CN111161537B - 考虑拥堵叠加效应的公路拥堵态势预测方法 - Google Patents
考虑拥堵叠加效应的公路拥堵态势预测方法 Download PDFInfo
- Publication number
- CN111161537B CN111161537B CN201911359975.2A CN201911359975A CN111161537B CN 111161537 B CN111161537 B CN 111161537B CN 201911359975 A CN201911359975 A CN 201911359975A CN 111161537 B CN111161537 B CN 111161537B
- Authority
- CN
- China
- Prior art keywords
- congestion
- dissipation
- speed
- road
- model
- 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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种考虑拥堵叠加效应的公路拥堵态势预测方法,包括:基于交通调查数据、交通流数据、地理信息数据和公路静态属性信息,建立公路常发性拥堵特征和特征模型、需求减小型拥堵消散模型和事件解除型拥堵消散模型;考虑交通事故和特殊事件影响,建立常发拥堵和特殊事件拥堵蔓延的叠加模型计算拥堵蔓延速度、拥堵蔓延边界和拥堵持续时间;根据设定各种常发和偶发拥堵叠加效应的拥堵建立常发拥堵和特殊事件拥堵消散的叠加模型计算拥堵消散形态和拥堵消散速度,实现对公路拥堵态势预测。本发明可在特定交通拥堵模式下,对公路拥堵态势参数进行预测,获得具有针对性的科学可行的管控方案便于交通管理部门迅速制定精准的调整方案。
Description
技术领域
本发明涉及交通规划与管理技术领域,尤其涉及一种考虑拥堵叠加效应的公路拥堵态势预测方法。
背景技术
随着机动车保有量迅猛增长,居民出行需求不断增长,城市交通拥堵问题也随之恶化。如今高速公路的快速发展和高速公路网络规模的初步成型,给居民出行带来了方便和便捷。但时有发生的高速公路拥堵现象也给高速公路“快速畅通”的优越性大打折扣。对于交通管理者而言,高速公路拥堵使得运营管理成本增加、协调控制难度提升,同时拉低了整体高速公路网运行效率。因此制定合理的交通管控政策以及制定科学合理的应急预案已成为交通管理部门的当务之急。
根据交通拥堵产生原因不同,交通拥堵可分为常发性和偶发性拥堵。常发性拥堵是由于交通需求超出道路设施正常容量而产生的;而偶发性拥堵是由于突发交通事件造成道路通行能力短时下降并低于当时交通需求而引起的拥堵,随机性较强。而在常发性拥堵和特殊事件拥堵叠加的情况下,交通系统的供给和需求可能会单方面或两方面同时产生突变,导致交通系统处于较长事件的非均衡状态,以致降低了交通系统的运行效率,增加了出行总成本。当前由于高速公路交通数据综合利用少、决策支撑不足等问题,交通管理部门现有方法和业务系统针对常发拥堵和特殊事件拥堵叠加的拥堵蔓延消散态势参数预测不准确,应急管控预案不足、不科学,常导致的长距离、长时间、大范围拥堵的问题。不能保证高速公路的运行效率,也无法满足精细化、多样化的交通管理模式。
发明内容
本发明的实施例提供了一种考虑拥堵叠加效应的公路拥堵态势预测方法,以克服现有技术的缺陷。
为了实现上述目的,本发明采取了如下技术方案。
一种考虑拥堵叠加效应的公路拥堵态势预测方法,包括:
S1、基于公路样本点交通调查数据、车辆信息识别装置采集的交通流数据、地理信息数据和公路静态属性信息,建立公路交通流信息图谱库,进而建立公路常发性拥堵特征和特征模型、需求减小型拥堵消散模型和事件解除型拥堵消散模型;
S2、基于公路常发性拥堵特征和特征模型,考虑特殊事件的影响,建立常发拥堵和特殊事件拥堵蔓延的叠加模型,并计算拥堵蔓延速度、拥堵蔓延边界和拥堵持续时间;
S3、基于需求减小型拥堵消散模型和事件解除型拥堵消散模型,根据设定的各种常发和偶发拥堵叠加效应的拥堵,进而建立常发拥堵和特殊事件拥堵消散的叠加模型,并计算拥堵消散形态和拥堵消散速度;
S4、根据所述拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度对公路拥堵态势预测。
优选地,所述方法还包括:基于所述常发拥堵和特殊事件拥堵蔓延的叠加模型,以及常发拥堵和特殊事件拥堵消散的叠加模型,设计算法对模型求解,获取拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度。
优选地,所述S1包括:
