CN109191836B - 一种基于iqa的实时分车道车辆延误预测方法 - Google Patents
一种基于iqa的实时分车道车辆延误预测方法 Download PDFInfo
- Publication number
- CN109191836B CN109191836B CN201811029241.3A CN201811029241A CN109191836B CN 109191836 B CN109191836 B CN 109191836B CN 201811029241 A CN201811029241 A CN 201811029241A CN 109191836 B CN109191836 B CN 109191836B
- Authority
- CN
- China
- Prior art keywords
- delay
- lane
- time
- iqa
- queuing
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本发明涉及一种基于IQA的分车道实时车辆延误预测方法,属于智能交通技术领域。本发明以分车道实时排队长度预测方法和交通波理论为基础,构建了IQA延误多边形,实时分车道对车辆延误进行预测;通过提前预测IQA弥补了以往在使用IQA进行延误计算时难以获取实时数据的缺陷,有效的提高了延误计算的精度。本发明关键在于可以分车道提前获取车辆延误信息,转被动式的延误估计为主动式的延误预测,便于提前对关联交叉口或拥挤路段进行信号优化设计,以达到缓解交通拥堵,改善出行环境的目的。
Description
技术领域
本发明涉及一种基于IQA的实时分车道车辆延误预测方法,属于智能交通技术领域。
背景技术
延误是交通信号时间优化和信号交叉口服务水平估计中的一个重要参数,但延误也是一个很难估计的参数。交叉口延误主要来自于停车排队,而自适应信号控制系统中基于排队长度的延误估计很大一部分来自Webster的理论和方程、随机排队论、排队车辆延误和依赖于时间的延误公式,这类模型往往适用于以长时段(多周期)为单位的延误估计,不利于短时(单周期)延误计算,无法反应随机交通需求。以上述模型为基石,增量排队累积(Incremental Queue Accumulation——IQA)延误估计方法是2010年美国通行能力手册中采用的一种新的信号交叉口延误估计方法,研究表明,IQA方法在理论上比传统的延误估计模型具有更强的鲁棒性和更高的准确性,但现场数据采集的困难很大程度上制约着模型使用。为了应对这一挑战,增加工程可操作性,专利1提出了一种分车道实时排队长度预测方法,该方法以5秒的间隔预测IQA,充分描述了上游不同流向车辆到达与IQA的变化之间的关系。本专利将在上述方法的基础上,设计IQA实时到达和消散的延误多边形,对分车道延误实时预测,以提高延误计算精度并为构造主动式交通控制逻辑提供算法支撑。
发明内容
本发明要解决的技术问题是提供一种基于IQA(增量排队累积)的实时分车道车辆延误预测方法,目的在于通过提前预测IQA弥补了以往在使用IQA进行延误计算时难以获取实时数据的缺陷,实时分车道对车辆延误进行预测,提高延误计算的精度。
本发明的技术方案是:一种基于IQA的实时分车道车辆延误预测方法,包括以下步骤:
步骤1:以车道i某一有效绿灯结束且无剩余排队时刻作为延误预测起始时刻;并将延误分为两部分进行计算:第一部分为有效绿灯结束时刻至有效红灯结束时刻时段内延误;第二部分为有效红灯结束时刻至最大排队长度出现时刻时段内延误;
步骤4:判断是否存在剩余排队,若存在剩余排队则进入步骤5,否则,令n=n+1,返回步骤2;
进一步地,所述步骤2包括:
由于第一部分延误为排队预测起始时刻至有效红灯结束的IQA延误之和,此时IQA只需考虑排队形成的影响,根据IQA延误多边形阴影面积(如图1所示)可得第一部分延误为:
其中,0<h≤ROUND(ri n/5),ri n为车道i第n个周期的有效红灯时长,ROUND表示对括号里的值进行四舍五入取整。
进一步地,所述步骤3包括:
第二部分延误为有效红灯结束时刻至最大排队长度出现时刻时段内IQA的延误之和,如图1中第二部分所示,此时IQA不仅与排队形成有关,而且还需考虑绿灯开始后排队消散情况,当绿灯启亮,排队以消散波波速消散,则以5秒为间隔的排队消散长度为所以第二部分排队演化时的IQA(图2第二部分延误中长方形的长度)为此时,进而第二部分的延误为
式中,qm为饱和流率,kj为阻塞密度,km为临界密度。
进一步地,所述步骤4包括:
步骤4的关键在于确定上一周期剩余排队的IQA,首先确定是否剩余车队,过程如下:
根据公式可以确定排队清空所需时长 为车道i第n周期最大排队,为消散波波速,当时,表明绿灯结束时无剩余排队;当时,表明绿灯结束时存在剩余车队,此时车道i第n周期剩余车队长度为并以状态(qm,km)驶向停车线形成剩余排队(如图2所示),其中车道i第n+1周期有效绿灯时长。
进一步地,所述步骤5包括:
