CN112991724A - 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 - Google Patents

Abstract

本发明公开了一种高速公路异常事件发生位置与事发时间的估计方法，包括：当异常事件发生时，获取事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂；根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂；基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁；根据异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型；利用所述估计模型对事件发生位置及真实事发时间进行估计。本发明结合事故的时空演化情况，从所获得的信息中准确快速地估计出事件发生的时间，具有十分重要的意义。

Description

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

技术领域

本发明涉及高速公路领域，具体涉及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。

背景技术

近年来，人均拥有车辆数爆发增长，车辆增长的速率远超与高速公路路网的延伸建设速度，路面饱和度的现象持续增大，也大大增长了高速公路出现异常事件的几率。

高速公路中车辆行驶速度快，且路面道路封闭，车道的通行能力大。在高速公里中，一旦有异常事件发生，比如交通事故、道路损坏、或者因天气情况造成行车条件不佳，后果会十分严重。特别是在不良气候(如大雾、暴雨等影响道路能见度)的条件下，容易引发连环车祸或者二次事故，造成恶劣的人员和财产伤害。同时，部分山区地区如重庆等地由于地势特殊，高速公路中的桥、隧道等特殊路段的占比较高，这些特殊路段发生交通异常后具有影响大、消除难等特征。为了交通管理部门能够对异常事件获取更多的信息，对异常事件发生位置以及异常事件发生的实际时间进行估计尤为重要，可及时的给交通管理部门提供更准确的管控地点，做出管控方案，保障高速公路系统运行安全。

目前的高速公路事件地点估计，主要是利用高速公路上布设的车检器等检测设备采集的数据，检测和估计两两检测断面间是否发生拥堵。基于现有的技术,现阶段国内外研究的算法主要包括模式识别算法、统计算法、突变理论和人工智能事件检测算法,模式识别算法大都是在对所选定交通变量之间的关系以及变化规律进行推导、假设的基础上构建模型并利用仿真或实际数据进行检测,此类算法能在一定程度上较好地描述交通流实际运行状态,并已成功应用到实际工程中。

上述这些方法虽然能对事件造成的拥堵进行检测，但是只能检测出两两检测器断面间是否发生拥堵，而未对事件发生时，事件发生在路段中的具体位置进行检测与估计，缺少对异常事件发生位置的定位。若交通管理部门能够准确的定位交通事故发生点，将能够更好的规划和制定合理的事故处理方案。同时事发点交通参数与下游检测断面具有一定的滞后性，不少事件的检测时间都与事件发生的真实时间具有一定的延迟。而因为检测器成本高昂，车检器安装稀疏，间距不均匀，检测范围小，导致检测时间和发生时间的差值有时候非常大，这将导致人们无法清楚事件究竟在何时发生，从而难以对后续的态势该如何演化进行预测。因此，从所获得的信息中准确快速地估计出事件发生的时间，具有十分重要的意义。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供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，用于解决现有技术中的至少一个缺陷。

为实现上述目的及其他相关目的，本发明提供一种高速公路异常事件发生位置与事发时间的估计方法，包括：

当异常事件发生时，获取事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂；

根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂；

基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁；

根据异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型；

利用所述估计模型对事件发生位置及真实事发时间进行估计。

可选地，所述事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂，包括：

获取异常事件发生时，事发点上、下游检测断面的交通参数的特征及其波动情况；

根据所述交通参数的特征及其波动情况，得到事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂。

可选地，所述根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂，包括：

获取事发点附近的车检器的历史数据；

获取不同周的同一天同一时刻的平均速度；

对不同周的同一天同一时刻的平均速度作平均处理，得到异常事件向下游蔓延的速度V₂，

可选地，所述基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁，包括：

根据事发点上游检测器断面的历史数据，使用一次指数平滑预测法，对上游到达的车流量Q_i(t+1)进行预测,

Q_i(t+1)＝αy_t+(1-α)Q_i(t)

