CN113112789A - 城市快速路突发事件的影响预测及管控方法 - Google Patents

Abstract

本发明涉及一种城市快速路突发事件的影响预测及管控方法，汇聚了交警自有类、内部共享类、外部感知类以及互联网获取类四类数据，使用基于事件感知及主线通行效率预测、基于LSTM时间序列拥堵预测、信号实时自适应控制及自学习优化等模型，通过反复训练和学习，最终实现对流量的调优，减少突发事件的影响。

Description

城市快速路突发事件的影响预测及管控方法

技术领域

本发明涉及智能交通领域，更具体的，涉及一种基于多维感知数据的城市快速路突发事件的影响预测及管控方法。

背景技术

随着社会经济发展和城市化进程加快，城市快速路周边住宅和商业综合体逐渐增加，道路车流量逐年增长、承载也越来越大。以常州为例，城区早晚高峰有60％的车辆在高架道路通行，2019年，高架道路总流量2.28亿辆，月均1863.2万辆，日均62.01万辆，以高架道路为主的城市快速路已成为有跨区域出行市民的首要选择。在管理实践中，因交通事故、雨雪天气等突发时间引起的快速路拥堵，由于缺乏科学决策依据，会造成快速路短时间、长距离车辆排队，但其地面道路或疏解道路未完全发挥作用，道路资源未得到充分利用，进而影响整个城市路网运行。随着机动车保有量日趋增多，各大城市路网资源趋近饱和，道路突发事件对整个城市交通网带来的负面影响问题凸显,特别是高架等城市快速路作为城市交通动脉，如何降低突发事件对路网的影响，成为各地交管部门亟需解决的问题。

发明内容

本发明要解决的技术问题是提供一种基于多维感知数据的能实现对流量的调优并减少突发事件影响的城市快速路突发事件的影响预测及管控方法。

实现本发明目的的技术方案之一是提供一种城市快速路突发事件的影响预测及管控方法，包括如下步骤：

①原始数据收集：数据包括交警自有类、内部共享类、外部感知类以及互联网获取类四类数据；

②事件感知及建立主线通行效率预测模型，具体包括如下步骤：

2.1)从步骤①收集的原始数据中提取需要的数据；

2.2)数据清洗与降噪融合；

2.3)主线通行效率基线标定：考虑到高架交通流特征，即工作日与周末、节假日的出行规律差异，本模型将根据清洗融合后的交通历史数据，利用平均值法标定工作日与周末、节假日正常同行情况下，不同时段，各高架匝道出、入口合流区的通行效率(即断面流量与断面平均流速)，建立各合流区通行效率影响因子分析计算基线，用于后续影响因子筛选与影响率计算；

2.4)关键通行效率影响因子筛选：根据历史数据与交通管理数据，建立潜在通行效率影响因子集合，包括路面状况：积水深度、积雪厚度、结冰情况，能见度情况：雨雪天与雾霾，事故影响情况：占用车道情况、警处预判事件严重度；从历史数据库中提取各潜在影响因子独立发生时的通行效率数据，与通行效率基线数据进行相关性分析，判定影响因素对通行效率的影响是否显著；保留影响显著性较高的因子作为通行效率关键影响因子；

2.5)单一影响因子通行效率影响率标定：根据路段通行效率基线及历史数据，标定单一影响因素x_i发生时，对应路段通行效率影响率ρ_路段k为：

根据影响因素x_i各数值散点，利用线性回归法求解路段通行效率关于该影响因素的线性回归方程：

ρ_路段k(x_i)＝A_ix_i+B_i

从而根据回归方程可推演未知影响因子值对路段通行效率的影响，实现全天候通行效率影响预判；

2.6)路段通行效率预测：为了减少通行效率预测的模型构建复杂度和求解难度，假设各通行效率影响因子之间相互独立，因此多个影响因子对路段通行效率整体影响为：

通行效率α_路段k的数值区间为0-1，数值越大，表示事件对交通影响越小；

③主线交通蔓延计算及拥堵预测模型：在得到当前路段通行效率α_路段k后，基于当前路段主线汇入流量、上匝道汇入流量、主线下游流量以及下匝道卸流流量，计算当前路段的流量增加情况；通过基于LSTM时间序列预测模型的拥堵预测模型，结合当前路段通行效率，预测路段未来15分钟、每5分钟一基准点的通行需求时间X，确认上匝道是否有溢出风险，是否应在15分钟内关闭上匝道；此蔓延及拥堵预测将持续不间断进行，待拥堵情况处理完成或拥堵情况大大缓解后，决策是否开放相应的匝道；

