CN113851009A - 一种城市干道时空划分方法 - Google Patents
一种城市干道时空划分方法 Download PDFInfo
- Publication number
- CN113851009A CN113851009A CN202111182092.6A CN202111182092A CN113851009A CN 113851009 A CN113851009 A CN 113851009A CN 202111182092 A CN202111182092 A CN 202111182092A CN 113851009 A CN113851009 A CN 113851009A
- Authority
- CN
- China
- Prior art keywords
- traffic
- time
- space
- determining
- sub
- 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
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种城市干道时空划分方法,该方法包括:获取交通路段和交通分叉口的交通特征参数;根据所述交通特征参数,分别进行空间子区和时间子区的划分;根据所述空间子区和所述时间子区,确定时空子区,以进行协调控制。本发明通过采集到的实时交通数据并结合历史交通数据对城市干道在时间‑空间上进行时空划分,得到若干时空协调子区,再对各时空协调子区内部以及各时空协调子区间进行动态协调,以达到城市干道全天候的实时动态协调控制。
Description
技术领域
本发明涉及交通工程技术领域,尤其涉及一种城市干道时空划分方法。
背景技术
现城市路网密度不断增加导致交叉口数量急剧增加,使得城市干道路口数量增多且路口间距离减小。因此,对干道进行协调控制是必然的结果,但如今城市道路网络复杂,各路口交通特征不尽相同且时空变化特征显著,难以实施大范围的协调控制。
然而,对于城市干道信号控制,现有绿波协调控制主要缺点有:控制范围受限且不具有针对性;控制时间一般在高峰期或是特定的时段;控制方式较为粗犷,未根据各路段及交叉口实时交通特性实施不同的绿波控制方案(不同带宽、不同带速),无法满足精准控制、全天候控制、大范围控制的特点。现有技术主要是对绿波模型在特定的交通环境下的优化改进和扩展,这并未改变绿波协调模型的时空控制范围,也无法适应现城市干道路口差异较大、交通特征时空变化强的特点。
因此,如何实现全天候、大范围实时动态精准协调控制是亟待解决的问题。
发明内容
有鉴于此,有必要提供一种城市干道时空划分方法,用以克服现有技术中绿波协调控制其控制范围受限、控制时段受限,不能适应现城市干道交叉口差异较大、交通特征变化强的特点的问题。
本发明提供了一种城市干道时空划分方法,包括:
获取交通路段和交通分叉口的交通特征参数;
根据所述交通特征参数,分别进行空间子区和时间子区的划分;
根据所述空间子区和所述时间子区,确定时空子区,以进行协调控制。
进一步地,所述交通特征参数包括交通流量数据,所述根据所述交通特征参数,分别进行空间子区和时间子区的划分,包括:
根据实时采集的所述交通流量数据,确定阈值上限和阈值下限;
根据所述阈值上限和所述阈值下限,划分所述空间子区。
进一步地,所述交通流量数据包括相邻的交通分叉口之间的绿波带宽、相邻的交通分叉口在协调方向上的直行方向的车道数、信号公共周期时长、车辆通过交通分叉口的饱和车头时距,所述根据实时采集的所述交通流量数据,确定阈值上限和阈值下限,包括:
根据所述绿波带宽、所述车道数的最小值和预设数值的乘积,确定第一乘积:
根据所述信号公共周期时长和所述饱和车头时距的乘积,确定第二乘积;
根据所述第一乘积和所述第二乘积之商,确定所述阈值上限。
进一步地,所述交通流量数据包括第i个交通分叉口的直行车流量、第i个交通分叉口的左转车流量、第i个交通分叉口的右转车流量、第i+1个交通分叉口的左转车流量、第i+1个交通分叉口的右转车流量,在所述根据所述第一乘积和所述第二乘积之商,确定所述阈值上限之后,还包括:
根据所述第i个交通分叉口的直行车流量、所述第i个交通分叉口的左转车流量和所述第i个交通分叉口的右转车流量之和,确定第一和值;
根据所述第i+1个交通分叉口的左转车流量、所述第i+1个交通分叉口的右转车流量之和,确定第二和值;
根据所述第一和值和所述第二和值之差,确定实际交通流量;
根据所述阈值上限和所述实际交通流量的比较结果,确定是否进行协调控制。
进一步地,所述交通流量数据包括路段上行交通量、路段下行交通量、相邻的交通分叉口的路段长度,所述根据实时采集的所述交通流量数据,确定阈值上限和阈值下限,包括:
根据所述路段上行交通量和所述路段下行交通量之和,确定相邻的交通分叉口的路段流量;
根据所述路段流量和所述路段长度之商,确定所述阈值下限。
