CN110675629B - 一种基于大数据的高速公路拥堵预测与主动防控方法 - Google Patents

Abstract

本发明涉及基于大数据的高速公路拥堵预测与主动防控方法，本发明首先对实际路网进行抽象，构建出表示路网的拓扑图，计算出图中任意两点间的最优路径；然后对车辆历史通行数据进行处理，产生车辆行驶路径选择概率表和路段车辆来源分时段比例表；根据车辆行驶路径选择概率表计算出每辆入网车辆在预测时间下会到达的路段，进而计算出每个路段的空间饱和度，对于饱和度大于一定阈值的路段，判定该路段在预测时间下发生了拥堵，再根据路段车辆来源分时段比例表，找出预测时间下该路段上的车辆来源占比，从而对相关入口点进行车流量驶入速度控制。本发明能够对道路拥堵提前预测，提供避免道路拥堵发生的科学手段，保持道路畅通。

Description

一种基于大数据的高速公路拥堵预测与主动防控方法

技术领域

本发明涉及一种基于大数据的高速公路拥堵预测与主动防控方法。

背景技术

随着经济的快速发展，高速公路的客运量和货运量也随之逐年增加，一方面车辆保有量与车辆使用频率的增速，远超过道路供给增加的速度，使得供需不平衡的矛盾突显；另一方面高速公路路网在车流高峰期的空间饱和度持续上升，使得任何小的突发事件都会影响整个道路的正常运营；这些原因导致了高速公路拥堵状况的发生呈现常态化趋势。

目前，对于高速公路上出现的拥堵状况，主要通过人工干预的方式进行处理：由交警通过个人的工作经验对高速公路上出现拥堵状况的路段进行人工疏导，同时通过人工沟通方式(通过对讲机，电话等)对上游车辆入口点传达限制车辆驶入路网的命令，以控制车辆驶入路网的速度，缓解整个道路的拥堵状况。

这种人工干预的方式存在如下缺点：

1)只能对已经出现拥堵状况的路段进行疏导，不能提前预测并避免拥堵状况的发生。

2)通过交警个人经验对上游车辆入口点进行驶入控制，缺乏科学的数据支撑，不能有效识别对拥堵路段贡献主要车辆数的那些入口点，使得驶入控制命令缺乏精准性。

3)通过人工干预的方式解决道路拥堵问题的效率低，成本高，个人经验判断出错可能性高。

为了改善高速公路目前存在的拥堵状况，避免人工干预方式存在的缺点，有必要提供一套对高速公路拥堵状况进行主动防控的流程设计。

通过对现有技术文件检索，尚未发现有关对通过大数据基础进行高速公路拥堵预测并采用主动防控整体流程设计的相关描述。

发明内容

(一)解决的技术问题

针对目前高速公路拥堵人工疏导干预方式存在的缺点，本发明提供了一种基于大数据的高速公路拥堵预测与主动防控方法。该流程设计依托大数据技术，通过对高速公路管理中积累的大量路网车辆历史数据进行分析处理，从中得出路网中的车辆行驶行为规律，结合实时进入路网的车辆信息，预测未来一段时间可能发生拥堵的路段，并自动产生相应的控制措施，对车辆驶入路网的入口点提前进行科学合理的流入速度控制，进而达到避免道路出现拥堵状况，提高路网整体运行效率的目的。

(二)技术方案

本发明人等通过努力研究，发现现有的大数据技术可以解决高速公路拥堵预测，从而完成了本发明。

本发明提供一种基于大数据的高速公路拥堵预测主动防控流程设计，其特征在于包括以下步骤：

步骤一：根据高速公路路网实际组成，构建双向拓扑网络图，将高速公路路网中的站点元素(互通，枢纽，主线站，用于实际路径判断的标识点)抽象为有向拓扑网络图中的‘点’(特别的，由互通抽象出来的点称作‘出入点’，车辆驶入路网的出入点称作‘入口点’，车辆驶出路网的出入点称作‘出口点’)；将路网中直接连通的两个点元素之间的有向路段抽象为有向拓扑网络图中的‘边’。

步骤二：根据有向拓扑网络图构建记录任意两个出入点之间最优路径的路径表。

步骤三：对高速公路的车辆历史通行数据进行处理，结合最优路径表，生成车辆行驶路径选择概率表和路段车辆来源分时段比例表。其中，车辆行驶路径选择概率表用于为每个新入网车辆赋予一条最可能选择的行驶路径和在该路径中行驶时的行为习惯速度；路段车辆来源分时占比表用于说明路网中的每个路段(边)在不同时间所承载的从不同高速公路入口点进入路网的车辆的百分比。

