一种快速路入口匝道周围交叉口群内路径动态分级方法，其特征在于，包括以下步骤：

1)确定入口匝道周围的交叉口群；

2)计算交叉口群内各交叉口进口道与入口匝道的流量时间序列相似度；

3)以各交叉口与入口匝道流量时间序列相似度、交叉口与入口匝道的距离、交叉口流量为交叉口进口道的特征向量，对交叉口群内的路径进行聚类，划分路径等级，作为交通管控参考依据；

所述的步骤1)具体为：以入口匝道为中心，选取周围的交叉口，若交叉口与入口匝道距离不超过设定值，则将该交叉口归入交叉口群；

所述的步骤2)具体包括以下步骤：

21)在路网中收集交叉口进口道和入口匝道的交通流量数据，形成流量时间序列，交通流量数据为每个信号周期内的流量；

22)对流量时间序列进行优化，切割得到的相同采样频率的流量，从而得到交叉口进口道和入口匝道的流量时间序列；

23)将流量时间序列归一化；

24)计算交叉口进口道与匝道进口道时间序列之间的动态时间弯曲距离，作为相似度；

所述的步骤3)具体为：使用基于K-means聚类方法分析路径优先等级；

根据不同时段的聚类结果的变化，得到的控制分级结果也不断变化，从而建立起不同时段不同等级路径的动态变化，即可得到不同时段的动态控制策略。

2.根据权利要求1所述的一种快速路入口匝道周围交叉口群内路径动态分级方法，其特征在于，所述的步骤22)中的优化包括修补缺失数据、剔除并修复错误数据和去噪。

3.根据权利要求2所述的一种快速路入口匝道周围交叉口群内路径动态分级方法，其特征在于，所述的去噪采用卡尔曼滤波法。

4.根据权利要求2所述的一种快速路入口匝道周围交叉口群内路径动态分级方法，其特征在于，所述的步骤22)中的优化具体包括：

修补数据，将系统由于出现故障导致在某个时间段内缺失的数据补齐；剔除与修复数据，将系统采集到的有明显错误的数据剔除并修补；数据去噪，对采集到的数据进行去噪处理。

Images