从公路连续式站获取公路样本点交通调查数据、车辆信息识别装置获取的交通流数据、从地理信息数据和公路静态属性信息中获取路段的物理属性信息,将所述交通流数据和路段的物理属性信息进行匹配得到速度时空矩阵,绘制云图;对所述速度时空矩阵中每个时间点的速度进行判别,当速度小于vc时,则判别该时间点为拥堵点,统计拥堵点出现频数,按从小至大顺序排列,α分位数为所求的瓶颈点的拥堵频数阈值,判别公路常发性拥堵瓶颈;根据云图特征计算全天、早高峰、晚高峰的拥堵蔓延边界、拥堵持续时间、拥堵面积、拥堵面积比例、总拥堵时间和总拥堵时间比例指标构建拥堵信息数据库,根据所述云图和拥堵信息数据库建立公路交通流信息图谱库,结合所述公路常发性拥堵瓶颈分析公路常发性拥堵的时空特征,建立公路常发性拥堵特征模型。
优选地,所述S2包括:
拥堵蔓延速度的计算公式为:
其中,f函数所采用的模型公式为:
F函数所采用的模型公式为:
Qo(tk)函数所采用的模型公式为
Qo(tk)=Qbakground(tk,L)-Qu-offramp(tk)-Qu-onramp(tk)
q2(tk)函数所采用的模型公式为
q2(tk)=qbottleneck+qd-offramp(tk)+qd-onramp(tk)
其中,uw(tk)为拥堵蔓延速度,Qo(tk)为k时间段内上游流量,q2(tk)为k时间段内下游流量,Vo(tk)为k时间段内上游路段原始速度,uf为自由流速度,uc为临界速度,u为路段速度,kj为堵塞密度,qc为通行能力,c1,c2,c3为中间变量,Qbakground(tk,L)为上游日常情况下需要进入拥堵区域的车流量,Qu-offramp(tk)非拥堵区域出口匝道处的车辆分流车流量,Qu-onramp(tk)为非拥堵区域入口匝道处的车辆汇流减少车流量,qbottleneck为下游瓶颈处通过的车流量,qd-offramp(tk)拥堵区域出口匝道处的车辆分流车流量,qd-onramp(tk)为拥堵区域入口匝道处的车辆汇流减少车流量;
拥堵蔓延边界的计算公式为:
smax=min[s(tk)]
其中,smax为拥堵的最大边界,速度方向以车辆行驶方向为正,与行驶方向相反为负,因此最大拥堵边界为最小值;
拥堵持续时间的计算公式为:
tL=Lauw(tk)
其中,tL为拥堵持续时间,La为拥堵路段长度。
优选地,所述S3包括:
需求减小型拥堵消散模型拥堵消散速度计算公式为:
其中,u1d为需求减小型拥堵消散速度,u1l为瓶颈上游车辆的空间平均速度,q1(tk)为需求减小型拥堵状态下上游的交通流流量,a、b、c为三个常量;
事件解除型拥堵消散模型拥堵消散速度计算公式为:
其中,u2d为特殊事件下的拥堵消散速度,其中,u1l为瓶颈上游车辆的空间平均速度;u2l为瓶颈下游车辆的空间平均速度;
基于需求减小型拥堵消散模型和事件解除型拥堵消散模型建立常发拥堵和特殊事件拥堵消散的叠加模型,所述常发拥堵和特殊事件拥堵消散的叠加模型的消散形态包括:以需求减小为主的需求减小Ⅰ型、需求减小Ⅱ型,以事件解除为主的事件解除Ⅰ型、事件解除Ⅱ型、事件解除Ⅲ型;
常发拥堵和特殊事件拥堵消散的叠加模型的拥堵消散速度计算公式为:
其中,ud为常发拥堵和特殊事件下的拥堵消散速度,k1、k2为0、1变量。
优选地,所述基于所述常发拥堵和特殊事件拥堵蔓延的叠加模型,以及常发拥堵和特殊事件拥堵消散的叠加模型,设计算法对模型求解,获取拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度,包括以下步骤:
步骤1:初始化模型固定参数,输入拥堵路段的信息,包括发生时间、发生地点和实际通行能力系数;
步骤2:输入公路的背景交通流量和历史浮动车数据,输入辅路的背景交通流量和历史浮动车速度;
步骤3:根据输入的公路和事件信息,输出拥堵消散形态,基于常发拥堵和特殊事件拥堵蔓延的叠加模型,以及常发拥堵和特殊事件拥堵消散的叠加模型计算并输出特定时段下的拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度;
步骤4:更新拥堵蔓延传播的时间和空间位置来预测未来时段内的拥堵蔓延消散速度和边界,所述空间位置的更新根据拥堵传播距离和路段长度来确定是否需要更新,如果拥堵传播距离大于路段长度,则更新背景交通流量和历史速度数据;否则继续保持原值进行下一次计算,跳回步骤2直到拥堵完全消散。
优选地,所述交通流数据包括公路路段的历史速度、流量和密度;所述物理属性信息包括路段物理连接行、路段道路等级、路段长度、路段编号以及路段名称信息。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提供了一种考虑拥堵叠加效应的公路拥堵态势预测方法,可在常发拥堵和特殊事件拥堵叠加的效应下,对拥堵蔓延速度、拥堵蔓延里程、拥堵持续时间、拥堵消散速度和拥堵消散形态进行计算预测,量化交通拥堵的时空范围,以便交通管理部门制定科学可行的交通管控措施以及制定应急预案,进而提高公路的运行效率,降低道路运营管理成本,改善交通运行环境。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种考虑拥堵叠加效应的公路拥堵态势预测方法流程示意图;