进一步地,所述交通流量数据还包括交通分叉口的合并关联度阈值,在所述根据所述路段流量和所述路段长度之商,确定所述阈值下限之后,还包括:
若所述阈值下限大于或等于所述合并关联度阈值,则需要协调控制;
若所述阈值下限小于所述合并关联度阈值,则不需要协调控制。
进一步地,所述交通特征参数包括交通分叉口的流量采集数据,所述根据所述交通特征参数,分别进行空间子区和时间子区的划分,包括:
根据每个交通分叉口在预设时段的所述流量采集数据,确定子区交通序列;
基于损失函数和最佳聚类数,采用有序聚类算法对所述子区交通序列进行归类,确定使所述损失函数最小的最佳划分方法;
根据所述最佳划分方法,确定所述时间子区。
进一步地,所述最佳聚类数的确定过程包括:
随机生成初始聚类数,并计算对应的第一时间划分准则函数;
扰动产生新的聚类数,并计算对应的第二时间划分准则函数;
根据所述第一时间划分准则函数和所述第二时间划分准则函数的差值,进行聚类数的更新,直到达到迭代次数;
当最终更新概率底数满足预设条件,则输出此时更新的聚类数,作为所述最佳聚类数。
进一步地,所述根据所述第一时间划分准则函数和所述第二时间划分准则函数的差值,进行聚类数的更新,包括:
当所述差值大于预设数值,则判定初始聚类数比新的聚类数优秀,依据生成概率接受新的聚类数,并将所述最终更新概率底数和预设比值相乘进行更新,其中,所述生成概率根据所述最终更新概率底数和所述差值而确定,所述预设比值根据所述空间子区的交通序列的波动程度而确定;
当所述差值小于或等于预设数值,则判定新的聚类数比初始聚类数优秀,将新的聚类数替换初始聚类数,并将所述第二时间划分准则函数替换所述第一时间划分准则函数。
进一步地,所述根据所述空间子区和所述时间子区,确定时空子区,以进行协调控制,包括:
以纵坐标为交叉口空间坐标,以横坐标为时间坐标,形成对应的笛卡尔坐标;
将所述时间子区和空间子区表示在所述笛卡尔坐标,其中,以横线为所述空间子区的划分界限,以竖线为所述时间子区的划分界限,横线和竖线围成的区域为所述时空子区。
与现有技术相比,本发明的有益效果包括:首先,对交通路段和交通分叉口的交通特征参数进行有效的获取;进而,从时间和空间两个维度对城市干道分别进行划分;最后,结合时空子区和空间子区,得到若干时空子区,再对各时空子区内部以及各时空子区间进行动态协调,以达到城市干道全天候的实时动态协调控制的目的。
附图说明
图1为本发明提供的城市干道时空划分方法的应用系统一实施例的场景示意图;
图2为本发明提供的城市干道时空划分方法一实施例的流程示意图;
图3为本发明提供的图2中步骤S2确定空间子区一实施例的流程示意图;
图4为本发明提供的城市干道一实施例的流程示意图;
图5为本发明提供的图2中步骤S2确定时间子区一实施例的流程示意图;
图6为本发明提供的图5中步骤S24中最佳聚类数的确定过程一实施例的流程示意图;
图7为本发明提供的图2中步骤S3一实施例的流程示意图;
图8为本发明提供的笛卡尔坐标系划分结果一实施例的流程示意图;
图9为本发明提供的城市干道时空划分装置一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明的描述中,提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,所描述的实施例可以与其它实施例相结合。
本发明提供了一种城市干道时空划分方法,对城市干道在时间-空间上进行时空划分,为进一步提高城市干道动态控制的实行性和准确性提供了新思路。以下分别进行详细说明:
本发明实施例提供了一种城市干道时空划分方法的应用系统,图1为本发明提供的城市干道时空划分方法的应用系统一实施例的场景示意图,该系统可以包括服务器100,服务器100中集成有城市干道时空划分装置,如图1中的服务器。
本发明实施例中服务器100主要用于:
获取交通路段和交通分叉口的交通特征参数;
根据所述交通特征参数,分别进行空间子区和时间子区的划分;
根据所述空间子区和所述时间子区,确定时空子区,以进行协调控制。
本发明实施例中,该服务器100可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本发明实施例中所描述的服务器100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是,本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定终端200的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本发明方案一种应用场景,并不构成对本发明方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的终端,例如图1中仅示出2个终端,可以理解的,该城市干道时空划分方法的应用系统还可以包括一个或多个其他终端,具体此处不作限定。
