CN113053116A - 一种城市道路网络交通分配方法、系统、设备及存储介质 - Google Patents
一种城市道路网络交通分配方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113053116A CN113053116A CN202110286422.XA CN202110286422A CN113053116A CN 113053116 A CN113053116 A CN 113053116A CN 202110286422 A CN202110286422 A CN 202110286422A CN 113053116 A CN113053116 A CN 113053116A
- Authority
- CN
- China
- Prior art keywords
- traffic
- matrix
- road
- generalized
- cost function
- 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
- 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
-
- 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
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096877—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement
- G08G1/096888—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement where input information is obtained using learning systems, e.g. history databases
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种城市道路网络交通分配方法、系统、设备及存储介质,1.建立多准则路径选择的广义行驶费用函数;将Beckmann平衡分配模型中的时间费用函数更换为包括时间费用的广义行驶费用函数,为每种行驶费用加入约束条件,并且对每种行驶费用函数的参数进行标定,建立多准则路径规划交通分配模型;2.根据地理信息系统,绘制以交叉口为节点、以路段为连接的交通网拓扑结构图,建立广义行驶费用的初始路阻矩阵和路段通行能力矩阵,统计各节点的居民出行起终点交通需求;3.向多准则路径规划交通分配模型中输入参数,输出交通分配结果。避免了单一准则路径规划产生的拥堵。
Description
技术领域
本发明属于交通工程领域,涉及一种城市道路网络交通分配方法、系统、设备及存储介质。
背景技术
交通分配的目的是通过了解各OD交通需求在交通网内所有路径的流动情况,预测各路段上的交通量,为交通规划提供依据。Wardrop第一定理,即用户均衡(UE)理论描述了一种理想状态,基于出行者完全了解起止点之间的路网情况的前提下,总会选择时间最短路径,最终这组OD交通量将在这个路网中呈现均衡分配,即每条路径的行驶时间均等。由于技术限制,该前提仅存在于理论研究,也是交通规划追求的理想状态。同时,从实际角度出发,出行者选择路径并非以时间最短为唯一准则。
随着行车导航的普及,出行者选择路径更倾向于同时参考个人准则和导航建议。导航系统拥有高于单个出行者的路网全局信息,行车导航可以在交通系统的层面整体协同应对定量的出行需求。
传统出行者的往往依据经验预设一条初始路径,在行驶过程中依据局部路网情况调整最优路径,该方法由于缺少完整的交通信息,往往无法选择最优路径。导航的路径规划则参考路网拥堵情况为出行者规划相对畅通路径,该方缺乏与出行者互动,且具有时间延误,导致灵活性不足。两种路径规划方法均未在系统层面整体调度,各自具有独立的决策系统。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种城市道路网络交通分配方法、系统、设备及存储介质,在参考路网拥堵情况为出行者规划相对畅通路径的前提下,模拟了出行者参考多方面出行效用选择路径的行为,避免了单一准则路径规划产生的拥堵。
为达到上述目的,本发明采用以下技术方案予以实现:
一种城市道路网络交通分配方法,包括以下步骤;
步骤1、建立多准则路径选择的广义行驶费用函数;将Beckmann平衡分配模型中的时间费用函数更换为包括时间费用的广义行驶费用函数,为每种行驶费用加入约束条件,并且对每种行驶费用函数的参数进行标定,建立多准则路径规划交通分配模型;
步骤2、根据地理信息系统,绘制以交叉口为节点、以路段为连接的交通网拓扑结构图,建立广义行驶费用的初始路阻矩阵和路段通行能力矩阵,统计各节点的居民出行起终点交通需求;
