CN111260933B - 用于高分辨率机动车动态排放清单的小时交通量测算方法 - Google Patents

用于高分辨率机动车动态排放清单的小时交通量测算方法 Download PDF

Info

Publication number
CN111260933B
CN111260933B CN202010086560.9A CN202010086560A CN111260933B CN 111260933 B CN111260933 B CN 111260933B CN 202010086560 A CN202010086560 A CN 202010086560A CN 111260933 B CN111260933 B CN 111260933B
Authority
CN
China
Prior art keywords
traffic
traffic volume
road
flow
time
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
CN202010086560.9A
Other languages
English (en)
Other versions
CN111260933A (zh
Inventor
宋国华
姜云
葛梦雪
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010086560.9A priority Critical patent/CN111260933B/zh
Publication of CN111260933A publication Critical patent/CN111260933A/zh
Application granted granted Critical
Publication of CN111260933B publication Critical patent/CN111260933B/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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种用于高分辨率机动车动态排放清单的路段的小时交通量测算方法，用以解决现有技术缺乏面向高时空分辨率机动车动态排放清单的路段的小时交通量测算的问题。所述小时交通量测算方法，基于FCD速度数据及交通流状态分类，依次构建FCD速度与交通量时空匹配数据、交通流模式数据库和基本图模型数据库构成测算模型数据库，再根据当前路段限制条件从测算模型数据库中调用相应测算模型，动态测算路段的小时交通量。本发明实现了路网中无监测交通量路段的小时交通量动态测算，降低了测算成本，提高了测算精度，具有高时空连续性和实用性；用于建立高分辨率机动车动态排放清单，能及时反映道路交通排放的实际情况，提高了排放清单的时空分辨率。