另外,如图1所示,该城市干道时空划分方法的应用系统还可以包括存储器200,用于存储数据,如交通特征参数、空间子区、时间子区和时空子区等。
需要说明的是,图1所示的城市干道时空划分方法的应用系统的场景示意图仅仅是一个示例,本发明实施例描述的城市干道时空划分方法的应用系统以及场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着城市干道时空划分方法的应用系统的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
本发明实施例提供了一种城市干道时空划分方法,结合图2来看,图2为本发明提供的城市干道时空划分方法一实施例的流程示意图,包括步骤S1至步骤S2,其中:
在步骤S1中,获取交通路段和交通分叉口的交通特征参数;
在步骤S2中,根据所述交通特征参数,分别进行空间子区和时间子区的划分;
在步骤S3中,根据所述空间子区和所述时间子区,确定时空子区,以进行协调控制。
在本发明实施例中,首先,对交通路段和交通分叉口的交通特征参数进行有效的获取;进而,从时间和空间两个维度对城市干道分别进行划分;最后,结合时空子区和空间子区,得到若干时空子区,再对各时空子区内部以及各时空子区间进行动态协调,以达到城市干道全天候的实时动态协调控制的目的。
作为优选的实施例,所述交通特征参数包括交通流量数据,结合图3来看,图3为本发明提供的图2中步骤S2确定空间子区一实施例的流程示意图,包括步骤S21至步骤S22,其中:
在步骤S21中,根据实时采集的所述交通流量数据,确定阈值上限和阈值下限;
在步骤S22中,根据所述阈值上限和所述阈值下限,划分所述空间子区。
在本发明实施例中,有效确定阈值上限和阈值下限后,再进行空间子区的划分。需要说明的是,空间划分是指根据路段和交叉口的交通特征对城市干道进行子区划分。空间划分首先要满足交叉口间关联性的要求,而现有文献大部分也是考虑交叉口关联性对交叉口进行子区划分。这种划分方法需要提出的是,当相邻交叉口关联度较大时,该相邻的两个交叉口必然要进行协调,但其流量也不能无限大,一旦超过两交叉口间所能通过的最大车辆数必然导致要有车辆需要停车等候。因此,合理的划分原则应该是以关联度划分为阈值下限、以相邻交叉口间的绿灯期间所能通过的最大车辆数为阈值上限对干道交叉口进行空间划分。
作为优选的实施例,所述交通流量数据包括相邻的交通分叉口之间的绿波带宽、相邻的交通分叉口在协调方向上的直行方向的车道数、信号公共周期时长、车辆通过交通分叉口的饱和车头时距,步骤S21中,阈值上限确定的过程,包括:
根据所述绿波带宽、所述车道数的最小值和预设数值的乘积,确定第一乘积;
根据所述信号公共周期时长和所述饱和车头时距的乘积,确定第二乘积;
根据所述第一乘积和所述第二乘积之商,确定所述阈值上限。
在本发明实施例中,根据多种交通流量数据,有效确定阈值上限。
作为优选的实施例,所述交通流量数据包括第i个交通分叉口的直行车流量、第i个交通分叉口的左转车流量、第i个交通分叉口的右转车流量、第i+1个交通分叉口的左转车流量、第i+1个交通分叉口的右转车流量,步骤S21中,在确定阈值上限之后,包括:
根据所述第i个交通分叉口的直行车流量、所述第i个交通分叉口的左转车流量和所述第i个交通分叉口的右转车流量之和,确定第一和值;
根据所述第i+1个交通分叉口的左转车流量、所述第i+1个交通分叉口的右转车流量之和,确定第二和值;
根据所述第一和值和所述第二和值之差,确定实际交通流量;
根据所述阈值上限和所述实际交通流量的比较结果,确定是否进行协调控制。
在本发明实施例中,根据多种交通流量数据,有效确定是否进行协调控制。
在本发明一个具体的实施例中,结合图4来看,图4为本发明提供的城市干道一实施例的流程示意图,定义物理量Q为交通流量、S为空间距离、R为路口的关联度,空间划分的阈值上限的确定如下:
以实时采集的交通流量为输入,计算各相邻路口间绿波最大通行能力与实际交通流量的大小,公式如下:
Qsi,i+1=Qsm,i+Qsl,i+Qsr,i-Qsl,i+1-Qsr,i+1
式中,为一个周期从路口i到路口i+1不停车通过的最大车辆数;BWi,i+1为路口i至路口i+1的绿波带宽;LNi,i+1为路口i或路口i+1在协调方向的直行方向的车道数;C为信号公共周期时长;ht为车辆通过路口的饱和车头时距;Qsi,i+1为协调方向上驶入路口i的直行车辆数;Qsm,i为路口i的直行车流量;Qsl,j为路口i的左转车流量;Qsr,i为路口i的右转车流量;Qsl,i+1为路口i+1的左转车流量;Qsr,i+1为路口i+1的右转车流量。
作为优选的实施例,所述交通流量数据包括路段上行交通量、路段下行交通量、相邻的交通分叉口的路段长度,步骤S21中,阈值下限确定的过程,包括:
