CN110942626B - 一种考虑无人驾驶车辆的路网混合流量日变预测方法 - Google Patents

一种考虑无人驾驶车辆的路网混合流量日变预测方法 Download PDF

Info

Publication number
CN110942626B
CN110942626B CN201911145663.1A CN201911145663A CN110942626B CN 110942626 B CN110942626 B CN 110942626B CN 201911145663 A CN201911145663 A CN 201911145663A CN 110942626 B CN110942626 B CN 110942626B
Authority
CN
China
Prior art keywords
path
day
flow
traveler
unmanned
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.)
Expired - Fee Related
Application number
CN201911145663.1A
Other languages
English (en)
Other versions
CN110942626A (zh
Inventor
田晟
朱泽坤
肖佳将
冯宇鹏
许凯
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201911145663.1A priority Critical patent/CN110942626B/zh
Publication of CN110942626A publication Critical patent/CN110942626A/zh
Application granted granted Critical
Publication of CN110942626B publication Critical patent/CN110942626B/zh
Expired - Fee Related 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑无人驾驶车辆的路网混合流量日变预测方法，包括下述步骤：S1混合流量日变模型路段‑路径流量关系确定；S2路径‑路段阻抗函数/行程时间确定；S3出行者流量日变前景值关系确定；S4出行者流量逐日更新方法及条件；S5无人驾驶流量日变模型最优流量分配确定。建立具有出行者和无人驾驶车辆的混合流量日变模型，依据流量类别将该模型分为两个子模型，分别是出行者流量日变模型和无人驾驶流量日变模型；以路径前景值最大为目标进行出行者流量逐日演化；以路径边际阻抗最小为目标进行无人驾驶流量逐日演化；当两类流量逐日演化至各自的均衡状态时，系统流量随之均衡。