步骤3、向多准则路径规划交通分配模型中输入广义行驶费用的初始路阻矩阵、路段通行能力矩阵,广义行驶费用函数,起终点交通需求,单位交通量,最小误差和调节参数,输出交通分配结果。
优选的,步骤1中,多准则路径选择的广义行驶费用函数采用线性加权法建立。
优选的,广义行驶费用包括行驶时间、燃油费用、空间距离、路面质量、车道数和道路封闭性中的任意多项。
优选的,步骤3中,Beckmann平衡分配模型的计算过程为:
步骤3.1、对每一组起终点交通需求进行分配;
步骤3.2、当所有起终点交通需求在交通网络上被分配完成,依据被分配完成的交通量矩阵更新时间费用函数得到时间费用矩阵;
步骤3.3、累加各个起终点交通需求的总路径表的路径行驶时间,储存至路径行驶时间表中,找出每组起终点交通需求的时间最短路径;
步骤3.4、为所有采纳的路径包含的路段更新导航信息,将所有更新后的路段导航信息储存至导航信息矩阵;
步骤3.5、计算多准则路径规划交通分配模型的目标函数,把每次迭代得到的新目标函数值保存,迭代终止后画出目标函数值的迭代图像,验证搜索的收敛过程。
进一步,对起终点交通需求的分配过程为:
步骤3.1.1、计算节点迁移概率矩阵;
步骤3.1.2、每位出行者从起点依据节点迁移概率行驶至终点,记录出行者经历的所有节点编号,节点编号储存在路径表中;
步骤3.1.3、路径表相邻的两个节点编号之间定位为路段,为出行者所经过的路段增加单位交通量;
步骤3.1.4、交通量矩阵中,若某路段的交通量达到通行能力,则这个路段的节点迁移概率变为0;
步骤3.1.5、重复步骤3.1.3-3.1.4。所有被使用的路径储存至总路径表中,仅储存不同的路径,直至所有出行者都到达终点,起终点交通需求被分配完成。
进一步,步骤3.5中,计算每组起终点交通需求的路径行驶时间表的方差,取所有方差的最大值记为V;
设定最小误差,若V大于最小误差,则清空交通量矩阵,同时将广义行驶费用矩阵初始化为广义行驶费用初始路阻矩阵,初始化路段吸引力矩阵;保留导航信息矩阵,返回步骤4。
若V小于最小误差或到最大迭代次数,则输出交通分配结果。
优选的,步骤3完成后,比对验证分配结果,如果如果在规定的迭代次数内算法未收敛,则调整调节参数,重新分配;如果算法收敛,但与实际交通网络条件不符,则调节交通设计指标,重新分配,直到分配结果满足算法及实际要求结束。
一种城市道路网络交通分配系统,包括:
广义行驶费用函数构建模块,用于建立多准则路径选择的广义行驶费用函数;
多准则路径规划交通分配模型构建模块,用于将Beckmann平衡分配模型中的时间费用函数更换为包括时间费用的广义行驶费用函数,为每种行驶费用加入约束条件,并且对每种行驶费用函数的参数进行标定,建立多准则路径规划交通分配模型;
起终点交通需求统计模块,用于根据地理信息系统,绘制以交叉口为节点、以路段为连接的交通网拓扑结构图,建立广义行驶费用的初始路阻矩阵和路段通行能力矩阵,统计各节点的居民出行起终点交通需求;
交通分配结果输出模块,用于向Beckmann平衡分配模型中输入广义行驶费用的初始路阻矩阵、路段通行能力矩阵,广义行驶费用函数,起终点交通需求,单位交通量,最小误差和调节参数,输出交通分配结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述城市道路网络交通分配方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述城市道路网络交通分配方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明通过将Beckmann平衡分配模型中的时间费用函数更换为包括时间费用的广义行驶费用函数,使Beckmann平衡分配模型修改为多准则路径规划交通分配模型,模拟了出行者参考多方面出行效用选择路径的行为,更符合现代化的时代背景,模拟了驾驶员同时参考导导信息与自身出行准则的决策过程,提高了导航在模型中的重要度,站在路网全局的层面规划路线,避免了单一准则路径规划产生的拥堵。
进一步,使用线性加权法建立广义行驶费用函数,为多准则出行提供数学模型,不同的项目可根据历史资料和规划目标修改行驶费用函数,扩展出行准则,具有更好的真实性,线性加权法具有灵活性,使用便捷性。
进一步,在启发式搜索的过程中设置的避免交通拥堵的条件,规划的结果不存在交通量超过通行能力的路段,约束了路段服务质量,为交通规划的结果提供了保障。通过更新导航信息实现交通网自启发,使算法流程更符合现状模拟,考虑地区、导航更新等现状因素的不确定性,提出可调节参数,提高算法的适应性。
进一步,依据用户均衡分配原理设置了循环终止条件,即路径时间最小误差,避免设置过多迭代次数造成时间上的浪费,提高了结果的准确性。
附图说明
图1是本发明多准则出行适应复杂交通网络均衡分配的流程图;
图2是本发明多准则出行受导航启发均衡分配的流程图;
图3是本发明城市路网拓扑结构示意图;
图4是本发明广义行驶费用初始路阻的邻接矩阵图;
