CN111401743A - 一种城市道路施工期的动态交通影响评价方法 - Google Patents
一种城市道路施工期的动态交通影响评价方法 Download PDFInfo
- Publication number
- CN111401743A CN111401743A CN202010183131.3A CN202010183131A CN111401743A CN 111401743 A CN111401743 A CN 111401743A CN 202010183131 A CN202010183131 A CN 202010183131A CN 111401743 A CN111401743 A CN 111401743A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- time
- user
- construction
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G08G1/01—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
- G08G1/01—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
- H04W8/183—Processing at user equipment or user record carrier
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
- H04W8/20—Transfer of user or subscriber data
- H04W8/205—Transfer to or from user equipment or user record carrier
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种城市道路施工期的动态交通影响评价方法,包括:S1、确定城市道路建设项目的交通影响范围;S2、采集并处理手机信令数据,通过匹配基站与手机信令数据,过滤并降噪数据;通过实时采集数据,建立用户位置状态表,实时更新最新状态;S3、设定训练集和测试集参数,运用长短时记忆神经网络预测交通量及车速;S4、运用VISSIM软件,仿真分析不同施工期各路段的饱和度、信号交叉口的排队长度、平均行程时间和平均延误,评估在施工不同阶段的交通流运行状态。本发明形成一套完整的动态交通影响评价方法,为交通建设及管理部门实施不同施工阶段的交通组织设计提供决策支持。
Description
技术领域
本发明属于道路交通技术领域,涉及一种城市交通影响评价方法,具体涉及一种城市道路施工期的动态交通影响评价方法。
背景技术
评估道路施工期的交通影响情况,有助于制定合理的交通组织方案,是道路施工必不可少的一环。目前,施工期交通影响评价一般在开工前完成,是一种静态的评估方法。静态交通影响评价方法一般先按照四阶段法分配交通流,即通过调查施工前的道路交通量,按照出行生成、出行分布、方式划分及交通分配的步骤,计算得到施工影响区的道路交通分配流量,再选取道路的承载能力指标评估施工期间的交通状况。这种方法比较常见,在应用中一般借助交通专业规划软件来实现,如TransCAD。但是,目前这种静态交通影响评价方法也存在一定的问题,特别是在选择交通流分配参数时,参考的是以往的经验及规范。而交通流的运行参数随着时空的推移实时发生变化,这种静态交通影响方法显然不能反映这种特性。
但是,为了不影响城市交通的正常运行,道路施工一般分路段、分车道来逐步完成。因此,按施工计划分时动态评估交通影响状况,通过及时反馈交通组织设计效果适时调整方案,显得尤为重要;然而,目前尚未有关于城市道路施工期的动态交通影响评价方法。
发明内容
本发明要解决的技术问题是提供一种城市道路施工期的动态交通影响评价方法,克服了静态交通影响评价方法的不足,解决了静态交通影响评价过程中仅依靠经验和规范进行评估整个施工期的交通运行状况的问题。
本发明的实施例提供一种城市道路施工期的动态交通影响评价方法,其特征在于,包括以下过程:
S1、确定城市道路建设项目的交通影响范围,包括施工期工作区、警示区、上下游过渡区、缓冲区和终止区及邻接交叉口。
S2、采集并处理手机信令数据,通过匹配基站与手机信令数据,过滤并降噪数据,得到包括用户编号、信令发生时间和经纬度信息的手机信令数据;通过实时采集数据,建立用户位置状态表,实时更新最新状态,实时统计交通影响区域内的交通流量及用户出行轨迹,并计算用户所在车辆速度。
S3、设定训练集和测试集参数,运用长短时记忆神经网络预测交通量及车速。
S4、运用VISSIM软件,构建交通影响区域的道路路段和邻接交叉口,仿真分析不同施工期各路段的饱和度、信号交叉口的排队长度、平均行程时间和平均延误,评估在施工不同阶段的交通流运行状态。