Description

一种考虑无人驾驶车辆的路网混合流量日变预测方法
技术领域
本发明属于交通领域，具体涉及一种考虑无人驾驶车辆的路网混合流量日变预测方法。
背景技术
随着无人驾驶技术的日渐成熟，无人驾驶车辆将会成为一种重要的出行方式，且结合无人驾驶车辆的特性，其必然会对现有的城市交通系统产生重大影响，改变现有的出行方式及交通流模式。类似于传统的出行者(指非自动驾驶车辆)，无人驾驶车辆在日复一日的出行中也会逐渐调整出行选择，但其与传统的出行者不同，无人驾驶车辆不具有人类的偏好属性、风险态度，不对路径选择产生主观化的感知，而是根据计算机计算出的结果做出路径规划。因此无人驾驶车辆与出行者具有不同的路径选择规则，在逐日出行过程中表现出不同的流量演化情况。
既有研究主要集中在无人驾驶车辆对出行者的吸引力及对城市交通拥堵的影响分析方面，均未从无人驾驶车辆投放后对传统路网流量的动态影响方面进行分析，而路网流量的变化会引起交通供给与交通需求的波动，从而影响整个交通网络的稳定性与可靠性。通过分析无人驾驶车辆的逐日动态演化过程，可以预测无人驾驶车辆投放后路网系统混合流量的日变规律，对制定无人驾驶参与的交通系统政策具有重要意义。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种考虑无人驾驶车辆的路网混合流量日变预测方法，通过建立具有出行者和无人驾驶车辆的混合流量日变模型，依据流量类别将该模型分为两个子模型，分别是出行者流量日变模型和无人驾驶流量日变模型。在出行者流量日变模型中，采用前景理论描述出行者的出行行为，并以路径前景值最大为目标进行出行者流量逐日演化；在无人驾驶流量日变模型中，以路径边际阻抗最小为目标进行无人驾驶流量逐日演化；当两类流量逐日演化至各自的均衡状态时，系统流量随之均衡。
为了达到上述目的，本发明采用以下技术方案：
一种考虑无人驾驶车辆的路网混合流量日变预测方法，包括下述步骤：
S1：混合流量日变模型路段-路径流量关系确定，路网中的流量由无人驾驶流量和出行者流量两部分构成，路网中的两部分流量演化分别同时进行，当两者均达到均衡状态时，路网总流量随之均衡，路网中各部分流量分别等于各路径的流量之和；
S2：路径-路段阻抗函数/行程时间确定，通过每次的实际出行时间对路网参数进行修正，结合第n-1天路径k的均值与第n天路径k的出行时间可以对第n天路径k的均值进行更新，第n天路径k的方差由第n-1天路径k的方差和第n天的均值及行程时间更新；
S3：出行者流量日变前景值关系确定，出行者依据路径前景进行路径选择且路网处于非均衡状态时，流量会逐渐向路径前景较大的路径转移。当出行者流量满足随机用户均衡条件时，所有具有出行者流量的路径前景相等且等于最大前景值，所有没有出行者流量的路径前景不大于最大路径前景值；
S4：出行者流量逐日更新方法及条件，出行者在逐日出行中根据前一日的路径前景调整当日的出行路径，直至达到出行者流量均衡状态；
S5：无人驾驶流量日变模型最优流量分配确定，根据系统最优的均衡条件，当无人驾驶流量满足系统最优时，在所有具有无人驾驶流量的路径上增加一个出行单位时，该单位遇到的阻抗及该单位经过路径对原有流量产生的额外阻抗最小，即增加一个出行单位对网络总阻抗的边际贡献最小，所有没有无人驾驶流量的路径增加一个出行单位时，该增加的出行单位对路网总阻抗的边际贡献不小于最小边际阻抗，无人驾驶车辆在逐日的路径调整过程中遵循系统最优原则调整出行路径，直至达到路网中无人驾驶流量系统最优状态。
作为优选的技术方案，所述步骤S1具体为：
假设路网G＝(N,A)，式中N表示节点集，A表示路段集，对于任意路段a∈A，r、s分别表示起讫点，R、S分别表示起讫点集合，有rs∈RS，k表示路径，K表示路径集，有k∈K，Krs表示连接OD对rs间所有路径的集合，qrs表示研究时段内起讫点间的交通需求量，u和z分别表示出行者和无人驾驶车辆；
路网中的流量的数学描述如下：
Figure GDA0003153318390000031
Figure GDA0003153318390000032
Figure GDA0003153318390000033
式中，
Figure GDA0003153318390000034
分别表示起讫点rs间的出行者交通需求量与无人驾驶车辆交通需求量，
Figure GDA0003153318390000035
分别表示第n天起讫点rs间路径k上的出行者流量与无人驾驶流量；
由路网总流量与两部分流量的关系可知，任意路径的流量等于两部分流量之和，即：
Figure GDA0003153318390000036
由路段与路径的关联关系可得路段-路径的流量函数关系，即：
Figure GDA0003153318390000037
作为优选的技术方案，步骤S2中，路径-路段的阻抗函数关系为：
Figure GDA0003153318390000038
Figure GDA0003153318390000039
式中，
Figure GDA0003153318390000041
表示第n天起讫点rs间路径k的流量，xa(n)表示第n天路段a的流量，
Figure GDA0003153318390000042
表示标志变量，用以反映路段与路径是否关联，若a∈k，则该标志变量取1，否则取0，当
Figure GDA0003153318390000043
表示第n天起讫点rs间路径k的行程时间，t(xa(n))表示第n天路段a的实际行程时间，ta 0表示路段a的自由流行程时间，ca表示路段a的通行能力；
所述对第n天路径k的均值τk(n)进行更新和第n天路径k的方差(σk(n))2由第n-1天路径k的方差和第n天的均值及行程时间更新的方法为：
τk(n)＝[τk(n-1)·(n-1)+tk(n)]/n
(σk(n))2＝[(σk(n-1))2·(n-1)+(tk(n)-τk(n))2]/n
式中，tk(n)表示第n天路径k的实际行程时间，当n＝1时，τk(1)＝tk free，σk(1)＝0，tk free表示路径k的自由流行程时间。
作为优选的技术方案，步骤S3具体为：
采用路径前景来进行路径选择需要建立出行收益或者损失框架，假设参考点事先给定并不随时间变化，用e0表示；受自身历史出行经验和习惯影响，出行者的路径理解行程时间和实际行程时间往往不同，且实际行程时间是理解行程时间的基础，每一次实际出行的完成都会对理解行程时间造成影响，据此得到理解行程时间的逐日调整方程：
Figure GDA0003153318390000044