④反馈与优化调整：针对蔓延计算及拥堵预测的结果，结合实际情况，对通行效率预测模型进行相应的反馈，不断优化调整模型各影响因子通行效率影响率，从而不断优化算法模型；

⑤制定高地联动信号自适应控制策略；

⑥下发出行引导策略。

进一步的，所述步骤③具体包括如下步骤：

3.1)确定涉及参数：后方道路主线流量及匝道新增流量Q_in、下匝道消散流量+主线下游流量Q_out，车道n,高架主线各车道平均通行能力为C(C＝α_路段k*C₀，其中α_路段k为交通通行效率值)；

3.2)通行需求时间：

3.3)计算

C₀是两个匝道间在非拥堵情况下主线各车道平均通行能力，X₀为此种状态下临界通行需求时间；

3.4)基于历史数据

(每5分钟两个匝道间通行需求时间)，完成LSTM模型的训练；

3.5)计算当前时刻t最近的3笔历史通行需求时间X₁、X₂、X₃；

3.6)基于完成的LSTM模型，预测t时刻后3笔通行需求时间

3.7)当

均大于X₀时，表示未来的15分钟上匝道有溢出风险，应在15分钟内关闭上匝，反之则不关闭上匝道。

进一步的，所述步骤①收集的数据包括交警自有类、内部共享类、外部感知类以及互联网获取类四类数据，如下表1所示：

表1模型涉及数据示意表。

更进一步的，步骤②的2.1)中，基于高架时，利用既有感知设备及互联网数据，获取的相关交通动态数据及气象关键数据如下：

通过水位传感器，获取实时的道路积水量P(单位：cm)；

通过压力传感器，获取实时的积雪厚度S(单位：cm)；

通过结冰传感器，获取实时的路面结冰厚度F(单位：mm)；

通过雾霾传感器，获取实时的雾霾浓度以及可见度G(单位：km)；

通过融合微波雷达与摄像头采集数据，获取某路段实时的车流量T(单位：pcu/h)；

通过交通事件检测器，检测道路的交通事故、抛洒物等事件，获取交通事件H。

进一步的，步骤②的2.2)中，数据清洗与降噪融合：由于部分传感器的初始数据是从模拟信号中获取，通过模拟信号获取数据容易存在噪声以及脉冲干扰，各感知设备的感知精度和数据质量存在差异，因此需要对所获取的原始数据进行数据清洗、降噪；清洗对象包括零值、离群值、错误值；降噪则是通过放大部分设计相应的差分，放大电路以进行共模抑制，从而滤除干扰信号、放大有信号，实现降噪处理；

在数据清洗完成后，感知数据对道路交通效率的影响与感知数据数值之间呈现非线性关系，利用张量模型对交通状态信息进行融合、汇聚预处理，从而获取可靠的、高精度交通状态数据。

进一步的，所述步骤④的反馈与优化调整包括：基于当前路段通行效率α计算出上匝道15分钟内没有溢出风险，没有在15分钟内关闭上匝道，结果实际不到15分钟上匝道已经拥堵并溢出，反馈结果给通行效率预测模型，需提升当前事件的影响因子通行效率影响率，从而优化通行效率预测模型。

进一步的，步骤⑤的自适应控制策略包括如下控制策略：1)上匝道匝控，基于主线交通蔓延计算及拥堵预测结果，决策上匝道是否关闭、何时关闭以及何时开启，此研判将持续不间断进行直至高架畅通；2)上下匝道路口信控，当上匝道关闭或下匝道发生拥堵时，地面道路将结合当前路口交通流量，依托信号实时自适应控制及自学习优化算法实现信号实时自适应控制，从而引导车辆分流，均衡高架及地面交通流量，缓解突发事件带来的拥堵；3)自学习优化，基于高架突发事件历史流量、信控数据，分析地面道路交通流量变化规律，进行自学习优化，对拥堵时地面道路信控方案进行优化调整，分时段、分拥堵原因等情况进行信号方案的配置，从而更好的应对后期发生的高架拥堵情况。

进一步的，步骤⑥具体来讲，当城市快速路发生突发事件，并基于通行效率预测模型预测即将发生拥堵时，上匝道诱导发布屏将发布匝道将在几分钟内关闭的消息，附近汇流路口地面诱导、地图APP如高德地图、车载终端设备、微警务将发布高架实时路况，让驾驶员提前做好行程变更，选择合理的行车路径。