步骤四：根据车辆驶入路网时获取的车辆唯一标识、驶入的入口点和驶入的时间，结合步骤三中的车辆行驶路径选择概率表，计算出每辆入网车辆在预测时间下会行驶到的路段，进而计算出每个路段上的车辆数。

步骤五：根据步骤四中计算出的每个路段上的车辆数，结合每个路段的长度、车道数、最高限速和车辆正常行驶需要的动态安全空间，计算出在预测时间下每个路段的空间饱和度，并以《公路工程技术标准(JTGB01-2014)》中规定的道路服务水平进行表征；对于饱和度大于一定阈值的路段，认为该路段在预测时间下发生了拥堵。

步骤六：对于预测会发生拥堵的路段，根据路段车辆来源分时占比表，自动找出预测时间下该路段上从不同入口点进入路网的车辆占比，并以此为依据，为不同入口点产生不同的车流量驶入速度控制策略；

步骤七：将步骤六中产生的车流量驶入速度控制策略通过网络发送到相应入口点，以控制入口点通行信号灯的开启和关闭，进而控制车流量驶入路网的速度，避免拥堵情况的发生。

步骤八：根据每天路网中运行的车辆数据，对车辆行驶路径选择概率表和路段车辆来源分时占比表进行更新，以使这两个表始终反映最近的路网运营交通状况，使预测更加精准。

(三)有益效果

本发明通过对在同一时间出现在同一道路空间而造成拥堵进行预测并并进行主动控制，使这些车辆在不同时间出现在不同道路空间，从而实现避免道路出现拥堵状况的目的。

附图说明

图1是路网示例图。

图2是抽象出来的网络有向拓扑图。

图3是网络拓扑图局部细节图。

具体实施方式

下面将结合图示，详细描述该流程设计的具体实施方式。以下实施方式有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。

本发明的基于大数据的高速公路拥堵预测主动防控流程设计，其特征在于包括以下步骤：

步骤一：根据高速公路路网数据实际组成，构建有双向拓扑网络图，将高速公路路网中的站点元素(互通，枢纽，主线站，用于实际路径判断的标识点)抽象为有向拓扑网络图中的‘点’(特别的，由互通抽象出来的点称作‘出入点’，车辆驶入路网的出入点称作‘入口点’，车辆驶出路网的出入点称作‘出口点’)；将路网中直接连通的两个站点元素之间的有向路段抽象为有向拓扑网络图中的‘边’。

步骤二：根据有向拓扑网络图构建记录任意两个出入点之间最优路径的路径表。

步骤三：对高速公路的车辆历史通行数据进行处理，结合最优路径表，生成车辆行驶路径选择概率表和路段车辆来源分时占比段比例表。其中，车辆行驶路径选择概率表用于为每个新入网车辆赋予一条最可能选择的行驶路径和在该路径中行驶时的相关行为习惯速度；路段车辆来源分时占比表用于说明路网中的每个最短路段(边)在不同时间所承载的从不同高速公路入口点进入路网的车辆的百分比。

步骤四：根据车辆驶入路网时获取的车辆唯一标识、驶入的入口点，和驶入的时间，结合步骤三中的车辆行驶路径选择概率表，计算出每辆入网车辆在预测时间下会行驶到的路段，进而计算出每个路段上的车辆数。

步骤五：根据步骤四中计算出的每个路段上的车辆数，结合每个路段的长度、车道数、最高限速和车辆正常行驶需要的动态安全空间，计算出在预测时间下每个路段的车辆空间饱和度，并以《公路工程技术标准(JTGB01-2014)》中规定规范的道路服务水平进行表征；对于饱和度大于一定阈值的路段，认为该路段在预测时间下发生了拥堵。

步骤六：对于预测会发生拥堵的路段，根据路段车辆来源分时占比表，自动找出预测时间下该路段上从不同入口点进入路网的车辆占比，并以此为依据，为不同入口点产生不同的车辆驶入车流量驶入速度控制策略。

步骤七：将步骤六中产生的车流量驶入速度车辆驶入控制策略通过网络发送到相应入口点，以控制入口点通行信号灯的开启和关闭，进而控制车辆车流量驶入路网的速度，避免道路拥堵情况的发生。

步骤八：根据每天驶入路网中运行的车辆数据，对车辆行驶路径选择概率表和路段车辆来源分时占比表进行更新，以使这两个表始终反映最近的路网运营交通状况，使预测更加精准。

优选地，所述步骤一中，高速公路路网中的点元素和有向拓扑网络图中的点存在一一对应的关系；路网中两个点元素直接连通表示这两个站点元素之间存在连通的有向路段，且该路段不经过其他站点元素；路网中直接连通的两个站点元素之间的有向路段和有向拓扑网络图中的边存在一一对应的关系；有向拓扑网络图中的每条边被赋予一个权值，该权值对应于车辆在路网中行驶时所关心的目标属性，如(且不限于)距离、油耗、时间、费用、安全性、是否限制货车通行、是否限制危化品车通行等属性。