其中，Q_i(t+1)为t+1时刻的指数平滑趋势预测值，Q_i(t)为t时刻的指数平滑趋势预测值，α为平滑常数，y_t为t时刻实际检测值；

根据下游车检器数据，结合下游检测断面与事发点的时空关联，得到事发点瓶颈处的实际通行能力Q_u(t),Q_u(t)为影响会蔓延到下游检测器断面采集到的t时刻前5分钟下游检测器统计的总流量；

根据上游到达的车流量Q_i(t+1)、实际通行能力Q_u(t)，得到事件发生点产生的排队长度向上游蔓延速度的速度V₁，

其中，M为车道数，K_j为单车道平均阻塞密度。

可选地，结合异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型，包括：

估计模型为：

T₁＝T₀+t₁

T₂＝T₀+t₂

T₁-T₂＝T₀+t₁-T₀-t₂＝t₁-t₂；

L₁+L₂＝L；

V₁t₁＝L₁

V₂t₂＝L₂

其中，T₀表示事件发生的真实时刻，t₁表示事发点影响蔓延到上游所需的时间，t₂表示事发点产生的排队蔓延到下游所需的时间，T₂表示下游检测断面车检器数据采集到的交通参数受到异常事件影响的时刻，T₁表示上游检测断面车检器数据采集到的交通参数受到异常事件影响的时刻，L表示事发点上下游检测断面间的路段长度，L₂表示事发点距离下游检测断面的距离，L₁表示事发点距离上游检测断面的距离，v₂表示事发点的交通影响向下游蔓延的速度，v₁表示事发点产生的车辆排队向上游蔓延的速度；

结合时空关系，事故点发生位置P为：

或

其中，K001为事发点上游检测器桩号；

事故发生时间T₀为：

或

为实现上述目的及其他相关目的，本发明提供一种高速公路异常事件发生位置与事发时间的估计装置，包括：

数据采集模块，用于当异常事件发生时，获取事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂；

第一速度获取模块，用于根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂；

第二速度获取模块，用于基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁；

模型建立模块，用于根据异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型；

估计模块，用于利用所述估计模型对事件发生位置及真实事发时间进行估计。

如上所述，本发明的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，具有以下有益效果：

本发明结合事故的时空演化情况，从所获得的信息中准确快速地估计出事件发生的时间，具有十分重要的意义。

附图说明

图1为本发明一实施例异常事件发生时，上下游检测断面与事发点的时空关系图；

图2为本发明一实施例一种高速公路异常事件发生位置与事发时间的估计方法的流程图；

图3为本发明一实施例异常事件影响蔓延到上游检测器时交通参数的特征及变化；

图4为本发明一实施例异常事件发生情况下，事发点下游检测器数据与瓶颈处实际通行能力的关系,前三个圈表示一车道情况，中间三个图表示二车道情况，最后一个圈表示三车道情况。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在异常事件发生时，考虑到将会对下游检测器断面的交通参数产生影响，同时假设异常事件产生的车辆排队到达或接近上游检测器断面时，也会对上游检测器断面产生影响，但对于检测器的检测到影响且交通参数发生具体变化时，具有一定的时延，且一般上下游检测器检测的时延具有差异性，结合事故的时空演化情况，提出了一种高速公路异常事件发生地点估计以及事件发生时间估计方法。

具体地，如图2所示，一种高速公路异常事件发生位置与事发时间的估计方法，包括：

步骤S11，当异常事件发生时，获取事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂；

步骤S12，根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂；

步骤S13，基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁；

步骤S14，根据所述异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型；

步骤S15，利用所述估计模型对事件发生位置及真实事发时间进行估计。

本发明结合事故的时空演化情况，从所获得的信息中准确快速地估计出事件发生的时间，具有十分重要的意义。

在步骤S11中，当某一地点由于交通事件而发生拥挤时,事发地点上游会产生一个导致拥挤的压缩波,使车辆聚集,上游检测站的流量会有所减少,同时占有率明显增加、速度显著降低。事发地点下游则会产生一个扩张波,使车辆稀疏,占有率降低,速度会恢复到甚至高于事件发生之前的水平,流量通常会低于道路的正常通行能力。基于车检器历史数据，提取出异常事件发生时，上下游检测断面的交通参数的特征及其波动情况，当事故影响蔓延到上游检测器波动情况如图3(a)、(b)、(c)所示。