图5是本发明第一次交通分配的路径行驶时间表;
图6是本发明第二次交通分配的路径行驶时间表;
图7是本发明路段交通量矩阵;
图8是本发明节点迁移概率矩阵;
图9是本发明目标函数值迭代图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,为本发明所采用的基于多准则与行车导航选择路径的城市道路网络交通分配方法,包括以下步骤:
步骤001:改进Beckmann平衡分配模型中的行驶时间,使用广义行驶费用函数,为每种费用加入约束条件,对每种费用函数的参数进行标定,建立多准则路径规划交通分配模型。
步骤002:根据地理信息系统,绘制以交叉口为节点、以路段为连接的交通网拓扑结构图,建立广义行驶费用的初始路阻矩阵(C0)和通行能力矩阵(A),统计各节点间的居民出行OD交通需求,OD交通需求为终点交通需求。
步骤003:采用广义行驶费用为出行准则,考虑导航信息对路径规划的引导,迭代搜索,直到达到用户均衡的交通分配状态。向多准则路径规划交通分配模型中输入广义行驶费用的初始路阻矩阵(C0),路段通行能力矩阵(A),广义行驶费用函数(Ca),OD交通需求,单位交通量(x),最小误差(Var)和调节参数(α、β、ρ、x);输出包括交通分配结果和导航建议结果,交通分配结果包括各OD交通需求的采纳路径(PathAll)、路径行驶时间表(PathTime)和路段交通量矩阵(X);导航建议结果包括:路段导航信息强度矩阵(τ)、节点迁移概率矩阵(p)和目标函数值的迭代图像。
步骤004:比对验证分配结果,如果如果在规定的迭代次数内算法未收敛,则调整调节参数(α、β、ρ、x),重新分配;如果算法收敛,但与实际交通网络条件不符,则调节交通设计指标,重新分配,直到分配结果满足算法及实际要求结束。
步骤001改进Beckmann平衡分配模型中的行驶时间,使用广义行驶费用函数,为每种费用加入约束条件,以及参数标定进一步包括以下步骤:
步骤101:使用线性加权法建立多准则路径选择的广义行驶费用函数,表示为:
其中,Ca为路段a的广义行驶费用,无量纲正数;n为路径选择准则的个数;为路段a第i种行驶费用函数;μi为第i种行驶费用函数的吸引力判断系数,若某种行驶费用越大,对出行者吸引力越高,μ为-1,否则为1;λi为第i种行驶费用函数的权重系数,全为正数且总和为1;ωi为单位转换系数。
步骤101所述的广义行驶费用函数(Ca)的作用为:用于评价路段a对于出行者的阻力,Ca越大,路段a的路阻越大。
步骤101所述的广义行驶费用函数(Ca)为仅与交通量相关的变量,且初值不为零,定义交通量为0时的初值为初始路阻。每当路段交通量发生变化时,该路段的行驶费用也发生变化。
步骤102所述的行驶费用函数,本发明以时间费用、距离费用以及油耗费用为例。
时间费用采用BPR路阻函数:
距离费用为:la,常数。
油耗费用,根据实验人员在2004年对油耗指标进行标定,以小客车为例,油耗费用为:
步骤102所述行驶费用,应满足各自的约束条件,包括:交通量小于一定比例的通行能力;通行速度小于速度限制。
xa<s*ca
步骤002:所述的建立广义行驶费用初始路阻矩阵(C0)和路段通行能力矩阵(A)进一步包括以下步骤:
步骤201:根据地理信息系统,绘制以交叉口为节点、以路段为连接的交通网拓扑结构图,根据结构图所显示的节点间通达关系;为交通结构图中的节点进行数字编号处理,建立邻接矩阵G。
步骤203所述的广义行驶费用的初始路阻矩阵(C0)会随着交通量的分配过程更新,更新为广义行驶费用矩阵(C)。广义行驶费用初始路阻矩阵(C0)为广义行驶费用矩阵(C)的特殊形式,即交通网上交通量为0时的广义行驶费用矩阵。
步骤204:依据邻接矩阵和路段通行能力,建立路段通行能力矩阵A。
步骤003采用行驶费用函数为出行准则,考虑导航信息对路径规划的引导,进行交通分配进一步包括以下步骤:
步骤301:输入所有OD交通需求,初始路阻矩阵C0,路段通行能力矩阵(A)。
步骤302:每位出行者代表的单位交通量x,必须为整数。
步骤303:每一组OD交通需求依次进行以下步骤:
步骤3031:交通需求Q除以设定的单位交通量x,为出行者的数量m,表达式为:
m=Q/x
步骤3032:计算节点迁移概率矩阵,节点迁移概率由导航信息和路段吸引力依托贝叶斯模型建立:
步骤3032所述的导航重要度(α)为自定参数,应根据交通网络所在地区,出行者对行车导航的依赖程度确定,取值范围为[1,5]。
步骤3032所述的吸引力重要度(β)为自定参数,应根据交通网络所在地区,出行者对出行准则的依赖程度确定,取值范围为[1,5]。
步骤3032所述的节点迁移概率(p)综合了广义行驶费用(C)和导航信息(τ),模拟驾驶员在交叉口选择路段的行为。可以通过概率抽样的方法实现。
步骤3032所述的导航信息矩阵(τ)每次迭代结束后,依据更新原则进行更新。
步骤3032所述的路段吸引力矩阵(η)是广义行驶费用矩阵(C)每个元素取倒数建立。