图2为本发明实施例提供的需求减小型拥堵消散形态和事件解除型拥堵消散形态示意图;
图3为本发明实施例提供的一种常发拥堵和特殊事件拥堵消散的叠加模型的消散形态示意图;
图4为本发明实施例提供的一种常发拥堵和特殊事件拥堵蔓延消散的叠加模型算法设计流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一种考虑拥堵叠加效应的公路拥堵态势预测方法,如图1所示,可以用于获取在常发拥堵和偶发拥堵叠加发生的情况下,计算拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态以及拥堵消散速度,从而预测公路拥堵态势,包括以下步骤:
S1、基于公路样本点交通调查数据、车辆信息识别装置采集的交通流数据、地理信息数据和公路静态属性信息,建立公路交通流信息图谱库,进而建立高速公路常发性拥堵特征和特征模型、需求减小型拥堵消散模型和事件解除型拥堵消散模型,包括:
从公路连续式站获取的样本点交通调查数据、公路ETC龙门架获取的交通流数据与从地理信息数据、公路静态属性信息中获取路段的物理属性信息相匹配构建速度时空矩阵,绘制云图。对速度时空矩阵中每个时间点的速度进行判别,当速度小于vc时,则判别该点为拥堵点,统计拥堵点出现频数,按从小至大顺序排列,α分位数为所求的瓶颈点的拥堵频数阈值,判别公路常发性拥堵瓶颈。根据云图特征计算全天、早高峰、晚高峰的拥堵蔓延边界、拥堵持续时间、拥堵面积、拥堵面积比例、总拥堵时间和总拥堵时间比例等指标构建拥堵信息数据库,根据云图和拥堵信息数据库建立公路交通流信息图谱库,结合公路常发性拥堵瓶颈分析公路常发性拥堵的时空特征,建立高速公路常发性拥堵特征模型。
其中,交通流数据包括公路路段的历史速度、流量和密度;物理属性信息包括路段物理连接行、路段道路等级、路段长度、路段编号以及路段名称信息。
S2、基于公路常发性拥堵特征和特征模型,考虑特殊事件(包括交通事故、勤务管制和恶劣天气等因素)的影响,建立常发拥堵和特殊事件拥堵蔓延的叠加模型,并计算拥堵蔓延速度、拥堵蔓延边界和拥堵持续时间,包括:
考虑常发和特殊事件拥堵叠加效应的拥堵蔓延速度的计算公式为:
其中,Qo(tk)为k时间段内上游流量,受到上游背景交通流量和非拥堵度出入口匝道车辆分流的影响。
Qo(tk)=Qbakground(tk,L)-Qu-offramp(tk)-Qu-onramp(tk) 公式(2)
公式(2)中,Qbakground(tk,L)为上游日常情况下需要进入拥堵区域的车流量,Qu-offramp(tk)非拥堵区域出口匝道处的车辆分流车流量,Qu-onramp(tk)为非拥堵区域入口匝道处的车辆汇流减少车流量。
其中,q2(tk)为k时间段内下游流量,受到下游通行能力、拥堵区出入口匝道分流的影响。
q2(tk)=qbottleneck+qd-offramp(tk)+qd-onramp(tk) 公式(3)
公式(3)中,qbottleneck为下游瓶颈处通过的车流量,qd-offramp(tk)拥堵区域出口匝道处的车辆分流车流量,qd-onramp(tk)为拥堵区域入口匝道处的车辆汇流减少车流量。
公式(1)中,uw(tk)为拥堵蔓延速度,Vo(tk)为k时间段内上游路段原始速度,uf为自由流速度,uc为临界速度,u为路段速度,kj为堵塞密度,qc为通行能力。
结合路段信息以及上述拥堵蔓延速度,计算得出拥堵蔓延边界和拥堵持续时间。
考虑常发和特殊事件拥堵叠加效应的拥堵蔓延边界的计算公式为:
smax=min[s(tk)] 公式(5)
其中,smax为拥堵的最大边界。速度方向以车辆行驶方向为正,与行驶方向相反为负,因此最大拥堵边界为最小值。
考虑常发和特殊事件拥堵蔓延叠加效应的拥堵持续时间的计算公式为:
tL=Lauw(tk) 公式(6)
其中,tL为拥堵持续时间,La为拥堵路段长度。
S3、基于需求减小型拥堵消散模型和事件解除型拥堵消散模型,根据设定的各种常发和偶发拥堵叠加效应的拥堵(即根据发生拥堵的时间、地点及特殊事件的信息),建立常发拥堵和特殊事件拥堵消散的叠加模型,并计算拥堵消散形态和拥堵消散速度,包括:
上游交通需求减少是需求减小型拥堵消散的充分必要条件,当上游交通需求小于瓶颈处的通行能力时,拥堵消散。根据历史常发性拥堵的时空演变过程建立需求减小型拥堵消散模型拥堵消散形态,拥堵消散计算公式为:
其中,u1d为需求减小型拥堵消散速度,u1l为瓶颈上游车辆的空间平均速度,q1(tk)为需求减小型拥堵状态下上游的交通流流量,a、b、c为三个常量;