具体的,所述步骤S1中城市道路施工期的交通影响范围确定方法,具体包括以下过程:以部分封闭、移动式作业施工为前提,明确不同施工期的占道范围;根据不同施工阶段的作业范围,划分工作区、警示区、上下游过渡区、缓冲区和终止区及邻接交叉口,绘制施工期的交通影响范围图,确定影响的主要道路路段和节点;根据不同施工期的作业计划,交通影响区域阈值取100-500m,该阈值接近城市市区基站小区的覆盖范围半径。
具体的,所述步骤S2中手机信令数据采集及处理方法,具体包括以下过程:
S2-1、采集交通影响范围内基站数据,记录每个基站的位置信息,包括基站编号、小区编号、基站经纬度。
S2-2、采集手机信令数据,包含话务日期、信令发生时间、用户ID、基站编号、小区编号、时间类型。
S2-3、采用Microsoft SQL server存储和管理数据库,按照基站数据和手机信令数据格式设置数据表格属性;匹配基站经纬度与手机信令数据,存储新表数据信息,包括用户ID、时间信息、小区编号及经纬度信息。
S2-4、过滤数据,删除触发失败的信令数据,保留触发成功类型;查询手机识别号和小区编号都重复的数据行,删除冗余数据;删除小区编号、事件类型字段为空的无用信息。
S2-5、处理噪声数据,按照时间升序排序数据,以每个用户的字段做一个集合,通过计算第i条数据和第i+1条数据的时间间隔删除特殊的噪声数据。
S2-6、保留简化处理后的用户编号、信令发生时间和经纬度信息;并利用手机信令数据的时空特征描绘记录交通影响区域内的用户出行轨迹。
S2-7、定义Vi表示用户i所在车辆速度,dist表示两个地理位置间的欧氏距离,Si=(tj,bk)表示用户i在tj时刻向基站bk发出的指令,则信令序列{Si=(tj,bk)}表示用户出行轨迹,Los(Si=(tj,bk))表示根据信令Si=(tj,bk)给出用户i的地理位置估计,计算用户所在车辆速度:
其中,数据采集选取早高峰7:00-9:00,晚高峰17:00—19:00,以15min为一个时间节点,5个工作日为一个周期;并根据施工计划,在不同施工期的每周末处理并统计一次交通量和车速。
具体的,所述步骤S3中,所述长短时记忆神经网络预测过程,具体包括以下:
S3-1、选取工作日5天,时间间隔△t=15min的交通量及车速数据,定义原始数据为X,其中最大值为max,最小值为min,归一化后的数据为X',则归一化后的数据为:
S3-2、设定长短时记忆神经网络参数:输入层,每个隐层,输出层的结点数和隐层层数。
S3-3、输入归一化处理后的交通量、车速;以前4个工作日的数据为训练集,第5个工作日的数据为测试集对预测模型进行测试。
S3-4、假设N为样本量,Pt为tj时刻的预测值,At为tj时刻的真实值,平均绝对误差表示为MAE,平均相对误差表示为MAPE,则评价预测效果的两个指标表示为:
S3-5、根据平均绝对误差MAE及平均相对误差MAPE的计算结果,判定预测模型的准确度,并优化长短时记忆神经网络结构,得到交通量和车速的预测结果。
具体的,所述步骤S4具体包括以下过程:在VISSIM仿真软件中构建交通影响区域的道路路段和邻接交叉口;采用VISSIM仿真软件中的交叉口和路段评价功能,分别输入不同时刻各路段、交叉口的交通量、车速数据现状值和预测值;仿真得到施工道路交通影响范围内,不同施工期各路段的饱和度、信号交叉口的排队长度、平均行程时间和平均延误;对比不同施工期各路段和交叉口的评价指标计算结果,评估在施工不同阶段的交通流运行状态。
本发明的上述技术方案的有益效果如下:
(1)、本发明通过实时采集收集信令数据,得到道路施工影响范围内的用户出行轨迹,并实现动态交通量及车速的分析。
(2)、本发明实现不同施工期各阶段的交通量及车速预测。
(3)、本发明基于VISSIM实现道路施工期的交通影响仿真评价。
(4)、本发明形成一套完整的动态交通影响评价方法,为交通建设及管理部门实施不同施工阶段的交通组织设计提供决策支持。
附图表说明
图1为本发明的一种城市道路施工期的动态交通影响评价的流程图;
图2为本发明中的城市道路建设项目的交通影响范围图;
图3为本发明中的手机信令数据采集及处理流程图;
图4为本发明中的长短时记忆神经网络预测模型结构图;
图5为本发明中的仿真功能界面图;
图6为本发明中的交通量输入界面图;
图7为本发明中的车辆速度设置界面图;
图8为本发明中的评价界面图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1所示,一种城市道路施工期的动态交通影响评价方法,包括以下过程:
S1、确定城市道路建设项目的交通影响范围,包括施工期工作区、警示区、上下游过渡区、缓冲区和终止区及邻接交叉口。
其中,如图2所示,城市道路施工期的交通影响范围确定方法,具体包括以下过程:以部分封闭、移动式作业施工为前提,明确不同施工期的占道范围;根据不同施工阶段的作业范围,划分工作区、警示区、上下游过渡区、缓冲区和终止区及邻接交叉口,绘制施工期的交通影响范围图,确定影响的主要道路路段和节点;根据不同施工期的作业计划,交通影响区域阈值取100-500m,该阈值接近城市市区基站小区的覆盖范围半径,符合阈值设定的合理性要求。
S2、采集并处理手机信令数据,通过匹配基站与手机信令数据,过滤并降噪数据,得到包括用户编号、信令发生时间和经纬度信息的手机信令数据,手机信令数据可包括其他有用信息,在此不做赘述;通过实时采集数据,建立用户位置状态表,实时更新最新状态,实时统计交通影响区域内的交通流量及用户出行轨迹,并计算用户所在车辆速度。