步骤3033:每位出行者从起点O依据节点迁移概率(p)行驶至D,记录下他经历的所有节点编号,节点编号储存在路径表(Path)中。
步骤3034:路径表(Path)相邻的两个节点编号定位了路段。在交通量矩阵(X)中,在前一节点为行,后一节点为列的位置增加单位交通量x。为出行者所经过的路段增加单位交通量x。
步骤3034所述的交通量矩阵中,若某路段的交通量达到通行能力,则这个路段的节点迁移概率(p)变为0。
步骤3035:重复步骤3033-3034。所有被使用的路径储存至总路径表(PathAll)中,仅储存不同的路径,每一个路径为一行。直至m位出行者都到达终点,交通需求Q被分配完成。
步骤305:累加各个OD交通需求的总路径表(PathAll)的路径行驶时间,储存至路径行驶时间表(PathTime)中,找出每组OD交通需求的时间最短路径。
步骤306:为所有采纳的路径(PathAll)包含的路段更新导航信息,将所有更新后的路段导航信息储存至导航信息矩阵(τ)。更新规则为:
其中ρ为信息折减参数,Δτ为导航更新增量。
步骤306所述的信息折减参数(ρ)为自定参数,根据地区交通分布的变化情况确定,变化快的地区应减小取值,取值范围为[0,1]。
步骤306所述的导航更新增量(Δτ)为自定参数,数值越高表示导航更倾向于更新推荐路线,反之表示导航更新随交通分配变化不明显。
步骤307:如图2所示,计算多准则路径规划交通分配模型的目标函数,把每次迭代得到的新目标函数值保存。迭代终止后画出目标函数值的迭代图像,验证搜索的收敛过程。计算每组OD交通需求的路径行驶时间表(PathTime)的方差,取所有方差的最大值记为V。
设定最小误差Var,建议区间(0,1]。若V大于最小误差(Var),则进行以下步骤:
步骤3071:清空交通量矩阵(X),同时广义行驶费用矩阵(C)随之初始化,为广义行驶费用初始路阻矩阵(C0),路段吸引力矩阵(η)也被初始化。
步骤3072:保留导航信息矩阵(τ),返回步骤301。
若V小于最小误差(Var)或到最大迭代次数,则输出交通分配结果,包括:各OD交通需求的采纳路径(PathAll),路径行驶时间表(PathTime),导航建议结果,包括:路段导航信息强度矩阵(τ)、节点迁移概率矩阵(p),目标函数值的迭代图像。
步骤004所述的调整调节参数(α、β、ρ、m)的目的是适应复杂交通网络和结果精度要求的优化方法。具体调节建议如下:
本发明提出的导航信息启发交通分配的搜索范围和收敛速度与参数α、β、ρ、m相关,因此提出调节建议,以尝试跳出局部最优解,加快收敛速度。
本发明提出α为导航重要度,α越大,出行者依据导航出行的可能性越大,路径选择的随机性减小,容易忽略一些导航估计较为拥堵的路段,导致出行者路径选择过度集中;α越小,出行者参考导航信息更新的可能性越小,搜索范围增大,收敛速度减慢。
本发明提出β为吸引力重要度,β越大,出行者按原本出行准则选择路径的可能性越大,搜索范围增大,收敛速度减小;β越小,出行者改变准则依据导航信息选择路径的可能性增大,收敛速度加快,路径选择的随机性减小。
本发明提出ρ为信息折减系数,ρ过大时,导航信息更新效果不明显,影响收敛速度;ρ过小时,导航信息更新过度敏感,影响出行者既有准则的决策,收敛速度加快,但容易陷入局部最优。
本发明提出的x为单位交通量,x越小,得到的解越精确,但是增加了时间复杂性,过度占用内存,一次迭代时间过长,影响算法效率。
如图3所示,本实例使用Nguyen&Dupuis路网模型,Nguyen&Dupuis路网是由13个节点和19条路段构成的。如图4所示,根据结构图所显示的节点间通达关系,设定广义行驶费用的初始路阻矩阵,图4为路网通达关系的邻接矩阵,邻接矩阵的特征为,行编号代表当前所在节点编号,列编号为可到达的下一节点编号,若元素不为0,则可从行编号节点行驶至列编号节点,矩阵中元素的数值为广义行驶费用的初始路阻。本实施例规划4组OD交通需求,分别为(1,2)交通量100,(1,3)交通量200,(4,2)交通量150,(4,3)交通量150;路段通行能力均为250。第一次设定算法参数α=1,β=1,ρ=0.5,x=1。设定的最小误差为0.1。使用本实施例的算法搜索,若在100次迭代之内满足最小误差,则搜索成功,否则调整算法参数继续搜索。算法步骤依照本发明步骤003进行。
图5所示第一次交通分配得到的4组OD交通需求的路径行驶时间,经过100次迭代,V为0.1388,V>Var,不满足均衡分配要求,需要调整参数重新规划。本图展示在第一次参数设定下得到的结果,通过步骤004的对比验证,在规定的迭代次数中为满足收敛,应修改参数,重新计算。第二次设定算法参数α=1,β=1,ρ=1,x=1。算法步骤依照本发明步骤003进行。方法同上。
图6所示第二次交通分配4组OD交通需求的路径行驶时间,通过59次迭代,V为0.0906,满足均衡分配要求。
图6所示第一列为OD交通需求(Q)和路段通行能力矩阵(A);第二列表示起终点间存在的所有路线;第三列表示各条路线的行驶时间;第四列表示各条路线依次经历的节点顺序。
