CN111179601A - 隧道交通运行管控方法 - Google Patents

隧道交通运行管控方法 Download PDF

Info

Publication number
CN111179601A
CN111179601A CN202010114575.1A CN202010114575A CN111179601A CN 111179601 A CN111179601 A CN 111179601A CN 202010114575 A CN202010114575 A CN 202010114575A CN 111179601 A CN111179601 A CN 111179601A
Authority
CN
China
Prior art keywords
traffic
tunnel
data
control
traffic operation
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.)
Granted
Application number
CN202010114575.1A
Other languages
English (en)
Other versions
CN111179601B (zh
Inventor
刘晓东
李奉强
于建军
秦绍清
袁绍山
丁力
张震
姜冬阳
王晓辉
张晓波
蔡晓禹
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.)
Qingdao Conson Jiaozhou Bay Communications Co ltd
Original Assignee
Qingdao Conson Jiaozhou Bay Communications 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 Qingdao Conson Jiaozhou Bay Communications Co ltd filed Critical Qingdao Conson Jiaozhou Bay Communications Co ltd
Priority to CN202010114575.1A priority Critical patent/CN111179601B/zh
Publication of CN111179601A publication Critical patent/CN111179601A/zh
Application granted granted Critical
Publication of CN111179601B publication Critical patent/CN111179601B/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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles

Landscapes

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

Abstract

本发明公开一种隧道交通运行管控方法，首先，采集隧道内的交通运行数据，并根据交通运行数据评估隧道内触发的各个交通运行场景的预警等级，该交通运行数据包括交通流数据、车辆行为数据、事件数据以及外部数据。然后，根据各个交通运行场景的预警等级确定管控等级和对应的交通运行场景。最后，根据管控等级和交通运行场景确定对应的管控预案，并根据管控预案进行交通管控，该管控预案由多种管控措施组成。能使管理者及时掌握隧道内的交通运行预警等级，管理者能根据预警等级针对性地制定管控方案，以便及时有效地对运行风险进行处理，减小事故发生的概率，提高隧道运行的效率。

