CN110428608A - 一种基于交通大数据的道路通行能力提取方法 - Google Patents

Abstract

本发明涉及一种基于交通大数据的道路通行能力提取方法，其特征在于，包括以下步骤：选择特定的交通流模型；读取海量的道路车道交通流参数；利用上一步读取的道路车道交通流参数对选择的交通流模型的模型参数进行标定；拟合标定后的模型参数，获得拟合好的交通流模型。本发明解决了传统通行能力标定方法人工获取信息工作量大、样本少，结果不可靠的问题，为自动化、长时间、大范围精确获取通行能力提供支持。

Description

一种基于交通大数据的道路通行能力提取方法

技术领域

本发明涉及一种基于路网模型的道路交通通行能力提取方法，属于智能交通应用技术领域。

背景技术

传统的通行能力标定方法采用人工现场调查获取交通流原始参数，调查工作量大，获取数据精度、时空范围有限，导致通行能力样本少、可靠性低。随着信息化技术发展，实现了大范围、实时交通信息采集，积累了海量交通流原始参数。从这些交通流原始参数中自动标定获取通行能力对于获取路网通行能力，标定影响因子，具有重要的意义。

发明内容

本发明目的是提供一种适用于道路规划、设计、交通控制、交通评价决策的通行能力提取方法。

为了达到上述目的，本发明的技术方案是提供了一种基于交通大数据的道路通行能力提取方法，其特征在于，包括以下步骤：

步骤1、选择特定的交通流模型；

步骤2、读取海量的道路车道交通流参数；

步骤3、利用步骤2读取的道路车道交通流参数对步骤1选择的交通流模型的模型参数进行标定，包括以下步骤：

步骤301、确定道路车道交通流参数的初始族群，族群规模为N个；

步骤302、确定适应度函数λ(i,d)，i为车道编号，d为日期，有：

式中，t为时间戳，n为一天中样本时间序列序号，V(i,t)为在t时刻实际采集的第i条车道的车速，为采用交通流模型拟合的在t时刻第i条车道的车速；

步骤303、确定族群更新规则：保留适应度值最高的N1个族群样本，淘汰N2个适应度值最低的N2个族群样本，随机产生N3个新的族群样本，对于适应度值处于中间的(N-N1-N2-N3)个样本，两两交叉取参数平均值产生(N-N1-N2-N3)个样本；

步骤304、步骤1选择的交通流模型按照步骤303确定的族群更新规则进行迭代；

步骤305、确定迭代终止条件，将结果输出更新到数据库；

步骤4、拟合标定后的模型参数，获得拟合好的交通流模型。

优选地，所述交通流参数包括车道编号、时间戳、车辆流量、车速、车辆密度。

优选地，步骤305中，所述迭代终止条件为：前后两次适应度值最低的模型参数差值小于规定值，自由流车速的差值小于1，临界车辆密度的差值小于1，指数参数的差值小于0.05。

优选地，在所述步骤4之后还包括：

步骤5、根据步骤4得到的交通流模型，通过求导方法获取车道的通行能力；

步骤6、根据车道与路段的组成关系，依据步骤5得到的各个车道的通行能力合成为相应路段的通行能力；

步骤7、确定对路段的通行能力造成影响的影响因子，通过步骤6获得的各个路段的通行能力，对各影响因子进行定量标定。

本发明解决了传统通行能力标定方法人工获取信息工作量大、样本少，结果不可靠的问题，为自动化、长时间、大范围精确获取通行能力提供支持。

附图说明

图1为通行能力提取总体流程；

图2为车道交通流模型标定流程；

图3为车道交通流模型标定示例；

图4为车道通行能力结果分布；

图5为车道数通行能力影响因子；

图6为下雨通行能力影响因子；

图7为下雪通行能力影响因子；

图8为事故通行能力影响因子；

图9为各车道交通流参数；

图10为车道交通流参数初始族群。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

第一步、选取交通流模型，本实施例中所选交通流模型为卡洛斯模型，模型为指数模型，模型公式如下：

Q(K)＝V(K)*K

式中：K为密度，单位：辆/公里；V(K)为速度，单位：公里/小时；Q(K)为流量，单位：辆/小时；K_cr为临界密度，单位：辆/公里；V_f为自由流车速，单位：公里/小时；a_m为指数参数，无量纲。