实现本发明目的的技术方案之二是提供一种城市快速路突发事件的影响预测方法，包括如下步骤：

①原始数据收集：数据包括交警自有类、内部共享类、外部感知类以及互联网获取类四类数据；

②事件感知及建立主线通行效率预测模型，具体包括如下步骤：

2.1)从步骤①收集的原始数据中提取需要的数据；

2.2)数据清洗与降噪融合；

2.3)主线通行效率基线标定：考虑到高架交通流特征，即工作日与周末、节假日的出行规律差异，本模型将根据清洗融合后的交通历史数据，利用平均值法标定工作日与周末、节假日正常同行情况下，不同时段，各高架匝道出、入口合流区的通行效率(即断面流量与断面平均流速)，建立各合流区通行效率影响因子分析计算基线，用于后续影响因子筛选与影响率计算；

2.4)关键通行效率影响因子筛选：根据历史数据与交通管理数据，建立潜在通行效率影响因子集合，包括路面状况：积水深度、积雪厚度、结冰情况，能见度情况：雨雪天与雾霾，事故影响情况：占用车道情况、警处预判事件严重度；从历史数据库中提取各潜在影响因子独立发生时的通行效率数据，与通行效率基线数据进行相关性分析，判定影响因素对通行效率的影响是否显著；保留影响显著性较高的因子作为通行效率关键影响因子；

2.5)单一影响因子通行效率影响率标定：根据路段通行效率基线及历史数据，标定单一影响因素x_i发生时，对应路段通行效率影响率ρ_路段k为：

根据影响因素x_i各数值散点，利用线性回归法求解路段通行效率关于该影响因素的线性回归方程：

ρ_路段k(x_i)＝A_ix_i+B_i

从而根据回归方程可推演未知影响因子值对路段通行效率的影响，实现全天候通行效率影响预判；

2.6)路段通行效率预测：为了减少通行效率预测的模型构建复杂度和求解难度，假设各通行效率影响因子之间相互独立，因此多个影响因子对路段通行效率整体影响为：

通行效率α_路段k的数值区间为0-1，数值越大，表示事件对交通影响越小；

③主线交通蔓延计算及拥堵预测模型：在得到当前路段通行效率α_路段k后，基于当前路段主线汇入流量、上匝道汇入流量、主线下游流量以及下匝道卸流流量，计算当前路段的流量增加情况；通过基于LSTM时间序列预测模型的拥堵预测模型，结合当前路段通行效率，预测路段未来15分钟、每5分钟一基准点的通行需求时间X，确认上匝道是否有溢出风险，是否应在15分钟内关闭上匝道；此蔓延及拥堵预测将持续不间断进行，待拥堵情况处理完成或拥堵情况大大缓解后，决策是否开放相应的匝道；

④反馈与优化调整：针对蔓延计算及拥堵预测的结果，结合实际情况，对通行效率预测模型进行相应的反馈，不断优化调整模型各影响因子通行效率影响率，从而不断优化算法模型。

进一步的，所述步骤③具体包括如下步骤：

3.1)确定涉及参数：后方道路主线流量及匝道新增流量Q_in、下匝道消散流量+主线下游流量Q_out，车道n,高架主线各车道平均通行能力为C(C＝α_路段k*C₀，其中α_路段k为交通通行效率值)；

3.2)通行需求时间：

3.3)计算

C₀是两个匝道间在非拥堵情况下主线各车道平均通行能力，X₀为此种状态下临界通行需求时间；

3.4)基于历史数据

(每5分钟两个匝道间通行需求时间)，完成LSTM模型的训练；

3.5)计算当前时刻t最近的3笔历史通行需求时间X₁、X₂、X₃；

3.6)基于完成的LSTM模型，预测t时刻后3笔通行需求时间

3.7)当

均大于X₀时，表示未来的15分钟上匝道有溢出风险，应在15分钟内关闭上匝，反之则不关闭上匝道。

本发明具有积极的效果：(1)本发明利用多维感知采集和数据汇聚，实现对突发事件影响效率预测、流量蔓延预测，做到早发现、早预测、早干预，合理均衡城市高架等快速路以及周边道路流量、疏解道路拥堵、诱导车辆出行，充分发挥路网最大通行效率，降低突发事件对城市交通影响。本发明汇聚了流量数据，卡口数据，互联网数据、接处警数据、外部感知路面环境及气象等4大类35种数据，使用基于事件感知及主线通行效率预测、基于LSTM时间序列拥堵预测、信号实时自适应控制及自学习优化等模型，通过反复训练和学习，最终实现对流量的调优，减少突发事件的影响。