根据所述路段上行交通量和所述路段下行交通量之和,确定相邻的交通分叉口的路段流量;
根据所述路段流量和所述路段长度之商,确定所述阈值下限。
在本发明实施例中,根据多种交通流量数据,确定所述阈值下限。
作为优选的实施例,所述交通流量数据还包括交通分叉口的合并关联度阈值,步骤S21中,在确定所述阈值下限之后,还包括:
若所述阈值下限大于或等于所述合并关联度阈值,则需要协调控制;
若所述阈值下限小于所述合并关联度阈值,则不需要协调控制。
在本发明实施例中,根据阈值下限和合并关联度阈值的比较,有效确定是否需要协调控制。
作为优选的实施例,所述交通特征参数包括交通流量数据,结合图5来看,图5为本发明提供的图2中步骤S2确定时间子区一实施例的流程示意图,包括步骤S23至步骤S25,其中:
在步骤S23中,根据每个交通分叉口在预设时段的所述流量采集数据,确定子区交通序列;
在步骤S24中,基于损失函数和最佳聚类数,采用有序聚类算法对所述子区交通序列进行归类,确定使所述损失函数最小的最佳划分方法;
在步骤S25中,根据所述最佳划分方法,确定所述时间子区。
在本发明实施例中,结合流量采集数据,有效进行时间维度的划分。
需要说明的是,由于多时段定时控制其实施成本低,技术难度低的特点,被大多数交通管理者所青睐,但在现有文献中仅应用在单点交叉口控制。因此,对干道协调多时段划分有别于单点交叉口,这里需要考虑多个交叉口的交通流量(单个交叉口总流量)序列,复杂于单点交叉口的时段划分。
作为优选的实施例,结合图6来看,图6为本发明提供的图5中步骤S24中最佳聚类数的确定过程一实施例的流程示意图,在步骤S24中,最佳聚类数的确定过程包括步骤S601至步骤S604,其中:
在步骤S601中,随机生成初始聚类数,并计算对应的第一时间划分准则函数;
在步骤S602中,扰动产生新的聚类数,并计算对应的第二时间划分准则函数;
在步骤S603中,根据所述第一时间划分准则函数和所述第二时间划分准则函数的差值,进行聚类数的更新,直到达到迭代次数;
在步骤S604中,当最终更新概率底数满足预设条件,则输出此时更新的聚类数,作为所述最佳聚类数。
在本发明实施例中,根据初始聚类数的更新,有效确定最佳聚类数。
作为优选的实施例,步骤S603中,具体包括:
当所述差值大于预设数值,则判定初始聚类数比新的聚类数优秀,依据生成概率接受新的聚类数,并将所述最终更新概率底数和预设比值相乘进行更新,其中,所述生成概率根据所述最终更新概率底数和所述差值而确定,所述预设比值根据所述空间子区的交通序列的波动程度而确定;
当所述差值小于或等于预设数值,则判定新的聚类数比初始聚类数优秀,将新的聚类数替换初始聚类数,并将所述第二时间划分准则函数替换所述第一时间划分准则函数。
在本发明实施例中,结合第一时间划分准则函数和第二时间划分准则函数的差值,进行初始聚类数的更新。
在本发明一个具体的实施例中,对于任意一个空间子区zi=(sk(i-1)+1,sk(i-1)+2,......,sk(i)),空间中有路口N=k(i)-k(i-1)个。以一个空间子区为时间划分单位,取预设时段t内各路口交通流量数据Qt=(q1,q2,......,qN),一天24h中采集T次样本,那么一个空间协调子区一天24h产生的交通序列可表示为:
式中,X为样本矩阵,表示一个空间子区N个路口T次采集的数据样本;Qt为时段t内N个路口流量数据组成的向量;其展开表示为:
其中,鉴于交通流量数据是时间连续的数据,时间划分采用有序聚类,定义聚类结果中划分类C包含的数据样本有j-i+1个,那么C可以表示为
C=(Qi,Qi+1,......,Qj),(1≤i≤j≤T)
其中,有序聚类算法是将相似分布且连续的流量序列归为一类,每个划分类均为相应的一个控制时段。按照有序聚类的定义,划分类中数据的相似程度定义为类内距离差,公式表达如下:
D(i,j)=||Qt-EC||,t=(i,i+1,......,j)
式中,D(i,j)为划分类C的类内距离差,即时间序列中的第i个时间至第j个时间的流量数据的离散程度,Qt为第t个时间对应的流量值,EC为划分类C中所有的流量值的期望,||A||为二范数;
其中,若把序列X中T个数据划分为k个划分类,定义it为划分类的分割点,那么多个分割点记作it=(i1,i2,......,ik),且满足1=i1<i2<.....<ik<T,如下所示可表示为划分结果:
{i1,i1+1,...,i2-1}{i2,i2+1,...,i3-1}...{ik,ik+1,...,T}
其中:
C1={i1,i1+1,...,i2-1}
C2={i2,i2+1,...,i3-1}
Ck={ik,ik+1,...,T}
其中,在有限种划分方法中,必定存在一个最佳划分方法,定义.g(T,k)为划分方法的函数,引入统计决策中损失函数的概念,则不同的划分方法对应的划分损失不同,划分损失越小,表明划分方法越优秀,可设计决策函数为:
其中,损失函数通过如下公式表示:
那么,最佳划分方法的确定实际上就转化为函数最小值问题,即求决策函数R(T,k)最小值对应的g(T,k),可得到最佳划分方法G(T,k)。
当然,G(T,k)是在已知k值的前提下求解的,因此,还需要得到一个最佳聚类数k。
其中,定义时间划分准则函数fk(P)=fk({x1,x2,...,xk}),那么,最佳聚类数的求解问题就转化为求解函数fk(P)组合问题的解,即:
在本发明一个具体的实施例中,fk(P)最小值的求解是非线性最值问题,求解最佳聚类数的过程如下:
第二步,扰动产生新的聚类数k*,再次计算第二时间划分准则函数fk(k*);
第三步,计算差值Δfk=fk(k*)-fk(k);
第四步,当Δfk大于0,则判定初始聚类数k比新的聚类数k*优秀,依据生成概率接受新的聚类数k*,并将所述最终更新概率底数M和预设比值γ相乘进行更新,其中,生成概率为预设比值为γ∈(0,1),根据所述空间子区的交通序列的波动程度而确定,M为最终更新概率底数,表示为M=γ*M。
第五步,当Δfk小于或等于0,则判定新的聚类数k*比初始聚类数k优秀,将新的聚类数k*替换初始聚类数k,并将所述第二时间划分准则函数fk(k*)替换所述第一时间划分准则函数fk(k*);
第六步,当达到迭代次数,继续判断最终更新概率底数是否满足M≤ε,ε与空间子区交通流的稳定性相关;
第七步,输出此时的k。
作为优选的实施例,结合图7来看,图7为本发明提供的图2中步骤S3一实施例的流程示意图,在步骤S3中,包括步骤S31至步骤S32,其中:
在步骤S31中,以纵坐标为交叉口空间坐标,以横坐标为时间坐标,形成对应的笛卡尔坐标;
在步骤S32中,将所述时间子区和空间子区表示在所述笛卡尔坐标,其中,以横线为所述空间子区的划分界限,以竖线为所述时间子区的划分界限,横线和竖线围成的区域为所述时空子区。
在本发明实施例中,将时间子区和空间子区映射于笛卡尔坐标,形成时空子区。
在本发明一个具体的实施例中,结合图8来看,图8为本发明提供的笛卡尔坐标系划分结果一实施例的流程示意图,横线为空间子区的划分界线;竖线为时间子区的划分界线;被横线与竖线围成的时空为时空子区,记作z[s(i),t(j)]。其中,横线的确定即为上述空间划分方法,记作HLi;竖线的确定即为上述时间划分方法,记作VLi。车流在城市干道上移动所产生的时空效应可对应分布在上图8时空中,每个时空子区可看成一个独立的系统,当车流跨越HLi、VLi时会影响整个交通系统的稳定性,因此,需要对各时空子区进行动态协调控制。
在本发明一个具体的实施例中,采用的控制策略如下:
第一,不考虑时间分区,车流跨越HLi时,各空间子区的内部、外部协调方法采用;
第二,不考虑空间分区,车流跨越VLi时,车流需要一段缓冲时间来适应新时间子区的控制方案,因此,这里需要采用一个最小周期平滑过度方案,将车流过度到新时间子区。
本发明实施例还提供了一种城市干道时空划分装置,结合图9来看,图9为本发明提供的城市干道时空划分装置一实施例的结构示意图,上述城市干道时空划分装置900,包括:
获取单元901,用于获取交通路段和交通分叉口的交通特征参数;
处理单元902,用于根据所述交通特征参数,分别进行空间子区和时间子区的划分;
区分单元903,用于根据所述空间子区和所述时间子区,确定时空子区,以进行协调控制。
根据本发明上述实施例提供的城市干道时空划分装置,可以参照根据本发明实现如上所述的城市干道时空划分方法具体描述的内容实现,并具有与如上所述的城市干道时空划分方法类似的有益效果,在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如上所述的城市干道时空划分方法。
一般来说,用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质,除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言,特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供了一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如上所述的城市干道时空划分方法。
根据本发明上述实施例提供的计算机可读存储介质和计算设备,可以参照根据本发明实现如上所述的城市干道时空划分方法具体描述的内容实现,并具有与如上所述的城市干道时空划分方法类似的有益效果,在此不再赘述。
本发明公开了一种城市干道时空划分方法,首先,对交通路段和交通分叉口的交通特征参数进行有效的获取;进而,从时间和空间两个维度对城市干道分别进行划分;最后,结合时空子区和空间子区,得到若干时空子区,再对各时空子区内部以及各时空子区间进行动态协调,以达到城市干道全天候的实时动态协调控制的目的。