第二步，读取各车道交通流参数，交通流参数包括车道编号、时间戳(5分钟间隔)、流量、速度，密度，如图9所示。

第三步，标定车道交通流模型参数，拟合方法采用遗传算法，标定步骤如下：

步骤301、确定道路车道交通流参数的初始族群，族群规模为20个，如图10所示；

步骤302、确定适应度函数λ(i,d)，i为车道编号，d为日期，有：

式中，t为时间戳，n为一天中样本时间序列序号，V(i,t)为在t时刻实际采集的第i条车道的车速，为采用交通流模型拟合的在t时刻第i条车道的车速；

步骤303、确定族群更新规则：保留适应度值最高的5个族群样本，淘汰5个适应度值最低的5个族群样本，随机产生5个新的族群样本，对于适应度值处于中间的10个样本，两两交叉取参数平均值产生10个样本；

步骤304、步骤1选择的交通流模型按照步骤303确定的族群更新规则进行迭代；

步骤305、确定迭代终止条件，将结果输出更新到数据库，迭代终止条件为：前后两次适应度值最低的模型参数差值小于规定值，自由流车速的差值小于1，临界车辆密度的差值小于1，指数参数的差值小于0.05；

第四步，基于车道交通流模型，通过采用自由流车速和临界密度及求导方法获取车道通行能力，结果输出更新到数据库；

第五步读取匹配路段基本信息，即获得组成路段的各个车道，基于第四步得到的相应车道的通行能力合成对应路段的通行能力，标定路段宽度、弯道、坡度等道路条件对通行能力影响，结果输出更新到数据库；

第六步，读取匹配天气信息，定量标定雨雪天气对通行能力影响，结果输出更新到数据库，如根据天气信息，对下雪及下雨通行能力进行标定；

第七步，读取匹配事故信息，定量标定交通事故对通行能力影响，结果输出更新到数据库，如根据事故信息，对下雨通行能力进行标定。

Claims (4)

1.一种基于交通大数据的道路通行能力提取方法，其特征在于，包括以下步骤：

步骤1、选择特定的交通流模型；

步骤2、读取海量的道路车道交通流参数；

步骤3、利用步骤2读取的道路车道交通流参数对步骤1选择的交通流模型的模型参数进行标定，包括以下步骤：

步骤301、确定道路车道交通流参数的初始族群，族群规模为N个；

步骤302、确定适应度函数λ(i,d)，i为车道编号，d为日期，有：

式中，t为时间戳，n为一天中样本时间序列序号，V(i,t)为在t时刻实际采集的第i条车道的车速，为采用交通流模型拟合的在t时刻第i条车道的车速；

步骤303、确定族群更新规则：保留适应度值最高的N1个族群样本，淘汰N2个适应度值最低的N2个族群样本，随机产生N3个新的族群样本，对于适应度值处于中间的(N-N1-N2-N3)个样本，两两交叉取参数平均值产生(N-N1-N2-N3)个样本；

步骤304、步骤1选择的交通流模型按照步骤303确定的族群更新规则进行迭代；

步骤305、确定迭代终止条件，将结果输出更新到数据库；

步骤4、拟合标定后的模型参数，获得拟合好的交通流模型。

2.如权利要求1所述的一种基于交通大数据的道路通行能力提取方法，其特征在于，所述交通流参数包括车道编号、时间戳、车辆流量、车速、车辆密度。

3.如权利要求2所述的一种基于交通大数据的道路通行能力提取方法，其特征在于，步骤305中，所述迭代终止条件为：前后两次适应度值最低的模型参数差值小于规定值，自由流车速的差值小于1，临界车辆密度的差值小于1，指数参数的差值小于0.05。

4.如权利要求1所述的一种基于交通大数据的道路通行能力提取方法，其特征在于，在所述步骤4之后还包括：

步骤5、根据步骤4得到的交通流模型，通过求导方法获取车道的通行能力；

步骤6、根据车道与路段的组成关系，依据步骤5得到的各个车道的通行能力合成为相应路段的通行能力；

步骤7、确定对路段的通行能力造成影响的影响因子，通过步骤6获得的各个路段的通行能力，对各影响因子进行定量标定。