式中，etk(n)为理解行程时间，
Figure GDA0003153318390000045
为参数，表示前一日理解行程时间对出行日的理解行程时间的影响权重，若
Figure GDA0003153318390000046
的取值小，则实际行程时间占比大，若
Figure GDA0003153318390000047
的取值大，则实际行程时间占比小，
Figure GDA0003153318390000048
属于[0,1]，特殊情况下：当
Figure GDA0003153318390000049
时，第n天的理解行程时间等于第n-1天的实际行程时间；当
Figure GDA00031533183900000410
时，第n天的理解行程时间等于第n-1天的理解行程时间，由递推关系知此种情况下每日的理解行程时间相等，均等于第1天的理解行程时间，逐日出行过程中的实际行程时间对理解行程时间不产生影响，当n＝1时，etk(1)＝tk free，tk(n-1)表示在第n-1天选择路径k出行所花费的时间；
假设理解行程时间依赖于前一天的实际出行时间，得到etk(n)＝tk(n-1)，价值函数v、决策权重函数w以及路径前景pv如下：
Figure GDA0003153318390000051
Figure GDA0003153318390000052
Figure GDA0003153318390000053
式中，α、β分别表示风险系数，由出行者对待风险的态度决定，具有风险偏好的出行者风险系数高，风险规避出行者风险系数低，λ表示损失厌恶系数，其值越高则出行者对损失越敏感，考虑到出行者对待损失比收益更为敏感，λ取值大于1，θ为取值在(0,1]间的参数，
Figure GDA0003153318390000054
表示第n天OD对rs间路径k的行程时间收益或损失的发生概率；
考虑出行者自身的计算能力、获取信息的准确性及可靠性、风险态度多方面因素的差异及影响，路径前景值与观测值之间存在偏差，路径前景均表示采用感知路径前景
Figure GDA0003153318390000055
所有具有出行者流量的路径前景满足均衡条件：
Figure GDA0003153318390000056
Figure GDA0003153318390000057
式中，
Figure GDA0003153318390000058
表示出行者流量达到网络均衡时起讫点rs间的最大路径前景值。
作为优选的技术方案，步骤S4具体为：
考虑出行者流量转移过程及SUE平衡条件，建立出行者流量日变模型：
Figure GDA0003153318390000061
Figure GDA0003153318390000062
Figure GDA0003153318390000063
式中，
Figure GDA0003153318390000064
Δlk均是矢量，维度等于起讫点rs间的路径数，
Figure GDA0003153318390000065
(n)表示第n天起讫点rs间各路径的出行者流量分布情况，
Figure GDA0003153318390000066
表示出行者根据第n天起讫点rs间各路径前景差值在第n+1天调整的流量值，是路径k上的流量向其他路径转移的方向和步长在起讫点间所有路径上的集计结果，流量转移值的大小与前景差值正相关，Δlk为路径l与k之间的出行关联矢量，第k行和l行的值分别为(-1)与1，其它行的值为0，l和k对起讫点rs间的全部出行路径取值，ωu表示出行者流量逐日调整系数，
Figure GDA0003153318390000067
表示对第n+1天起讫点rs间所有路径出行者流量调整值加和，该式等于0确保了研究时段内传统出行者流量的每日出行总量相等；
当出行者这部分流量达到均衡状态时，同一OD对间各路径的前景值相等，路径间的流量不再发生相互转移，即路径流量转移值为0；同时，各路径流量分布情况与前一日相同，均为均衡流量，即满足：
Figure GDA0003153318390000068
Figure GDA0003153318390000069
作为优选的技术方案，步骤S5中，
无人驾驶流量系统最优分配模型如下：
Figure GDA00031533183900000610
Figure GDA00031533183900000611
Figure GDA00031533183900000612
Figure GDA0003153318390000071
式中，
Figure GDA0003153318390000072
表示路段新增的无人驾驶车辆出行单位对路段原有流量产生的额外阻抗，通过路径-路段关联关系并加和所有路段额外阻抗即得路径的额外阻抗，
Figure GDA00031533183900000712
表示增加一个出行单位的最小边际阻抗。
作为优选的技术方案，无人驾驶车辆在逐日的路径调整过程中遵循系统最优原则调整出行路径，直至达到路网中无人驾驶流量系统最优状态，无人驾驶流量转移过程类似出行者流量转移，故参考出行者流量日变模型，建立无人驾驶流量日变模型：
Figure GDA0003153318390000073
Figure GDA0003153318390000074
Figure GDA0003153318390000075
式中，
Figure GDA0003153318390000076
表示路径k的边际阻抗，
Figure GDA0003153318390000077
Δlk均是矢量，维度等于起讫点rs间的路径数，
Figure GDA0003153318390000078
表示第n天OD对rs间各路径的无人驾驶流量分布情况；
Figure GDA0003153318390000079
表示第n+1天无人驾驶车辆发生路径流量调整的向量，流量转移大小的绝对值与不同路径间的边际阻抗大小差值有关且呈正相关；Δlk为路径l与k之间的出行关联矢量，第k行和l行的值分别为(-1)与1，其它行的值为0，l和k对起讫点rs间的全部出行路径取值，ωz表示无人驾驶流量逐日调整系数，
Figure GDA00031533183900000710
表示对第n+1天OD对rs间所有路径无人驾驶流量调整值加和，该式等于0确保了研究时段内无人驾驶流量的每日出行总量相等；
类似出行者流量达到均衡状态时的均衡流量，对于达到系统最优状态时的无人驾驶流量，有均衡分布矢量：
Figure GDA00031533183900000711