图7所示路段交通量矩阵,行数代表前一节点的位置,列数代表后一节点的位置,矩阵元素代表连接两节点的路段上分配的交通量。交通分配结果中,所有路段交通量均未超过通行能力。
图8所示节点迁移概率矩阵,行数代表前一节点的位置,列数代表后一节点的位置,矩阵元素代表在出行者前一节点时驶向下一节点的概率。
图9所示第二次使用算法进行交通分配的迭代图像,虚线代表每次迭代产生的结果,实线代表最优解的更新过程。图像显现出明显的迭代收敛过程。
本发明所述的城市道路网络交通分配系统,包括:
广义行驶费用函数构建模块,用于建立多准则路径选择的广义行驶费用函数;
多准则路径规划交通分配模型构建模块,用于将Beckmann平衡分配模型中的时间费用函数更换为包括时间费用的广义行驶费用函数,为每种行驶费用加入约束条件,并且对每种行驶费用函数的参数进行标定,建立多准则路径规划交通分配模型。
起终点交通需求统计模块,用于根据地理信息系统,绘制以交叉口为节点、以路段为连接的交通网拓扑结构图,建立广义行驶费用的初始路阻矩阵和路段通行能力矩阵,统计各节点的居民出行起终点交通需求。
交通分配结果输出模块,用于向Beckmann平衡分配模型中输入广义行驶费用的初始路阻矩阵、路段通行能力矩阵,广义行驶费用函数,起终点交通需求,单位交通量,最小误差和调节参数,输出交通分配结果。
本发明所述的计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述任意一项所述城市道路网络交通分配方法的步骤。
本发明所述的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任意一项所述城市道路网络交通分配方法的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种城市道路网络交通分配方法,其特征在于,包括以下步骤;
步骤1、建立多准则路径选择的广义行驶费用函数;将Beckmann平衡分配模型中的时间费用函数更换为包括时间费用的广义行驶费用函数,为每种行驶费用加入约束条件,并且对每种行驶费用函数的参数进行标定,建立多准则路径规划交通分配模型;
步骤2、根据地理信息系统,绘制以交叉口为节点、以路段为连接的交通网拓扑结构图,建立广义行驶费用的初始路阻矩阵和路段通行能力矩阵,统计各节点的居民出行起终点交通需求;
步骤3、向多准则路径规划交通分配模型中输入广义行驶费用的初始路阻矩阵、路段通行能力矩阵,广义行驶费用函数,起终点交通需求,单位交通量,最小误差和调节参数,输出交通分配结果。
2.根据权利要求1所述的城市道路网络交通分配方法,其特征在于,步骤1中,多准则路径选择的广义行驶费用函数采用线性加权法建立。
3.根据权利要求1所述的城市道路网络交通分配方法,其特征在于,广义行驶费用包括行驶时间、燃油费用、空间距离、路面质量、车道数和道路封闭性中的任意多项。
4.根据权利要求1所述的城市道路网络交通分配方法,其特征在于,步骤3中,Beckmann平衡分配模型的计算过程为:
步骤3.1、对每一组起终点交通需求进行分配;
步骤3.2、当所有起终点交通需求在交通网络上被分配完成,依据被分配完成的交通量矩阵更新时间费用函数得到时间费用矩阵;
步骤3.3、累加各个起终点交通需求的总路径表的路径行驶时间,储存至路径行驶时间表中,找出每组起终点交通需求的时间最短路径;
步骤3.4、为所有采纳的路径包含的路段更新导航信息,将所有更新后的路段导航信息储存至导航信息矩阵;
步骤3.5、计算多准则路径规划交通分配模型的目标函数,把每次迭代得到的新目标函数值保存,迭代终止后画出目标函数值的迭代图像,验证搜索的收敛过程。
5.根据权利要求4所述的城市道路网络交通分配方法,其特征在于,对起终点交通需求的分配过程为:
步骤3.1.1、计算节点迁移概率矩阵;
步骤3.1.2、每位出行者从起点依据节点迁移概率行驶至终点,记录出行者经历的所有节点编号,节点编号储存在路径表中;
步骤3.1.3、路径表相邻的两个节点编号之间定位为路段,为出行者所经过的路段增加单位交通量;
步骤3.1.4、交通量矩阵中,若某路段的交通量达到通行能力,则这个路段的节点迁移概率变为0;
步骤3.1.5、重复步骤3.1.3-3.1.4,所有被使用的路径储存至总路径表中,仅储存不同的路径,直至所有出行者都到达终点,起终点交通需求被分配完成。
6.根据权利要求4所述的城市道路网络交通分配方法,其特征在于,步骤3.5中,计算每组起终点交通需求的路径行驶时间表的方差,取所有方差的最大值记为V;
设定最小误差,若V大于最小误差,则清空交通量矩阵,同时将广义行驶费用矩阵初始化为广义行驶费用初始路阻矩阵,初始化路段吸引力矩阵;保留导航信息矩阵,返回步骤4;
若V小于最小误差或到最大迭代次数,则输出交通分配结果。