优选地，所述步骤二中，两个出入点之间的最优路径，是指该路径在连通这两个出入点的同时使车辆在路网中行驶时所关心的目标属性取得最优值，如距离最短、油耗最少、时间最短、费用最低、安全性最高等。最优路径表中的每条最优路径代表的是从入口点开始，经过若干中间点，最后到达出口点的一种顺序关系，任何其它表示形式均不改变这种关系的本质。更优选地，假设从入口点A到出口点K的最优路径(以距离最短作为车辆在路网中行驶时所关心的目标属性)中间顺序经过了点M，N，O，则该最优路径可以表示为(A->M->N->O->K)。

优选地，所述步骤三中，高速公路的车辆历史通行数据所代表的是如下关系：此种关系通过(但不限于)每辆入网车辆的唯一标识(如车牌号、ETC卡号、车辆特殊标识等)、入口点标识、驶入时间、出口点标识、驶出时间这些属性表示每辆入网车辆的历史入网情况信息，任何其它表示形式均不改变这种关系的本质。

表1车辆历史通行数据

优选地，所述步骤三中，车辆行驶路径选择概率表所代表的是如下关系：此种关系通过(但不限于)每辆入网车辆的唯一标识(如车牌号、ETC卡号、车辆特殊标识等)、入口点标识、出口点标识、概率、速度这些属性表示了：①一辆车从某个入口点驶入路网后,将以多大的概率从相应出口点驶出路网；②该车沿以此入口点和出口点作为起止点的最优路径行驶时,在此路径上所关联的行驶速度。任何其它表示形式均不改变这种关系的本质。

更优选地，对于①中的概率的计算可以采用如下方式：对于车辆A123，假设从高速公路的路网车辆历史记录中查找分析得到，该车从入口点A驶入路网的总次数为5次，其中有4次从出口点K驶出路网，1次从出口点H驶出路网，则认为该车从入口点A驶入路网后，有4/5＝80％的概率从出口点K驶出路网，有1/5＝20％的概率从出口点H驶出路网。

更优选地，对于②中的速度的计算可以采用如下方式：对于车辆A123，假设从高速公路的路网车辆历史记录中查找分析得到，该车从入口点A驶入路网并从出口点K驶出路网的总次数为5次，按时间先后顺序，每次的用时分别为1h,0.95h,0.91h,0.87h,0.83h；假设根据高速公路路网数据计算得到，从入口点A到出口点K的最优路径(A->M->N->O->K)的长度为100km；则可以认为该车每次沿路径(A->M->N->O->K)行驶的平时速度分别为：

第一次：车速为100km/1h＝100km/h

第二次：车速为100km/0.95h＝105km/h

第三次：车速为100km/0.91h＝110km/h

第四次：车速为100km/0.87h＝115km/h

第五次：车速为100km/0.83h＝120km/h

则该车沿以A入口点和K出口点作为起止点的最优路径(A->M->N->O->K)行驶时,在此路径上所关联的行驶速度V为：

V1＝100km/h*0.4+105km/h*0.6＝103km/h

V2＝V1*0.4+110km/h*0.6＝107.2km/h

V3＝V2*0.4+115km/h*0.6＝111.88km/h

V＝V3*0.4+120km/h*0.6＝116.752km/h

表2车辆行驶路径选择概率表

优选地，所述步骤三中，路段车辆来源分时段比例表所代表的是如下关系：这种关系通过(但不限于)每个路段的唯一标识(如路段编号，起止点标识等)、日期、时间、入口点标识、概率这些属性来表示路网中的每个最短路段(一条“边”)在不同时间所承载的从不同高速公路入口点进入路网的车辆的百分比。任何其它表示形式均不改变这种关系的本质。