本发明技术方案,通过采集到的实时交通数据并结合历史交通数据对城市干道在时间-空间上进行时空划分,得到若干时空协调子区,再对各时空协调子区内部以及各时空协调子区间进行动态协调,以达到城市干道全天候的实时动态协调控制。
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。
Claims (10)
1.一种城市干道时空划分方法,其特征在于,包括:
获取交通路段和交通分叉口的交通特征参数;
根据所述交通特征参数,分别进行空间子区和时间子区的划分;
根据所述空间子区和所述时间子区,确定时空子区,以进行协调控制。
2.根据权利要求1所述的城市干道时空划分方法,其特征在于,所述交通特征参数包括交通流量数据,所述根据所述交通特征参数,分别进行空间子区和时间子区的划分,包括:
根据实时采集的所述交通流量数据,确定阈值上限和阈值下限;
根据所述阈值上限和所述阈值下限,划分所述空间子区。
3.根据权利要求2所述的城市干道时空划分方法,其特征在于,所述交通流量数据包括相邻的交通分叉口之间的绿波带宽、相邻的交通分叉口在协调方向上的直行方向的车道数、信号公共周期时长、车辆通过交通分叉口的饱和车头时距,所述根据实时采集的所述交通流量数据,确定阈值上限和阈值下限,包括:
根据所述绿波带宽、所述车道数的最小值和预设数值的乘积,确定第一乘积;
根据所述信号公共周期时长和所述饱和车头时距的乘积,确定第二乘积;
根据所述第一乘积和所述第二乘积之商,确定所述阈值上限。
4.根据权利要求3所述的城市干道时空划分方法,其特征在于,所述交通流量数据包括第i个交通分叉口的直行车流量、第i个交通分叉口的左转车流量、第i个交通分叉口的右转车流量、第i+1个交通分叉口的左转车流量、第i+1个交通分叉口的右转车流量,在所述根据所述第一乘积和所述第二乘积之商,确定所述阈值上限之后,还包括:
根据所述第i个交通分叉口的直行车流量、所述第i个交通分叉口的左转车流量和所述第i个交通分叉口的右转车流量之和,确定第一和值;
根据所述第i+1个交通分叉口的左转车流量、所述第i+1个交通分叉口的右转车流量之和,确定第二和值;
根据所述第一和值和所述第二和值之差,确定实际交通流量;
根据所述阈值上限和所述实际交通流量的比较结果,确定是否进行协调控制。
5.根据权利要求4所述的城市干道时空划分方法,其特征在于,所述交通流量数据包括路段上行交通量、路段下行交通量、相邻的交通分叉口的路段长度,所述根据实时采集的所述交通流量数据,确定阈值上限和阈值下限,包括:
根据所述路段上行交通量和所述路段下行交通量之和,确定相邻的交通分叉口的路段流量;
根据所述路段流量和所述路段长度之商,确定所述阈值下限。
6.根据权利要求5所述的城市干道时空划分方法,其特征在于,所述交通流量数据还包括交通分叉口的合并关联度阈值,在所述根据所述路段流量和所述路段长度之商,确定所述阈值下限之后,还包括:
若所述阈值下限大于或等于所述合并关联度阈值,则需要协调控制;
若所述阈值下限小于所述合并关联度阈值,则不需要协调控制。
7.根据权利要求1所述的城市干道时空划分方法,其特征在于,所述交通特征参数包括交通分叉口的流量采集数据,所述根据所述交通特征参数,分别进行空间子区和时间子区的划分,包括:
根据每个交通分叉口在预设时段的所述流量采集数据,确定子区交通序列;
基于损失函数和最佳聚类数,采用有序聚类算法对所述子区交通序列进行归类,确定使所述损失函数最小的最佳划分方法;
根据所述最佳划分方法,确定所述时间子区。
8.根据权利要求1所述的城市干道时空划分方法,其特征在于,所述最佳聚类数的确定过程包括:
随机生成初始聚类数,并计算对应的第一时间划分准则函数;
扰动产生新的聚类数,并计算对应的第二时间划分准则函数;
根据所述第一时间划分准则函数和所述第二时间划分准则函数的差值,进行聚类数的更新,直到达到迭代次数;
当最终更新概率底数满足预设条件,则输出此时更新的聚类数,作为所述最佳聚类数。
9.根据权利要求8所述的城市干道时空划分方法,其特征在于,所述根据所述第一时间划分准则函数和所述第二时间划分准则函数的差值,进行聚类数的更新,包括:
当所述差值大于预设数值,则判定初始聚类数比新的聚类数优秀,依据生成概率接受新的聚类数,并将所述最终更新概率底数和预设比值相乘进行更新,其中,所述生成概率根据所述最终更新概率底数和所述差值而确定,所述预设比值根据所述空间子区的交通序列的波动程度而确定;
当所述差值小于或等于预设数值,则判定新的聚类数比初始聚类数优秀,将新的聚类数替换初始聚类数,并将所述第二时间划分准则函数替换所述第一时间划分准则函数。
10.根据权利要求1所述的城市干道时空划分方法,其特征在于,所述根据所述空间子区和所述时间子区,确定时空子区,以进行协调控制,包括:
以纵坐标为交叉口空间坐标,以横坐标为时间坐标,形成对应的笛卡尔坐标;