Figure GDA0003153318390000081
本发明与现有技术相比，具有如下优点和有益效果：
分析研究无人驾驶车辆投放后路网流量逐日演化，建立具有出行者和无人驾驶车辆的混合流量日变模型，依据流量类别将该模型分为两个子模型，分别是出行者流量日变模型和无人驾驶流量日变模型。
在出行者流量日变模型中，采用前景理论描述出行者的出行行为，充分体现行人的出行偏好，全面考虑行人对出行收益及损失的态度，更加真实描述了有限理性的出行决策行为，并以路径前景值最大为目标进行出行者流量逐日演化反映了非无人驾驶车辆的非合作行为，即追求个人效益最大。
在无人驾驶流量日变模型中，将无人驾驶车辆表现为完全信息个体，能够获取全部出行信息，车辆根据完全信息进行合作，做出对路网系统最优的决策，以路径边际阻抗最小为目标进行无人驾驶流量逐日演化，体现了系统最优要求。
两个子模型分别是非合作博弈与合作博弈的体现，更加真实反映了无人驾驶车辆投放后的路网状态，可以分析无人驾驶车辆投放后对路网系统的影响及混合流量的演化规律，为应对无人驾驶车辆对交通系统的影响做好预先准备及为交通政策、决策的制定提供科学依据。
附图说明
图1是本发明的预测方法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
假设路网G＝(N,A)，式中N表示节点集，A表示路段集，对于任意路段a∈A。r、s分别表示起讫点，R、S分别表示起讫点集合，有rs∈RS。k表示路径，K表示路径集，有k∈K。Krs表示连接OD对rs间所有路径的集合。本章考虑多OD情况。qrs表示研究时段内起讫点间的交通需求量。u和z分别表示出行者和无人驾驶车辆。
如图1所示，一种考虑无人驾驶车辆的路网混合流量日变预测方法，包括如下步骤：
S1：混合流量日变模型路段-路径流量关系确定
路网中的流量由无人驾驶流量和出行者流量两部分构成，路网中的两部分流量演化分别同时进行，当两者均达到均衡状态时，路网总流量随之均衡，路网中各部分流量分别等于各路径的流量之和，其数学描述如下：
Figure GDA0003153318390000091
Figure GDA0003153318390000092
Figure GDA0003153318390000093
式中，
Figure GDA0003153318390000094
分别表示起讫点rs间的出行者交通需求量与无人驾驶车辆交通需求量。
Figure GDA0003153318390000095
分别表示第n天起讫点rs间路径k上的出行者流量与无人驾驶流量。
由路网总流量与两部分流量的关系可知，任意路径的流量等于两部分流量之和，即：
Figure GDA0003153318390000096
由路段与路径的关联关系可得路段-路径的流量函数关系，即：
Figure GDA0003153318390000097
S2：路径-路段阻抗函数/行程时间确定：
路径-路段的阻抗函数关系为：
Figure GDA0003153318390000101
Figure GDA0003153318390000102
式中，
Figure GDA0003153318390000103
表示第n天起讫点rs间路径k的流量。xa(n)表示第n天路段a的流量。
Figure GDA0003153318390000104
表示标志变量，用以反映路段与路径是否关联，若a∈k，则该变量取1，否则取0。当
Figure GDA0003153318390000105
表示第n天起讫点rs间路径k的行程时间，t(xa(n))表示第n天路段a的实际行程时间。ta 0表示路段a的自由流行程时间。ca表示路段a的通行能力。
路网中的路径由大量的路段组成，且因路径行程时间关于路段行程时间具有可加性，由中心极限定理可知，路径行程时间也服从正态分布，记为tk～(τk,(σk)2),τk、(σk)2分别为路径k的行程时间均值及方差。通过每次的实际出行时间对路网参数进行修正，结合第n-1天路径k的均值与第n天路径k的出行时间可以对第n天路径k的均值进行更新，第n天路径k的方差由第n-1天路径k的方差和第n天的均值及行程时间更新，两个具体更新方法如下：
τk(n)＝[τk(n-1)·(n-1)+tk(n)]/n
(σk(n))2＝[(σk(n-1))2·(n-1)+(tk(n)-τk(n))2]/n
式中，tk(n)表示第n天路径k的实际行程时间，当n＝1时，τk(1)＝tk free，σk(1)＝0，tk free表示路径k的自由流行程时间。
S3：出行者流量日变前景值关系确定；
采用路径前景来进行路径选择需要建立出行收益或者损失框架，因此需确定关于路径前景的3个部分。假设参考点事先给定并不随时间变化，用e0表示；受自身历史出行经验和习惯影响，出行者的路径理解行程时间和实际行程时间往往不同，且实际行程时间是理解行程时间的基础，每一次实际出行的完成都会对理解行程时间造成影响。据此得到理解行程时间的逐日调整方程：
Figure GDA0003153318390000111
式中，
Figure GDA0003153318390000112
为参数，表示前一日理解行程时间对出行日的理解行程时间的影响权重，若
Figure GDA0003153318390000113
的取值小，则实际行程时间占比大，若
Figure GDA0003153318390000114
的取值大，则实际行程时间占比小，
Figure GDA0003153318390000115
属于[0,1]。特殊情况下：当
Figure GDA0003153318390000116
时，第n天的理解行程时间等于第n-1天的实际行程时间；当
Figure GDA0003153318390000117
时，第n天的理解行程时间等于第n-1天的理解行程时间，由递推关系知此种情况下每日的理解行程时间相等，均等于第1天的理解行程时间，逐日出行过程中的实际行程时间对理解行程时间不产生影响。当n＝1时，etk(1)＝tk free。tk(n-1)表示在第n-1天选择路径k出行所花费的时间。
假设理解行程时间依赖于前一天的实际出行时间，可以得到etk(n)＝tk(n-1)。价值函数v、决策权重函数w以及路径前景pv如下
Figure GDA0003153318390000118
Figure GDA0003153318390000119
Figure GDA00031533183900001110