特殊事件解除,必然发生瓶颈处拥堵消散,根据历史特殊事件拥堵的时空演变过程建立事件解除型拥堵消散模型拥堵消散形态,拥堵消散速度计算公式为:
其中,u2d为特殊事件下的拥堵消散速度,其中,u1l为瓶颈上游车辆的空间平均速度;u2l为瓶颈下游车辆的空间平均速度。
需求减小型消散模型,消散形态如图2(a)所示,事件解除型消散模型,消散形态如图2(b)所示。进而建立常发拥堵和特殊事件拥堵消散的叠加模型,其拥堵消散形态共有5中,分别为以需求减小为主的需求减小Ⅰ型、需求减小Ⅱ型,以事件解除为主的事件解除Ⅰ型、事件解除Ⅱ型、事件解除Ⅲ型,其消散形态如图3所示。
拥堵消散速度计算公式为:
公式(9)(10)(11)中,ud为常发和特殊事件拥堵叠加的拥堵消散速度,k1、k2为0、1变量。
S4、根据上述获得的拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度对公路拥堵态势预测。
本发明实施例提供一种考虑拥堵叠加效应的公路拥堵态势预测方法,在建立了常发拥堵和特殊事件拥堵蔓延的叠加模型,以及常发拥堵和特殊事件拥堵消散的叠加模型的基础上,设计了拥堵态势参数预测算法对模型求解,如图4所示,包括以下步骤:
步骤1:初始化模型固定参数,然后输入拥堵路段的信息,拥堵路段的信息包括发生时间、发生地点和实际通行能力系数;
步骤2:输入公路的背景交通流量和历史浮动车数据,输入辅路的背景交通流量和历史浮动车速度,上述数据由公路连续式站和ETC龙门架采集的交通流数据提供;
步骤3:根据输入的公路和事件信息,输出拥堵消散形态。根据本发明提出的常发拥堵和特殊事件拥堵蔓延的叠加模型,以及常发拥堵和特殊事件拥堵消散的叠加模型计算并输出特定时段下的拥堵蔓延消散速度和边界,包括:拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度;
步骤4:更新拥堵蔓延传播的时间和空间位置来预测未来时段内的拥堵蔓延消散速度和边界。空间位置的更新需要根据拥堵传播距离和路段长度来确定是否需要更新,如果拥堵传播距离大于路段长度,则需要更新背景交通流量和历史速度;否则继续保持背景交通流量和历史浮动车数据的原值进行下一次计算,跳回步骤2直到拥堵完全消散。
在实际应用中,相关交通管理部门,可以根据拥堵态势参数的预测结果,设置科学可行的交通管制措施,制定合理有效的应急预案,提高公路的运行效率。
综上所述,本发明实施例提供一种考虑拥堵叠加效应的公路拥堵态势预测方法,根据公路实测数据验证模型的准确性和适用性。本发明可在特定交通拥堵模式下,对公路拥堵态势参数进行预测,从而获得具有针对性的科学、可行的管控方案、预防与应急措施。适用于交通管理部门,在常发拥堵和特殊事件拥堵叠加的影响下,利用本发明所提供的方法,获取拥堵态势参数,便于交通管理部门实时准确的预测拥堵态势,迅速制定精准的交通管理措施。也可在利用本发明在特殊事件发生前,对拥堵态势进行预判,为制定动态交通拥堵管控措施及应急方案的制定提供有力支撑。
本发明实施例有效地解决了现有方法和业务系统中对公路拥堵蔓延消散态势预测准确性低、应急方案针对性差和不科学的缺点,使得交通拥堵的识别与疏散更加科学有效。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种考虑拥堵叠加效应的公路拥堵态势预测方法,其特征在于,包括:
S1、基于公路样本点交通调查数据、车辆信息识别装置采集的交通流数据、地理信息数据和公路静态属性信息,建立公路交通流信息图谱库,进而建立公路常发性拥堵特征和特征模型、需求减小型拥堵消散模型和事件解除型拥堵消散模型;
S2、基于公路常发性拥堵特征和特征模型,考虑特殊事件的影响,建立常发拥堵和特殊事件拥堵蔓延的叠加模型,并计算拥堵蔓延速度、拥堵蔓延边界和拥堵持续时间;
S3、基于需求减小型拥堵消散模型和事件解除型拥堵消散模型,根据设定的各种常发和偶发拥堵叠加效应的拥堵,进而建立常发拥堵和特殊事件拥堵消散的叠加模型,并计算拥堵消散形态和拥堵消散速度,包括:
需求减小型拥堵消散模型拥堵消散速度计算公式为:
其中,u1d为需求减小型拥堵消散速度,u1l为瓶颈上游车辆的空间平均速度,q1(tk)为需求减小型拥堵状态下上游的交通流流量,a、b、c为三个常量;
事件解除型拥堵消散模型拥堵消散速度计算公式为:
其中,u2d为特殊事件下的拥堵消散速度,其中,u1l为瓶颈上游车辆的空间平均速度;u2l为瓶颈下游车辆的空间平均速度;
基于需求减小型拥堵消散模型和事件解除型拥堵消散模型建立常发拥堵和特殊事件拥堵消散的叠加模型,所述常发拥堵和特殊事件拥堵消散的叠加模型的消散形态包括:以需求减小为主的需求减小Ⅰ型、需求减小Ⅱ型,以事件解除为主的事件解除Ⅰ型、事件解除Ⅱ型、事件解除Ⅲ型;