将所述时间子区和空间子区表示在所述笛卡尔坐标,其中,以横线为所述空间子区的划分界限,以竖线为所述时间子区的划分界限,横线和竖线围成的区域为所述时空子区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182092.6A CN113851009B (zh) | 2021-10-11 | 2021-10-11 | 一种城市干道时空划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182092.6A CN113851009B (zh) | 2021-10-11 | 2021-10-11 | 一种城市干道时空划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113851009A true CN113851009A (zh) | 2021-12-28 |
CN113851009B CN113851009B (zh) | 2023-04-07 |
Family
ID=78977971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111182092.6A Active CN113851009B (zh) | 2021-10-11 | 2021-10-11 | 一种城市干道时空划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113851009B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN106920402A (zh) * | 2016-11-21 | 2017-07-04 | 中兴软创科技股份有限公司 | 一种基于交通流量的时间序列划分方法与系统 |
CN109887297A (zh) * | 2019-04-23 | 2019-06-14 | 太原理工大学 | 基于快速全局K-means谱聚类的城市交通控制子区的划分方法 |
CN110288826A (zh) * | 2019-05-24 | 2019-09-27 | 浙江工业大学 | 基于多源数据融合和milp的交通控制子区聚类划分方法 |
CN111192457A (zh) * | 2020-03-20 | 2020-05-22 | 青岛海信网络科技股份有限公司 | 一种城市级整体的交通信号控制的方法及装置 |
CN111210625A (zh) * | 2020-01-10 | 2020-05-29 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
CN111341110A (zh) * | 2020-05-22 | 2020-06-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 信号协调控制子区划分方法、装置、存储介质及终端设备 |
CN113034937A (zh) * | 2021-03-02 | 2021-06-25 | 武汉理工大学 | 一种城市干道分段绿波协调控制方法、装置及系统 |
-
2021
- 2021-10-11 CN CN202111182092.6A patent/CN113851009B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN106920402A (zh) * | 2016-11-21 | 2017-07-04 | 中兴软创科技股份有限公司 | 一种基于交通流量的时间序列划分方法与系统 |
CN109887297A (zh) * | 2019-04-23 | 2019-06-14 | 太原理工大学 | 基于快速全局K-means谱聚类的城市交通控制子区的划分方法 |
CN110288826A (zh) * | 2019-05-24 | 2019-09-27 | 浙江工业大学 | 基于多源数据融合和milp的交通控制子区聚类划分方法 |
CN111210625A (zh) * | 2020-01-10 | 2020-05-29 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
CN111192457A (zh) * | 2020-03-20 | 2020-05-22 | 青岛海信网络科技股份有限公司 | 一种城市级整体的交通信号控制的方法及装置 |
CN111341110A (zh) * | 2020-05-22 | 2020-06-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 信号协调控制子区划分方法、装置、存储介质及终端设备 |