Description

用于高分辨率机动车动态排放清单的小时交通量测算方法
技术领域
本发明属于环境保护与道路监测领域，具体涉及一种用于高时空分辨率机动车动态排放清单的路段的小时交通量测算方法。
背景技术
道路移动源排放是城市空气污染的主要来源之一，多数大中城市道路的移动源排放占比超过20％。为了预警及应对重污染天气，动态模拟重污染期间城市空气质量的实时变化，需要对城市全路网中的移动源排放进行实时监测，建立高时空分辨率机动车动态排放清单。高时空分辨率机动车动态排放清单将实时的路段交通量和车辆平均行驶速度作为输入参数，得到全路网每条道路1小时间隔的机动车污染物排放量。其中，车辆速度可以基于海量的浮动车数据(FCD)来获得，而实时路段交通量很难利用国内外现有的交通量测算方法进行可靠采集。
传统的交通量获取方法多使用固定监测器，如感应线圈、高清摄像头、射频识别技术(RFID)和远程交通微波传感器(RTMS)来采集路段交通量。然而固定监测器的安装和维护成本十分昂贵，目前仅设置在快速路和主干路的重点路段，且存在布局分散、路网覆盖率低、时间连续性差、数据质量易受设备本身和天气因素影响等问题。
现有技术中，路段交通量动态测算多采用面向交通管控的交通量预测方法，并未形成面向高时空分辨率机动车动态排放清单的交通量测算方法体系。因此更多关注于短时交通量预测，交通量测算的不确定性较高且测算精度难以保证，同时，计算量大、计算程序复杂耗时，测算方法的实用性和普适性较低。
发明内容
为了解决现有技术中缺乏面向高时空分辨率机动车动态排放清单的路段的小时交通量测算的问题，克服现有路段交通量测算稳定性、实用性、普适性不高的问题，本发明实施例提供了一种用于高分辨率机动车动态排放清单的路段的小时交通量测算方法，针对路网中无监测交通量的路段，基于实时浮动车数据(Floating Car Data，FCD)中的FCD速度和交通流状态分类进行动态小时交通量测算，具有高的时空连续性和稳定性，提高测算精度、实用性和普适性的同时，降低交通量测算成本；测算结果用于高分辨率机动车动态排放清单，能够及时反映路网交通排放的实际情况，提高了排放清单的空间和时间分辨率。
为了实现上述目的，本发明采取了如下技术方案。
本发明实施例提供了一种用于高分辨率机动车动态排放清单的路段的小时交通量测算方法，所述小时交通量测算方法包括如下步骤：
步骤S1，采集路段交通流数据并建立基础数据库；
步骤S2，根据所述路段交通流数据得到路网中FCD速度时空分布和交通量时空分布，并对同一路段的同一方向和同一观测时间，对FCD速度和交通量进行时空匹配，得到道路速度交通量匹配数据库；
步骤S3，根据所述道路速度交通量匹配数据库建立交通流测算模型数据库；
步骤S4，从所述交通流测算模型数据库中调用测算模型，动态测算路段的小时交通量。
优选地，所述路段交通流数据包括：GPS获取的FCD数据、交通流监测数据和车辆运行道路的地理信息数据。
优选地，所述步骤S3中交通流测算模型数据库包括交通流模式子数据库和交通流基本图模型子数据库。
优选地，所述建立交通流模式子数据库包括如下步骤：
步骤S301，将道路速度交通量匹配数据库中的数据按照区域、道路、车型、交通、天气和日期条件进行分类；
步骤S302，将道路速度交通量匹配数据库中不同时间间隔的交通量数据集成为单车道小时当量交通量，并对不同天交通量进行归一化处理，所述归一化处理的公式为：
Figure BDA0002382257790000031
式中：
xp为时段p观测交通量(veh/lane/h)；
Figure BDA0002382257790000032
为时段p归一化交通量(veh/lane/h)；
xmin和xmax别为同一天观测交通量的最小值和最大值；
步骤S303，在不同分类下，对小时交通流模式的时变特征进行聚类；
步骤S304，在不同分类下，分别计算一年中12个月份和一周7天的交通量调整系数。
优选地，所述建立交通流基本图模型子数据库包括如下步骤：
步骤S311，将道路速度交通量数据库中的基本数据按照区域、道路、车型、交通和天气条件进行分类；
步骤S312，在不同分类下，标定交通流的自由流速度，作为交通流状态的判别标准；
步骤S313，在不同分类下，根据一天观测路段交通量-密度关系散点的时间变化特征，识别交通拥堵发生前后的交通流磁滞现象；
步骤S314，根据所述磁滞现象，为分别描述交通拥堵形成和消散过程，建立描述速度-交通量关系的分时段交通流基本图模型。
优选地，所述建立描述速度-交通量关系的分时段交通流基本图模型，具体为：根据交通流基本图的形状和特征，将速度交通量数据分为交通拥堵形成和消散两个时段；将统计时间间隔的交通量数据转换为以每车道每小时车辆数为单位的交通量。
优选地，所述步骤S4中从交通流测算模型数据库中调用测算模型，包括如下步骤：
步骤S401，根据路段属性、无监测交通量路段历史FCD速度时变曲线及时空条件，调用交通流基本图模型；
步骤S402，根据调用的交通流基本图模型，进一步识别交通流模式。
优选地，所述步骤S4中动态测算路段的小时交通量，包括如下步骤：
步骤S411，根据实时FCD速度和所述步骤S312标定的自由流速度，判断当前路段的交通流是否属于自由流状态；当属于非自由流状态时，进入步骤S412；当属于自由流状态时，转入步骤S413；
步骤S412，基于交通流基本图模型调用测算非自由流状态小时交通量；