具体的,如图3所示,手机信令数据采集及处理方法,具体包括以下过程:
S2-1、采集交通影响范围内基站数据,记录每个基站的位置信息,包括基站编号、小区编号、基站经纬度。
S2-2、采集手机信令数据,包含话务日期、信令发生时间、用户ID、基站编号、小区编号、时间类型。
S2-3、采用Microsoft SQL server存储和管理数据库,按照基站数据和手机信令数据格式设置数据表格属性;匹配基站经纬度与手机信令数据,存储新表数据信息,包括用户ID、时间信息、小区编号及经纬度信息。
S2-4、过滤数据,删除触发失败的信令数据,保留触发成功类型;查询手机识别号和小区编号都重复的数据行,删除冗余数据;删除小区编号、事件类型字段为空的无用信息。
S2-5、处理噪声数据,按照时间升序排序数据,以每个用户的字段做一个集合,通过计算第i条数据和第i+1条数据的时间间隔删除特殊的噪声数据。
S2-6、保留简化处理后的用户编号、信令发生时间和经纬度信息;并利用手机信令数据的时空特征描绘记录交通影响区域内的用户出行轨迹。
S2-7、定义Vi表示用户i所在车辆速度,dist表示两个地理位置间的欧氏距离,Si=(tj,bk)表示用户i在tj时刻向基站bk发出的指令,则信令序列{Si=(tj,bk)}表示用户出行轨迹,Los(Si=(tj,bk))表示根据信令Si=(tj,bk)给出用户i的地理位置估计,计算用户所在车辆速度:
其中,数据采集选取早高峰7:00-9:00,晚高峰17:00—19:00,以15min为一个时间节点,5个工作日为一个周期;并根据施工计划,在不同施工期的每周末处理并统计一次交通量和车速。
S3、设定训练集和测试集参数,运用长短时记忆神经网络预测交通量及车速。
具体的,如图4所示,所述长短时记忆神经网络预测过程,具体包括以下:
S3-1、选取工作日5天,时间间隔△t=15min的交通量及车速数据,定义原始数据为X,其中最大值为max,最小值为min,归一化后的数据为X',则归一化后的数据为:
S3-2、设定长短时记忆神经网络参数:输入层,每个隐层,输出层的结点数和隐层层数。
S3-3、输入归一化处理后的交通量、车速;以前4个工作日的数据为训练集,第5个工作日的数据为测试集对预测模型进行测试。
S3-4、假设N为样本量,Pt为tj时刻的预测值,At为tj时刻的真实值,平均绝对误差表示为MAE,平均相对误差表示为MAPE,则评价预测效果的两个指标表示为:
S3-5、根据平均绝对误差MAE及平均相对误差MAPE的计算结果,判定预测模型的准确度,并优化长短时记忆神经网络结构,得到交通量和车速的预测结果。
S4、运用VISSIM软件,构建交通影响区域的道路路段和邻接交叉口,仿真分析不同施工期各路段的饱和度、信号交叉口的排队长度、平均行程时间和平均延误,评估在施工不同阶段的交通流运行状态。
具体的,所述步骤S4具体包括以下过程:在VISSIM仿真软件中构建交通影响区域的道路路段和邻接交叉口;采用VISSIM仿真软件中的交叉口和路段评价功能,分别输入不同时刻各路段、交叉口的交通量、车速数据现状值和预测值;仿真得到施工道路交通影响范围内,不同施工期各路段的饱和度、信号交叉口的排队长度、平均行程时间和平均延误;对比不同施工期各路段和交叉口的评价指标计算结果,评估在施工不同阶段的交通流运行状态。
在更进一步的实施例中,如图5所示,以某城市施工道路的交通影响范围为例,对施工期的交通状况进行仿真。如图6所示,输入影响范围内不同时刻的路段及交叉口交通量,如图7所示输入影响范围内各路段及交叉口车速,如图8所示选取各路段和交叉口评价参数。整理得到实例区域的仿真结果,影响区内平均行程时间为36.80s,平均延误时间为8.61s,排队长度为21.3m,饱和度为0.67。同理,输入下一个施工期的交通影响范围和数据预测值,整理得到影响区域的仿真预测结果,平均行程时间为55.40s,平均延误时间为10.81s,排队长度为57.2m,饱和度为0.8。对比仿真结果,下一个施工期评价指标值均有所上升,反映出交通运行状态较上一阶段变差,需调整下一阶段的交通组织方案。
本发明的动态交通影响评价方法,建立在交通大数据的采集与处理技术基础上;该评价方法通过实时获取施工区域的交通数据,结合微观分析方法来预测评估交通流的发展态势,从而克服了静态交通影响评价方法的不足,解决了静态交通影响评价过程中仅依靠经验和规范进行评估整个施工期的交通运行状况的问题。此外,在道路的不同施工阶段,交通影响范围内的排队长度、延误和行程时间更能够客观反映交通运行状态,而这些都属于动态评价指标,也需要结合相应的动态评估方法来加以实现。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种城市道路施工期的动态交通影响评价方法,其特征在于,包括以下过程:
S1、确定城市道路建设项目的交通影响范围,包括施工期工作区、警示区、上下游过渡区、缓冲区和终止区及邻接交叉口;