根据剩余排队形成波波速可得第n周期剩余队列在第n+1周期形成排队所需时间进而可得第n周期剩余队列在第n+1周期绿灯启亮后5秒间隔所形成的IQA为),进一步可得存在剩余排队下第一部分的延误包括第n周期剩余排队在第n+1周期形成的IQA延误和存在剩余排队时第n+1周期车辆到达形成的IQA延误计算公式为:
本发明的有益效果是:
1、本发明对车辆延误进行了实时预测,便于把控交通状态的演化趋势,提前进行信号方案的优化设计,对交通拥堵进行预防;
2、本发明以IQA预测为基础,充分描述了车辆到达交叉口的随机性,弥补了传统延误模型计算时假设车辆为均匀到达的不足,有效的提高了延误计算精度;
3、本发明可以分车道对车辆延误进行预测,更加精细化的对交叉口延误进行分析,可靠性更强。
附图说明
图1是本发明的流程示意图;
图2是交叉口车道IQA延误变化图;
图3是研究区域视频检测数据现状布设点位图;
图4是车道1(左转车道)延误计算结果与观测值比较图;
图5是车道2(直行车道)延误计算结果与观测值比较图;
图6是车道3(直右车道)延误计算结果与观测值比较图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:一种基于IQA的实时分车道车辆延误预测方法,如图1所示,包括:
步骤1:以车道i某一有效绿灯结束且无剩余排队时刻作为延误预测起始时刻;并将延误分为两部分进行计算:第一部分为有效绿灯结束时刻至有效红灯结束时刻时段内延误;第二部分为有效红灯结束时刻至最大排队长度出现时刻时段内延误;
步骤4:判断是否存在剩余排队,若存在剩余排队则进入步骤5,否则,令n=n+1,返回步骤2;
其中,步骤2计算过程如下:
由于第一部分延误为排队预测起始时刻至有效红灯结束的IQA延误之和,此时IQA只需考虑排队形成的影响,根据IQA延误多边形阴影面积(如图1所示)可得第一部分延误为:
其中,0<h≤ROUND(ri n/5),ri n为车道i第n个周期的有效红灯时长,ROUND表示对括号里的值进行四舍五入取整。
其中,步骤3计算过程如下:
第二部分延误为有效红灯结束时刻至最大排队长度出现时刻时段内IQA的延误之和,如图1中第二部分所示,此时IQA不仅与排队形成有关,而且还需考虑绿灯开始后排队消散情况,当绿灯启亮,排队以消散波波速消散,则以5秒为间隔的排队消散长度为所以第二部分排队演化时的IQA(图2第二部分延误中长方形的长度)为此时,进而第二部分的延误为
式中,qm为饱和流率,kj为阻塞密度,km为临界密度。
其中,步骤4计算过程如下:
步骤4的关键在于确定上一周期剩余排队的IQA,首先确定是否剩余车队,过程如下:
根据公式可以确定排队清空所需时长 为车道i第n周期最大排队,为消散波波速,当时,表明绿灯结束时无剩余排队;当时,表明绿灯结束时存在剩余车队,此时车道i第n周期剩余车队长度为并以状态(qm,km)驶向停车线形成剩余排队(如图1所示),其中车道i第n+1周期有效绿灯时长。
其中,步骤5计算过程如下:
根据剩余排队形成波波速可得第n周期剩余队列在第n+1周期形成排队所需时间进而可得第n周期剩余队列在第n+1周期绿灯启亮后5秒间隔所形成的IQA为),进一步可得存在剩余排队下第一部分的延误包括第n周期剩余排队在第n+1周期形成的IQA延误和存在剩余排队时第n+1周期车辆到达形成的IQA延误计算公式为:
在本实施例中,选取云南省曲靖市麒麟区的实地调查数据对本专利延误预测方法进行验证。数据时段为2017年10月31日下午15:30至18:00的数据,数据采集位置如图3所示,根据卡口与电子警察数据的可以实时记录IQA的情况,为方法验证提供支撑。验证结果通过计算车辆延误平均绝对误差(MAE),平均百分比绝对误差(MAPE与均方根误差(RMSE),并将结果与经典延误计算方法(Webster方法和HCM 2010(IQA)方法)进行对比,结果如表1所示,MAE、MAPE和RMSE计算公式如下:
其中,m为预测周期数,本例中共计48个周期。
表1麒麟南路与文昌街北进口各车道平均延误MAE、MAPE和RMSE
从表1结果可以看出,本专利计算方法误差MAE、MAPE和RMSE均小于其他两种方法,充分验证了方法的计算精度,车道1、车道2、车道3的延误观测值与预测值对比图分别如图4、图5、图6所示。
本发明以分车道实时排队长度预测方法和交通波理论为基础,构建了IQA延误多边形,实时分车道对车辆延误进行预测;通过提前预测IQA弥补了以往在使用IQA进行延误计算时难以获取实时数据的缺陷,有效的提高了延误计算的精度;此外,本发明关键在于可以分车道提前获取车辆延误信息,转被动式的延误估计为主动式的延误预测,便于提前对关联交叉口或拥挤路段进行信号优化设计,以达到缓解交通拥堵,改善出行环境的目的。
Claims (2)
1.一种基于IQA的实时分车道车辆延误预测方法,其特征在于:
步骤1:以车道i某一有效绿灯结束且无剩余排队时刻作为延误预测起始时刻;并将延误分为两部分进行计算:第一部分为有效绿灯结束时刻至有效红灯结束时刻时段内延误;第二部分为有效红灯结束时刻至最大排队长度出现时刻时段内延误;