步骤S413，基于交通流模式识别测算自由流状态小时交通量。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例用于高分辨率机动车动态排放清单的路段的小时交通量测算方法，充分利用了实时的FCD数据和交通流监测数据，为城市路网中没有交通量监测器的路段动态测算小时交通量，具有高时空连续性和高质量的特点，结合现有的交通流监测数据达到覆盖全路网所有路段的目的，降低了路段交通量测算成本；同时，小时交通量测算程序简单、计算量小，降低了交通量测算的不确定性，并且全面考虑了道路条件、交通条件和天气等因素以及交通流状态对交通量测算精度的影响，显著提高了测算精度、实用性和普适性；实现了全路网无交通量监测器路段的小时交通量测算，测算结果可用于建立高分辨率机动车动态排放清单，能够及时反映不同道路、交通和天气条件下道路交通排放的实际情况，提高了排放清单的空间和时间分辨率。
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为本发明实施例用于高分辨率机动车动态排放清单的路段的小时交通量测算方法流程示意图；
图2为本发明实施例用于高分辨率机动车动态排放清单的路段的小时交通量测算方法原理图；
图3为本发明实施例交通流模式示例图；
图4为本发明实施例某路段速度和交通量的时间变化曲线示例图；
图5为本发明实施例基于10min间隔交通流数据建立的某路段交通量-密度基本图示例图；
图6为本发明实施例基于10min间隔交通流数据建立的某路段分时段交通流速度-交通量基本图模型示例图；
图7为本发明实施例从交通流测算模型数据库中调用测算模型的流程示意图。
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。
针对用于高时空分辨率机动车动态排放清单的路段交通量监测存在的问题，本发明提出了一种用于高分辨率机动车动态排放清单的路段的小时交通量测算方法，为城市路网中没有交通量监测器的路段实时测算小时交通量，具有高时空连续性、高质量的特点，结合现有的交通流监测数据达到覆盖全路网所有路段和降低交通量测算成本的目的。
路网中机动车动态排放测算对交通量的时间间隔要求较低，采用1小时为间隔就很大程度上提高了排放测算精度，并且方便与其他领域污染源如发电厂、厂矿等工业污染源及气象、风力的实时监测平台进行对接。本发明采用小时及以上时间粒度的交通量预测以有效提高预测结果的稳定性和准确性，捕捉到更全面的特征。集成到1小时间隔的交通量会削弱多个短期交通量预测结果的小偏差，能更好地反映个体之间的相似性，进而有效降低交通量预测结果的随机性和不确定性。
本发明的路段的小时交通量测算方法的测算结果，可用于建立高时空分辨率机动车动态排放清单，能够及时反映不同道路、交通和天气条件下道路交通排放的实际情况，提高了排放清单的空间和时间分辨率。
下面将结合附图以具体实施例为例对本发明做进一步的解释说明。
实施例
本实施例提供了一种用于高分辨率机动车动态排放清单的路段的小时交通量测算方法，所述方法通过建立交通流模式和交通流基本图模型数据库，对于路网中无监测量的路段，在已知道路时空条件和物理属性的情况下，调用交通流模式和基本图模型数据库，基于浮动车数据FCD中的实时FCD速度及交通流状态分类数据，动态测算不同交通状态下的小时交通量。
在这里需要说明的是，所述浮动车数据FCD中的浮动车(Floating Car，FC)为载有GPS设备的车辆，浮动车技术是将定位与图像识别结合的一种交通信息采集手段。浮动车在路网中运行，能够提供时间、经纬度、瞬时方位角等数据，经处理后可提供交通流速度数据，FCD是GPS获取的浮动车在路网中的数据。自由流速度指车辆能够自由行驶、不受前后车影响的交通流运行速度。
图1所示为所述用于高分辨率机动车动态排放清单的路段的小时交通量测算方法流程示意图；图2所示为所述用于高分辨率机动车动态排放清单的路段的小时交通量测算方法原理图。如图1和图2所示，所述小时交通量测算方法包括如下步骤：
步骤S1，采集路段交通流数据并建立基础数据库。
本步骤中，所述路段交通流数据包括：GPS获取的FCD数据、交通流监测数据和车辆运行道路的地理信息数据。
其中，所述GPS获取的FCD数据，包括固定统计时间间隔的FCD速度、路段属性和观测日期时间。其中路段属性包括路段编号、路段名称、路段长度；
所述交通流监测数据由交通流监测系统获取，包括固定统计时间间隔的分车型交通量、监测器编号、监测器经纬度、观测日期时间、车道编号；
所述车辆运行道路的地理信息数据由地理信息系统获取，包括车辆运行道路的区域、道路等级和交通量监测器的点位分布情况。
步骤S2，根据所述路段交通流数据得到路网中FCD速度时空分布和交通量时空分布，并对同一路段的同一方向和同一观测时间，对FCD速度和交通量进行时空匹配，得到道路速度交通量匹配数据库。
空间匹配指的是两类数据需反映同一空间单位的交通流信息；时间匹配包括两方面：一方面是使数据在同一时间范围对应；第二方面是将不同统计时间间隔的交通数据集成为同一时间间隔的交通数据。
所述道路速度交通量匹配数据库包括：交通流监测器点位分布表、监测器与路段对应关系表、交通流原始数据表，FCD原始数据表的道路速度交通量匹配数据库。
步骤S3，根据所述道路速度交通量匹配数据库建立交通流测算模型数据库。
所述交通流测算模型数据库包括交通流模式子数据库和交通流基本图模型子数据库。
其中，建立交通流模式子数据库包括如下步骤：
步骤S301，将道路速度交通量匹配数据库中的数据按照区域、道路、车型、交通、天气和日期条件进行分类。
优选地，城市道路包括城市快速路、主干路、次干路和支路，市郊公路包含5个等级；日期类型分为工作日(周一至周五)、周末(周六和周日)和节假日。