Description

隧道交通运行管控方法
技术领域
本发明涉及专门适用于以预测目的的数据处理系统或方法，特别是涉及一种隧道交通运行管控方法。
背景技术
隧道因为其特殊性，发生管控难度大，如果管控不及时或者管控不准确，就会造成整个交通线路拥堵，严重影响整个交通线路的运行效率。而且，有时单一的管控措施，并不能达到较好的管控效果，因此，及时而准确地制定多种管控措施联合的管控方案至关重要。
发明内容
为解决以上技术问题，本发明提供一种隧道交通运行管控方法，对隧道内触发的交通运行场景下的运行状态进行评估，及时掌握隧道内的运行情况，并根据运行情况准确制定由多种管控措施组成的管控方案，达到及时地、准确地对隧道内的交通运行进行管控。
技术方案如下：
一种隧道交通运行管控方法，包括：
步骤S1、采集隧道内的交通运行数据，并根据交通运行数据评估隧道内触发的各个交通运行场景的预警等级，该交通运行数据包括交通流数据、车辆行为数据、事件数据以及外部数据；
步骤S2、根据各个交通运行场景的预警等级确定管控等级和对应的交通运行场景；
步骤S3、根据管控等级和交通运行场景确定对应的管控预案，并根据管控预案进行交通管控，该管控预案由多种管控措施组成。
根据交通运行数据能及时对隧道内的交通运行状态进行评估，从而确定隧道内的交通运行风险，并根据运行风险选择合适的管控方案，对交通进行管控，能起到很好的管控效果。
更进一步的，采用以下方法评估各个交通运行场景的预警等级：
步骤S1-1、采集隧道内的交通运行数据；
步骤S1-2、对采集到的交通运行数据进行预处理，得到相对应的运行参数；
步骤S1-3、统计隧道内触发的交通运行场景；
步骤S1-4、根据触发的交通运行场景调取与各个交通运行场景相对应的运行参数，并采用相应的评估方法，对各个交通运行场景下的隧道的交通运行状态进行评估，得出运行状态参数；
步骤S1-5、根据各种交通运行场景的运行状态参数确定相应的交通运行场景的预警等级。
更进一步的，所述管控等级包括一级管控、二级管控、三级管控以及四级管控；
所述一级管控对应的管控预案包括：根据隧道内的交通运行数据，发布交通诱导信息的措施；
所述二级管控对应的管控预案包括：
根据隧道内的交通运行数据，发布交通诱导信息的措施；
根据交通流量，变更隧道内各个基本属性路段的限速的措施；
根据限流值，对隧道的关联节点的交通流量进行控制的措施；
所述三级管控对应的管控预案包括：
根据隧道内的交通运行数据，发布交通诱导信息的措施；
根据交通流量数据，变更隧道各个基本属性路段的限速信息的措施；
根据限流值，对隧道的关联节点、关联道路的交通流量进行控制的措施；
所述四级管控对应的管控预案包括：
根据隧道内的交通运行数据，发布交通诱导信息的措施；
根据交通流量，变更隧道各个基本属性路段的限速信息的措施；
根据限流值，对隧道的关联节点、关联道路，以及关联路网的交通流量进行控制的措施。
更进一步的，变更隧道各个基本属性路段的限速信息的措施包括：
步骤S2-1、建立各个基本属性路段的交通流量数据与限速的对应关系库；
步骤S2-2、采集隧道内各个基本属性路段的交通运行数据；
步骤S2-3、根据交通运行数据确定隧道内各个基本属性路段的交通流量数据；
步骤S2-4、根据交通流量数据从对应关系库中选取与基本属性路段相对应的最高限速值和最低限速值；
步骤S2-5、根据选取的最高限速值和最低限速值，变更基本属性路段的限速。
更进一步的，步骤S2-1中采用以下方法建立所述对应关系库：
步骤S2-1-1、按照道路几何特性和车道属性将隧道道路划分成的多个基本属性路段；
步骤S2-1-2、采集各基本属性路段在各种交通运行状态下，所对应的状态数据，该状态数据包括交通流量数据、交通速度数据、以及交通密度数据；
步骤S2-1-3、分别对各基本属性路段采集的交通流量数据、交通速度数据、交通密度数据进行关系拟合，得出与个基本属性路段在各种交通运行状态下，所对应的拟合结果；
步骤S2-1-4、根据拟合结果，选取基本属性路段在各种交通状态下，所对应的最高速度和最低速度，分别作为最高限速和最低限速；
步骤S2-1-5、根据交通流量数据、最高限速和最低限速建立对应关系库。
更进一步的，步骤S2-1-4中还包括根据各个基本属性路段的最高速度和最低速度，对相邻路段的最高限速和最低限速进行协调性约束。
更进一步的，对隧道的关联节点的交通流量进行控制的措施包括与隧道关联的匝道的控制措施，以及与隧道关联的收费站的控制措施，其中，匝道的控制措施包括：
步骤S3-1、根据限流值确定匝道的交通信号灯的控制周期时长；
步骤S3-2、采集匝道下游道路的占有率，以及匝道上游道路的车辆排队长度；
步骤S3-3、根据占有率、车辆排队长度以及控制周期时长确定绿灯时长；
步骤S3-4、根据绿灯时长控制匝道的交通信号灯；
步骤S3-5、判定时间是否达到周期时长；
若没有达到，则返回步骤S3-5；
若达到，则进入下一控制周期，并返回步骤S3-1。
更进一步的，当隧道内没有发生排队情况时，采用以下方法计算限流值：
步骤S4-1、采集隧道内的交通运行数据；
步骤S4-2、根据交通运行数据预测隧道内的最大流量，得出最大流量预测数据；
步骤S4-3、根据最大流量预测数据和预设的隧道的最小通行能力确定影响因子；
步骤S4-4、根据影响因子和隧道的最小通行能力确定限流值。
更进一步的，当隧道内发生排队情况时，采用以下方法计算限流值：