(2)本发明面向高架等快速路突发事件感知难、预测难、干预难、缺乏科学决策的“三难一缺”问题，通过“及时感知突发事件、科学开展流量预测、迅速明确应急方案、高效管控配置资源”等技术手段，充分发挥高地交通信号联管联控效用，科学均衡高架及地面道路交通流量，提升道路通行效率，为实现城市道路交通内循环与高架等快速路环线外循环的有机结合提供技术基础，从而有效保障整个城市交通通行的有序可达，推动智慧交管的发展。

(3)本发明结合5G、边缘计算、人机交互等新兴技术，通过采集各类环境因素数据，基于机器学习算法，针对交通数据、气象数据、警务信息、道路状态等动静态数据对交通通行效率的影响展开评价分析，为拥堵预测及干预方案提供科学依据，为驾驶者提供更为高效、准确、人性化的信息交换；

(4)本发明针对高架等快速路突发事件对未来通行效率、交通流量的影响进行精准即时预测，为交通管控提供可靠的数据支撑，从而缩短决策时间，通过合理配置高架等快速路道路及地面道路资源提高通行效率；

(5)本发明保障高架等快速路发生拥堵事件时地面交通的通行效率，通过评估缓解高架等快速路交通拥堵的策略对附近地面交通造成的影响，合理调节疏导时长，优化提升信控效能，实现高架快速路与地面道路联合通行效率最优；

(6)本发明基于历史数据展开模型的自学习优化，为不同场景下的高架等快速路拥堵提供高效便捷、切合实际的多样化信控方案，更好的应对后期发生的高架等快速路拥堵。

附图说明

图1为本发明的城市快速路突发事件的影响预测及管控方法的流程框图；

图2为本发明的实施例1的制定高地联动信号自适应控制策略的具体应用流程框图。

具体实施方式

(实施例1)

本实施例的城市快速路突发事件的影响预测及管控方法，以高架为例，实现流程如图1所示，包括如下几个步骤：

①原始数据收集：数据包括交警自有类、内部共享类、外部感知类以及互联网获取类四类数据，如下表1所示：

表1模型涉及数据示意表

②事件感知及建立主线通行效率预测模型：高架及主线通行效率受到各种因素影响，如：恶劣天气(路面积水、积雪、结冰、雾霾)、交通事故等。本方法对前端感知设备采集的气象数据、路面环境数据、交通事故数据、交通流量等数据，进行清洗、融合，假设各影响因素相互独立，利用线性回归模型拟合、预判各影响因素对高架通行效率的影响率(通行效率影响率为0-1，数值越大，表示事件对交通影响越小)。

具体包括如下步骤：

2.1)从步骤①收集的原始数据中提取需要的数据：本实施例中，基于江苏省常州市区域的高架，利用既有感知设备及互联网数据，获取的相关交通动态数据及气象关键数据如下：

通过水位传感器，可以获取实时的道路积水量P(单位：cm)；

通过压力传感器，可以获取实时的积雪厚度S(单位：cm)；

通过结冰传感器，可以获取实时的路面结冰厚度F(单位：mm)；

通过雾霾传感器，可以获取实时的雾霾浓度以及可见度G(单位：km)；

通过融合微波雷达与摄像头采集数据，可以获取某路段实时的车流量T(单位：pcu/h)；

通过交通事件检测器，检测道路的交通事故、抛洒物等事件，可获取交通事件H(按等级划分、无量纲量)。

2.2)数据清洗与降噪融合，由于部分传感器的初始数据是从模拟信号中获取，通过模拟信号获取数据容易存在噪声以及脉冲干扰，各感知设备的感知精度和数据质量存在差异，因此需要对所获取的原始数据进行数据清洗、降噪。清洗对象包括零值、离群值、错误值等；降噪则是通过放大部分设计相应的差分，放大电路以进行共模抑制，从而滤除干扰信号、放大有信号，实现降噪处理。

在数据清洗完成后，感知数据对道路交通效率的影响与感知数据数值之间呈现非线性关系，因此需要利用张量模型对交通状态信息进行融合、汇聚预处理，从而获取可靠的、高精度交通状态数据，使数据能够更准确表征交通运行状态。

在本实施例的模型构建过程中，基于了常州高架2年积累的各类原始数据，取样频率按照每5分钟一笔，共计210240笔数据，为避免数据质量带来的误差，对由于设备损坏等各种原因导致的缺失且不可恢复的数据直接进行了剔除，取得有效样本174499笔。