步骤S302，将道路速度交通量匹配数据库中不同时间间隔的交通量数据集成为单车道小时当量交通量，为避免每日交通量总量对交通流模式分类产生影响，对不同天交通量进行归一化处理，所述归一化处理的公式为：
Figure BDA0002382257790000081
式中：
xp为时段p观测交通量(veh/lane/h)；
Figure BDA0002382257790000082
为时段p归一化交通量(veh/lane/h)；
xmin和xmax别为同一天观测交通量的最小值和最大值。
步骤S303，在不同分类下，对小时交通流模式的时变特征进行聚类。
本步骤具体包括：利用分层聚类法对道路速度交通量匹配数据库中交通流早晚高峰特征进行分类；再采用改进的K-means聚类方法进一步细分，确定最优聚类数k值并计算不同时段归一化交通量的权重。
首先，原始K-means方法需在聚类前提前给定聚类数k，在交通流模式未知的情况下，采用轮廓系数(SC)选取最优k值。通过结合内聚度a和分离度b两种因素对聚类效果进行判定，对于集合中某一个点i而言，SC(i)计算方法如下：
Figure BDA0002382257790000091
Figure BDA0002382257790000092
b(i)＝min{biq,q＝1,2,3...m} (4)
式中：
dij为样本点i到簇内其他点j的距离；
biq为样本点i到其他簇各点q的距离；
n为样本i所属簇内样本点的数量；
m为其他簇中样本点的数量。
在K-means聚类时，首先设定k的取值范围[n,m]，之后对针对不同k进行(m-n+1)次聚类，通过对比每次聚类后的SC(i)总和，值最大时对应的k即为最优k。
其次，进行权重的计算。某时段归一化交通量对聚类效果影响的大小通过参与聚类的所有路段在该时段交通量的离散程度反映，离散程度越高表明该时段不同路段归一化交通量差异越大，越能够作为聚类判定依据，应赋予较高权重，反之亦然。因不同时段归一化交通量的平均值不同，采用变异系数CV作为各时段聚类权重，计算方法如下：
Figure BDA0002382257790000093
Figure BDA0002382257790000094
Figure BDA0002382257790000095
式中：
CVp为时段p的变异系数；
δp为时段p的归一化交通量标准差；
μp为时段p的归一化交通量均值；
Figure BDA0002382257790000101
为第j个记录在p时段的归一化交通量(veh/lane/h)；
n为记录数。
步骤S304，在不同分类下，分别计算一年中12个月份和一周7天的交通量调整系数。
本步骤中，计算月度调整系数(MCF)，选取多个观测站数据，分别计算每月除节假日外一周的单车道小时交通量平均值，月度调整系数可根据下式得到：
Figure BDA0002382257790000102
式中：
MCFm为第m个月的交通量调整系数；
n为参评观测站总数；
i为观测站编号；
Qmi为第m个月i观测站的日均观测交通量(veh/lane/day)。
表1和表2分别为城市道路和市郊公路的月度调整系数。前6列为各观测站的调整系数，如表1和表2所示，同一道路类型下各道路等级的月度调整系数具有相似性，受通勤和假期影响，城市内部道路的月度交通量在五月、九月较高，二月、八月较低。市郊公路与城市内部道路特征不同，因其主要承担长距离、跨城市运输，交通量更多受节假日出行影响，在七月和八月的月度调整系数较高。
表1
Figure BDA0002382257790000103
Figure BDA0002382257790000111
表2
郊区道路 观测站1 观测站2 观测站3 观测站4 观测站5 观测站6 MCF
一月 0.815 0.873 0.716 0.678 0.872 0.807 0.793
二月 0.856 0.874 0.943 0.768 1.165 1.072 0.946
三月 1.027 0.903 0.885 0.962 0.931 0.863 0.928
四月 0.835 0.804 0.753 0.834 0.780 0.720 0.788
五月 1.054 1.065 1.201 1.105 1.140 1.053 1.103
六月 0.954 0.987 1.168 1.101 1.159 1.076 1.074
七月 1.357 1.221 1.085 1.082 1.045 1.083 1.146
八月 1.449 1.186 1.159 1.145 1.126 1.300 1.227
九月 1.184 0.993 0.989 0.967 0.905 1.010 1.008
十月 0.875 1.088 1.090 1.182 0.985 1.066 1.048
十一月 0.771 0.988 0.990 1.084 0.884 0.965 0.947
十二月 0.823 1.018 1.020 1.093 1.006 0.985 0.991
另外，本步骤中计算日期类型调整系数(DCF)，一周中不同星期类型的交通量相对大小存在差异，因此还需对每周不同天调整系数进行计算，DCF可根据下式得到。
Figure BDA0002382257790000112
式中：
DCFd为一周第d天的交通量调整系数；
n为参评观测站总数；
i为观测站编号；
Qdi为一周第d天i观测站的日均观测交通量(veh/lane/day)。
