CN113888850B - 沙尘气象市政道路拥堵态势多因素预警方法 - Google Patents

沙尘气象市政道路拥堵态势多因素预警方法 Download PDF

Info

Publication number
CN113888850B
CN113888850B CN202111461336.4A CN202111461336A CN113888850B CN 113888850 B CN113888850 B CN 113888850B CN 202111461336 A CN202111461336 A CN 202111461336A CN 113888850 B CN113888850 B CN 113888850B
Authority
CN
China
Prior art keywords
sand
vehicle
dust
predicted
lane
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.)
Active
Application number
CN202111461336.4A
Other languages
English (en)
Other versions
CN113888850A (zh
Inventor
韩佳彤
施烨辉
李彤
任星润
徐成华
汤国毅
蔡国庆
田亚护
李召波
程荷兰
王向明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Kentop Civil Engineering Technology Co ltd
Xingtai Construction Group Co ltd
Original Assignee
Hohhot Tongxin De Municipal Engineering Design And Research Co ltd
Nanjing Kentop Civil Engineering Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohhot Tongxin De Municipal Engineering Design And Research Co ltd, Nanjing Kentop Civil Engineering Technology Co ltd filed Critical Hohhot Tongxin De Municipal Engineering Design And Research Co ltd
Priority to CN202111461336.4A priority Critical patent/CN113888850B/zh
Publication of CN113888850A publication Critical patent/CN113888850A/zh
Application granted granted Critical
Publication of CN113888850B publication Critical patent/CN113888850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

沙尘气象市政道路拥堵态势多因素预警方法,属于智能物联装备设计与建造技术领域，为了考虑市区风向分布不规律、沙尘颗粒浓度分布不规律、车辆行驶视线与沙尘运动方向分布不规律的影响，以物理量监测值前处理构造统计量、生成分类样本集、监督学习为技术手段，主要步骤包括构建气象‑路况监测预警系统平台、气象‑路况数据关联前处理、生成分类样本集、分步训练预测模型序列、拥堵态势预测与信息发布。各物理量的量测方法可行，系统架构满足现场布设要求，计算原理及步骤明确，提高了沙尘气象市政道路拥堵态势预警方法的可解释性，实用性强，可以有效提高沙尘气象市政道路拥堵态势预警可靠性和信息发布成效。

Description

沙尘气象市政道路拥堵态势多因素预警方法
技术领域
本发明涉及智能物联装备设计与建造技术领域，尤其涉及沙尘气象市政道路拥堵态势多因素预警方法。
背景技术
一种道路交通扬尘控制措施效果评估系统及评估方法（申请公布号：CN104237093A，公开公告日：2014-12-24）利用扬尘颗粒浓度监测装置获取颗粒物浓度，提出了基于扬尘排放潜势的控制效率计算公式。
一种基于无人机的扬尘监测系统（申请公布号：CN107909790A，公开公告日：2018.04.13）通过测量光线强度在入射时、穿透后的变化，根据lambert-beer定律推算扬尘浓度。