式中，α、β分别表示风险系数，由出行者对待风险的态度决定，具有风险偏好的出行者风险系数高，风险规避出行者风险系数低。λ表示损失厌恶系数，其值越高则出行者对损失越敏感，考虑到出行者对待损失比收益更为敏感，λ取值大于1。θ为取值在(0,1]间的参数。
Figure GDA00031533183900001111
表示第n天OD对rs间路径k的行程时间收益或损失的发生概率。
考虑出行者自身的计算能力、获取信息的准确性及可靠性、风险态度等多方面因素的差异及影响，路径前景值与观测值之间存在偏差，后文中的路径前景均表示采用感知路径前景
Figure GDA0003153318390000121
出行者依据路径前景进行路径选择且路网处于非均衡状态时，流量会逐渐向路径前景较大的路径转移。当出行者流量满足随机用户均衡条件时，所有具有出行者流量的路径前景相等且等于最大前景值，所有没有出行者流量的路径前景不大于最大路径前景值，即满足均衡条件：
Figure GDA0003153318390000122
Figure GDA0003153318390000123
式中，
Figure GDA00031533183900001211
表示出行者流量达到网络均衡时起讫点rs间的最大路径前景值。S4：出行者流量逐日更新方法及条件
出行者在逐日出行中根据前一日的路径前景调整当日的出行路径，直至达到出行者流量均衡状态。考虑出行者流量转移过程及SUE平衡条件，建立出行者流量日变模型：
Figure GDA0003153318390000124
Figure GDA0003153318390000125
Figure GDA0003153318390000126
式中，
Figure GDA0003153318390000127
Δlk均是矢量，维度等于起讫点rs间的路径数。
Figure GDA0003153318390000128
(n)表示第n天起讫点rs间各路径的出行者流量分布情况。
Figure GDA0003153318390000129
表示出行者根据第n天起讫点rs间各路径前景差值在第n+1天调整的流量值，是路径k上的流量向其他路径转移的方向和步长在起讫点间所有路径上的集计结果，流量转移值的大小与前景差值正相关。Δlk为路径l与k之间的出行关联矢量，第k行和l行的值分别为(-1)与1，其它行的值为0。l和k对起讫点rs间的全部出行路径取值。ωu表示出行者流量逐日调整系数，
Figure GDA00031533183900001210
表示对第n+1天起讫点rs间所有路径出行者流量调整值加和，该式等于0确保了研究时段内传统出行者流量的每日出行总量相等。
当出行者这部分流量达到均衡状态时，同一OD对间各路径的前景值相等，路径间的流量不再发生相互转移，即路径流量转移值为0；同时，各路径流量分布情况与前一日相同，均为均衡流量，即满足：
Figure GDA0003153318390000131
Figure GDA0003153318390000132
S5：无人驾驶流量日变模型最优流量分配确定；
无人驾驶车辆的路径决策不受出行者的个人偏好、风险态度等因素的影响，在无人驾驶体系下，车辆的行驶路径是根据管理者预先设定的目标而确定的，车辆按照一定的规则在每个出行日选择出行路径。通过实际出行信息及交通信息系统的信息发布，无人驾驶车辆规划出行路径。管理者的目标是使路网系统的流量总成本最小，即这部分流量需满足系统最优原则，当无人驾驶流量在路网中未达到系统最优状态时，无人驾驶流量根据设计原则在路径间逐日转移，并向着系统最优状态演化。
无人驾驶车辆的流量演化目标是使路网中的这部分流量总出行时间最小。根据系统最优的均衡条件，当无人驾驶流量满足系统最优时，在所有具有无人驾驶流量的路径上增加一个出行单位时，该单位遇到的阻抗及该单位经过路径对原有流量产生的额外阻抗最小，即增加一个出行单位对网络总阻抗的边际贡献最小，所有没有无人驾驶流量的路径增加一个出行单位时，该增加的出行单位对路网总阻抗的边际贡献不小于最小边际阻抗，路段阻抗函数采用BPR函数。无人驾驶流量系统最优分配模型如下：
Figure GDA0003153318390000133
Figure GDA0003153318390000134
Figure GDA0003153318390000141
Figure GDA0003153318390000142
式中，
Figure GDA0003153318390000143
表示路段新增的无人驾驶车辆出行单位对路段原有流量产生的额外阻抗，通过路径-路段关联关系并加和所有路段额外阻抗即得路径的额外阻抗。
Figure GDA00031533183900001412
表示增加一个出行单位的最小边际阻抗。
无人驾驶车辆在逐日的路径调整过程中遵循系统最优原则调整出行路径，直至达到路网中无人驾驶流量系统最优状态。无人驾驶流量转移过程类似出行者流量转移，故参考出行者流量日变模型，建立无人驾驶流量日变模型：
Figure GDA0003153318390000144
Figure GDA0003153318390000145
Figure GDA0003153318390000146
式中，
Figure GDA0003153318390000147
表示路径k的边际阻抗。
Figure GDA0003153318390000148
Δlk均是矢量，维度等于起讫点rs间的路径数。
Figure GDA0003153318390000149
表示第n天OD对rs间各路径的无人驾驶流量分布情况；
Figure GDA00031533183900001410
表示第n+1天无人驾驶车辆发生路径流量调整的向量，流量转移大小的绝对值与不同路径间的边际阻抗大小差值有关且呈正相关；Δlk为路径l与k之间的出行关联矢量，第k行和l行的值分别为(-1)与1，其它行的值为0。l和k对起讫点rs间的全部出行路径取值。ωz表示无人驾驶流量逐日调整系数，
Figure GDA00031533183900001411
表示对第n+1天OD对rs间所有路径无人驾驶流量调整值加和，该式等于0确保了研究时段内无人驾驶流量的每日出行总量相等。
类似出行者流量达到均衡状态时的均衡流量，对于达到系统最优状态时的无人驾驶流量，有均衡分布矢量：
Figure GDA0003153318390000151
Figure GDA0003153318390000152
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

