CN110428608B - 一种基于交通大数据的道路通行能力提取方法 - Google Patents

一种基于交通大数据的道路通行能力提取方法 Download PDF

Info

Publication number
CN110428608B
CN110428608B CN201910525208.8A CN201910525208A CN110428608B CN 110428608 B CN110428608 B CN 110428608B CN 201910525208 A CN201910525208 A CN 201910525208A CN 110428608 B CN110428608 B CN 110428608B
Authority
CN
China
Prior art keywords
traffic
model
traffic flow
lane
road
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
Application number
CN201910525208.8A
Other languages
English (en)
Other versions
CN110428608A (zh
Inventor
高霄
肖永来
吴超腾
王环
原良晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Seari Intelligent System Co Ltd
Original Assignee
Shanghai Seari Intelligent System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Seari Intelligent System Co Ltd filed Critical Shanghai Seari Intelligent System Co Ltd
Priority to CN201910525208.8A priority Critical patent/CN110428608B/zh
Publication of CN110428608A publication Critical patent/CN110428608A/zh
Priority to US17/424,887 priority patent/US20220084396A1/en
Priority to PCT/CN2020/084557 priority patent/WO2020253338A1/zh
Application granted granted Critical
Publication of CN110428608B publication Critical patent/CN110428608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

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：
Figure GDA0003356297410000011
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，
Figure GDA0003356297410000012
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：
Figure GDA0003356297410000031
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；Kcr为临界密度，单位：辆/公里；Vf为自由流车速，单位：公里/小时；am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：
Figure GDA0003356297410000032
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，
Figure GDA0003356297410000033
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 (1)

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、选取交通流模型，交通流模型为卡洛斯模型，模型为指数模型，模型公式如下：
Figure FDA0003356297400000011
Q(K)＝V(K)*K
式中：K为密度；V(K)为速度；Q(K)为流量；Kcr为临界密度；Vf为自由流车速；am为指数参数；
步骤2、读取海量的道路车道交通流参数，交通流参数包括车道编号、时间戳、车辆流量、车速、车辆密度；
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：
Figure FDA0003356297400000012
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，
Figure FDA0003356297400000013
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，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；
步骤4、拟合标定后的模型参数，获得拟合好的交通流模型；
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。
CN201910525208.8A 2019-06-18 2019-06-18 一种基于交通大数据的道路通行能力提取方法 Active CN110428608B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910525208.8A CN110428608B (zh) 2019-06-18 2019-06-18 一种基于交通大数据的道路通行能力提取方法
US17/424,887 US20220084396A1 (en) 2019-06-18 2020-04-13 Method for extracting road capacity based on traffic big data
PCT/CN2020/084557 WO2020253338A1 (zh) 2019-06-18 2020-04-13 一种基于交通大数据的道路通行能力提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910525208.8A CN110428608B (zh) 2019-06-18 2019-06-18 一种基于交通大数据的道路通行能力提取方法

Publications (2)

Publication Number Publication Date
CN110428608A CN110428608A (zh) 2019-11-08
CN110428608B true CN110428608B (zh) 2022-03-04

Family

ID=68407751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910525208.8A Active CN110428608B (zh) 2019-06-18 2019-06-18 一种基于交通大数据的道路通行能力提取方法

Country Status (3)