车辆扬尘颗粒物排放因子测量系统及测量方法（申请公布号：CN103439231A，公开公告日：2013.12.11）将温度、湿度、车辆行驶参数、扬尘测量传感器接入监测系统。
智能化前散能见度仪及智能化前散能见度测量方法（申请公布号：CN111487170A，公开公告日：2020.08.04）根据介质粒子直线运动导致接收传感器读出的光强度值存在阶跃变化，将降水粒子产生的前向散射值及非降水粒子产生的前向散射值两部分分别计算，得到介质总体的能见度修正值。
一种测量大气能见度的方法（申请公布号：CN101281142A，公开公告日：2008.10.08）通过获取图像特征与能见度的标注数据集，利用回归方法得到一图像特征为自变量的能见度近似计算模型。
一种针对高速团雾的能见度测量装置及其方法（申请公布号：CN110927166A，公开公告日：2020.03.27）通过颗粒物浓度传感器和温湿度传感器采集环境信息，通过归一化处理得到数据集，由三层BP神经网络训练得到能见度预测模型。
基于相关性分析和数据均衡的能见度分层预测模型（申请公布号：CN111832230A，公开公告日：2020.10.27）通过筛选出能见度的主要气象-环境影响因素，先分类再回归，提高了能见度预测模型的泛化能力。
一种基于大气细粒子谱仪的能见度测量方法（申请公布号：CN102183442A，公开公告日：2011.09.14）采用大气细粒子谱仪获取尘埃粒径、浓度参数，根据Mie散射理论和能见度公式计算大气能见度。
一种道路视频图像低能见度刻度估算方法及系统（申请公布号：CN110097762A，公开公告日：2019.08.06）单纯利用现有高速公路视频监控图像，计算出道路能见度和雾霾浓度之间的换算系数。
现有方法中，通过mie散射理论等理论方法计算，基础假设与实际环境因素之间差距较大，而且未考虑介质颗粒运动、人眼视觉暂留的影响，在沙尘气象下的实际应用存在局限。缺少对统计量进行前处理的统计学分析模型，预测模型的可解释性有欠缺，且预测模型未考虑市区风向分布不规律、沙尘颗粒浓度分布不规律、车辆行驶视线与沙尘运动方向分布不规律导致不同路段行车驾驶员视觉感受差异的影响。
发明内容
为解决现有技术的缺陷，本发明提出了沙尘气象市政道路拥堵态势多因素预警方法，包括：
步骤一构建气象-路况监测预警系统平台；
步骤二 气象-路况数据关联前处理；
步骤三 生成分类样本集；
步骤四 分步训练预测模型序列；
步骤五 拥堵态势预测与信息发布。
进一步地，所述步骤一具体包括：
气象-路况监测预警系统平台包括:车流监控终端、沙尘监测终端、风速传感器、风向传感器、信号传输线路、云服务器、互联网、交换机、大屏系统、PC端、移动端、市政交通管理信息发布平台、交通信号灯监控系统；
车流监控终端可通过信号传输线路向云服务器传输数据；
沙尘监测终端监测得到沙尘颗粒浓度及级配分布数据并通过信号传输线路向云服务器传输数据，沙尘颗粒浓度及级配分布数据也可以通过人工采样、筛分、称重并通过移动端、PC端向云服务器传输数据，人工上报时应对沙尘颗粒浓度及级配分布数据标注采样点地理坐标；沙尘监测终端或者沙尘采样点为沙尘颗粒浓度及级配分布数据直测点；
风速传感器、风向传感器自动采集仪器所在位置处的风速和风向信息，通过信号传输线路向云服务器传输数据；
车流监控终端、沙尘监测终端、风速传感器、风向传感器均应沿市政道路路网按照等距或非等距方式进行布置，车流监控终端、沙尘监测终端、风速传感器、风向传感器均应记录所在位置的地理坐标，各信息采样点及监测点位置的地理坐标均应在系统平台内的GIS系统中换算为统一的地理坐标，将各信息采样点及监测点位置在GIS内进行标注，实现各信息采样及监测点位置与市政道路坐标的融合；
大屏系统、PC端、移动端、市政交通管理信息发布平台、交通信号灯监控系统均依次经交换机、互联网接入云服务器。
进一步地，所述信号传输线路包括以下之一或任意组合:
有线传输及所依托的软件和硬件设备；
5G及所依托的软件和硬件设备；
NBiot及所依托的软件和硬件设备。
进一步地，所述步骤一具体还包括：
对于路网中单辆行车，以某时刻其车头前端所在位置的正北方向在竖直向下视角下顺时针转至行车方向得到的夹角角度，作为该车在该时刻的车流方向角；
对于路网中一个位置点，将其按照垂直于所在车道的行车轴线方向投影于行车轴线后，得到该点在行车轴线上的投影点，以投影点所在位置的正北方向在竖直向下视角下顺时针转至投影点处车道行车轴线方向得到的夹角角度，作为该位置点的车道方向角；
车道停止线中点，是一个车道段在行车方向上的终止点；
车道起始点，是一个车道段在行车方向上的起始点；
定义处于沿车道通行方向两处紧邻车道端点之间的单条车道为车道段，且单个车道段沿车道通行方向的两处车道段端点分别为车道起始点和车道停止线中点；