1.一种考虑无人驾驶车辆的路网混合流量日变预测方法，其特征在于，包括下述步骤：
S1：混合流量日变模型路段-路径流量关系确定，路网中的流量由无人驾驶流量和出行者流量两部分构成，路网中的两部分流量演化分别同时进行，当两者均达到均衡状态时，路网总流量随之均衡，路网中各部分流量分别等于各路径的流量之和，具体为：
假设路网G＝(N,A)，式中N表示节点集，A表示路段集，对于任意路段a∈A，r、s分别表示起讫点，R、S分别表示起讫点集合，有rs∈RS，k表示路径，K表示路径集，有k∈K，Krs表示连接OD对rs间所有路径的集合，qrs表示研究时段内起讫点间的交通需求量，u和z分别表示出行者和无人驾驶车辆；
路网中的流量的数学描述如下：
Figure FDA0003153318380000011
Figure FDA0003153318380000012
Figure FDA0003153318380000013
式中，
Figure FDA0003153318380000014
分别表示起讫点rs间的出行者交通需求量与无人驾驶车辆交通需求量，
Figure FDA0003153318380000015
分别表示第n天起讫点rs间路径k上的出行者流量与无人驾驶流量；
由路网总流量与两部分流量的关系可知，任意路径的流量等于两部分流量之和，即：
Figure FDA0003153318380000016
由路段与路径的关联关系可得路段-路径的流量函数关系，即：
Figure FDA0003153318380000017
S2：路径-路段阻抗函数/行程时间确定，通过每次的实际出行时间对路网参数进行修正，结合第n-1天路径k的均值与第n天路径k的出行时间可以对第n天路径k的均值进行更新，第n天路径k的方差由第n-1天路径k的方差和第n天的均值及行程时间更新，路径-路段的阻抗函数关系为：
Figure FDA0003153318380000021
Figure FDA0003153318380000022
式中，
Figure FDA0003153318380000023
表示第n天起讫点rs间路径k的流量，xa(n)表示第n天路段a的流量，
Figure FDA0003153318380000024
表示标志变量，用以反映路段与路径是否关联，若a∈k，则该标志变量取1，否则取0，当
Figure FDA0003153318380000025
表示第n天起讫点rs间路径k的行程时间，t(xa(n))表示第n天路段a的实际行程时间，ta 0表示路段a的自由流行程时间，ca表示路段a的通行能力；
所述对第n天路径k的均值τk(n)进行更新和第n天路径k的方差(σk(n))2由第n-1天路径k的方差和第n天的均值及行程时间更新的方法为：
τk(n)＝[τk(n-1)·(n-1)+tk(n)]/n
(σk(n))2＝[(σk(n-1))2·(n-1)+(tk(n)-τk(n))2]/n
式中，tk(n)表示第n天路径k的实际行程时间，当n＝1时，τk(1)＝tk free，σk(1)＝0，tk free表示路径k的自由流行程时间；
S3：出行者流量日变前景值关系确定，出行者依据路径前景进行路径选择且路网处于非均衡状态时，流量会逐渐向路径前景较大的路径转移；当出行者流量满足随机用户均衡条件时，所有具有出行者流量的路径前景相等且等于最大前景值，所有没有出行者流量的路径前景不大于最大路径前景值，具体为：
采用路径前景来进行路径选择需要建立出行收益或者损失框架，假设参考点事先给定并不随时间变化，用e0表示；受自身历史出行经验和习惯影响，出行者的路径理解行程时间和实际行程时间往往不同，且实际行程时间是理解行程时间的基础，每一次实际出行的完成都会对理解行程时间造成影响，据此得到理解行程时间的逐日调整方程：
Figure FDA0003153318380000026
式中，etk(n)为理解行程时间，
Figure FDA0003153318380000027
为参数，表示前一日理解行程时间对出行日的理解行程时间的影响权重，若
Figure FDA0003153318380000031
的取值小，则实际行程时间占比大，若
Figure FDA0003153318380000032
的取值大，则实际行程时间占比小，
Figure FDA0003153318380000033
属于[0,1]，特殊情况下：当
Figure FDA0003153318380000034
时，第n天的理解行程时间等于第n-1天的实际行程时间；当
Figure FDA0003153318380000035
时，第n天的理解行程时间等于第n-1天的理解行程时间，由递推关系知此种情况下每日的理解行程时间相等，均等于第1天的理解行程时间，逐日出行过程中的实际行程时间对理解行程时间不产生影响，当n＝1时，etk(1)＝tk free，tk(n-1)表示在第n-1天选择路径k出行所花费的时间；
假设理解行程时间依赖于前一天的实际出行时间，得到etk(n)＝tk(n-1)，价值函数v、决策权重函数w以及路径前景pv如下：
Figure FDA0003153318380000036
Figure FDA0003153318380000037
Figure FDA0003153318380000038
式中，α、β分别表示风险系数，由出行者对待风险的态度决定，具有风险偏好的出行者风险系数高，风险规避出行者风险系数低，λ表示损失厌恶系数，其值越高则出行者对损失越敏感，考虑到出行者对待损失比收益更为敏感，λ取值大于1，θ为取值在(0,1]间的参数，
Figure FDA0003153318380000039
表示第n天OD对rs间路径k的行程时间收益或损失的发生概率；
考虑出行者自身的计算能力、获取信息的准确性及可靠性、风险态度多方面因素的差异及影响，路径前景值与观测值之间存在偏差，路径前景均表示采用感知路径前景
Figure FDA00031533183800000310