常发拥堵和特殊事件拥堵消散的叠加模型的拥堵消散速度计算公式为:
其中,ud为常发拥堵和特殊事件下的拥堵消散速度,k1、k2为0、1变量;
S4、根据所述拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度对公路拥堵态势预测。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:基于所述常发拥堵和特殊事件拥堵蔓延的叠加模型,以及常发拥堵和特殊事件拥堵消散的叠加模型,设计算法对模型求解,获取拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度。
3.根据权利要求1所述的方法,其特征在于,所述S1包括:
从公路连续式站获取公路样本点交通调查数据、车辆信息识别装置获取的交通流数据、从地理信息数据和公路静态属性信息中获取路段的物理属性信息,将所述交通流数据和路段的物理属性信息进行匹配得到速度时空矩阵,绘制云图;对所述速度时空矩阵中每个时间点的速度进行判别,当速度小于vc时,则判别该时间点为拥堵点,统计拥堵点出现频数,按从小至大顺序排列,α分位数为所求的瓶颈点的拥堵频数阈值,判别公路常发性拥堵瓶颈;根据云图特征计算全天、早高峰、晚高峰的拥堵蔓延边界、拥堵持续时间、拥堵面积、拥堵面积比例、总拥堵时间和总拥堵时间比例指标构建拥堵信息数据库,根据所述云图和拥堵信息数据库建立公路交通流信息图谱库,结合所述公路常发性拥堵瓶颈分析公路常发性拥堵的时空特征,建立公路常发性拥堵特征模型。
4.根据权利要求1所述的方法,其特征在于,所述S2包括:
拥堵蔓延速度的计算公式为:
其中,f函数所采用的模型公式为:
F函数所采用的模型公式为:
Qo(tk)函数所采用的模型公式为
Qo(tk)=Qbakground(tk,L)-Qu-offramp(tk)-Qu-onramp(tk)
q2(tk)函数所采用的模型公式为
q2(tk)=qbottleneck+qd-offramp(tk)+qd-onramp(tk)
其中,uw(tk)为拥堵蔓延速度,Qo(tk)为k时间段内上游流量,q2(tk)为k时间段内下游流量,Vo(tk)为k时间段内上游路段原始速度,uf为自由流速度,uc为临界速度,u为路段速度,kj为堵塞密度,qc为通行能力,c1,c2,c3为中间变量,Qbakground(tk,L)为上游日常情况下需要进入拥堵区域的车流量,Qu-offramp(tk)非拥堵区域出口匝道处的车辆分流车流量,Qu-onramp(tk)为非拥堵区域入口匝道处的车辆汇流减少车流量,qbottleneck为下游瓶颈处通过的车流量,qd-offramp(tk)拥堵区域出口匝道处的车辆分流车流量,qd-onramp(tk)为拥堵区域入口匝道处的车辆汇流减少车流量;
拥堵蔓延边界的计算公式为:
smax=min[s(tk)]
其中,smax为拥堵的最大边界,速度方向以车辆行驶方向为正,与行驶方向相反为负,因此最大拥堵边界为最小值;
拥堵持续时间的计算公式为:
tL=La/uw(tk)
其中,tL为拥堵持续时间,La为拥堵路段长度。
5.根据权利要求2所述的方法,其特征在于,所述基于所述常发拥堵和特殊事件拥堵蔓延的叠加模型,以及常发拥堵和特殊事件拥堵消散的叠加模型,设计算法对模型求解,获取拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度,包括以下步骤:
步骤1:初始化模型固定参数,输入拥堵路段的信息,包括发生时间、发生地点和实际通行能力系数;
步骤2:输入公路的背景交通流量和历史浮动车数据,输入辅路的背景交通流量和历史浮动车速度;
步骤3:根据输入的公路和事件信息,输出拥堵消散形态,基于常发拥堵和特殊事件拥堵蔓延的叠加模型,以及常发拥堵和特殊事件拥堵消散的叠加模型计算并输出特定时段下的拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散形态和拥堵消散速度;
步骤4:更新拥堵蔓延传播的时间和空间位置来预测未来时段内的拥堵蔓延消散速度和边界,所述空间位置的更新根据拥堵传播距离和路段长度来确定是否需要更新,如果拥堵传播距离大于路段长度,则更新背景交通流量和历史速度数据;否则继续保持原值进行下一次计算,跳回步骤2直到拥堵完全消散。