当异常事件发生时，根据提取出的异常事件发生时，上下游检测断面的交通参数特征及变化情况，得到上下游检测断面车检器数据采集到的交通参数受到异常事件影响的时刻，分别记作T₁、T₂。

在步骤S12中，根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂。

由于事发点发生事故后，其影响会蔓延到下游检测器断面，可将影响蔓延到下游的速度看作是附近断面的历史平均速度；

选择事发点附近的车检器的历史数据，根据当前时刻t，提取出不同周中同一天的t时刻前5分钟下游检测器统计的平均速度v(t)、v(t-1)、v(t-2)…v(t-n)，如v(t)为车检器检测的平均速度，v(t-1)为上一周同一天t时刻前5分钟下游检测器统计的平均速度、v(t-n)为上n周同一天t时刻前5分钟下游检测器统计的平均速度。

根据提取出的不同周的同一天同一时刻的平均速度，作平均处理，得到异常事件向下游蔓延的速度为

在步骤S13，基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁；具体地，

根据事发点上游检测器断面的历史数据，使用一次指数平滑预测法，来对上游到到达的车流量进行预测,记作Q_i(t+1),为t+1时刻前5分钟上游检测器统计的车流量，单位为(pcu/5min)。

Q_i(t+1)＝αy_t+(1-α)Q_i(t)

其中Q_i(t+1)为t+1时刻的指数平滑趋势预测值，Q_i(t)为t时刻指数平滑趋势预测值，α为平滑常数，一般取0.01-0.3，y_t为t时刻实际检测值。

异常事件发生时，将会对下游检测器采集的交通参数造成影响,如图4所示,假设事发点与下游检测器处时空关联大且瓶颈处通行能力处于饱和状态，即随着时间推移，事发点瓶颈处的实际通行能力保持不变。结合下游车检器数据，考虑下游检测断面与事发点的时空关联，得到事发点瓶颈处的实际通行能力，记作Q_u(t)，记作Q_u(t),需要特别说明的是Q_u(t)为影响蔓延到下游后采集到的t时刻前5分钟下游检测器统计的总流量,单位为(pcu/5min),其中pcu为标准车当量数，全称为Passenger Car Unit。

根据上游到达的车流量Q_i(t+1)、实际通行能力Q_u(t)，得到事件发生点产生的排队长度向上游蔓延速度的速度V₁，

其中，V₁的单位为km/5min，M为车道数，K_j为单车道平均阻塞密度，单位为(pcu/km/lane)。

在步骤S14中，如图1，根据异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型，具体地，

估计模型为:

T₁＝T₀+t₁

T₂＝T₀+t₂

T₁-T₂＝T₀+t₁-T₀-t₂＝t₁-t₂；

L₁+L₂＝L；

V₁t₁＝L₁

V₂t₂＝L₂

其中，T₀表示事件发生的真实时刻，t₁表示事发点影响蔓延到上游所需的时间，t₂表示事发点产生的排队蔓延到下游所需的时间，T₂表示下游检测断面车检器数据采集到的交通参数受到异常事件影响的时刻，T₁表示上游检测断面车检器数据采集到的交通参数受到异常事件影响的时刻，L表示事发点上下游检测断面间的路段长度，L₂表示事发点距离下游检测断面的距离，L₁表示事发点距离上游检测断面的距离，v₂表示事发点的交通影响向下游蔓延的速度，v₁表示事发点产生的车辆排队向上游蔓延的速度。

根据所建立估计模型，最终的解出

4.3:如图1所示，结合时空关系可得，事故点发生位置P为：

或

其中K001为事发点上游检测器桩号。

事故发生时间T为：

或

本申请实施例提供一种高速公路异常事件发生位置与事发时间的估计装置，包括：

数据采集模块，用于当异常事件发生时，获取事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂；

第一速度获取模块，用于根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂；

第二速度获取模块，用于基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁；

模型建立模块，用于根据异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型；

估计模块，用于利用所述估计模型对事件发生位置及真实事发时间进行估计。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (6)