所有具有出行者流量的路径前景满足均衡条件：
Figure FDA00031533183800000311
Figure FDA00031533183800000312
式中，
Figure FDA00031533183800000313
表示出行者流量达到网络均衡时起讫点rs间的最大路径前景值；
S4：出行者流量逐日更新方法及条件，出行者在逐日出行中根据前一日的路径前景调整当日的出行路径，直至达到出行者流量均衡状态，具体为：
考虑出行者流量转移过程及SUE平衡条件，建立出行者流量日变模型：
Figure FDA0003153318380000041
Figure FDA0003153318380000042
Figure FDA0003153318380000043
式中，
Figure FDA0003153318380000044
Δlk均是矢量，维度等于起讫点rs间的路径数，
Figure FDA0003153318380000045
(n)表示第n天起讫点rs间各路径的出行者流量分布情况，
Figure FDA0003153318380000046
表示出行者根据第n天起讫点rs间各路径前景差值在第n+1天调整的流量值，是路径k上的流量向其他路径转移的方向和步长在起讫点间所有路径上的集计结果，流量转移值的大小与前景差值正相关，Δlk为路径l与k之间的出行关联矢量，第k行和l行的值分别为-1与1，其它行的值为0，l和k对起讫点rs间的全部出行路径取值，ωu表示出行者流量逐日调整系数，
Figure FDA0003153318380000049
表示对第n+1天起讫点rs间所有路径出行者流量调整值加和，该式等于0确保了研究时段内传统出行者流量的每日出行总量相等；
当出行者这部分流量达到均衡状态时，同一OD对间各路径的前景值相等，路径间的流量不再发生相互转移，即路径流量转移值为0；同时，各路径流量分布情况与前一日相同，均为均衡流量，即满足：
Figure FDA0003153318380000047
Figure FDA0003153318380000048
S5：无人驾驶流量日变模型最优流量分配确定，根据系统最优的均衡条件，当无人驾驶流量满足系统最优时，在所有具有无人驾驶流量的路径上增加一个出行单位时，该单位遇到的阻抗及该单位经过路径对原有流量产生的额外阻抗最小，即增加一个出行单位对网络总阻抗的边际贡献最小，所有没有无人驾驶流量的路径增加一个出行单位时，该增加的出行单位对路网总阻抗的边际贡献不小于最小边际阻抗，无人驾驶流量系统最优分配模型如下：
Figure FDA0003153318380000051
Figure FDA0003153318380000052
Figure FDA0003153318380000053
Figure FDA0003153318380000054
式中，
Figure FDA0003153318380000055
表示路段新增的无人驾驶车辆出行单位对路段原有流量产生的额外阻抗，通过路径-路段关联关系并加和所有路段额外阻抗即得路径的额外阻抗，
Figure FDA0003153318380000056
表示增加一个出行单位的最小边际阻抗，
无人驾驶车辆在逐日的路径调整过程中遵循系统最优原则调整出行路径，直至达到路网中无人驾驶流量系统最优状态。
2.根据权利要求1所述一种考虑无人驾驶车辆的路网混合流量日变预测方法，其特征在于，无人驾驶车辆在逐日的路径调整过程中遵循系统最优原则调整出行路径，直至达到路网中无人驾驶流量系统最优状态，无人驾驶流量转移过程类似出行者流量转移，故参考出行者流量日变模型，建立无人驾驶流量日变模型：
Figure FDA0003153318380000057
Figure FDA0003153318380000058
Figure FDA0003153318380000059
式中，
Figure FDA00031533183800000510
Figure FDA00031533183800000511
表示路径k的边际阻抗，
Figure FDA00031533183800000512
Δlk均是矢量，维度等于起讫点rs间的路径数，
Figure FDA00031533183800000513
表示第n天OD对rs间各路径的无人驾驶流量分布情况；
Figure FDA00031533183800000514
表示第n+1天无人驾驶车辆发生路径流量调整的向量，流量转移大小的绝对值与不同路径间的边际阻抗大小差值有关且呈正相关；Δlk为路径l与k之间的出行关联矢量，第k行和l行的值分别为-1与1，其它行的值为0，l和k对起讫点rs间的全部出行路径取值，ωz表示无人驾驶流量逐日调整系数，
Figure FDA0003153318380000061
表示对第n+1天OD对rs间所有路径无人驾驶流量调整值加和，该式等于0确保了研究时段内无人驾驶流量的每日出行总量相等；
类似出行者流量达到均衡状态时的均衡流量，对于达到系统最优状态时的无人驾驶流量，有均衡分布矢量：
Figure FDA0003153318380000062
Figure FDA0003153318380000063
CN201911145663.1A 2019-11-21 2019-11-21 一种考虑无人驾驶车辆的路网混合流量日变预测方法 Expired - Fee Related CN110942626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911145663.1A CN110942626B (zh) 2019-11-21 2019-11-21 一种考虑无人驾驶车辆的路网混合流量日变预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911145663.1A CN110942626B (zh) 2019-11-21 2019-11-21 一种考虑无人驾驶车辆的路网混合流量日变预测方法