步骤S5-1、采集隧道内的交通运行数据，以及设定的最大排队长度数据；
步骤S5-2、根据交通运行数据预测排队路段的交通运行数据，得出交通运行预测数据；
步骤S5-3、根据交通运行预测数据和最大排队长度数据计算出限流值。
有益效果：采用本发明的隧道交通运行管控方法，能隧道内触发的各种交通运行场景下的交通运行状态进行评估，使管理者及时掌握隧道内的交通运行预警等级，管理者能根据预警等级针对性地制定管控方案，以便及时有效地对运行风险进行处理，减小事故发生的概率，提高隧道运行的效率。
附图说明
图1为本发明的方法流程图；
图2为本发明的预警等级评估流程图；
图3为图2中交通运行数据的预处理流程图；
图4为隧道内的拥堵度的计算流程；
图5为交通流预测参数的计算流程；
图6为特殊运行场景下的事故风险指数的预测流程；
图7为图5中事故数预测参数的计算流程；
图8为非事故运行场景下的事故风险指数的预测流程；
图9为图7中事故率预测参数的计算流程；
图10为事故运行场景下的排队长度的预测流程；
图11为不规则运行场景下的拥堵度和不规则行为率的计算流程图。
具体实施方式
下面结合实施例和附图对本发明作进一步说明。
如图1所示的一种隧道交通运行管控方法，包括：
步骤S1、采集隧道内的交通运行数据，并根据交通运行数据评估隧道内触发的各个交通运行场景的预警等级，该交通运行数据包括交通流数据、车辆行为数据、事件数据以及外部数据。
步骤S2、根据各个交通运行场景的预警等级确定管控等级和对应的交通运行场景；
步骤S3、根据管控等级和交通运行场景确定对应的管控预案，并根据管控预案进行交通管控，该管控预案由多种管控措施组成。
一、在本实施例中，步骤S1采用以下方法评估各个交通运行场景的预警等级，如图2所示：
步骤S1-1、采集隧道内的交通运行数据；
步骤S1-2、对采集到的交通运行数据进行预处理，得到相对应的运行参数；
步骤S1-3、统计隧道内触发的交通运行场景；
步骤S1-4、根据触发的交通运行场景调取与各个交通运行场景相对应的运行参数，并采用相应的评估方法，对各个交通运行场景下的隧道的交通运行状态进行评估，得出运行状态参数；
步骤S1-5、根据各种交通运行场景的运行状态参数确定相应的交通运行场景的预警等级。
现有的隧道内都设置的视频监控设备、雷达检测系统、电磁线圈系统。在本实施例中，交通流数据主要通过视频监控设备和雷达检测系统进行采集，车辆行为数据主要通过雷达检测系统和电磁线圈系统进行采集，事件数据主要通过视频监控设备进行采集，外部数据由市政部门直接提供。
其中，所述交通流数据包括交通流量数据、交通密度数据以及交通速度数据。
所述车辆行为数据包括车辆位置数据、车头间距数据、车辆实时速度数据、车辆行程速度数据、换道位置数据以及换道时间数据。
所述事件数据包括事故位置数据、事故时间数据、占道位置数据以及占道时间数据。
所述外部数据包括路径选择数据、出行需求数据。
在本实施例中，步骤S1-2采用如图2所示的步骤对交通运行数据进行预处理，如此能提高预测的准确性，该预处理的步骤包括：
步骤2-1、对采集到的交通运行数据进行数据处理，得到处理数据。在采集交通运行数据时，主要分为2种情况：
一种是已经采集到大量的数据，实时采集的数据缺失数据，对于这种情况，可以将缺失数据的采集数据剔除。
另一种是数据缺失严重，现有的数据不足以反映交通运行状态，就利用现有的处理数据进行数据修复。
步骤2-2、对处理数据进行数据修复，得到修复数据。由于在采集数据时可能会受到其他因素的影响，容易造成数据异常。因此，本实施例采用两种方法对异常数据进行数据修复。
其中一种是趋势平滑法，通过使用与异常数据相对应的历史数据y(k-1)(t)，以及前一段时间段内的运行数据y(t-1)，通过加权值进行趋势平滑修复，得出修复数据
Figure BDA0002391079280000071
其计算表达式如下：
Figure BDA0002391079280000072
α为加权系数，由管理者设定。
另一种是加权估算法，利用异常数据相邻的交通运行数据，通过加权估算进行数据修正，其计算表达式如下：
Figure BDA0002391079280000073
y(t-1)、y(t+1)分别为与异常数据相邻的交通运行数据。
步骤2-3、采用数据融合方法对修复数据进行数据融合，得出相应的运行参数。在本实施例中，采用现有的数据融合方法进行数据融合，比如聚类融合方法、加权融合方法、多贝叶斯估计等。采用数据融合方法对修复数据融合后，得出与交通运行数据相对应的运行参数。
在本实施例中，步骤步骤S1-3中的交通运行场景主要包括特殊运行场景和日常运行场景。
其中，特殊运行场景包括节假日运行场景、不良天气运行场景以及特殊任务运行场景。
节假日运行场景主要通过时间触发，当数据采集时间达到预设的节假日阈值时，触发节假日运行场景。
不良天气运行场景主要通过环境预测触发，当接收到的市政部门提供的环境预测数据达到预设的环境触发阈值时，触发不良天气运行场景。
特殊任务运行场景通过外部数据触发，当接收到市政部门提交的特殊任务需求时，触发特殊任务运行场景。
日常运行场景包括非事故运行场景、事故运行场景、占道作业运行场景以及不规则运行场景。非事故运行场景和不规则运行场景时实时触发的运行场景，只有当采集的事件数据中包括与事故相关的运行数据时，才触发事故运行场景，占道作业运行场景的触发原理与事故运行场景的触发原理相同。