步骤4:判断是否存在剩余排队,若存在剩余排队则进入步骤5,否则,令n=n+1,返回步骤2;
所述步骤2具体为:
由于第一部分延误为排队预测起始时刻至有效红灯结束的IQA延误之和,根据IQA延误多边形阴影面积可得该部分延误为:
所述步骤3具体为:
式中,qm为饱和流率,kj为阻塞密度,km为临界密度;
所述步骤5具体为:
根据剩余排队形成波波速可得第n周期剩余队列在第n+1周期形成排队所需时间进而可得第n周期剩余队列在第n+1周期绿灯启亮后5秒间隔所形成的IQA为进一步可得存在剩余排队下第一部分的延误包括第n周期剩余排队在第n+1周期形成的IQA延误和存在剩余排队时第n+1周期车辆到达形成的IQA延误计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029241.3A CN109191836B (zh) | 2018-09-05 | 2018-09-05 | 一种基于iqa的实时分车道车辆延误预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029241.3A CN109191836B (zh) | 2018-09-05 | 2018-09-05 | 一种基于iqa的实时分车道车辆延误预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191836A CN109191836A (zh) | 2019-01-11 |
CN109191836B true CN109191836B (zh) | 2021-03-02 |
Family
ID=64914700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811029241.3A Active CN109191836B (zh) | 2018-09-05 | 2018-09-05 | 一种基于iqa的实时分车道车辆延误预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191836B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110444012A (zh) * | 2019-06-26 | 2019-11-12 | 南京慧尔视智能科技有限公司 | 交叉口车辆延误时间与停车次数的计算方法和装置 |
CN114613163B (zh) * | 2021-06-29 | 2023-08-01 | 武汉理工大学 | 一种可变导向车道与交叉口信号配时交互关系的控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777259A (zh) * | 2010-01-22 | 2010-07-14 | 同济大学 | 城市道路交叉路口平均延误获取方法 |
CN101783073A (zh) * | 2010-01-07 | 2010-07-21 | 同济大学 | 基于双截面检测器的信号交叉口延误测定方法 |
CN107274672A (zh) * | 2017-08-03 | 2017-10-20 | 重庆大学 | 基于gps数据的信号交叉口单车延误时间估计方法 |
CN108269400A (zh) * | 2018-01-25 | 2018-07-10 | 山东交通学院 | 一种主干路信号控制交叉口延误估算方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050187701A1 (en) * | 2004-02-23 | 2005-08-25 | Baney Douglas M. | Traffic communication system |
-
2018
- 2018-09-05 CN CN201811029241.3A patent/CN109191836B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783073A (zh) * | 2010-01-07 | 2010-07-21 | 同济大学 | 基于双截面检测器的信号交叉口延误测定方法 |
CN101777259A (zh) * | 2010-01-22 | 2010-07-14 | 同济大学 | 城市道路交叉路口平均延误获取方法 |
CN107274672A (zh) * | 2017-08-03 | 2017-10-20 | 重庆大学 | 基于gps数据的信号交叉口单车延误时间估计方法 |
CN108269400A (zh) * | 2018-01-25 | 2018-07-10 | 山东交通学院 | 一种主干路信号控制交叉口延误估算方法及装置 |
Non-Patent Citations (2)
Title |
---|