2.3)主线通行效率基线标定：考虑到高架交通流特征，即工作日与周末、节假日的出行规律差异，本模型将根据清洗融合后的交通历史数据，利用平均值法标定工作日与周末、节假日正常同行情况下，不同时段，各高架匝道出、入口合流区的通行效率(即断面流量与断面平均流速)，建立各合流区通行效率影响因子分析计算基线，用于后续影响因子筛选与影响率计算。

2.4)关键通行效率影响因子筛选：根据历史数据与交通管理数据，建立潜在通行效率影响因子集合，包括路面状况(积水深度、积雪厚度、结冰情况)，能见度情况(雨雪天与雾霾)，事故影响情况(占用车道情况、警处预判事件严重度)等。从历史数据库中提取各潜在影响因子(独立发生时)的通行效率数据，与通行效率基线数据进行相关性分析，判定影响因素对通行效率的影响是否显著。保留影响显著性较高的因子作为通行效率关键影响因子。

2.5)单一影响因子通行效率影响率标定：根据路段通行效率基线及历史数据，标定单一影响因素x_i发生时(如：积水深度为0.3cm,即x_积水＝0.3)，对应路段通行效率影响率ρ_路段k为：

根据影响因素x_i各数值散点，利用线性回归法求解路段通行效率关于该影响因素的线性回归方程：

ρ_路段k(x_i)＝A_ix_i+B_i

从而根据回归方程可推演未知影响因子值对路段通行效率的影响，实现全天候通行效率影响预判。

2.6)路段通行效率预测：为了减少通行效率预测的模型构建复杂度和求解难度，本模型假设各通行效率影响因子之间相互独立，因此多个影响因子对路段通行效率整体影响为：

③主线交通蔓延计算及拥堵预测模型：在得到当前路段通行效率α_路段k后，基于当前路段主线汇入流量、上匝道汇入流量、主线下游流量以及下匝道卸流流量，计算当前路段的流量增加情况；通过基于LSTM时间序列预测模型的拥堵预测模型，结合当前路段通行效率，预测路段未来15分钟(每5分钟一基准点)内的通行需求时间X，确认上匝道是否有溢出风险，是否应在15分钟内关闭上匝道。此蔓延及拥堵预测将持续不间断进行，待拥堵情况处理完成或拥堵情况大大缓解后，决策是否开放相应的匝道。

具体包括如下步骤：

3.1)确定涉及参数：后方道路主线流量及匝道新增流量Q_in、下匝道消散流量+主线下游流量Q_out，车道n,高架主线各车道平均通行能力为C(C＝α_路段k*C₀，其中α_路段k为交通通行效率值)；

3.2)通行需求时间：

3.3)计算

C₀是两个匝道间在非拥堵情况下主线各车道平均通行能力，X₀为此种状态下临界通行需求时间；

3.4)基于历史数据

(每5分钟两个匝道间通行需求时间)，完成LSTM模型的训练；

3.5)计算当前时刻t最近的3笔历史通行需求时间X₁、X₂、X₃；

3.6)基于完成的LSTM模型，预测t时刻后3笔通行需求时间

3.7)当

均大于X₀时，表示未来的15分钟上匝道有溢出风险，应在15分钟内关闭上匝，反之则不关闭上匝道；

④反馈与优化调整：针对蔓延计算及拥堵预测的结果，结合实际情况，对通行效率预测模型进行相应的反馈，不断优化调整模型各影响因子通行效率影响率，从而不断优化算法模型，提升模型的精确性，更精准的预知突发事件，并更快、更好的处理突发事件造成的影响，提升高架的通行效率。例如：基于当前路段通行效率α计算出上匝道15分钟内没有溢出风险，没有在15分钟内关闭上匝道，结果实际不到15分钟上匝道已经拥堵并溢出，反馈结果给通行效率预测模型，需提升当前事件的影响因子通行效率影响率，从而优化通行效率预测模型。

⑤制定高地联动信号自适应控制策略，包括如下控制策略：1)上匝道匝控，基于主线交通蔓延计算及拥堵预测结果，决策上匝道是否关闭、何时关闭以及何时开启，此研判将持续不间断进行直至高架畅通。2)上下匝道路口信控，当上匝道关闭或下匝道发生拥堵时，地面道路将结合当前路口交通流量，依托信号实时自适应控制及自学习优化算法实现信号实时自适应控制，从而引导车辆分流，均衡高架及地面交通流量，缓解突发事件带来的拥堵。3)自学习优化，基于高架突发事件历史流量、信控数据，分析地面道路交通流量变化规律，进行自学习优化，对拥堵时地面道路信控方案进行优化调整，分时段、分拥堵原因等情况进行信号方案的配置，从而更好的应对后期发生的高架拥堵情况。