本步骤中设定一个月中每周的平均交通量相同，分别对不同道路类型下各等级道路全部参评路段的16个完整周进行分析。表3为日期类型调整系数的计算结果。如表3所示，城市道路和市郊公路的日期类型调整系数存在差异，而两者各等级道路的调整系数具有相似性。城市内部道路受通勤影响，在星期五的调整系数最高，而市郊公路更多地受外出旅游影响，在周末的调整系数更高，与现实特征相符。
表3
Figure BDA0002382257790000121
图3为本发明实施例交通流模式示例图。如图3所示，以市郊4等级公路和城市主干路聚类结果为例，两种道路等级在工作日、周末和节假日的交通流模式曲线。工作日受通勤出行影响，市郊公路交通流模式曲线双峰特征明显，主干路交通流模式除具双峰特征外，还有部分道路仅含有单一峰值或在7：00-18:00交通量均保持较高水平。周末市郊公路多表现为双峰特征，周末主干路交通流模式曲线多表现为单一峰值。节假日受旅游出行的影响，市郊公路和主干路交通流模式复杂，春节期间的交通量曲线多表现为双峰特征。
交通流基本图模型，是采用统计方法分析历史数据而建立起来的参数关系模型，包括速度—交通量模型、交通量－密度模型以及速度－密度模型，由于采用关系图的形式直观描述问题，被用于描述单个断面或路段的交通流行为特征。
建立交通流基本图模型子数据库包括如下步骤：
步骤S311，将道路速度交通量数据库中的基本数据按照区域、道路、车型、交通和天气条件进行分类。
由于交通流中的重要参数受到各种因素(除了时间因素以外)的影响，包括区域、道路类型、道路等级、车道宽度、横向间隙、匝道间距等，另外，车型、道路限速、天气、照明等也会对通行能力造成影响。因此，综合考虑交通流基本图的影响因素，首先将基本数据按照区域、道路、车型、交通和天气条件进行划分。
步骤S312，在不同分类下标定交通流的自由流速度，作为交通流状态的判别标准。
本步骤中，利用不同分类下凌晨时段(23:00-6:00)的FCD数据，排除异常值、最大值和最小值，绘制速度的累计频率分布图，继而计算得到85％的百分位点速度值，作为对应类别下自由流状态划分阈值的参考值。
步骤S313，在不同分类下，根据一天观测路段交通量-密度关系散点的时间变化特征，识别交通拥堵发生前后的交通流磁滞现象。
图4为本发明实施例某路段速度和交通量的时间变化曲线示例图。如图4所示，在7:00～23:00之间，平均交通量处于较高的水平，全天平均速度的时间变化更为显著。从6点到7点，平均速度从较高水平下降，交通流开始出现拥堵。7:00～18:00，交通流处于高交通量、低速的拥堵状态。18:00时，交通流达到最低速度，处于最拥堵的状态。18:00以后，平均速度上升到较高水平，交通流处于拥堵的消散过程。
在一天中相同的速度所对应的交通量值是不同的。例如，在速度为40km/h时，拥堵形成和消散过程的交通量值是不同的。图5为本发明实施例基于10min间隔交通流数据建立的某路段交通量-密度基本图示例图。如图5所示，根据路网交通量-密度关系散点出现的时间顺序，在路网交通流基本图中交通量-密度关系折线随时间推进形成一个顺时针环，且曲线出现了多个峰值，最大交通量值在白天和夜间有所不同。这种交通拥堵形成和消散过程中最大交通量值不同的现象被称为宏观交通流的“磁滞现象”，该环被称为“磁滞环”。“磁滞现象”是路网宏观交通状态在时间维度上呈现的另一重要特征，该现象通常出现在路网拥堵发生前后。交通状态的磁滞现象表明有必要建立一个多时段的交通流基本图来分别描述交通拥堵发生和消散过程，从而可以更准确地估计交通流。
通过对磁滞环的分析，发现交通拥堵发生和消散过程这两个时段的基本图的形状和特征是不同的。在这种情况下，基于统计时间间隔的路段的速度交通量数据，得到了分时段的交通流速度-交通量基本图。图6为本实施例基于10min间隔交通流数据建立的某路段分时段交通流速度-交通量基本图模型示例图，如图6所示，所述分时段的交通流速度-交通量基本图，为图中10min统计间隔的速度-交通量关系散点图。
步骤S314，根据所述磁滞现象，为分别描述交通拥堵形成和消散过程，建立描述速度-交通量关系的分时段交通流基本图模型。
图6为本实施例基于10min间隔交通流数据建立的某路段分时段交通流速度-交通量基本图模型示例图。如图6所示，所述建立描述速度-交通量关系的分时段交通流基本图模型，具体为：根据交通流基本图的形状和特征，将速度交通量数据分为交通拥堵形成和消散两个时段。将统计时间间隔的交通量数据转换为以每车道每小时车辆数为单位的交通量数据。
本实施例基于Van Aerde四参数单一结构模型，根据实际数据通过回归分析标定了交通流基本图的特征参数，包括自由流速度、临界速度、通行能力和堵塞密度。具体公式为：
Figure BDA0002382257790000141
式中：
k——交通流密度(veh/km)；
u——交通流速度(km/h)；
c1、c2、c3——中间变量；
uf——自由流速度(km/h)；
uc——临界速度(km/h)；
kj——阻塞密度(veh/km)；
qc——通行能力(veh/lane/h)。
通过式(10)推导出交通量—速度关系函数为：
Figure BDA0002382257790000151
式中：
q——速度反推交通量(veh/lane/h)；
步骤S4，从所述交通流测算模型数据库中调用测算模型，动态测算路段的小时交通量。
本步骤中，在已知公路时空条件和物理属性的情况下，无监测交通量路段通过对所述交通流测算模型数据库中具体参数和交通流模式、基本图模型的智能调用，结合获取的实时FCD速度数据，根据S312所标定的自由流速度将交通流状态划分为自由流速度和非自由流状态，动态测算小时交通量。