更优选地，对路段车辆来源分时占比表中概率的计算可以采用如下方式：

根据高速公路的车辆历史通行数据，以周(7天)为时间循环周期，对每天进入路网的车辆，从这些数据中自动找出该车在路网中的入口点，驶入时间，出口点，驶出时间，结合最优路径表中以该入口点和出口点为起止点的最优路径，计算出该车在此最优路径上的平均速度；然后根据入口点，驶入时间，最优路径，平均速度，计算出该车每隔5分钟后在划分好的时间点(对每天24小时，按5分钟的时间间隔划分为24*12个时间点)上可能行驶到的(在最优路径上的)路段；综合所有入网车辆，可以计算出路网中的每个路段在不同时间点上所承载的车辆数，同时获得这些车辆分别是从哪些入口点驶入路网的，进而计算出这些来自不同入口点的车辆在该时间点上占该路段所承载的车辆数的百分比。例如，对于最小路段X->Y，在第一个周一9:30时所承载的车辆数为100，其中，从入口点A驶入路网的车辆数为80，从入口点B驶入路网的车辆数为10，从入口点C驶入路网的车辆数为10，则对于路段X->Y，在第一个周一9:30时不同入口点的车辆占该路段所承载的车辆数的百分比分别为A入口点占80％，B入口点占10％，C入口点占10％，表示为[X->Y,第一个周一,9:30,A,80％,B,10％,C,10％]；采用同样的方法计算出该路段在第一个周一其他时间点上的来自不同入口点的车辆占该路段所承载的车辆数的百分比。

进一步地，根据高速公路的车辆历史通行数据，采用前述方法计算出该路段第二个周一的各个时间点上不同入口点的车辆占该路段所承载的车辆数的百分比，假设在第二个周一的9:30时间点上，B入口点占40％，C入口点占50％，D入口点占10％，则综合第一个周一和第二个周一在9:30时间点上各入口点所占百分比，得到路段车辆来源分时占比表中该路段在周一的9:30时间点上各入口点所占百分比为：

A入口点80％*0.4+0％*0.6＝32％

B入口点10％*0.4+40％*0.6＝28％

C入口点10％*0.4+50％*0.6＝34％

D入口点0％*0.4+10％*0.6＝6％

采用同样方法计算路段车辆来源分时段比例表中该路段在周一的其它时间点上各入口点所占百分比为。对于周二到周天的时段，采用同样的方法计算每个路段在不同时间点上的不同入口点的车辆占该路段所承载的车辆数的百分比。

更进一步地，对后续的每天入网的数据，以路段车辆来源分时段比例表所记录的百分比为基础，进行迭代计算，对历史数据处理完成后，得到最终反映路网整体状况的路段车辆来源分时段比例表。

表3路段车辆来源分时占比表

优选地，所述步骤四中，在计算预测时间下每个路段上的车辆数时：根据车辆驶入路网时获取的车辆唯一标识和驶入的入口点，从车辆行驶路径选择概率表中找出与其对应的若干条数据记录；从这些数据记录中获得与此入口点相对应的出口点及从对应出口点驶出路网的概率；根据入口点，出口点和对应的概率，从这些数据记录中综合为车辆确定行驶的最优路径和在所选路径中行驶时的相关速度。

更优选地，可以从这些数据记录中选择概率最大的那条记录所对应的最优路径作为该车行驶的最优路径，选择该车在最优路径上行驶的平均速度作为该车在所选路径中行驶时的行为习惯速度。

进一步地，根据车辆的驶入时间，行驶的最优路径、在该路径中行驶时的行为习惯速度、最优路径的长度和当前时间，计算出车辆在最优路径上的当前在位置，进而计算出在预测时间下车辆在最优路径上会行驶到的最短路段；对每个最短路段，将预测时间下会行驶到该路段的所有车辆相加，得出该路段在预测时间下的车辆数。

优选地，所述步骤五中，每个路段的车辆饱和度和该路段的长度存在负相关性，和该路段的车道数存在负相关性，和该路段的最高限速(用于确定两辆车之间的安全距离)存在正相关性，和该路段上的车辆数存在正相关性。每个路段的空间饱和度越高，道路服务水平越低。

更优选地，将该路段的长度记为L(单位：m)，该路段的车道数(单向)记为c(单位：条)，车辆在一定速度下行驶时需要的安全距离记为d(单位：m)，该路段上的车辆数记为T，该路段的饱和度记为S，则S的值可用公式S＝T*d/(L*c)确定。当S<＝1时，表示该路段通畅，当S>1时，表示该路段出现了拥堵。

优选地，所述步骤六中，为不同入口点产生不同的车辆驶入控制策略的原则是，对预测会发生拥堵的路段贡献越多(即该路段上来自于该入口点的车辆越多)车辆的入口点，针对该入口点的控制策略中应体现越长的限行时间，即车流量驶入高速公路的速率越小。

更优选地，可以采用以下方式产生针对不同入口点的控制策略：假设在周一的9:00时间点上，经过计算预测到路段X->Y在9:30时间点上的饱和度S>1，从路段车辆来源分时段比例表中查找得出，该路段在周一的9:30时间点上来自不同各入口点的车辆所占百分比p为：A入口点为32％，B入口点为28％，C入口点为34％，D入口点为6％。