所述节假日运行场景、不良天气运行场景、特殊任务运行场景、非事故运行场景、事故运行场景、占道作业运行场景以及不规则运行场景均为相互独立的运行场景，存在同时触发的可能，当同时触发这些运行场景时，分别调取与运行场景相关的运行参数，并采用相应的评估方法，分别对触发的各个运行场景进行交通运行状态评估。
在步骤S1-4中，所述特殊运行场景、非事故运行场景、占道作业运行场景包括拥堵度的运行状态参数的计算步骤。
在本实施例中，采用如图4所示的评估方法评估拥堵度，其步骤包括：
步骤3-1、根据触发的交通运行场景调取相应的运行参数，以及和运行参数相关的历史运行数据。
步骤3-2、根据调取的运行参数和历史运行参数进行交通流预测，得出交通流预测参数。在本步骤中，采用KNN算法进行交通流预测，得出交通流预测参数，其步骤如图5所示，包括：
步骤3-2-1、建立历史数据库，本实施例中，通过大量数据的融合处理得到用于预测的历史数据库，该历史数据库包括检测断面的历史交通流参数的时间序列矩阵。
步骤3-2-2、设定匹配段的长度参数M和最邻近参数K。在本实施例中，由于交通流的时变特性，匹配段长度M设定为12，最近邻参数K设定为3。
步骤3-2-3、根据匹配段长度参数K从实时采集的交通流参数中选取数据匹配段，在本实施例中，根据长度参数选取预测目标前的一段交通流参数作为数据匹配段，由于交通流数据是以时间序列的形式存储，选取的交通流参数将组成数据匹配向量
Figure BDA0002391079280000091
然后根据数据匹配向量组成匹配序列。
步骤3-2-4、计算不同目标序列与匹配序列之间的欧式距离，其计算表达式如下：
Figure BDA0002391079280000092
其中，
Figure BDA0002391079280000093
为历史交通流数据中n日T-M+1时刻的交通流参数。
vT-M+1为预测当日T-M+1时刻的交通流参数。
步骤3-2-5、根据欧式距离选取K个与数据匹配段线性相似度最高的历史交通流参数作为候选集矩阵D。
Figure BDA0002391079280000101
步骤3-2-6、将候选集矩阵D对应于期望进行预测的时间段T+1的最近值的组合作为预测目标的未来值，得到最终预测集矩阵如下：
Figure BDA0002391079280000102
步骤3-2-7、选取最终预测集矩阵中对应于期望进行预测的时间段T+1的最近值
Figure BDA0002391079280000103
采用等权平均法组成预测目标的交通流预测参数，其表达式如下：
Figure BDA0002391079280000104
步骤3-3、根据交通流预测参数计算交通运行状态的拥堵度，该拥堵度的计算表达式如下：
Figure BDA0002391079280000105
Figure BDA0002391079280000106
其中，l为人工设置的路段长度，ti为通过该路段的第i辆汽车的通行时间，通过交通流参数中的速度参数计算得出，n为通过该路段的车辆总数，由交通流参数中的交通流参数确定，Vfc为隧道内的最高限速。
在计算出拥堵度后，根据拥堵度与拥堵风险指数的匹配关系确定拥堵风险指数，该拥堵度与拥堵风险指数的匹配关系如表1所示
拥堵度 交通状态 拥堵风险指数
[0.4] 畅通 四级
[4.6] 缓行 三级
[6.8] 较拥堵 二级
[8.10] 拥堵 一级
表1
在步骤S1-4中，不同的交通运行场景，不仅需要进行拥堵度的预测，还包括其他相关的参数预测。
(1)、当交通运行场景为特殊运行场景时，所述评估方法还包括事故风险指数的评估步骤，该事故风险指数的评估步骤如图6所示，包括：
步骤4-1、根据触发的交通运行场景调取与运行场景相对应的相关的历史事故数数据。
步骤4-2、根据调取的历史事故数数据进行事故数预测，得出事故数预测参数。在该步骤中，本实施例采用滑动加权时间序列法进行事故数预测，其具体步骤如图7所示，包括：
步骤4-2-1、通过统计隧道内的事故次数，建立与事故数预测相关的数据库。
步骤4-2-2、确定权重，以预测节假日运行场景的事故数为例，按照选取周期，按照时间顺序从数据库中选取达到选取周期前3个活动日的历史事故数据，将选取的3组历史事故数据中的前2组数据分别与第3组数据进行比较，得出相对误差q1、q2，根据相对误差，确定前2组历史事故数据的权重，其计算表达式如下：
w1＝|q′2|/(|q′1|+|q′2|)
w2＝|q′1|/(|q′1|+|q′2|)
其中，q′1、q′2分别为前2组历史事故数据的相对误差的平均值。
步骤4-2-3、从数据库中调取3组临近年份的同一节假日的历史事故数据，通过滑动加权法预测节假日的事故数，并将预测得到的事故数与数据库中记录的节假日的历史事故数据进行比较，得出相对误差，并根据相对误差确定预测的节假日的折减系数a，其计算表达式如下：
Figure BDA0002391079280000121
其中，e′为各组相对误差的平均值。
步骤4-2-4、根据折减系数a、前2组历史事故数据的权重w1、w2，计算出事故数预测参数X，其计算表达式如下：
X＝a(w1×Y1+w2×Y2)
其中，Y1、Y2为前2组历史事故数据的事故数。
对于不良天气运行场景，其事故数预测参数的计算方法与节假日运行场景的事故数预测参数的计算方法相同，此处不再赘述。
步骤4-3、根据事故数预测参数X确定事故风险指数，事故数预测参数与事故风险指数相匹配，其匹配关系由管理者设定。在本实施例中，其匹配关系如表2所示：