1.一种高速公路异常事件发生位置与事发时间的估计方法，其特征在于，包括：

当异常事件发生时，获取事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂；

根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂；

基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁；

根据异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型；

利用所述估计模型对事件发生位置及真实事发时间进行估计。

2.根据权利要求1所述的高速公路异常事件发生位置与事发时间的估计方法，其特征在于，

所述事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂，包括：

获取异常事件发生时，事发点上、下游检测断面的交通参数的特征及其波动情况；

根据所述交通参数的特征及其波动情况，得到事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂。

3.根据权利要求1所述的高速公路异常事件发生位置与事发时间的估计方法，其特征在于，

所述根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂，包括：

获取事发点附近的车检器的历史数据；

获取不同周的同一天同一时刻的平均速度；

对不同周的同一天同一时刻的平均速度作平均处理，得到异常事件向下游蔓延的速度V₂，

4.根据权利要求3所述的高速公路异常事件发生位置与事发时间的估计方法，其特征在于，

所述基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁，包括：

根据事发点上游检测器断面的历史数据，使用一次指数平滑预测法，对上游到达的车流量Q_i(t+1)进行预测,

Q_i(t+1)＝αy_t+(1-α)Q_i(t)

其中，Q_i(t+1)为t+1时刻的指数平滑趋势预测值，Q_i(t)为t时刻的指数平滑趋势预测值，α为平滑常数，y_t为t时刻实际检测值；

根据下游车检器数据，结合下游检测断面与事发点的时空关联，得到事发点瓶颈处的实际通行能力Q_u(t),Q_u(t)为影响会蔓延到下游检测器断面采集到的t时刻前5分钟下游检测器统计的总流量；

根据上游到达的车流量Q_i(t+1)、实际通行能力Q_u(t)，得到事件发生点产生的排队长度向上游蔓延速度的速度V₁，

其中，M为车道数，K_j为单车道平均阻塞密度。

5.根据权利要求4所述的高速公路异常事件发生位置与事发时间的估计方法，其特征在于，

所述根据异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型，包括：

根据上下游检测断面与事发点的时空关系得到的估计模型为：

T₁＝T₀+t₁

T₂＝T₀+t₂

T₁-T₂＝T₀+t₁-T₀-t₂＝t₁-t₂；

L₁+L₂＝L；

V₁t₁＝L₁

V₂t₂＝L₂

其中，T₀表示事件发生的真实时刻，t₁表示事发点影响蔓延到上游所需的时间，t₂表示事发点产生的排队蔓延到下游所需的时间，T₂表示下游检测断面车检器数据采集到的交通参数受到异常事件影响的时刻，T₁表示上游检测断面车检器数据采集到的交通参数受到异常事件影响的时刻，L表示事发点上下游检测断面间的路段长度，L₂表示事发点距离下游检测断面的距离，L₁表示事发点距离上游检测断面的距离，v₂表示事发点的交通影响向下游蔓延的速度，v₁表示事发点产生的车辆排队向上游蔓延的速度；

结合时空关系，事故点发生位置P为：

或

其中，K001为事发点上游检测器桩号；

事故发生时间T₀为：

或

6.一种高速公路异常事件发生位置与事发时间的估计装置，其特征在于，包括：

数据采集模块，用于当异常事件发生时，获取事发点上游检测断面受到异常事件影响的时刻T₁以及下游检测断面受到异常事件影响的时刻T₂；

第一速度获取模块，用于根据历史车检器数据，得到事发点的交通影响向下游蔓延的速度V₂；

第二速度获取模块，用于基于车辆到达离去情况,得到事件发生点产生的排队长度向上游蔓延速度的速度V₁；

模型建立模块，用于根据异常事件下上下游检测断面与事发点的时空关系以及时刻T₁、时刻T₂、速度V₂、速度V₁，建立异常事件发生位置估计及事发时间估计模型；

估计模块，用于利用所述估计模型对事件发生位置及真实事发时间进行估计。

Images