更优选地，如果入口点的数量大于5个，则从中取百分比最大的5个入口点，对其产生控制策略。

进一步地，可以将入口点的限行时间的上限设为60s，每个入口点的实际限行时间取为

将限行时间过后的放行时间(放行一辆车)设置为固定的5s(也可根据实际情况设置)。这样：

针对A入口点的控制策略中的限行时间为

放行时间为5s；

针对B入口点的控制策略中的限行时间为

放行时间为5s；

针对C入口点的控制策略中的限行时间为

放行时间为5s；

针对D入口点的控制策略中的限行时间为

放行时间为5s

优选地，所述步骤七中，控制策略通过网络发送到相应入口点后，需要通过信号转换设备将控制策略中的数字信号转换为实际控制车辆驶入速度的交通信号。

更优选地，入口点的信号转换设备对接收到的控制策略进行解析，获取到控制策略中的限行时间和放行时间，以限行时间作为限行交通信号灯的工作时间，放行时间作为放行交通信号灯的工作时间，使这两种交通信号灯交替循环工作，实现控制车辆驶入路网速度的目的。

优选地，所述步骤八中，计算更新车辆行驶路径选择概率表和路段车辆来源分时段比例表时，需要综合考虑历史车辆数据和新入网车辆数据在更新这两个表时所具有的权重，以使更新后的这两个表能尽可能准确的反映路网最近的路网运营状况，以便对道路交通拥堵状况进行更精确的预测。

更优选地，可以采用以下方式每天更新车辆行驶路径选择概率表中的速度：假设车辆A123当天从A入口点驶入路网并从K出口点驶出路网，所用时间为1h，从现有的车辆行驶路径选择概率表中查找可知，从入口点A到出口点K的最优路径为(A->M->N->O->K)，结合路网信息可计算得到此路径的长度，假设为100km，则该车当天在此路径上行驶的速度为100km/h；从车辆行驶路径选择概率表中查找到该车在此路径上关联的速度为116.752km/h，则更新后的该车在此路径上关联的速度为116.752km/h*0.4+100km/h*0.6＝106.7km/h。

更优选地，可以采用以下方式每天更新车辆行驶路径选择概率表中的概率：假设车辆A123当天从A入口点驶入路网并从K出口点驶出路网的次数为2；从车辆行驶路径选择概率表中查找得到该车从A入口点驶入路网的总次数为200，从A入口点驶入路网后的所有可能的出口点为K和H，其中，从K出口点驶出的次数为160次，从H出口点驶出的次数为40次；则更新后，该车从A入口点驶入路网的总次数更新为202，从K出口点驶出路网的次数更新为162，从K出口点驶出路网的概率更新为162/202＝80.20％，从H出口点驶出网路的概率更新为40/202＝19.8％。

更优选地，可以采用以下方式每天更新路段车辆来源分时段比例表中不同入口点的车辆所占的百分比：根据当天的入网车辆的信息记录，计算得到每个路段在当前的不同时间点(共24*12个)上来自不同入口点的车辆占比，假设经计算得到，路段X->Y在当天(周二)09:00时间点上来自不同入口点的车辆占比分别为：A入口点占40％，B入口点占50％，C入口点占10％；从路段车辆来源分时占比表中查找得到表中已存在的在周二09:00时间点上来自不同入口点的车辆占比分别为：B入口点占28％，C入口点占32％，D入口点占40％，则更新后的车辆来源分时占比表中在周二09:00时间点上来自不同入口点的车辆占比分别为：

A入口点0％*0.4+40％*0.6＝24％

B入口点28％*0.4+50％*0.6＝41.2％

C入口点32％*0.4+10％*0.6＝18.8％

D入口点40％*0.4+0％*0.6＝16％

采用同样方法对路段车辆来源分时占比表中该路段在当天(周二)的其它时间点上各入口点所占百分比进行更新。对于其他路段，采用同样的方法(对周二这一天的所有时间点上各入口点所占百分比)进行更新。

显然，所述的实施方式仅仅是本发明的一例，而不受该实施方式的任何限定，本领域的技术人员在没有做出创造性劳动的前提下基于本发明中的实施方式所获得的所有其他实施方式，都属于本发明的保护范围。另外，对本领域的技术人员来说，在未脱离本发明范围的前提下对本发明的具体实施方式做出的任何变形或修改，也都属于本发明的保护范围。

本实施方式中没有特别说明的内容，参照发明内容中已经给出的方法进行，此处不再赘述。

实施例

实施例一

某省高速公路管理公司的累积的历史数据中的主要内容如表1所示：

表1历史记录表

步骤一：根据高速公路路网数据(对应图1)，构建有向拓扑网络图，如图2所示。

步骤二：根据有向拓扑网络图构建记录任意两个出入点之间最优路径的路径表。

表2最优路径表

步骤三：根据高速公路管理公司的累积的车辆历史通行数据，采用前述算法对数据进行处理，结合最优路径表，生成车辆行驶路径选择概率表和路段车辆来源分时段比例表。

表3车辆行驶路径选择概率表

表4路段车辆来源分时段比例表

步骤四：根据车辆驶入路网时获取的车辆唯一标识、驶入的入口点，驶入的时间，结合步骤三中的车辆行驶路径选择概率表，计算出每辆入网车辆在预测时间下会行驶到的路段，进而计算出每个路段上的车辆数。