事故数 事故风险指数
[0.3] 四级
[3.8] 三级
[8.12] 二级
[＞12] 一级
表2
(2)、当交通运行场景为非事故运行场景时，所述评估方法同样包括事故风险指数的评估步骤，该事故风险指数的评估步骤如图8所示，包括：
步骤5-1、根据触发的交通运行场景调取与运行场景相对应的实时的交通流参数。
步骤5-2、根据调取的交通流参数进行事故率参数预测，得出事故率预测参数。在本实施例中，采用logistic回归模型进行事故率预测，其具体步骤如图9所示，包括：
步骤5-2-1、建立用于事故率预测的事故率预测数据库。
步骤5-2-2、管理者根据交通流参数选取用于事故率预测的相关变量xi和变量系数β，该相关变量与变量系数相对应。在该步骤中，管理者可以根据事故率预测数据库中大量的事故率历史数据，采用现有的相关性检验算法确定相关变量的变量系数。
步骤5-2-3、根据相关变量xi和变量系数β进行预测计算，得出事故率预测参数，其计算表达式如下：
Figure BDA0002391079280000131
步骤5-3、根据事故率预测参数确定事故风险指数，该事故率预测参数与事故风险指数相匹配，其匹配关系由管理者设定。在本实施例中，设定的匹配关系如表3所示：
事故率 事故风险指数
P＞0.5 三级
P＜0.5 四级
表3
(3)、当交通运行场景为事故运行场景时，所述评估方法还包括排队长度的评估步骤，该排队长度的评估步骤如图10所示，包括：
步骤6-1、根据触发的事故运行场景调取与运行场景相对应的实时的交通流参数和事件参数；
步骤6-2、根据调取的事件参数和交通流参数预测事故发生后的通行能力S1和通行速度Vs1，以及事故恢复后该事故路段对应的通行能力S2和通行速度Vs2。在本实施例中，通过大量的历史数据统计分析，确定隧道各种通行能力下的通行速度，以及各种事故情况下隧道的通行能力。
步骤6-3、根据事件参数预测事故处理时间T0，与通行能力和通行的确定方法相同，事故处理时间T0同样通过大量的数据分析得出。
步骤6-4、根据交通流参数预测事故路段上游的交通需求量Q1和事故路段上游的车辆速度V1。在本实施例中，事故路段上游的交通需求量和事故路段上游的车辆速度均是道路管理系统通过事故路段上游的视频监控系统进行运行数据采集，然后经过统计分析得出。
步骤6-5、根据该事故路段对应的事故发生后的通行能力S1和通行速度Vs1，事故恢复后的通行能力S2和通行速度Vs2、事故处理时间T0和隧道内的最大限速Vf，以及事故路段上游的交通需求量Q1和事故路段上游的车辆速度V1，预测事故路段的排队长度L，其计算表达式如下：
Figure BDA0002391079280000141
Figure BDA0002391079280000142
Figure BDA0002391079280000143
Figure BDA0002391079280000144
Figure BDA0002391079280000145
如果在事故处理过程中，事故路段上游的交通流发生变化，主要会影响最大排队时间T，该最大排队时间T的计算表达式如下：
Figure BDA0002391079280000146
T1为故路段上游的交通需求量发生变化与未发生变化之间的时间隔。
(4)当交通运行场景为不规则运行场景时，如图11所示，所述评估方法包括不规则行为率和拥堵度的评估步骤包括：
步骤7-1、调取隧道内实时的车辆行为参数和交通流参数；
步骤7-2、根据车辆行为参数统计隧道内的不规则行为数；
步骤7-3、根据不规则行为数计算不规则行为率，并根据实时的交通流参数计算拥堵度，在本步骤中，拥堵度的计算方法与步骤3-3中的计算方法大致相同，其主要区别是本步骤中是通过实时的交通流参数计算拥堵度。
不规则行为率根据统计的不规则行为数与交通流参数中的交通流量参数之间的比值确定。
在步骤S1-5中，所述特殊运行场景、非事故运行场景、占道作业运行场景均根据拥堵度和事故风险指数确定对应的预警等级。
其中，特殊运行场景下的拥堵度和事故风险指数与预警等级的对应关系如表4所示。
Figure BDA0002391079280000151
表4
非事故运行场景、占道作业运行场景下的拥堵度和事故风险指数与预警等级的对应关系如表5所示。
Figure BDA0002391079280000161
表5
所述事故运行场景根据排队长度L确定预警等级，排队长度L与预警等级的对应关系如表6所示。
Figure BDA0002391079280000162
表6
表6中最短距离为事故路段距离隧道内的匝道或者隧道口的最短距离Z。
所述不规则运行场景根据拥堵度以及不规则行为率确定预警等级，其对应关系如表7所示。
Figure BDA0002391079280000163
表7
二、步骤S3中，管控等级与预警等级一一对应，在本实施例中共有4个管控等级，分别是一级管控、二级管控、三级管控以及四级管控。
不同的交通运行场景具有的管控等级也不同，其中，节假日运行场景、不良天气运行场景、特殊任务运行场景、非事故运行场景、事故运行场景、占道作业运行场景均包括一级管控、二级管控、三级管控以及四级管控，不规则运行场景包括一级管控、二级管控。
当隧道中触发多个交通运行场景时，根据预警等级最高的交通运行场景和预警等级确定管控等级，并根据管控等级选择对应的管控措施组成管控方案。