图7所示为从交通流测算模型数据库中调用测算模型的流程示意图。如图7所示，所述从交通流测算模型数据库中调用测算模型，包括如下步骤：
步骤S401，根据路段属性、无监测交通量路段历史FCD速度时变曲线及时空条件，调用交通流测算模型。
对无交通量监测器路段，基于该路段的物理属性和道路、交通和天气条件以及观测时间，结合其静态的FCD速度全天时间变化曲线，对所述交通流模型数据库调用相同类型的交通流特征参数、分时段交通流基本图模型。
步骤S402，根据调用的交通流基本图模型，进一步识别交通流模式。
基于调用的分时段交通流基本图模型，利用路段的历史FCD速度数据反推交通交通量。对统计时间间隔的反推交通量进行小时交通量集成，作为交通流模式识别的初始交通量。具体包括：
利用该初始反推交通量根据公式(1)做归一化处理得到βnor，构建交通量特征参数矩阵。因0:00-6:00和21:00之后速度质量较差且多处于自由流状态难以反映实际交通量，研究以βnor与交通流模式库t中各类模式ati在6:00-21:00的欧式距离di为判定依据，选取最短距离dopt对应的最优交通流模式atopt，计算方法如下：
Figure BDA0002382257790000161
Figure BDA0002382257790000162
Figure BDA0002382257790000163
Figure BDA0002382257790000164
dopt＝min{d1,d2…dk} (16)
式中：
t为路段条件对应的交通流模式库；
k为t模式库中模式数；
Figure BDA0002382257790000165
为t模式库中第i类模式在时段p的归一化交通量(veh/lane/h)；
Figure BDA0002382257790000166
为时段p的归一化初始反推交通量(veh/lane/h)；
βnor为路段的交通量特征参数矩阵；
di为βnor与模式库中各模式ati之间的欧式距离。
通过以上过程，识别出最佳的交通流模式。
所述动态测算路段的小时交通量，包括如下步骤：
步骤S411，根据实时FCD速度和所述步骤S312标定的自由流速度，判断当前路段的交通流是否属于自由流状态。当属于非自由流状态时，进入步骤S412；当属于自由流状态时，转入步骤S413。
当实时FCD速度大于或等于该分类下的自由流速度时，当前路段的交通流处于自由流状态，进入步骤S412；当实时FCD速度低于该分类下的自由流速度时，当前路段的交通流处于非自由流状态，转入步骤S413。
步骤S412，基于交通流基本图模型调用测算非自由流状态小时交通量。
在非自由流状态下，基于所调用的交通流基本图模型及其具体的特征参数，利用公式(11)的速度-交通量关系式，完成实时FCD速度反推交通量。并对统计时间间隔的反推交通量进行小时交通量集成。路段在某天的小时交通量第p小时的交通量Qp，计算方法如下：
Figure BDA0002382257790000171
式中：
Figure BDA0002382257790000172
为时段p的第r个速度反推交通量(veh/lane/h)；
s为时段p按照统计时间间隔获取的实时FCD速度的数量。
步骤S413，基于交通流模式识别测算自由流状态小时交通量。
由于自由流状态下车辆速度几乎是恒定的，与出行密度、交通量无关，因此在自由流状态下基于交通流基本图测算交通量是不可靠的。基于交通流模式识别测算小时交通量更适用于自由流状态的交通流。
在识别出最佳的交通流模式atopt后，根据交通调查得到的路段年平均日交通量(AADT)、道路类型对应的当日MCF与DCF，即可测算路段在某天的小时交通量第p小时的交通量Qp，计算方法如下：
Figure BDA0002382257790000173
式中：
Figure BDA0002382257790000174
为最优交通流模式在时段p的归一化交通量(veh/lane/h)。
由以上技术方案可以看出，本实施例用于高分辨率机动车动态排放清单的路段的小时交通量测算方法，基于GPS获取的FCD速度数据及交通流状态分类，依次构建FCD速度与交通量时空匹配数据、交通流模式数据库和基本图模型数据库构成测算模型数据库，再根据当前路段的限制条件从所述交通流测算模型数据库中调用相应的交通流测算模型，动态测算路段的小时交通量。本实施例利用了实时的FCD数据和交通流监测数据，为城市路网中没有交通流监测器的路段动态测算小时交通量，具有高时空连续性和高质量的特点，结合现有的交通流监测数据达到覆盖全路网所有路段的目的，降低了路段交通量测算成本；同时，小时交通量测算程序简单、计算量小，降低了交通量测算的不确定性，并且全面考虑了道路条件、交通条件和天气等因素以及交通流状态对交通量测算精度的影响，显著提高了测算精度、实用性和普适性；测算结果可用于建立高时空分辨率机动车动态排放清单，能够及时反映不同道路、交通和天气条件下道路交通排放的实际情况，提高了排放清单的空间和时间分辨率。
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。
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。
本领域普通技术人员可以理解：实施例中的装置中的部件可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件，也可以进一步拆分成多个子部件。
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 (5)