S2、采集并处理手机信令数据,通过匹配基站与手机信令数据,过滤并降噪数据,得到包括用户编号、信令发生时间和经纬度信息的手机信令数据;通过实时采集数据,建立用户位置状态表,实时更新最新状态,实时统计交通影响区域内的交通流量及用户出行轨迹,并计算用户所在车辆速度;
S3、设定训练集和测试集参数,运用长短时记忆神经网络预测交通量及车速;
S4、运用VISSIM软件,构建交通影响区域的道路路段和邻接交叉口,仿真分析不同施工期各路段的饱和度、信号交叉口的排队长度、平均行程时间和平均延误,评估在施工不同阶段的交通流运行状态。
2.根据权利要求1所述的一种城市道路施工期的动态交通影响评价方法,其特征在于,所述步骤S1中城市道路施工期的交通影响范围确定方法,具体包括以下过程:以部分封闭、移动式作业施工为前提,明确不同施工期的占道范围;根据不同施工阶段的作业范围,划分工作区、警示区、上下游过渡区、缓冲区和终止区及邻接交叉口,绘制施工期的交通影响范围图,确定影响的主要道路路段和节点;根据不同施工期的作业计划,交通影响区域阈值取100-500m。
3.根据权利要求1所述的一种城市道路施工期的动态交通影响评价方法,其特征在于,所述步骤S2中手机信令数据采集及处理方法,具体包括以下过程:
S2-1、采集交通影响范围内基站数据,记录每个基站的位置信息,包括基站编号、小区编号、基站经纬度;
S2-2、采集手机信令数据,包含话务日期、信令发生时间、用户ID、基站编号、小区编号、时间类型;
S2-3、采用Microsoft SQL server存储和管理数据库,按照基站数据和手机信令数据格式设置数据表格属性;匹配基站经纬度与手机信令数据,存储新表数据信息,包括用户ID、时间信息、小区编号及经纬度信息;
S2-4、过滤数据,删除触发失败的信令数据,保留触发成功类型;查询手机识别号和小区编号都重复的数据行,删除冗余数据;删除小区编号、事件类型字段为空的无用信息;
S2-5、处理噪声数据,按照时间升序排序数据,以每个用户的字段做一个集合,通过计算第i条数据和第i+1条数据的时间间隔删除特殊的噪声数据;
S2-6、保留简化处理后的用户编号、信令发生时间和经纬度信息;并利用手机信令数据的时空特征描绘记录交通影响区域内的用户出行轨迹;
S2-7、定义Vi表示用户i所在车辆速度,dist表示两个地理位置间的欧氏距离,Si=(tj,bk)表示用户i在tj时刻向基站bk发出的指令,则信令序列{Si=(tj,bk)}表示用户出行轨迹,Los(Si=(tj,bk))表示根据信令Si=(tj,bk)给出用户i的地理位置估计,计算用户所在车辆速度:
其中,数据采集选取早高峰7:00-9:00,晚高峰17:00—19:00,以15min为一个时间节点,5个工作日为一个周期;并根据施工计划,在不同施工期的每周末处理并统计一次交通量和车速。
4.根据权利要求1所述的一种城市道路施工期的动态交通影响评价方法,其特征在于,所述步骤S3中,所述长短时记忆神经网络预测过程,具体包括以下:
S3-1、选取工作日5天,时间间隔△t=15min的交通量及车速数据,定义原始数据为X,其中最大值为max,最小值为min,归一化后的数据为X',则归一化后的数据为:
S3-2、设定长短时记忆神经网络参数:输入层,每个隐层,输出层的结点数和隐层层数;
S3-3、输入归一化处理后的交通量、车速;以前4个工作日的数据为训练集,第5个工作日的数据为测试集对预测模型进行测试;
S3-4、假设N为样本量,Pt为tj时刻的预测值,At为tj时刻的真实值,平均绝对误差表示为MAE,平均相对误差表示为MAPE,则评价预测效果的两个指标表示为:
S3-5、根据平均绝对误差MAE及平均相对误差MAPE的计算结果,判定预测模型的准确度,并优化长短时记忆神经网络结构,得到交通量和车速的预测结果。
5.根据权利要求1所述的一种城市道路施工期的动态交通影响评价方法,其特征在于,所述步骤S4具体包括以下过程:在VISSIM仿真软件中构建交通影响区域的道路路段和邻接交叉口;采用VISSIM仿真软件中的交叉口和路段评价功能,分别输入不同时刻各路段、交叉口的交通量、车速数据现状值和预测值;仿真得到施工道路交通影响范围内,不同施工期各路段的饱和度、信号交叉口的排队长度、平均行程时间和平均延误;对比不同施工期各路段和交叉口的评价指标计算结果,评估在施工不同阶段的交通流运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010183131.3A CN111401743B (zh) | 2020-03-16 | 2020-03-16 | 一种城市道路施工期的动态交通影响评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010183131.3A CN111401743B (zh) | 2020-03-16 | 2020-03-16 | 一种城市道路施工期的动态交通影响评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401743A true CN111401743A (zh) | 2020-07-10 |
CN111401743B CN111401743B (zh) | 2023-09-19 |