1、所述一级管控对应的管控预案包括：
a、根据隧道内的交通运行数据，发布交通诱导信息的措施。
2、所述二级管控对应的管控预案包括：
a、根据隧道内的交通运行数据，发布交通诱导信息的措施。
b、根据交通流量，变更隧道内各个基本属性路段的限速的措施。
c、根据限流值，对隧道的关联节点的交通流量进行控制的措施。
3、所述三级管控对应的管控预案包括：
a、根据隧道内的交通运行数据，发布交通诱导信息的措施。
b、根据交通流量数据，变更隧道各个基本属性路段的限速信息的措施。
c、根据限流值，对隧道的关联节点、关联道路的交通流量进行控制的措施。
4、所述四级管控对应的管控预案包括：
a、根据隧道内的交通运行数据，发布交通诱导信息的措施；
b、根据交通流量，变更隧道各个基本属性路段的限速信息的措施；
c、根据限流值，对隧道的关联节点、关联道路，以及关联路网的交通流量进行控制的措施。
在本实施例中，发布交通诱导信息的措施，主要是通过设置在隧道内的交通信息提示装置，如LED显示屏、信号灯以及广播发出交通信息，诱导车辆进行行驶。
在本实施例中，变更隧道各个基本属性路段的限速信息的措施，主要是通过设置在隧道内的LED显示屏显示各个基本属性路段的限速信息，该限速信息会根据隧道内的交通流量进行调整。
限速的具体变更方法如下：
步骤S2-1、建立各个基本属性路段的交通流量数据与限速的对应关系库；
步骤S2-2、采集隧道内各个基本属性路段的交通运行数据；
步骤S2-3、根据交通运行数据确定隧道内各个基本属性路段的交通流量数据的预测数据；
步骤S2-4、根据交通流量数据的预测数据从对应关系库中选取对应的最高限速值和最低限速值；
步骤S2-5、根据选取的最高限速值和最低限速值，变更隧道内各个基本属性路段的限速。
在本实施例中，对应关系库的建立方法如下：
步骤S2-1-1、按照道路几何特性和车道属性将隧道道路划分成的多个基本属性路段；
步骤S2-1-2、采集各基本属性路段在各种交通运行状态下，所对应的状态数据，该状态数据包括交通流量数据、交通速度数据、以及交通密度数据；
步骤S2-1-3、分别采集各基本属性路段的大量的交通流量数据、交通速度数据、交通密度数据，并对采集的数据进行关系拟合，得出与个基本属性路段对应的拟合结果；
步骤S2-1-4、根据拟合结果，选取基本属性路段在各个交通状态下，所对应的最高速度和最低速度，分别作为最高限速和最低限速；
步骤S2-1-5、根据各个基本属性路段的最高速度和最低速度，对相邻路段的最高限速和最低限速进行协调性约束，并根据协调后的交通流量数据、最高限速和最低限速建立对应关系库。
在本实施例中，对隧道的关联节点的交通流量进行控制的措施中，关联节点主要包括匝道和收费站，主要通过匝道的现有的信号灯控制系统，采用现有的信号灯控制方法，对通过匝道的交通流量进行限流。对于收费站，主要通过控制收费站的收费口的开放数量进行限流。
所述匝道信号灯的控制方法如下：
步骤S3-1、根据限流值确定匝道的交通信号灯的控制周期时长；
步骤S3-2、采集匝道下游道路的占有率，以及匝道上游道路的车辆排队长度；
步骤S3-3、根据占有率、车辆排队长度以及控制周期时长确定绿灯时长；
步骤S3-4、根据绿灯时长控制匝道的交通信号灯；
步骤S3-5、判定时间是否达到周期时长；
若没有达到，则返回步骤S3-5；
若达到，则进入下一控制周期，并返回步骤S3-1。
在本实施例中，限流值的计算方法如下：
I、当隧道内没有发生排队情况时，采用以下方法计算限流值Q21：
步骤S4-1、采集隧道内的交通运行数据；
步骤S4-2、根据交通运行数据预测隧道内的最大交通流量，得出最大交通流量预测数据Qmax；
步骤S4-3、根据最大交通流量预测数据Qmax和预设的隧道的最小通行能力Cmin计算影响因子η；
步骤S4-4、根据影响因子η和隧道的最小通行能力Cmin确定限流值
Figure BDA0002391079280000191
其中，步骤S4-3中，影响因子η与限流值
Figure BDA0002391079280000192
的对应关系与下表。
Figure BDA0002391079280000201
II、当隧道内发生排队情况时，即隧道内发生交通事故，或者车到被占用时，采用以下方法计算限流值Q2：
步骤S5-1、采集隧道内的交通运行数据，以及设定的最大排队长度数据；
步骤S5-2、根据交通运行数据预测排队路段的交通运行数据，得出交通运行预测数据。
该交通运行预测数据主要包括事故路段或占用路段对应的事故发生后的通行能力S1和通行速度Vs1，恢复后的通行能力S2和通行速度Vs2、处理时间T0和隧道内的最大限速Vf，以及事故路段或占用路段上游的交通需求量Q1，以及事故路段或占用路段上游的车辆速度V1。其预测方法与评估交通运行场景的预警等级时，交通流参数的预测方法相同。
步骤S5-3、根据交通运行预测数据和最大排队长度数据LMAX，求解以下方程表达式即可限流值Q2：
Figure BDA0002391079280000202
在本实施例中，根据限流值Q2，对隧道的关联道路，以及关联路网的交通流量进行控制的措施，主要是通过关联道路和关联路网的道路控制系统，采用现有的道路流量控制方法，控制关联道路上的交通信号灯，从而控制进入隧道的交通流量。
最后需要说明的是，上述描述仅仅为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。