7.根据权利要求1所述的城市道路网络交通分配方法,其特征在于,步骤3完成后,比对验证分配结果,如果如果在规定的迭代次数内算法未收敛,则调整调节参数,重新分配;如果算法收敛,但与实际交通网络条件不符,则调节交通设计指标,重新分配,直到分配结果满足算法及实际要求结束。
8.一种城市道路网络交通分配系统,其特征在于,包括:
广义行驶费用函数构建模块,用于建立多准则路径选择的广义行驶费用函数;
多准则路径规划交通分配模型构建模块,用于将Beckmann平衡分配模型中的时间费用函数更换为包括时间费用的广义行驶费用函数,为每种行驶费用加入约束条件,并且对每种行驶费用函数的参数进行标定,建立多准则路径规划交通分配模型;
起终点交通需求统计模块,用于根据地理信息系统,绘制以交叉口为节点、以路段为连接的交通网拓扑结构图,建立广义行驶费用的初始路阻矩阵和路段通行能力矩阵,统计各节点的居民出行起终点交通需求;
交通分配结果输出模块,用于向Beckmann平衡分配模型中输入广义行驶费用的初始路阻矩阵、路段通行能力矩阵,广义行驶费用函数,起终点交通需求,单位交通量,最小误差和调节参数,输出交通分配结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述城市道路网络交通分配方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述城市道路网络交通分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286422.XA CN113053116B (zh) | 2021-03-17 | 2021-03-17 | 一种城市道路网络交通分配方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286422.XA CN113053116B (zh) | 2021-03-17 | 2021-03-17 | 一种城市道路网络交通分配方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113053116A true CN113053116A (zh) | 2021-06-29 |
CN113053116B CN113053116B (zh) | 2022-02-11 |
Family
ID=76513061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110286422.XA Active CN113053116B (zh) | 2021-03-17 | 2021-03-17 | 一种城市道路网络交通分配方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113053116B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005272A (zh) * | 2021-09-30 | 2022-02-01 | 淮阴工学院 | 一种基于5g云计算终端的道路交通调控方法 |
CN114842641A (zh) * | 2022-03-11 | 2022-08-02 | 华设设计集团股份有限公司 | 面向省域的多模式链式交通分配方法 |
CN115080550A (zh) * | 2022-05-31 | 2022-09-20 | 交通运输部规划研究院 | 路网交通量分配方法及装置 |
CN115148027A (zh) * | 2022-06-30 | 2022-10-04 | 长安大学 | 一种用于改善拥堵收费的交通需求管理方法 |
CN117116062A (zh) * | 2023-10-23 | 2023-11-24 | 山东高速股份有限公司 | 一种施工占道情景下高速公路交通量预测的方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080094250A1 (en) * | 2006-10-19 | 2008-04-24 | David Myr | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
WO2011126215A2 (ko) * | 2010-04-09 | 2011-10-13 | 고려대학교 산학협력단 | 양방향 통신 기능을 결합한 차량용 네비게이터 기반 실시간 교통망 구조 제어와 연계한 교통 흐름 제어 및 동적 경로 제공 시스템 및 그 방법 |
CA3010440A1 (en) * | 2016-01-03 | 2017-07-06 | Yosef Mintz | System and methods to apply robust predictive traffic load balancing control and robust cooperative safe driving for smart cities |