Family
ID=71430891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010183131.3A Active CN111401743B (zh) | 2020-03-16 | 2020-03-16 | 一种城市道路施工期的动态交通影响评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401743B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785026A (zh) * | 2020-07-24 | 2020-10-16 | 中国水利水电第八工程局有限公司 | 一种复杂交通条件下交通分流分级综合疏导方法 |
CN112967493A (zh) * | 2021-01-16 | 2021-06-15 | 北京工业大学 | 一种基于神经网络的车辆通过交叉口行程时间的预测方法 |
CN113688561A (zh) * | 2021-07-17 | 2021-11-23 | 北京工业大学 | 一种基于神经网络的高速公路施工区最优预警距离确定方法 |
CN114202917A (zh) * | 2021-12-02 | 2022-03-18 | 安徽庐峰交通科技有限公司 | 基于动态交通流短时预测的施工区域交通控制与诱导方法 |
CN114255595A (zh) * | 2022-01-29 | 2022-03-29 | 哈尔滨工业大学 | 道路施工期交通控制区延误计算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6401027B1 (en) * | 1999-03-19 | 2002-06-04 | Wenking Corp. | Remote road traffic data collection and intelligent vehicle highway system |
US20120072096A1 (en) * | 2006-03-03 | 2012-03-22 | Chapman Craig H | Dynamic prediction of road traffic conditions |
CN108257378A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108280587A (zh) * | 2018-02-07 | 2018-07-13 | 山东东泰工程咨询有限公司 | 评价涉路工程施工期间交通组织方案优劣的系统及方法 |
CN109376906A (zh) * | 2018-09-21 | 2019-02-22 | 中国科学院深圳先进技术研究院 | 基于多维度轨迹的出行时间预测方法、系统及电子设备 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测系统及其预测方法 |
-
2020
- 2020-03-16 CN CN202010183131.3A patent/CN111401743B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6401027B1 (en) * | 1999-03-19 | 2002-06-04 | Wenking Corp. | Remote road traffic data collection and intelligent vehicle highway system |
US20120072096A1 (en) * | 2006-03-03 | 2012-03-22 | Chapman Craig H | Dynamic prediction of road traffic conditions |
CN108257378A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108280587A (zh) * | 2018-02-07 | 2018-07-13 | 山东东泰工程咨询有限公司 | 评价涉路工程施工期间交通组织方案优劣的系统及方法 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测系统及其预测方法 |
CN109376906A (zh) * | 2018-09-21 | 2019-02-22 | 中国科学院深圳先进技术研究院 | 基于多维度轨迹的出行时间预测方法、系统及电子设备 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785026A (zh) * | 2020-07-24 | 2020-10-16 | 中国水利水电第八工程局有限公司 | 一种复杂交通条件下交通分流分级综合疏导方法 |
CN112967493A (zh) * | 2021-01-16 | 2021-06-15 | 北京工业大学 | 一种基于神经网络的车辆通过交叉口行程时间的预测方法 |