1.一种用于高分辨率机动车动态排放清单的路段的小时交通量测算方法，其特征在于，所述小时交通量测算方法包括如下步骤：
步骤S1，采集路段交通流数据并建立基础数据库；
步骤S2，根据所述路段交通流数据得到路网中FCD速度时空分布和交通量时空分布，并对同一路段的同一方向和同一观测时间，对FCD速度和交通量进行时空匹配，得到道路速度交通量匹配数据库；
步骤S3，根据所述道路速度交通量匹配数据库建立交通流测算模型数据库；
步骤S4，从所述交通流测算模型数据库中调用测算模型，动态测算路段的小时交通量；
所述小时交通量测算方法，其特征在于，所述路段交通流数据包括：GPS获取的FCD数据、交通流监测数据和车辆运行道路的地理信息数据；
所述小时交通量测算方法，其特征在于，所述步骤S3中交通流测算模型数据库包括交通流模式子数据库和交通流基本图模型子数据库；
所述的所述小时交通量测算方法，其特征在于，所述建立交通流模式子数据库包括如下步骤：
步骤S301，将道路速度交通量匹配数据库中的数据按照区域、道路、车型、交通、天气和日期条件进行分类；
步骤S302，将道路速度交通量匹配数据库中不同时间间隔的交通量数据集成为单车道小时当量交通量，并对不同天交通量进行归一化处理，所述归一化处理的公式为：
Figure FDA0002954506650000021
式中：
xp为时段p观测交通量；
Figure FDA0002954506650000022
为时段p归一化交通量；
xmin和xmax别为同一天观测交通量的最小值和最大值；
步骤S303，在不同分类下，对小时交通流模式的时变特征进行聚类；
步骤S304，在不同分类下，分别计算一年中12个月份和一周7天的交通量调整系数。
2.根据权利要求1所述的所述小时交通量测算方法，其特征在于，所述建立交通流基本图模型子数据库包括如下步骤：
步骤S311，将道路速度交通量数据库中的基本数据按照区域、道路、车型、交通和天气条件进行分类；
步骤S312，在不同分类下，标定交通流的自由流速度，作为交通流状态的判别标准；
步骤S313，在不同分类下，根据一天观测路段交通量-密度关系散点的时间变化特征，识别交通拥堵发生前后的交通流磁滞现象；
步骤S314，根据所述磁滞现象，为分别描述交通拥堵形成和消散过程，建立描述速度-交通量关系的分时段交通流基本图模型。
3.根据权利要求2所述的所述小时交通量测算方法，其特征在于，所述建立描述速度-交通量关系的分时段交通流基本图模型，具体为：根据交通流基本图的形状和特征，将速度交通量数据分为交通拥堵形成和消散两个时段；将统计时间间隔的交通量数据转换为以每车道每小时车辆数为单位的交通量。
4.根据权利要求1所述的所述小时交通量测算方法，其特征在于，所述步骤S4中从交通流测算模型数据库中调用测算模型，包括如下步骤：
步骤S401，根据路段属性、无监测交通量路段历史FCD速度时变曲线及时空条件，调用交通流基本图模型；
步骤S402，根据调用的交通流基本图模型，进一步识别交通流模式。
5.根据权利要求2所述的所述小时交通量测算方法，其特征在于，所述步骤S4中动态测算路段的小时交通量，包括如下步骤：
步骤S411，根据实时FCD速度和所述步骤S312标定的自由流速度，判断当前路段的交通流是否属于自由流状态；当属于非自由流状态时，进入步骤S412；当属于自由流状态时，转入步骤S413；
步骤S412，基于交通流基本图模型调用测算非自由流状态小时交通量；
步骤S413，基于交通流模式识别测算自由流状态小时交通量。
CN202010086560.9A 2020-02-11 2020-02-11 用于高分辨率机动车动态排放清单的小时交通量测算方法 Active CN111260933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010086560.9A CN111260933B (zh) 2020-02-11 2020-02-11 用于高分辨率机动车动态排放清单的小时交通量测算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010086560.9A CN111260933B (zh) 2020-02-11 2020-02-11 用于高分辨率机动车动态排放清单的小时交通量测算方法