CN107256632A (zh) * | 2017-08-11 | 2017-10-17 | 上海交通大学 | 一种基于用户异质时间价值与拥堵费用预算的交通分配方法 |
CN108446810A (zh) * | 2018-05-15 | 2018-08-24 | 东南大学 | 一种公路od数据重构方法 |
CN108847037A (zh) * | 2018-06-27 | 2018-11-20 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
CN110085027A (zh) * | 2019-03-28 | 2019-08-02 | 中国公路工程咨询集团有限公司 | 一种大规模路网群体车流诱导任务的分解方法 |
CN110211405A (zh) * | 2019-05-22 | 2019-09-06 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN110379161A (zh) * | 2019-07-18 | 2019-10-25 | 中南大学 | 一种城市路网交通流量分配方法 |
CN112146673A (zh) * | 2020-09-27 | 2020-12-29 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
-
2021
- 2021-03-17 CN CN202110286422.XA patent/CN113053116B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080094250A1 (en) * | 2006-10-19 | 2008-04-24 | David Myr | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
WO2011126215A2 (ko) * | 2010-04-09 | 2011-10-13 | 고려대학교 산학협력단 | 양방향 통신 기능을 결합한 차량용 네비게이터 기반 실시간 교통망 구조 제어와 연계한 교통 흐름 제어 및 동적 경로 제공 시스템 및 그 방법 |
CA3010440A1 (en) * | 2016-01-03 | 2017-07-06 | Yosef Mintz | System and methods to apply robust predictive traffic load balancing control and robust cooperative safe driving for smart cities |
CN107256632A (zh) * | 2017-08-11 | 2017-10-17 | 上海交通大学 | 一种基于用户异质时间价值与拥堵费用预算的交通分配方法 |
CN108446810A (zh) * | 2018-05-15 | 2018-08-24 | 东南大学 | 一种公路od数据重构方法 |
CN108847037A (zh) * | 2018-06-27 | 2018-11-20 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
CN110085027A (zh) * | 2019-03-28 | 2019-08-02 | 中国公路工程咨询集团有限公司 | 一种大规模路网群体车流诱导任务的分解方法 |
CN110211405A (zh) * | 2019-05-22 | 2019-09-06 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN110379161A (zh) * | 2019-07-18 | 2019-10-25 | 中南大学 | 一种城市路网交通流量分配方法 |
CN112146673A (zh) * | 2020-09-27 | 2020-12-29 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
Non-Patent Citations (2)
Title |
---|
JIA-XIANG ZHU 等: "A Traffic Assignment Approach for Multi-Modal Transportation Networks Considering Capacity Constraints and Route Correlations", 《IEEE ACCESS》 * |
李雪飞: "基于扩展Logit的交通分配模型与算法研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005272A (zh) * | 2021-09-30 | 2022-02-01 | 淮阴工学院 | 一种基于5g云计算终端的道路交通调控方法 |