Claims (9)

1.一种隧道交通运行管控方法，其特征在于，包括：
步骤S1、采集隧道内的交通运行数据，并根据交通运行数据评估隧道内触发的各个交通运行场景的预警等级，该交通运行数据包括交通流数据、车辆行为数据、事件数据以及外部数据；
步骤S2、根据各个交通运行场景的预警等级确定管控等级和对应的交通运行场景；
步骤S3、根据管控等级和交通运行场景确定对应的管控预案，并根据管控预案进行交通管控，该管控预案由多种管控措施组成。
2.根据权利要求1所述的隧道交通运行管控方法，其特征在于，采用以下方法评估各个交通运行场景的预警等级：
步骤S1-1、采集隧道内的交通运行数据；
步骤S1-2、对采集到的交通运行数据进行预处理，得到相对应的运行参数；
步骤S1-3、统计隧道内触发的交通运行场景；
步骤S1-4、根据触发的交通运行场景调取与各个交通运行场景相对应的运行参数，并采用相应的评估方法，对各个交通运行场景下的隧道的交通运行状态进行评估，得出运行状态参数；
步骤S1-5、根据各种交通运行场景的运行状态参数确定相应的交通运行场景的预警等级。
3.根据权利要求1所述的隧道交通运行管控方法，其特征在于，所述管控等级包括一级管控、二级管控、三级管控以及四级管控；
所述一级管控对应的管控预案包括：根据隧道内的交通运行数据，发布交通诱导信息的措施；
所述二级管控对应的管控预案包括：
根据隧道内的交通运行数据，发布交通诱导信息的措施；
根据交通流量，变更隧道内各个基本属性路段的限速的措施；
根据限流值，对隧道的关联节点的交通流量进行控制的措施；
所述三级管控对应的管控预案包括：
根据隧道内的交通运行数据，发布交通诱导信息的措施；
根据交通流量数据，变更隧道各个基本属性路段的限速信息的措施；
根据限流值，对隧道的关联节点、关联道路的交通流量进行控制的措施；
所述四级管控对应的管控预案包括：
根据隧道内的交通运行数据，发布交通诱导信息的措施；
根据交通流量，变更隧道各个基本属性路段的限速信息的措施；
根据限流值，对隧道的关联节点、关联道路，以及关联路网的交通流量进行控制的措施。
4.根据权利要求3所述的隧道交通运行管控方法，其特征在于，变更隧道各个基本属性路段的限速信息的措施包括：
步骤S2-1、建立各个基本属性路段的交通流量数据与限速的对应关系库；
步骤S2-2、采集隧道内各个基本属性路段的交通运行数据；
步骤S2-3、根据交通运行数据确定隧道内各个基本属性路段的交通流量数据；
步骤S2-4、根据交通流量数据从对应关系库中选取与基本属性路段相对应的最高限速值和最低限速值；
步骤S2-5、根据选取的最高限速值和最低限速值，变更基本属性路段的限速。
5.根据权利要求4所述的隧道交通运行管控方法，其特征在于，步骤S2-1中采用以下方法建立所述对应关系库：
步骤S2-1-1、按照道路几何特性和车道属性将隧道道路划分成的多个基本属性路段；
步骤S2-1-2、采集各基本属性路段在各种交通运行状态下，所对应的状态数据，该状态数据包括交通流量数据、交通速度数据、以及交通密度数据；
步骤S2-1-3、分别对各基本属性路段采集的交通流量数据、交通速度数据、交通密度数据进行关系拟合，得出与个基本属性路段在各种交通运行状态下，所对应的拟合结果；
步骤S2-1-4、根据拟合结果，选取基本属性路段在各种交通状态下，所对应的最高速度和最低速度，分别作为最高限速和最低限速；
步骤S2-1-5、根据交通流量数据、最高限速和最低限速建立对应关系库。
6.根据权利要求5所述的隧道交通运行管控方法，其特征在于，步骤S2-1-4中还包括根据各个基本属性路段的最高速度和最低速度，对相邻路段的最高限速和最低限速进行协调性约束。
7.根据权利要求3所述的隧道交通运行管控方法，其特征在于，对隧道的关联节点的交通流量进行控制的措施包括与隧道关联的匝道的控制措施，以及与隧道关联的收费站的控制措施，其中，匝道的控制措施包括：
步骤S3-1、根据限流值确定匝道的交通信号灯的控制周期时长；
步骤S3-2、采集匝道下游道路的占有率，以及匝道上游道路的车辆排队长度；
步骤S3-3、根据占有率、车辆排队长度以及控制周期时长确定绿灯时长；
步骤S3-4、根据绿灯时长控制匝道的交通信号灯；
步骤S3-5、判定时间是否达到周期时长；
若没有达到，则返回步骤S3-5；
若达到，则进入下一控制周期，并返回步骤S3-1。
8.根据权利要求3或7所述的隧道交通运行管控方法，其特征在于，当隧道内没有发生排队情况时，采用以下方法计算限流值：
步骤S4-1、采集隧道内的交通运行数据；
步骤S4-2、根据交通运行数据预测隧道内的最大流量，得出最大流量预测数据；
步骤S4-3、根据最大流量预测数据和预设的隧道的最小通行能力确定影响因子；
步骤S4-4、根据影响因子和隧道的最小通行能力确定限流值。
9.根据权利要求3或7所述的隧道交通运行管控方法，其特征在于，当隧道内发生排队情况时，采用以下方法计算限流值：
步骤S5-1、采集隧道内的交通运行数据，以及设定的最大排队长度数据；
步骤S5-2、根据交通运行数据预测排队路段的交通运行数据，得出交通运行预测数据；
步骤S5-3、根据交通运行预测数据和最大排队长度数据计算出限流值。
CN202010114575.1A 2020-02-25 2020-02-25 隧道交通运行管控方法 Active CN111179601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010114575.1A CN111179601B (zh) 2020-02-25 2020-02-25 隧道交通运行管控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010114575.1A CN111179601B (zh) 2020-02-25 2020-02-25 隧道交通运行管控方法