具体地，在车辆驶入路网时，通过入口点的车牌识别摄像头或者ETC读卡器识别出该车的唯一标识(如车牌、ETC卡号、车辆特殊标识等)，如：

车辆A123在驶入路网的入口点为A，驶入时间为8:54；

车辆D234在驶入路网的入口点为A，驶入时间为8:48；

车辆B456在驶入路网的入口点为D，驶入时间为8:51；

车辆E123在驶入路网的入口点为F，驶入时间为8:45；

……

从车辆行驶路径选择概率表中进行查找，找到每辆入网车辆最大概率会选择的最优行驶路径和与该路径关联的行驶速度，

车辆A123，所选路径为(A→B->C->X->Y->G->H->M->N)，关联的速度为105km/h；

车辆D234，所选路径为(A→B->C->X->Y->G->H->M->N)，关联的速度为90km/h；

车辆B456，所选路径为(D→E->X->Y->G->H->K->L)，关联的速度为92km/h；

车辆E123，所选路径为(F→X->Y->G->H->I->J)，关联的速度为83km/h；

……

然后，每隔5分钟预测一次30分钟后每个路段上的车辆数，以在周一9:00时间点上预测周一9:30时间点上路段X->Y上的车辆数为例：

车辆A123的驶入时间为8:54，在9:30时间点上，沿路径(A→B->C->X->Y->G->H->M->N)共行驶了0.6h，关联的行驶速度为105km/h，则行驶里程为105km/h*0.6h＝63km。结合最优路径表,A→B->C->X的里程为54km+6.7km+1.3km＝62km；A→B->C->X->Y的里程为54km+6.7km+1.3km+6.7km＝68.7km；由于62km<63km<68.7km，可知该车在9:30时间点上预测会行驶到的路段为X->Y；

车辆D234的驶入时间为8:48，在9:30时间点上，沿路径(A→B->C->X->Y->G->H->M->N)共行驶了0.72h，关联的行驶速度为90km/h，则行驶里程为90km/h*0.72h＝64.8km；结合最优路径表,A→B->C->X的里程为54km+6.7km+1.3km＝62km；A→B->C->X->Y的里程为54km+6.7km+1.3km+6.7km＝68.7km；由于62km<64.8km<68.7km，可知该车在9:30时间点上预测会行驶到的路段为X->Y；

车辆B456的驶入时间为8:51，在9:30时间点上，沿路径(D→E->X->Y->G->H->K->L)共行驶了0.65h，关联的行驶速度为92km/h，则行驶里程为92km/h*0.65h＝59.8km；结合最优路径表,D→E->X的里程为50km+6.8km＝56.8km；D→E->X->Y的里程为50km+6.8km+6.7km＝63.5km；由于56.8km<59.8km<63.5km，可知该车在9:30时间点上预测会行驶到的路段为X->Y；

车辆E123的驶入时间为8:45，在9:30时间点上，沿路径(F→X->Y->G->H->I->J)共行驶了0.75h，关联的行驶速度为83km/h，则行驶里程为83km/h*0.75h＝62.25km；结合最优路径表,F→X的里程为58.25km；F→X->Y的里程为58.25km+6.7km＝64.95km；由于58.25km<62.25km<64.95km，可知该车在9:30时间点上预测会行驶到的路段为X->Y；

……

将所有在周一9:30时间点上预测会行驶到路段X->Y的车辆相加，得到该路段在此时间点上预测会承载的车辆数，如160辆。

步骤五：根据步骤四中计算出的每个路段上的车辆数，结合每个路段的长度、车道数、最高限速，计算出在预测时间下每个路段的车辆饱和度，并以规范的道路服务水平进行表征；对于饱和度大于一定阈值的路段，认为该路段在预测时间下发生了拥堵。

具体地，对路段X->Y，其长度L＝6.7km＝6700m，车道数(单向)c＝2，车辆在此路段的最高限速下行驶时需要的安全距离d＝100m/辆，该路段在周一9:30时间点上预测会承载的车辆数T＝160辆，则该路段在周一9:30时间点上预测到的车辆饱和度S可以用公式算得：S＝T*d/(L*c)＝160*100/(6700*2)＝1.19。这里S>1，表示该路段出现了拥堵。