CN114842641A (zh) * | 2022-03-11 | 2022-08-02 | 华设设计集团股份有限公司 | 面向省域的多模式链式交通分配方法 |
CN114842641B (zh) * | 2022-03-11 | 2024-02-09 | 华设设计集团股份有限公司 | 面向省域的多模式链式交通分配方法 |
CN115080550A (zh) * | 2022-05-31 | 2022-09-20 | 交通运输部规划研究院 | 路网交通量分配方法及装置 |
CN115148027A (zh) * | 2022-06-30 | 2022-10-04 | 长安大学 | 一种用于改善拥堵收费的交通需求管理方法 |
CN117116062A (zh) * | 2023-10-23 | 2023-11-24 | 山东高速股份有限公司 | 一种施工占道情景下高速公路交通量预测的方法及系统 |
CN117116062B (zh) * | 2023-10-23 | 2024-01-09 | 山东高速股份有限公司 | 一种施工占道情景下高速公路交通量预测的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113053116B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113053116B (zh) | 一种城市道路网络交通分配方法、系统、设备及存储介质 | |
CN114550482B (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
JP5832074B2 (ja) | 燃料最少経路及び費用算出方法 | |
Wilkie et al. | Self-aware traffic route planning | |
CN111898793B (zh) | 一种组合出行方式下考虑用户感知差异性的路径选择方法 | |
CN106289287B (zh) | 一种基于选线经验的车载端多目标最短路径计算方法 | |
CN112418514A (zh) | 一种运用蚁群系统优化校园公交线路规划的方法 | |
CN108776721A (zh) | 一种基于目标配流的城市离散交通网络设计方法 | |
CN111220162A (zh) | 一种获取慢行车辆行驶轨迹的方法及装置 | |
CN112381470B (zh) | 基于智能体的交通流量分配方法、设备及存储介质 | |
CN107300388A (zh) | 基于Q‑learning算法和回声状态网络的骑行旅游路线规划方法 | |
Dibbelt | Engineering algorithms for route planning in multimodal transportation networks | |
WO2021144577A1 (en) | Vehicle routing | |
CN116311932B (zh) | 一种MaaS背景下考虑混合均衡的动态交通分配方法 | |
CN112561160A (zh) | 一种动态目标遍历访问序列规划方法与系统 | |
CN116194935B (zh) | 用于确定地理区域中的车辆的导航简档的方法和设备 | |
CN108256662A (zh) | 到达时间的预测方法和装置 | |
US20080189029A1 (en) | Route Calculation Method and Device with Progressive Elimination of Data Corresponding to the Road Network | |
Yadav et al. | Comparative analysis of route planning algorithms on road networks | |
Jagadeesh et al. | Route computation in large road networks: a hierarchical approach | |
CN115472023A (zh) | 一种基于深度强化学习的智能交通灯控制方法及装置 | |
CN113358126A (zh) | 一种导航路线获取方法、装置和系统 | |
Zhu et al. | Real-Time parking guidance model based on stackelberg game | |
CN111275970A (zh) | 一种考虑实时公交信息的最优线路规划方法 | |
Wilkie et al. | Adaptive Route Planning for Metropolitan-Scale Traffic |
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 |