Publications (2)

Publication Number Publication Date
CN110942626A CN110942626A (zh) 2020-03-31
CN110942626B true CN110942626B (zh) 2021-09-21

Family

ID=69907385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911145663.1A Expired - Fee Related CN110942626B (zh) 2019-11-21 2019-11-21 一种考虑无人驾驶车辆的路网混合流量日变预测方法

Country Status (1)

Country Link
CN (1) CN110942626B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112185124B (zh) * 2020-11-27 2021-03-26 深圳市城市交通规划设计研究中心股份有限公司 一种全路网交通状态预测方法及装置
CN115050176A (zh) * 2022-05-10 2022-09-13 苏州科技大学 事故多发点段安全预警的车路协同控制系统及其控制方法
CN116702389B (zh) * 2023-04-27 2024-04-19 北京交通大学 一种针对混合交通流的嵌套流量计算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160080351A (ko) * 2014-12-29 2016-07-08 동서대학교산학협력단 전망이론 기반형 동적 지형분석에서의 npc 의사결정 모델링방법
CN107256632A (zh) * 2017-08-11 2017-10-17 上海交通大学 一种基于用户异质时间价值与拥堵费用预算的交通分配方法
CN108615360A (zh) * 2018-05-08 2018-10-02 东南大学 基于神经网络的交通需求逐日演变预测方法
CN108847021A (zh) * 2018-06-07 2018-11-20 华南理工大学 一种考虑异质用户的路网流量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160080351A (ko) * 2014-12-29 2016-07-08 동서대학교산학협력단 전망이론 기반형 동적 지형분석에서의 npc 의사결정 모델링방법
CN107256632A (zh) * 2017-08-11 2017-10-17 上海交通大学 一种基于用户异质时间价值与拥堵费用预算的交通分配方法
CN108615360A (zh) * 2018-05-08 2018-10-02 东南大学 基于神经网络的交通需求逐日演变预测方法
CN108847021A (zh) * 2018-06-07 2018-11-20 华南理工大学 一种考虑异质用户的路网流量预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
交通事件影响下路网逐日出行动态可靠性;陈玲娟等;《交通运输系统工程与信息》;20171030;第17卷(第5期);全文 *
基于前景理论的路径选择行为规则分析与实证;徐红利等;《交通运输系统工程与信息》;20071231;第7卷(第6期);全文 *
短时事故扰动下的逐日路网流量演化模型;陈玲娟等;《交通运输系统工程与信息》;20170430;第17卷(第2期);全文 *
考虑出发时刻调整的日变路网配流模型;陈玲娟等;《交通运输系统工程与信息》;20151231;第15卷(第6期);全文 *
考虑异质出行者的道路收费路网流量演化模型;田晟等;《华南理工大学学报(自然科学版)》;20181130;第46卷(第11期);全文 *

Also Published As

Publication number Publication date
CN110942626A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN110942626B (zh) 一种考虑无人驾驶车辆的路网混合流量日变预测方法
Zhang et al. A cumulative prospect theory approach to commuters’ day-to-day route-choice modeling with friends’ travel information
CN111988225B (zh) 基于强化学习和迁移学习的多路径路由方法
Hamdouch et al. A new schedule-based transit assignment model with travel strategies and supply uncertainties
CN112367109A (zh) 空地网络中由数字孪生驱动的联邦学习的激励方法
CN112486690B (zh) 一种适用于工业物联网的边缘计算资源分配方法
US20090138420A1 (en) Methods And System For Modeling Network Traffic
CN108876035B (zh) 考虑出行者目的地偏好的交通分布与交通流分配组合模型
CN108847021B (zh) 一种考虑异质用户的路网流量预测方法
CN105871724A (zh) 电力通信网线路优化方法及系统
Grunitzki et al. Individual versus difference rewards on reinforcement learning for route choice
CN110853375B (zh) 考虑重叠路径的随机用户均衡逐日动态交通流预测方法
CN111343006B (zh) 一种cdn峰值流量预测方法、装置及存储介质
CN113691594A (zh) 一种基于二阶导数解决联邦学习中数据不平衡问题的方法
CN115526333A (zh) 边缘场景下动态权重的联邦学习方法
CN114698118A (zh) 天地空一体化网络中面向综合效益的资源智能化协同调度方法
CN116702389B (zh) 一种针对混合交通流的嵌套流量计算方法
CN114401192B (zh) 一种多sdn控制器协同训练方法
CN115392058A (zh) 工业物联网中基于演化博弈构建数字孪生模型的方法
CN110705056B (zh) 一种考虑感知行程时间可靠度与迟到惩罚的交通分配方法
CN113992595B (zh) 一种基于优先经验回放dqn的sdn数据中心拥塞控制方法
CN104968047A (zh) 一种面向移动网络中节点网络距离的预测方法
Paul et al. Digital Twin-Aided Vehicular Edge Network: A Large-Scale Model Optimization by Quantum-DRL
Shafiei et al. Nonlinearity in time-dependent origin-destination demand estimation in congested networks
CN112511445A (zh) 一种基于负载加权的最短路径路由生成方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210921

CF01 Termination of patent right due to non-payment of annual fee