CN113688561A (zh) * | 2021-07-17 | 2021-11-23 | 北京工业大学 | 一种基于神经网络的高速公路施工区最优预警距离确定方法 |
CN114202917A (zh) * | 2021-12-02 | 2022-03-18 | 安徽庐峰交通科技有限公司 | 基于动态交通流短时预测的施工区域交通控制与诱导方法 |
CN114202917B (zh) * | 2021-12-02 | 2022-11-22 | 安徽庐峰交通科技有限公司 | 基于动态交通流短时预测的施工区域交通控制与诱导方法 |
CN114255595A (zh) * | 2022-01-29 | 2022-03-29 | 哈尔滨工业大学 | 道路施工期交通控制区延误计算方法 |
CN114255595B (zh) * | 2022-01-29 | 2022-10-25 | 哈尔滨工业大学 | 道路施工期交通控制区延误计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111401743B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401743A (zh) | 一种城市道路施工期的动态交通影响评价方法 | |
Alexander et al. | Assessing the impact of real-time ridesharing on urban traffic using mobile phone data | |
CN113902011A (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
CN103077604B (zh) | 交通传感器管理方法和系统 | |
Bao et al. | Spatial analysis of bikeshare ridership with smart card and POI data using geographically weighted regression method | |
CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
Hankaew et al. | Inferring and modeling migration flows using mobile phone network data | |
CN112579922B (zh) | 一种基于用户轨迹的兴趣点推荐方法 | |
CN111695722A (zh) | 一种城市轨道交通车站节假日短时客流预测方法 | |
CN110956807A (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
Bwambale et al. | Modelling long-distance route choice using mobile phone call detail record data: a case study of Senegal | |
CN111524353A (zh) | 一种交通文本数据用于速度预测及行程规划方法 | |
CN113570867A (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN112738729A (zh) | 一种用手机信令数据判别探亲返乡游客的方法及系统 | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
CN111612223A (zh) | 基于土地和交通多源数据的人口就业分布预测方法及装置 | |
CN110059795A (zh) | 一种融合地理位置与时间特征的移动用户节点组网方法 | |
CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
CN106844626B (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
CN115798212B (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
CN115146840A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 | |
CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
CN111581318B (zh) | 一种共享单车骑行目的推断方法、装置及存储介质 | |
Xia et al. | Deeprailway: a deep learning system for forecasting railway traffic | |
CN109816170A (zh) | 一种基于轨迹挖掘的出租车等待时间预测方法及系统 |
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 |