在气象-路况监测预警系统平台中，通过在平台内置的GIS界面上以光标点击的方式分别设定目标车道段起点与目标车道段终点来确定目标车道段，以与目标车道段起点最近的车道起始点作为目标车道段起始点，以与目标车道段终点最近的车道停止线中点作为目标车道段终止点，且目标车道段内无红绿灯；
在所有与同一交叉口相连的车道段中，定义所有直行或转向均汇入同一目标车道段的车道段为来车方向车道段群。
进一步地，所述步骤二具体包括：
对分布式环境-车流数据进行数据融合；
对于每一个风向传感器，以其所在位置的正北方向在竖直向下视角下顺时针转至测得风向得到的最小非负夹角角度，作为该风向传感器测点处的风向角；
对于每一个风速传感器，以其所在位置测得的风速速率，作为该风速传感器测点处的风速；
对于每一个沙尘监测终端或者沙尘采样点，以其所在位置测得的沙尘颗粒浓度及级配分布数据作为该点的沙尘颗粒浓度及级配分布数据；
采用车流监控终端得到不同时刻的路网行车数据，路网行车数据包含属性类数据和统计类数据，属性类数据包括车辆的车号、车辆位置坐标、监控时刻，统计类数据包括车道段车辆数量、车流方向角、行车速率，并在气象-路况监测预警系统平台内对路网行车数据进行统计；
路网中单辆行车在某时刻在其所在位置的风速大小为vd，行车速率为vc，风向角为θd，车流方向角为θc；
将车辆行驶方向等同于驾驶员的视线方向。
进一步地，所述步骤二具体还包括：
对于一般的统计学拟合模型，如果不将直接反映车辆行驶视线与沙尘运动方向分布不规律及人眼视觉暂留对驾驶员视野下的道路能见度负面影响的特征变量放入输入层进行分析，则在运算过程中不能体现这些特征变量对输出层的影响，导致模型因为变量设置不合理、缺乏物理机理解释使得训练出的模型缺乏可解释性；
所以，对气象-路况数据进行关联和前处理，得到路网中单辆行车的沙尘横向放大倍数ka、路网中单辆行车的沙尘滞留放大倍数kb，ka按照式（1）计算，D为沙尘颗粒粒径众值，D属于沙尘颗粒浓度及级配分布数据，Δt为人眼视觉暂留时间期望，可取0.2s；
Figure 237286DEST_PATH_IMAGE001
（1）
kb按照式（2）计算；
若|θc-θd|＞90°，沙尘颗粒发生与前车窗之间必有碰撞；
若|θc-θd|≤90°且vc≤∣vd×cos(θc-θd)∣，则此时沙尘颗粒与前车窗之间无碰撞，则kb=0；
若|θc-θd|≤90°且vc＞∣vd×cos(θc-θd)∣，则此时沙尘颗粒发生与前车窗之间有碰撞，且kb=((vc-∣vd×cos(θc-θd)∣)/vc)；
Figure 747902DEST_PATH_IMAGE002
（2）
路网中单辆行车的沙尘放大倍数K按照式（3）计算；
Figure 793218DEST_PATH_IMAGE003
（3）。
进一步地，路网上一个未布置风向传感器的点处的风向，取与该点三维空间直线距离最近的两个风向传感器，按照该点与这两个风向传感器的三维空间直线距离对这两个风向传感器的风向角进行线性插值，得到该点处的风向角；
路网上一个未布置风速传感器的点处的风速，取与该点三维空间直线距离最近的两个风速传感器，按照该点与这两个风速传感器的三维空间直线距离对这两个风速传感器的风速进行线性插值，得到该点处的风速大小；
路网上一个未布置沙尘监测终端或者一个未布置沙尘采样点的点处的沙尘颗粒浓度及级配分布数据，取与该点三维空间直线距离最近的两个沙尘颗粒浓度及级配分布数据直测点，按照该点与这两个沙尘颗粒浓度及级配分布数据直测点的三维空间直线距离对这两个沙尘颗粒浓度及级配分布数据直测点的沙尘颗粒浓度及级配分布数据进行线性插值，得到该点处的沙尘颗粒浓度及级配分布数据。
进一步地，所述沙尘横向放大倍数ka体现了以沙尘颗粒粒径众值为粒径的沙尘相对人眼横向运动在视觉暂留时间内在驾驶员视野中实际可见的遮挡区域面积相对于以沙尘颗粒粒径众值为边长的正方形区域面积的放大倍数，体现了沙尘颗粒尺寸的统计学特征；
所述沙尘滞留放大倍数kb为实际沿驾驶员视线方向朝向前车窗运动的沙尘颗粒相对速度分量与行车速率的比值，等效于单位时间内实际情况下前车窗上短暂停留的沙尘颗粒数量与假设沙尘相对大地静止时车窗上短暂停留的沙尘颗粒数量之比，也可等效为沙尘相对人眼纵向运动在车窗上由于车窗阻挡而形成的短暂停留、堆积形成遮挡区域面积相对于单个颗粒在人眼视线垂直平面正投影面积的放大倍数。
进一步地，所述步骤三具体包括
按照拥堵态势监控预警实施所在地的道路拥堵评价标准，对各路段分别构建分类样本集；
监控时刻在本步骤仅用于标注信息获取时刻而不参与定量计算；
分类样本集包含类、基本特征和衍生特征；