CN113034937A (zh) * | 2021-03-02 | 2021-06-25 | 武汉理工大学 | 一种城市干道分段绿波协调控制方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
李文婧等: "采用递归有序聚类的信号控制时段划分方法", 《浙江大学学报(工学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113851009B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180530B (zh) | 一种基于深度时空卷积循环网络的路网状态预测方法 | |
Yang et al. | Ensemble learning for short-term traffic prediction based on gradient boosting machine | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN102810118B (zh) | 一种变权网k近邻搜索方法 | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
Li et al. | Evolutionary clustering of moving objects | |
Ip et al. | Vehicle trajectory prediction based on LSTM recurrent neural networks | |
CN112215427A (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 | |
CN106570062A (zh) | 一种路网轨迹不确定移动对象范围查询系统及方法 | |
Zhou et al. | Spatial–temporal deep tensor neural networks for large-scale urban network speed prediction | |
CN114613163B (zh) | 一种可变导向车道与交叉口信号配时交互关系的控制方法 | |
Kanoh et al. | Short-term traffic prediction using fuzzy c-means and cellular automata in a wide-area road network | |
CN113851009B (zh) | 一种城市干道时空划分方法 | |
Riyadh et al. | CC_TRS: Continuous clustering of trajectory stream data based on micro cluster life | |
Boukerche et al. | FECO: an efficient deep reinforcement learning-based fuel-economic traffic signal control scheme | |
CN114039871A (zh) | 一种蜂窝流量预测的方法、系统、装置及介质 | |
CN117079482B (zh) | 一种基于交叉路口的车辆通行预测方法、设备及介质 | |
Asano et al. | Traffic simulation of Kobe-city | |
Zhao et al. | Optimizing the Junction‐Tree‐Based Reinforcement Learning Algorithm for Network‐Wide Signal Coordination | |
Zhang et al. | Multi-task learning for location prediction with deep multi-model ensembles | |
CN114882713B (zh) | 基于多场景的信号控制方法、系统、设备和存储介质 | |
CN110503234A (zh) | 一种物流运输调度的方法、系统及设备 | |
CN116665448A (zh) | 一种基于图卷积网络的交通速度实时预测方法及系统 | |
CN115366919A (zh) | 一种轨迹预测方法、系统、电子设备及存储介质 | |
Zhang et al. | A pedestrian hopping model and traffic light scheduling for pedestrian-vehicle mixed-flow networks |
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 |