6.根据权利要求3所述的方法,其特征在于,所述交通流数据包括公路路段的历史速度、流量和密度;所述物理属性信息包括路段物理连接行、路段道路等级、路段长度、路段编号以及路段名称信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911359975.2A CN111161537B (zh) | 2019-12-25 | 2019-12-25 | 考虑拥堵叠加效应的公路拥堵态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911359975.2A CN111161537B (zh) | 2019-12-25 | 2019-12-25 | 考虑拥堵叠加效应的公路拥堵态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161537A CN111161537A (zh) | 2020-05-15 |
CN111161537B true CN111161537B (zh) | 2021-05-28 |
Family
ID=70556744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911359975.2A Active CN111161537B (zh) | 2019-12-25 | 2019-12-25 | 考虑拥堵叠加效应的公路拥堵态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161537B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882858B (zh) * | 2020-06-01 | 2022-05-20 | 重庆大学 | 一种基于多源数据的高速公路异常事件排队长度预测方法 |
CN112185108B (zh) * | 2020-08-27 | 2021-11-16 | 银江技术股份有限公司 | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 |
CN112991724B (zh) * | 2021-02-09 | 2022-08-12 | 重庆大学 | 一种高速公路异常事件发生位置与事发时间的估计方法及装置 |
CN113065215A (zh) * | 2021-03-22 | 2021-07-02 | 广州弘毅软件科技有限公司 | 高速公路运营态势预测方法及装置 |
CN114049769B (zh) * | 2021-11-16 | 2023-07-04 | 上海华建工程建设咨询有限公司 | 一种预测道路拥挤状况的方法、装置和电子设备 |
CN115424432B (zh) * | 2022-07-22 | 2024-05-28 | 重庆大学 | 一种基于多源数据的高速公路异常事件下的上游分流方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789176A (zh) * | 2010-01-22 | 2010-07-28 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
CN103065468A (zh) * | 2012-12-14 | 2013-04-24 | 中国航天系统工程有限公司 | 交通信息的评估方法和装置 |
CN103198681A (zh) * | 2013-03-20 | 2013-07-10 | 东南大学 | 一种面向公交优先的交叉口信号控制方法 |
CN103680157A (zh) * | 2014-01-06 | 2014-03-26 | 东南大学 | 一种面向城市瓶颈路段的车辆排队溢流预判方法 |
CN103810868A (zh) * | 2014-02-25 | 2014-05-21 | 安徽科力信息产业有限责任公司 | 一种基于高空视频信息的交通溢流抑制方法 |
CN104778835A (zh) * | 2015-03-17 | 2015-07-15 | 同济大学 | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 |
CN106327881A (zh) * | 2016-10-19 | 2017-01-11 | 安徽四创电子股份有限公司 | 用于过渡路段的交通阻塞时间计算方法 |
CN106448167A (zh) * | 2016-11-17 | 2017-02-22 | 天津市市政工程设计研究院 | 一种基于实时路况的拥堵点判别方法 |
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN108777068A (zh) * | 2018-06-13 | 2018-11-09 | 西华大学 | 一种基于多维检测线圈采集周期的交通流瓶颈识别方法 |
CN110136435A (zh) * | 2019-04-17 | 2019-08-16 | 青岛大学 | 一种多感染阈值、多传播并存的拥堵网络化传播模型 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763728A (zh) * | 2009-10-22 | 2010-06-30 | 姜廷顺 | 无信号灯控制路段的交通拥堵快速报警系统及其运行方法 |