整个信号实时自适应控制及自学习优化算分为单点多时段自学习优化和实时配时优化两种，本实施例采用如图2所示流程实施控制策略。

⑥下发出行引导策略：当高架发生突发事件，并基于通行效率预测模型预测即将发生拥堵时，上匝道诱导发布屏将发布匝道将在几分钟内关闭的消息，附近汇流路口地面诱导、地图APP如高德地图、车载终端设备、微警务等将发布高架实时路况，让驾驶员提前做好行程变更，选择合理的行车路径，从而提升通行效率。

应用本实施例的城市快速路突发事件的影响预测及管控方法：2020年9月21日下午17点15分钟左右，基于感知的数据得知常州市龙城大道通江路段附近高架某车道发生2车追尾事故，影响了高架通行。依据本发明的通行效率预测模型预测当前高架通行效率为0.612，基于LSTM拥堵预测模型预测高架将在11分钟后将拥堵至龙城高架新堂路东向西上匝道，故提前在高架上匝道诱导屏发布匝道将关闭消息，并在关闭前进入关闭倒计时。

当上匝道关闭后，结合地面交通流量，基于地面道路信号自适应控制算法，调整信号控制方案，引导原本打算从高架的车辆从地面通行，实现高地流量均衡。在匝道关闭前，匝道地面路段前方永宁路口由东向西10分钟交通流量为111辆，匝道关闭后，10分钟交通流量为297辆。

当某下匝道发生拥堵时，基于下匝道排队长度及路口交通流量，依据最大排队长度下的实时自适应信号控制模型，实时调整直行方向绿灯放行时长，减少高架等快速路下匝道排队长度。例如：青洋高架等快速路中吴大道北向南下匝道，未实施该系统前，发生拥堵时排队长度平均为210米，匝道对应路口信控相位绿灯时长25秒；在实施该系统后，依据路口交通流量实时调节匝道对应路口信控相位绿灯时长(25秒-32秒自适应控制)，此时发生拥堵时排队长度平均为140米，有效提高高架等快速路主线的通行效率。

显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (10)

1.一种城市快速路突发事件的影响预测及管控方法，其特征在于包括如下步骤：

①原始数据收集：数据包括交警自有类、内部共享类、外部感知类以及互联网获取类四类数据；

②事件感知及建立主线通行效率预测模型，具体包括如下步骤：

2.1)从步骤①收集的原始数据中提取需要的数据；

2.2)数据清洗与降噪融合；

2.3)主线通行效率基线标定：考虑到高架交通流特征，即工作日与周末、节假日的出行规律差异，本模型将根据清洗融合后的交通历史数据，利用平均值法标定工作日与周末、节假日正常同行情况下，不同时段，各高架匝道出、入口合流区的通行效率(即断面流量与断面平均流速)，建立各合流区通行效率影响因子分析计算基线，用于后续影响因子筛选与影响率计算；

2.4)关键通行效率影响因子筛选：根据历史数据与交通管理数据，建立潜在通行效率影响因子集合，包括路面状况：积水深度、积雪厚度、结冰情况，能见度情况：雨雪天与雾霾，事故影响情况：占用车道情况、警处预判事件严重度；从历史数据库中提取各潜在影响因子独立发生时的通行效率数据，与通行效率基线数据进行相关性分析，判定影响因素对通行效率的影响是否显著；保留影响显著性较高的因子作为通行效率关键影响因子；

2.5)单一影响因子通行效率影响率标定：根据路段通行效率基线及历史数据，标定单一影响因素x_i发生时，对应路段通行效率影响率ρ_路段k为：

根据影响因素x_i各数值散点，利用线性回归法求解路段通行效率关于该影响因素的线性回归方程：

ρ_路段k(x_i)＝A_ix_i+B_i

从而根据回归方程可推演未知影响因子值对路段通行效率的影响，实现全天候通行效率影响预判；

2.6)路段通行效率预测：为了减少通行效率预测的模型构建复杂度和求解难度，假设各通行效率影响因子之间相互独立，因此多个影响因子对路段通行效率整体影响为：

通行效率α_路段k的数值区间为0-1，数值越大，表示事件对交通影响越小；

③主线交通蔓延计算及拥堵预测模型：在得到当前路段通行效率α_路段k后，基于当前路段主线汇入流量、上匝道汇入流量、主线下游流量以及下匝道卸流流量，计算当前路段的流量增加情况；通过基于LSTM时间序列预测模型的拥堵预测模型，结合当前路段通行效率，预测路段未来15分钟、每5分钟一基准点的通行需求时间X，确认上匝道是否有溢出风险，是否应在15分钟内关闭上匝道；此蔓延及拥堵预测将持续不间断进行，待拥堵情况处理完成或拥堵情况大大缓解后，决策是否开放相应的匝道；