Publications (2)

Publication Number Publication Date
CN111179601A true CN111179601A (zh) 2020-05-19
CN111179601B CN111179601B (zh) 2022-05-27

Family

ID=70653159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010114575.1A Active CN111179601B (zh) 2020-02-25 2020-02-25 隧道交通运行管控方法

Country Status (1)

Country Link
CN (1) CN111179601B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037351A (zh) * 2020-09-30 2020-12-04 吉林大学 面向风险防控的收费站etc道闸延迟开启控制方法
CN113139495A (zh) * 2021-04-29 2021-07-20 姜冬阳 一种基于深度学习的隧道侧装视频交通流检测方法和系统
CN113393705A (zh) * 2021-05-31 2021-09-14 云南思码蔻科技有限公司 基于隧道或道路内车辆留存数量的路况管理系统
CN114582126A (zh) * 2022-03-04 2022-06-03 深圳市综合交通与市政工程设计研究总院有限公司 适用于特长隧道交通兼顾效率安全的智能管控方法及系统
CN115909725A (zh) * 2022-11-01 2023-04-04 西部科学城智能网联汽车创新中心(重庆)有限公司 基于车路协同的事故处理方法及装置
CN118015838A (zh) * 2024-04-08 2024-05-10 中铁三局集团有限公司 结合物联网的隧道车辆流动控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10200424A1 (de) * 2002-01-08 2003-07-17 Reinhard Zachmann Verfahren zur insbesondere sicherheitstechnischen Applikation von Magnetfeld-Sensorsystemen
CN102231231A (zh) * 2011-06-16 2011-11-02 同济大学 区域公路网交通安全态势预警系统及其方法
US20130282346A1 (en) * 2001-06-22 2013-10-24 Caliper Corporation Traffic data management and simulation system
CN105844915A (zh) * 2016-05-13 2016-08-10 东南大学 一种可变限速控制下交通流基本图的确定方法
CN106157650A (zh) * 2016-07-11 2016-11-23 东南大学 一种基于强化学习可变限速控制的快速道路通行效率改善方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130282346A1 (en) * 2001-06-22 2013-10-24 Caliper Corporation Traffic data management and simulation system
DE10200424A1 (de) * 2002-01-08 2003-07-17 Reinhard Zachmann Verfahren zur insbesondere sicherheitstechnischen Applikation von Magnetfeld-Sensorsystemen
CN102231231A (zh) * 2011-06-16 2011-11-02 同济大学 区域公路网交通安全态势预警系统及其方法
CN105844915A (zh) * 2016-05-13 2016-08-10 东南大学 一种可变限速控制下交通流基本图的确定方法
CN106157650A (zh) * 2016-07-11 2016-11-23 东南大学 一种基于强化学习可变限速控制的快速道路通行效率改善方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037351A (zh) * 2020-09-30 2020-12-04 吉林大学 面向风险防控的收费站etc道闸延迟开启控制方法
CN113139495A (zh) * 2021-04-29 2021-07-20 姜冬阳 一种基于深度学习的隧道侧装视频交通流检测方法和系统
CN113393705A (zh) * 2021-05-31 2021-09-14 云南思码蔻科技有限公司 基于隧道或道路内车辆留存数量的路况管理系统
CN114582126A (zh) * 2022-03-04 2022-06-03 深圳市综合交通与市政工程设计研究总院有限公司 适用于特长隧道交通兼顾效率安全的智能管控方法及系统
CN115909725A (zh) * 2022-11-01 2023-04-04 西部科学城智能网联汽车创新中心(重庆)有限公司 基于车路协同的事故处理方法及装置
CN115909725B (zh) * 2022-11-01 2023-09-15 西部科学城智能网联汽车创新中心(重庆)有限公司 基于车路协同的事故处理方法及装置
CN118015838A (zh) * 2024-04-08 2024-05-10 中铁三局集团有限公司 结合物联网的隧道车辆流动控制方法及系统

Also Published As

Publication number Publication date
CN111179601B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN111179601B (zh) 隧道交通运行管控方法
CN112085947B (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
WO2022247677A1 (zh) 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统
CN111009122A (zh) 隧道交通运行风险评估方法
CN108269401B (zh) 一种基于数据驱动的高架桥交通拥堵预测方法
CN110728842A (zh) 基于路口车辆合理行驶范围的异常行驶预警方法
KR101385057B1 (ko) Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법
CN111724589B (zh) 一种基于多源数据的高速公路断面流量估计方法
CN106845768B (zh) 基于生存分析参数分布的公交车旅行时间模型构建方法
CN114049765B (zh) 基于自动车辆号牌识别数据的城市路网车流od估计方法
CN103984994B (zh) 一种城市轨道交通客流高峰持续时间预测方法
CN111008223A (zh) 一种基于时空关联规则的区域交通拥堵相关性计算方法
CN110634299B (zh) 基于多源轨迹数据的城市交通状态精细划分与识别方法
CN109345832B (zh) 一种基于深度递归神经网络的城市道路超车预测方法
CN105761488A (zh) 基于融合的实时极限学习机短时交通流预测方法
EP4060642A1 (en) Method and system of predictive traffic flow and of traffic light control
CN114023073B (zh) 一种基于车辆行为分析的高速公路拥堵预测方法
CN113379099B (zh) 一种基于机器学习与copula模型的高速公路交通流自适应预测方法
El-Sayed et al. Congestion detection and propagation in urban areas using histogram models
CN114419924B (zh) 一种基于智慧城市的ai应用控制管理系统
CN113436432A (zh) 一种利用路侧观测数据进行路段短时交通风险预测的方法
CN117612379B (zh) 一种智慧交通车流量预测方法及系统
CN115331425A (zh) 一种交通预警方法、装置和系统
CN114299720A (zh) 一种基于物联网的公共服务交通管理方法及系统
CN115909729A (zh) 一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统

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