CN103488893B (zh) * | 2013-09-23 | 2017-02-15 | 北京交通发展研究中心 | 一种桥下积水导致的交通拥堵蔓延预测技术方案 |
US10032373B2 (en) * | 2016-09-29 | 2018-07-24 | Cubic Corporation | Systems and methods for using autonomous vehicles in traffic |
US11270583B2 (en) * | 2017-11-27 | 2022-03-08 | International Business Machines Corporation | Traffic control for autonomous vehicles |
-
2019
- 2019-12-25 CN CN201911359975.2A patent/CN111161537B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789176A (zh) * | 2010-01-22 | 2010-07-28 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
CN103065468A (zh) * | 2012-12-14 | 2013-04-24 | 中国航天系统工程有限公司 | 交通信息的评估方法和装置 |
CN103198681A (zh) * | 2013-03-20 | 2013-07-10 | 东南大学 | 一种面向公交优先的交叉口信号控制方法 |
CN103680157A (zh) * | 2014-01-06 | 2014-03-26 | 东南大学 | 一种面向城市瓶颈路段的车辆排队溢流预判方法 |
CN103810868A (zh) * | 2014-02-25 | 2014-05-21 | 安徽科力信息产业有限责任公司 | 一种基于高空视频信息的交通溢流抑制方法 |
CN104778835A (zh) * | 2015-03-17 | 2015-07-15 | 同济大学 | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 |
CN106327881A (zh) * | 2016-10-19 | 2017-01-11 | 安徽四创电子股份有限公司 | 用于过渡路段的交通阻塞时间计算方法 |
CN106448167A (zh) * | 2016-11-17 | 2017-02-22 | 天津市市政工程设计研究院 | 一种基于实时路况的拥堵点判别方法 |
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN108777068A (zh) * | 2018-06-13 | 2018-11-09 | 西华大学 | 一种基于多维检测线圈采集周期的交通流瓶颈识别方法 |
CN110136435A (zh) * | 2019-04-17 | 2019-08-16 | 青岛大学 | 一种多感染阈值、多传播并存的拥堵网络化传播模型 |
Non-Patent Citations (3)
Title |
---|
交通事件下快速路拥堵蔓延消散时空范围模型;藏金蕊,宋国华等;《交通运输系统工程与信息》;20171031;正文第4页-第5页第1.4节综合模型 * |
基于交通波理论的典型交通事件下拥堵蔓延消散模型;张晓燕;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150315;正文摘要、正文第19页、第22页倒数第1段第2-3行、第23页第3段、第60-68页 * |
张晓燕.基于交通波理论的典型交通事件下拥堵蔓延消散模型.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2015, * |
Also Published As
Publication number | Publication date |
---|---|
CN111161537A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161537B (zh) | 考虑拥堵叠加效应的公路拥堵态势预测方法 | |
Wang et al. | Speed, speed variation and crash relationships for urban arterials | |