④反馈与优化调整：针对蔓延计算及拥堵预测的结果，结合实际情况，对通行效率预测模型进行相应的反馈，不断优化调整模型各影响因子通行效率影响率，从而不断优化算法模型；

⑤制定高地联动信号自适应控制策略；

⑥下发出行引导策略。

2.根据权利要求1所述的城市快速路突发事件的影响预测及管控方法，其特征在于：所述步骤③具体包括如下步骤：

3.1)确定涉及参数：后方道路主线流量及匝道新增流量Q_in、下匝道消散流量+主线下游流量Q_out，车道n，高架主线各车道平均通行能力为C(C＝α_路段k*C₀，其中α_路段k为交通通行效率值)；

3.2)通行需求时间：

3.3)计算

C₀是两个匝道间在非拥堵情况下主线各车道平均通行能力，X₀为此种状态下临界通行需求时间；

3.4)基于历史数据

(每5分钟两个匝道间通行需求时间)，完成LSTM模型的训练；

3.5)计算当前时刻t最近的3笔历史通行需求时间X₁、X₂、X₃；

3.6)基于完成的LSTM模型，预测t时刻后3笔通行需求时间

3.7)当

均大于X₀时，表示未来的15分钟上匝道有溢出风险，应在15分钟内关闭上匝，反之则不关闭上匝道。

3.根据权利要求1所述的城市快速路突发事件的影响预测及管控方法，其特征在于：所述步骤①收集的数据包括交警自有类、内部共享类、外部感知类以及互联网获取类四类数据，如下表1所示：

表1模型涉及数据示意表。

4.根据权利要求3所述的城市快速路突发事件的影响预测及管控方法，其特征在于：步骤②的2.1)中，基于高架时，利用既有感知设备及互联网数据，获取的相关交通动态数据及气象关键数据如下：

通过水位传感器，获取实时的道路积水量P(单位：cm)；

通过压力传感器，获取实时的积雪厚度S(单位：cm)；

通过结冰传感器，获取实时的路面结冰厚度F(单位：mm)；

通过雾霾传感器，获取实时的雾霾浓度以及可见度G(单位：km)；

通过融合微波雷达与摄像头采集数据，获取某路段实时的车流量T(单位：pcu/h)；

通过交通事件检测器，检测道路的交通事故、抛洒物等事件，获取交通事件H。

5.根据权利要求1所述的城市快速路突发事件的影响预测及管控方法，其特征在于：步骤②的2.2)中，数据清洗与降噪融合：由于部分传感器的初始数据是从模拟信号中获取，通过模拟信号获取数据容易存在噪声以及脉冲干扰，各感知设备的感知精度和数据质量存在差异，因此需要对所获取的原始数据进行数据清洗、降噪；清洗对象包括零值、离群值、错误值；降噪则是通过放大部分设计相应的差分，放大电路以进行共模抑制，从而滤除干扰信号、放大有信号，实现降噪处理；

在数据清洗完成后，感知数据对道路交通效率的影响与感知数据数值之间呈现非线性关系，利用张量模型对交通状态信息进行融合、汇聚预处理，从而获取可靠的、高精度交通状态数据。

6.根据权利要求1所述的城市快速路突发事件的影响预测及管控方法，其特征在于：所述步骤④的反馈与优化调整包括：基于当前路段通行效率α计算出上匝道15分钟内没有溢出风险，没有在15分钟内关闭上匝道，结果实际不到15分钟上匝道已经拥堵并溢出，反馈结果给通行效率预测模型，需提升当前事件的影响因子通行效率影响率，从而优化通行效率预测模型。

7.根据权利要求1所述的城市快速路突发事件的影响预测及管控方法，其特征在于：步骤⑤的自适应控制策略包括如下控制策略：1)上匝道匝控，基于主线交通蔓延计算及拥堵预测结果，决策上匝道是否关闭、何时关闭以及何时开启，此研判将持续不间断进行直至高架畅通；2)上下匝道路口信控，当上匝道关闭或下匝道发生拥堵时，地面道路将结合当前路口交通流量，依托信号实时自适应控制及自学习优化算法实现信号实时自适应控制，从而引导车辆分流，均衡高架及地面交通流量，缓解突发事件带来的拥堵；3)自学习优化，基于高架突发事件历史流量、信控数据，分析地面道路交通流量变化规律，进行自学习优化，对拥堵时地面道路信控方案进行优化调整，分时段、分拥堵原因等情况进行信号方案的配置，从而更好的应对后期发生的高架拥堵情况。