Group-based approach to predictive delay model based on incremental queue accumulations for adaptive traffic control systems;Seunghyeon Lee,S.C. Wong;《Transportation Research Part B》;20171231(第98期);第274-277,282页 * |
基于IQA方法的信号交叉口左转延误计算;赖元文等;《武汉理工大学学报(交通科学与工程版)》;20120430;第36卷(第2期);第1-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109191836A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765981B (zh) | 一种分车道实时排队长度预测方法 | |
Tiaprasert et al. | Queue length estimation using connected vehicle technology for adaptive signal control | |
CN108335485B (zh) | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 | |
CN105023433B (zh) | 一种高速公路交通异常事件影响范围预估方法 | |
JP3501773B2 (ja) | 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法 | |
CN106571030B (zh) | 多源交通信息环境下排队长度预测方法 | |
CN108597235B (zh) | 基于交通视频数据的交叉口信号参数优化及效果评估方法 | |
Tan et al. | Cycle-based queue length estimation for signalized intersections using sparse vehicle trajectory data | |
CN104299432A (zh) | 一种过饱和路口信号灯控制方法及装置 | |
CN113129604B (zh) | 一种基于网联车辆轨迹数据的信控交叉口运行评估方法 | |
CN106971546B (zh) | 基于公交车gps数据的路段公交车渗透率估计方法 | |
CN109191836B (zh) | 一种基于iqa的实时分车道车辆延误预测方法 | |
CN103942957B (zh) | 信号交叉口饱和状态下车辆排队长度计算方法 | |
CN106548632A (zh) | 一种相邻上下游信号交叉口排队长度估计方法 | |
CN106530756B (zh) | 一种考虑下游公交站点的交叉口最佳周期时长计算方法 | |
CN106530695A (zh) | 基于车联网的城市干道车辆行程时间实时预测方法 | |
Li et al. | Real-time prediction of lane-based queue lengths for signalized intersections | |
CN113421439A (zh) | 一种基于蒙特卡罗算法的单路口交通信号配时优化方法 | |
Wu et al. | Stationary condition based performance analysis of the contraflow left-turn lane design considering the influence of the upstream intersection | |
CN106846809A (zh) | 一种基于车辆停车次数的排队最远点计算方法 | |
Wang et al. | Comparison of delay estimation models for signalised intersections using field observations in Shanghai | |
Albright et al. | Analysis of the impacts of transit signal priority on bus bunching and performance | |
Ma et al. | Method of spillover identification in urban street networks using loop detector outputs | |
CN111899506B (zh) | 基于电子警察数据的交通溢流判别方法 | |
CN111489552B (zh) | 一种车头时距预测方法、装置、设备及存储介质 |
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 |