CN110489799B (zh) | 交通拥堵仿真处理方法及相关装置 | |
US20190347739A1 (en) | Risk Based Automotive Insurance Rating System | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
Chung et al. | A methodological approach for estimating temporal and spatial extent of delays caused by freeway accidents | |
CN110705747A (zh) | 一种基于大数据的智慧公共交通云脑体系 | |
Sumner et al. | Segment passenger car equivalent values for cost allocation on urban arterial roads | |
CN111145544B (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
Hofleitner et al. | Probability distributions of travel times on arterial networks: A traffic flow and horizontal queuing theory approach | |
Cui et al. | Traffic performance score for measuring the impact of COVID-19 on urban mobility | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN111341095A (zh) | 一种基于边缘侧在线计算的交通信号控制系统及方法 | |
Ouyang et al. | Geographic information system–based community-level method to evaluate the influence of built environment on traffic crashes | |
Chauhan et al. | Effect of side friction parameter on urban road traffic: under mixed traffic scenario | |
Khattak et al. | Spatial analysis and modeling of traffic incidents for proactive incident management and strategic planning | |
CN112862204A (zh) | 一种路径规划方法、系统、计算机设备及可读存储介质 | |
Chitturi et al. | Work zone queue length and delay methodology | |
CN112927508B (zh) | 一种考虑多拥堵等级的交通事故时空影响范围估算方法 | |
Hou et al. | Development of travel time functions for disrupted urban arterials with microscopic traffic simulation | |
CN115731693A (zh) | 一种车道划分方法以及相关装置 | |
Shi et al. | Survival analysis of urban traffic incident duration: a case study at shanghai expressways | |
Shea et al. | Combined Crash Frequency–Crash Severity Evaluation of Geometric Design Decisions: Entrance–Exit Ramp Spacing and Auxiliary Lane Presence | |
Pallela et al. | Examining the lane-wise time headway and speed characteristics at curb-side bus stop on four-lane divided urban arterials | |
CN115691117A (zh) | 交通事件对道路交通影响的评估方法、装置及电子设备 |
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 |