Country Link
US (1) US20220084396A1 (zh)
CN (1) CN110428608B (zh)
WO (1) WO2020253338A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428608B (zh) * 2019-06-18 2022-03-04 上海电科智能系统股份有限公司 一种基于交通大数据的道路通行能力提取方法
CN110969857B (zh) * 2019-12-27 2021-11-19 华为技术有限公司 一种交通信息处理方法及装置
EP4315020A1 (en) * 2021-03-30 2024-02-07 Jio Platforms Limited System and method of data ingestion and processing framework
CN114419876B (zh) * 2021-12-13 2023-04-25 北京百度网讯科技有限公司 道路饱和度评价方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246513A (zh) * 2008-03-20 2008-08-20 天津市市政工程设计研究院 城市快速路互通立交仿真设计系统及选型方法
CN101436345A (zh) * 2008-12-19 2009-05-20 天津市市政工程设计研究院 基于TransCAD宏观仿真平台的港区道路交通需求预测系统
CN104021685A (zh) * 2014-06-26 2014-09-03 广东工业大学 一种含混合交通流的交叉口交通控制方法
CN104750919A (zh) * 2015-03-16 2015-07-01 同济大学 一种道路通行能力影响因素识别方法
CN106781446A (zh) * 2017-02-23 2017-05-31 吉林大学 一种施工环境下高速公路应急车辆资源配置方法
CN106935033A (zh) * 2017-04-28 2017-07-07 青岛科技大学 快速路交通系统的迭代动态线性化及自学习控制方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7403664B2 (en) * 2004-02-26 2008-07-22 Mitsubishi Electric Research Laboratories, Inc. Traffic event detection in compressed videos
US7831380B2 (en) * 2006-03-03 2010-11-09 Inrix, Inc. Assessing road traffic flow conditions using data obtained from mobile data sources
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
JP2013016075A (ja) * 2011-07-05 2013-01-24 Kumamoto Univ 情報処理装置、情報処理方法及びプログラム
US20150206427A1 (en) * 2014-01-17 2015-07-23 International Business Machines Corporation Prediction of local and network-wide impact of non-recurrent events in transportation networks
US9761132B2 (en) * 2015-03-31 2017-09-12 Here Global B.V. Method and apparatus for providing dynamic strength decay for predictive traffic
US10320923B2 (en) * 2016-09-01 2019-06-11 Cisco Technology, Inc. Predictive resource preparation and handoff for vehicle-to-infrastructure systems
CN107452201B (zh) * 2017-07-24 2020-05-08 重庆大学 一种考虑前车换道驶离时后车的跟驰加速度确定方法及跟驰行为建模方法
CN108171361B (zh) * 2017-12-11 2021-11-12 东南大学 考虑交通冲突指标分布问题的交通仿真模型标定方法
CN109243172B (zh) * 2018-07-25 2021-06-08 华南理工大学 基于遗传算法优化lstm神经网络的交通流预测方法
CN109635495B (zh) * 2018-12-29 2023-08-22 西南交通大学 基于神经网络和遗传算法的干道相位差仿真优化方法
CN110428608B (zh) * 2019-06-18 2022-03-04 上海电科智能系统股份有限公司 一种基于交通大数据的道路通行能力提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246513A (zh) * 2008-03-20 2008-08-20 天津市市政工程设计研究院 城市快速路互通立交仿真设计系统及选型方法
CN101436345A (zh) * 2008-12-19 2009-05-20 天津市市政工程设计研究院 基于TransCAD宏观仿真平台的港区道路交通需求预测系统
CN104021685A (zh) * 2014-06-26 2014-09-03 广东工业大学 一种含混合交通流的交叉口交通控制方法
CN104750919A (zh) * 2015-03-16 2015-07-01 同济大学 一种道路通行能力影响因素识别方法
CN106781446A (zh) * 2017-02-23 2017-05-31 吉林大学 一种施工环境下高速公路应急车辆资源配置方法
CN106935033A (zh) * 2017-04-28 2017-07-07 青岛科技大学 快速路交通系统的迭代动态线性化及自学习控制方法

Also Published As

Publication number Publication date
WO2020253338A1 (zh) 2020-12-24
US20220084396A1 (en) 2022-03-17
CN110428608A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110428608B (zh) 一种基于交通大数据的道路通行能力提取方法
Wang et al. Can single-loop detectors do the work of dual-loop detectors?
CN112837533B (zh) 一种考虑风险因素时变特征的公路事故频次预测方法
CN111951553B (zh) 一种基于交通大数据平台与中观仿真模型的预测方法
CN110751311B (zh) 偶发性交通拥堵持续时间的数据提取与实时预测方法
CN112242060B (zh) 交通流量预测方法及装置、计算机设备及可读存储介质
CN108665093B (zh) 基于深度学习的高速公路交通事故严重度预测方法
CN109064748A (zh) 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
Viallon-Galinier et al. Forcing and evaluating detailed snow cover models with stratigraphy observations
CN111860974B (zh) 一种基于状态空间和联合分布的干旱多级预测方法
CN112907956B (zh) 一种基于时空信息的高速公路车道级运行速度预测方法
CN113449905A (zh) 一种基于门控循环单元神经网络的交通拥堵预警方法
CN117332909B (zh) 基于智能体的多尺度城市内涝道路交通暴露性预测方法
CN111311904B (zh) 一种基于浮动车数据加权张量重建的交通状态估计方法
CN115796606A (zh) 高速公路运营安全指数的量化评估方法、装置及服务器
CN109190797A (zh) 一种基于改进k最近邻的大规模路网状态短时预测方法
CN114386844A (zh) 一种基于事故前交通状态与事故关系的建模方法
CN115311842B (zh) 车流量预测模型训练和车流量预测方法、装置及电子设备
CN108417030B (zh) 基于交通参数组合的路口交通状态强度计算方法
CN112489422B (zh) 一种基于算法模型分析的车流量预测方法
CN116312008B (zh) 一种基于气候信息的高速道路状况预警方法及系统
CN115294770B (zh) 一种雨天交通拥堵指数的预测方法和装置
CN109508810A (zh) 一种基于实现月平均水文流量预测的系统
CN115083173A (zh) 一种基于电警数据的单点定时信号控制时段划分方法
Ji et al. Modeling and Analyzing Free-Flow Speed of Environment Traffic Flow in Rainstorm Based on Geomagnetic Detector Data.

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