Publications (2)

Publication Number Publication Date
CN111260933A CN111260933A (zh) 2020-06-09
CN111260933B true CN111260933B (zh) 2021-05-28

Family

ID=70951271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010086560.9A Active CN111260933B (zh) 2020-02-11 2020-02-11 用于高分辨率机动车动态排放清单的小时交通量测算方法

Country Status (1)

Country Link
CN (1) CN111260933B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256966B (zh) * 2021-04-21 2022-02-25 中国科学技术大学先进技术研究院 基于时空速度域重构的路网排放清单建立方法及系统
CN113077629B (zh) * 2021-04-30 2022-01-28 中科三清科技有限公司 动态车流量测算方法、装置、电子设备及存储介质
CN113947903B (zh) * 2021-10-18 2022-09-09 沈阳世纪高通科技有限公司 一种基于浮动车数据计算自由流以及道路拥缓区间的方法
CN114639238B (zh) * 2022-02-23 2023-02-14 东南大学 基于归一化谱聚类算法的城市快速路交通状态估计方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9305406B2 (en) * 2011-08-01 2016-04-05 Divelbiss Corporation and Kokosing Construction Co., Inc. Asset monitoring and fueling system
CN102567811A (zh) * 2011-12-31 2012-07-11 中山大学 基于实时道路交通特征的机动车排放测算方法
CN104715605B (zh) * 2015-02-16 2017-09-26 北京交通大学 一种基于vsp分布的交通运行数据与排放数据耦合方法与系统
CN106530692A (zh) * 2016-10-25 2017-03-22 黑龙江省城市规划勘测设计研究院 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法
US11182985B2 (en) * 2018-02-27 2021-11-23 Honda Motor Co., Ltd Data registration system
CN108492553A (zh) * 2018-03-12 2018-09-04 中山大学 一种面向实时路网排放评估的车辆活动水平分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Macroscopic Relationship between Traffic;JingyiWan;《TRANSPORTATION RESEARCH RECORD》;20191131;全文 *

Also Published As

Publication number Publication date
CN111260933A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111260933B (zh) 用于高分辨率机动车动态排放清单的小时交通量测算方法
De Fabritiis et al. Traffic estimation and prediction based on real time floating car data
US8700294B2 (en) Representative road traffic flow information based on historical data
Golob et al. Relationships among urban freeway accidents, traffic flow, weather, and lighting conditions
CN108629973A (zh) 基于固定检测设备的路段交通拥堵指数计算方法
Batterman et al. Temporal variation of traffic on highways and the development of accurate temporal allocation factors for air pollution analyses
Li et al. Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks
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
CN102737504A (zh) 一种基于驾驶特性的公交车到站时间实时估计方法
CN106530692A (zh) 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
Pascale et al. Motorway speed pattern identification from floating vehicle data for freight applications
CN108847020A (zh) 基于汽车电子标识技术的道路状态分析方法
Toshniwal et al. Application of clustering algorithms for spatio-temporal analysis of urban traffic data
Rezzouqi et al. Analyzing the accuracy of historical average for urban traffic forecasting using google maps
Chepuri et al. Travel time reliability analysis on selected bus route of mysore using GPS data
CN108765949A (zh) 基于汽车电子标识技术的智能交通系统
Habtemichael et al. Methodology for quantifying incident-induced delays on freeways by grouping similar traffic patterns
Cohen et al. Travel time estimation between loop detectors and FCD: A compatibility study on the Lille network, France
Wang et al. Short-term travel time estimation and prediction for long freeway corridor using NN and regression
Golze et al. Impact analysis of accidents on the traffic flow based on massive floating car data
CN115497306A (zh) 一种基于gis数据的速度区间权重计算方法
Wang et al. Congestion prediction for urban areas by spatiotemporal data mining
Han et al. Spatiotemporal congestion recognition index to evaluate performance under oversaturated conditions
Golob et al. A tool to evaluate the safety effects of changes in freeway traffic flow

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