8.根据权利要求1所述的城市快速路突发事件的影响预测及管控方法，其特征在于：步骤⑥具体来讲，当城市快速路发生突发事件，并基于通行效率预测模型预测即将发生拥堵时，上匝道诱导发布屏将发布匝道将在几分钟内关闭的消息，附近汇流路口地面诱导、地图APP、车载终端设备、微警务将发布高架实时路况，让驾驶员提前做好行程变更，选择合理的行车路径。

9.一种城市快速路突发事件的影响预测方法，其特征在于包括如下步骤：

①原始数据收集：数据包括交警自有类、内部共享类、外部感知类以及互联网获取类四类数据；

②事件感知及建立主线通行效率预测模型，具体包括如下步骤：

2.1)从步骤①收集的原始数据中提取需要的数据；

2.2)数据清洗与降噪融合；

2.3)主线通行效率基线标定：考虑到高架交通流特征，即工作日与周末、节假日的出行规律差异，本模型将根据清洗融合后的交通历史数据，利用平均值法标定工作日与周末、节假日正常同行情况下，不同时段，各高架匝道出、入口合流区的通行效率(即断面流量与断面平均流速)，建立各合流区通行效率影响因子分析计算基线，用于后续影响因子筛选与影响率计算；

2.4)关键通行效率影响因子筛选：根据历史数据与交通管理数据，建立潜在通行效率影响因子集合，包括路面状况：积水深度、积雪厚度、结冰情况，能见度情况：雨雪天与雾霾，事故影响情况：占用车道情况、警处预判事件严重度；从历史数据库中提取各潜在影响因子独立发生时的通行效率数据，与通行效率基线数据进行相关性分析，判定影响因素对通行效率的影响是否显著；保留影响显著性较高的因子作为通行效率关键影响因子；

2.5)单一影响因子通行效率影响率标定：根据路段通行效率基线及历史数据，标定单一影响因素x_i发生时，对应路段通行效率影响率ρ_路段k为：

根据影响因素x_i各数值散点，利用线性回归法求解路段通行效率关于该影响因素的线性回归方程：

ρ_路段k(x_i)＝A_ix_i+B_i

从而根据回归方程可推演未知影响因子值对路段通行效率的影响，实现全天候通行效率影响预判；

2.6)路段通行效率预测：为了减少通行效率预测的模型构建复杂度和求解难度，假设各通行效率影响因子之间相互独立，因此多个影响因子对路段通行效率整体影响为：

通行效率α_路段k的数值区间为0-1，数值越大，表示事件对交通影响越小；

③主线交通蔓延计算及拥堵预测模型：在得到当前路段通行效率α_路段k后，基于当前路段主线汇入流量、上匝道汇入流量、主线下游流量以及下匝道卸流流量，计算当前路段的流量增加情况；通过基于LSTM时间序列预测模型的拥堵预测模型，结合当前路段通行效率，预测路段未来15分钟、每5分钟一基准点的通行需求时间X，确认上匝道是否有溢出风险，是否应在15分钟内关闭上匝道；此蔓延及拥堵预测将持续不间断进行，待拥堵情况处理完成或拥堵情况大大缓解后，决策是否开放相应的匝道；

④反馈与优化调整：针对蔓延计算及拥堵预测的结果，结合实际情况，对通行效率预测模型进行相应的反馈，不断优化调整模型各影响因子通行效率影响率，从而不断优化算法模型。

10.根据权利要求9所述的城市快速路突发事件的影响预测方法，其特征在于：所述步骤③具体包括如下步骤：

3.1)确定涉及参数：后方道路主线流量及匝道新增流量Q_in、下匝道消散流量+主线下游流量Q_out，车道n，高架主线各车道平均通行能力为C(C＝α_路段k*C₀，其中α_路段k为交通通行效率值)；

3.2)通行需求时间：

3.3)计算

C₀是两个匝道间在非拥堵情况下主线各车道平均通行能力，X₀为此种状态下临界通行需求时间；

3.4)基于历史数据

(每5分钟两个匝道间通行需求时间)，完成LSTM模型的训练；

3.5)计算当前时刻t最近的3笔历史通行需求时间X₁、X₂、X₃；

3.6)基于完成的LSTM模型，预测t时刻后3笔通行需求时间

3.7)些

均大于X₀时，表示未来的15分钟上匝道有溢出风险，应在15分钟内关闭上匝，反之则不关闭上匝道。

Images