步骤六：对于预测会发生拥堵的路段，根据路段车辆来源分时占比表，找出预测时间下该路段上从不同入口点进入路网的车辆占比，以此为依据，为不同入口点产生不同的车辆驶入控制策略。

具体地，由于预测到路段X->Y在周一的9:30时间点上会发生拥堵，则需要从车辆来源分时占比表中查找该路段在周一9:30时间点上来自不同入口点的车辆所占百分比p分别为：A入口点20％，D入口点30％，F入口点50％；则在9:00时间点上针对A，D，F入口点的控制策略中的放行时间均设为5s，限行时间可用公式

分别计算为，

A入口点，限行时间为

D入口点，限行时间为

F入口点，限行时间为

步骤七：将步骤六中产生的车辆驶入控制策略通过网络发送到相应入口点，以控制入口点通行信号灯的开启和关闭，进而控制车辆驶入路网的速度，避免道路拥堵情况的发生。

具体地，服务器将包含限行时间和放行时间的控制策略通过网络分别发送到位于入口点A，D，F的PLC逻辑控制器，控制策略中要包含的内容主要有[不同入口点PLC逻辑控制器的IP地址，限行时间，放行时间]，例如A入口点的PLC逻辑控制器的IP地址为192.168.50.100，则服务器发送到该入口点的控制策略可以是[192.168.50.100,12s,5s]。控制器从接收到控制策略中解析出限行时间和放行时间，以此时间对入口点的交通信号灯进行控制，例如控制A入口点的限行信号灯工作12s，然后控制放行信号灯工作5s，循环往复，以此实现控制入口点车辆按控制策略驶入路网的目的。

步骤八：根据每天驶入路网的车辆数据，对车辆行驶路径选择概率表和路段车辆来源分时占比表进行更新，以使这两个表始终反映最近的路网交通状况。

具体地，选择每天的00:00时间点，从数据库中查找前一天00:00到24:00时段内新入网的车辆数据，对这些数据根据前述算法进行处理，实现对车辆行驶路径选择概率表和路段车辆来源分时占比表的更新。

根据上述实施例，明确得知相较于目前在高速公路拥堵管理中存在的先拥堵后治理、使用人工疏导交通、依靠(交警)经验关停互通、高速公路、通行效率和用户出行体验差、管理成本高等问题，实施例一的流程设计以大数据分析为依据，能够对道路拥堵情况的发生进行提前预测，对预测到可能会发生拥堵的路段自动产生主动控制策略，控制相关入口点车流量驶入高速公路的速度，避免道路拥堵状况的产生，为高速公路管理公司提供更科学、及时、准确、高效的避免道路拥堵的管理手段，实现了管理模式从经验决策向数据决策的升级转变。

同时，实施例一的流程设计可以帮助高速公路管理公司预先做好应对拥堵路段突发事件的应急准备，提升道路服务水平，提高道路通行效率，提升用户出行体验，降低事故发生风险，提高高速公路道路资源利用率，实现高速公路的智慧、安全、高效运营的目标。

其在产业上的可利用性为：本发明所阐述的流程设计通过对大量车辆历史行驶数据进行分析处理，从数据中分析出车辆在路网中行驶的规律，能够有效对可能发生拥堵的路段进行预测，并提供了对预测到会发生拥堵的路段进行主动防控的措施，进而避免高速公路出现拥堵问题，解决了对高速公路拥堵进行预测和主动防控的问题，具有很高的推广应用价值。

需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (11)

1.一种基于大数据的高速公路拥堵预测与主动防控方法，其特征在于包括以下步骤：

步骤一：根据高速公路路网实际组成，构建双向拓扑网络图，将高速公路路网中的站点元素，站点元素包括互通、枢纽、主线站、用于实际路径判断的标识点以及服务区，抽象为有向拓扑网络图中的点，由互通抽象出来的点称作出入点，车辆驶入路网的出入点称作入口点，车辆驶出路网的出入点称作出口点；将路网中直接连通的两个站点元素之间的有向路段抽象为有向拓扑网络图中的边；

步骤二：根据有向拓扑网络图构建记录任意两个出入点之间最优路径的路径表；

步骤三：对高速公路的车辆历史通行数据进行处理，结合最优路径表，生成车辆行驶路径选择概率表和路段车辆来源分时段比例表；其中，车辆行驶路径选择概率表用于为每个新入网车辆赋予一条最可能选择的行驶路径和在该路径中行驶时的行为习惯速度；路段车辆来源分时占比表用于说明路网中的每个路段边在不同时间所承载的从不同高速公路入口点进入路网的车辆的百分比；

步骤四：根据车辆驶入路网时获取的车辆唯一标识、驶入的入口点和驶入的时间，结合步骤三中的车辆行驶路径选择概率表，计算出每辆入网车辆在预测时间下会行驶到的路段，进而计算出每个路段上的车辆数；

步骤五：根据步骤四中计算出的每个路段上的车辆数，结合每个路段的长度、车道数、最高限速和车辆正常行驶需要的动态安全空间，计算出在预测时间下每个路段的车辆饱和度；对于车辆饱和度大于一定阈值的路段，认为该路段在预测时间下发生了拥堵；

步骤六：对于预测会发生拥堵的路段，根据路段车辆来源分时占比表，自动找出预测时间下该路段上从不同入口点进入路网的车辆占比，并以此为依据，为不同入口点产生不同的车辆驶入控制策略；

步骤七：将步骤六中产生的车辆驶入控制策略通过网络发送到相应入口点，以控制入口点通行信号灯的开启和关闭，进而控制车流量驶入路网的速度，避免拥堵情况的发生；

步骤八：根据每天路网中运行的车辆数据，对车辆行驶路径选择概率表和路段车辆来源分时占比表进行更新，以使这两个表始终反映最近的路网运营状况。

2.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤一中，高速公路路网中的站点元素和有向拓扑网络图中的点存在一一对应的关系；

路网中两个站点元素直接连通表示这两个站点元素之间存在连通的有向路段，且该路段不经过其他站点元素；路网中直接连通的两个站点元素之间的有向路段和有向拓扑网络图中的边存在——对应的关系；有向拓扑网络图中的每条边被赋予一个权值，该权值对应于车辆在路网中行驶时所关心的目标属性。

3.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤二中，两个出入点之间的最优路径，是指该路径在连通这两个出入点的同时使车辆在路网中行驶时所关心的目标属性取得最优值；最优路径表中的每条最优路径代表的是从入口点开始，经过若干中间点，最后到达出口点的一种顺序关系。

4.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤三中，高速公路的车辆历史通行数据所代表的是如下关系：此种关系通过，每辆入网车辆的唯一标识、入口点标识、驶入时间、出口点标识、驶出时间这些属性表示每辆入网车辆的历史入网情况信息。

5.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤三中，车辆行驶路径选择概率表所代表的是如下关系：此种关系通过每辆入网车辆的唯一标识、入口点标识、出口点标识、概率、速度这些属性表示了：①一辆车从某个入口点驶入路网后，将以多大的概率从相应出口点驶出路网；②该车沿以此入口点和出口点作为起止点的最优路径行驶时，在此路径上所关联的行驶速度。

6.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤三中，路段车辆来源分时占比表所代表的是如下关系：此种关系通过每个路段的唯一标识、日期、时间、入口点标识、概率这些属性来表示路网中的每个最短路段在不同时间所承载的从不同高速公路入口点进入路网的车辆的百分比。

7.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤四中，在计算预测时间下每个路段上的车辆数时：根据车辆驶入路网时获取的车辆唯一标识、驶入时间和驶入的入口点，从车辆行驶路径选择概率表中找出与其对应的若干条数据记录；从这些数据记录中获得与此入口点相对应的出口点及从对应出口点驶出路网的概率；根据入口点，出口点和对应的概率，从这些数据记录中综合为车辆确定行驶的最优路径和在所选路径中行驶时的行为习惯速度；根据车辆的驶入时间，行驶的最优路径、在该路径中行驶时的行为习惯速度、最优路径的长度和当前时间，计算出车辆在最优路径上的当前所在位置，进而计算出在预测时间下车辆在最优路径上会行驶到的最短路段；对每个最短路段，得出预测时间下会行驶到该路段的所有车辆总数为该路段在预测时间下的车辆数。

8.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤五中，每个路段的车辆饱和度和该路段的长度存在负相关性，和该路段的车道数存在负相关性，和该路段的最高限速存在正相关性，和该路段上的车辆数存在正相关性；每个路段的车辆饱和度越高，道路服务水平越低。

9.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤六中，为不同入口点产生不同的车辆驶入控制策略的原则是，对预测会发生拥堵的路段贡献越多车辆的入口点，针对该入口点的车辆驶入控制策略中应体现越长的限行时间，即车流量驶入高速公路的速率越小。

10.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤七中，车辆驶入控制策略通过网络发送到相应入口点后，需要通过信号转换设备将车辆驶入控制策略中的数字信号转换为实际控制车辆驶入速度的电子交通信号。

11.根据权利要求1所述的基于大数据的高速公路拥堵预测与主动防控方法，其特征在于：所述步骤八中，计算更新车辆行驶路径选择概率表和路段车辆来源分时占比表时，需要综合考虑历史车辆数据和新入网车辆数据在更新这两个表时所具有的权重。

Images