将拥堵程度作为类，将属于同一车道段内的沙尘颗粒浓度及级配分布数据、除去车辆车号后的路网行车数据、各车的vd、各车的θd、各车的ka、各车的kb、各车的K，以及同一车道段内的行车速率标准差、同一车道段内的行车速率平均值作为基本特征；
对于属于同一车道段内的基本特征，将基本特征的随机次幂进行两两相除、两两相乘得到复合非线性特征，将基本特征取自然对数运算得到对数特征，随机次幂运算中的指数取[0,10]中的随机数，复合非线性特征、对数特征、随机次幂运算中的指数共同组成衍生特征，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算；
各车的行车速率仅在基本特征中参与计算各车的kb、各车的K、同一车道段内的行车速率标准差、同一车道段内的行车速率平均值。
进一步地，所述步骤四具体包括：
监控时刻在本步骤仅用于标注信息获取时刻而不参与定量计算；
根据既有的监测数据，将同一车道段内的沙尘颗粒浓度及级配分布数据、除去行车速率及车辆车号后的路网行车数据、各车的vd、各车的θd、各车的ka作为学习样本的输入层，将同一车道段内的行车速率平均值作为学习样本的输出层，利用人工神经网络模型训练得到行车速率均值预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算；
根据既有的监测数据，将同一车道段内的沙尘颗粒浓度及级配分布数据、除去车辆车号和行车速率后的路网行车数据、各车的vd、各车的θd、各车的ka、各车的kb、各车的K、同一车道段内的行车速率平均值作为学习样本的输入层，将同一车道段内的行车速率标准差作为学习样本的输出层，利用人工神经网络模型训练得到行车速率偏差程度预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算，各车的行车速率仅参与计算kb、K、同一车道段内的行车速率平均值；
根据分类样本集，运用监督学习方法，训练得到以同一车道段内的基本特征和衍生特征为输入、以拥堵程度为输出的路网拥堵态势预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算。
进一步地，所述步骤五具体包括
将行车速率均值预测模型、行车速率偏差程度预测模型、路网拥堵态势预测模型部署在气象-路况监测预警系统平台，向路网拥堵态势预测模型中导入气象部门提供的沙尘气象预报资料、结合气象-路况监测预警系统平台监测得到的基本特征所对应的物理量在路网上不同位置的分布；
假设自本次预测结果相应的输入信息采集时刻至本次预测结果的预计发生时刻的相对于大地的风速风向保持不变；
假设自本次预测结果相应的输入信息采集时刻至本次预测结果的预计发生时刻的属于目标车道段内的沙尘颗粒浓度及级配分布数据保持不变；
假设在本次预测结果相应的输入信息采集时刻的目标车道段上的所有车辆在本次预测结果的预计发生时刻均已离开目标车道段；
对于目标车道段，本次预测结果相应的输入信息采集时刻的来车方向车道段群上的所有车辆总数n，将目标车道段均分为n个分段后再在除去车道起始点后的各预计分段点位置随机一一均匀分配给来车方向车道段群上的各车辆作为来车方向车道段群上的各车辆汇入目标车道段后的预计位置，以来车方向车道段群上的各车辆汇入目标车道段后的预计位置相应的车道方向角作为来车方向车道段群上的各车辆汇入目标车道段后的各来车预计θc；
对于目标车道段，以在本次预测结果相应的输入信息采集时刻的目标车道段内除去车道起始点后的各预计分段点位置处的风速大小作为与各预计分段点位置相应的来车方向车道段群上的各车辆在汇入目标车道段后的各来车预计vd，以在本次预测结果相应的输入信息采集时刻的目标车道段内除去车道起始点后的各预计分段点位置处的风向角作为与各预计分段点位置相应的来车方向车道段群上的各车辆在汇入目标车道段后的各来车预计θd；
根据在本次预测结果相应的输入信息采集时刻的各来车预计vd、各来车预计θd、各来车预计θc、属于目标车道段内的沙尘颗粒浓度及级配分布数据，按照式（1）计算得到各来车预计ka；
将在本次预测结果相应的输入信息采集时刻的时间点、n、各来车预计vd、各来车预计θd、各来车预计θc，以及属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及各来车预计ka，共同导入行车速率均值预测模型，得到目标车道段来车方向行车速率均值预测值；
将目标车道段来车方向行车速率均值预测值作为来车方向车道段群上的各车辆汇入目标车道段后的各来车预计vc；
根据各来车预计vd、各来车预计θd、各来车预计θc、各来车预计vc、属于目标车道段内的沙尘颗粒浓度及级配分布数据按照式（2）、式（3）计算得到的各来车预计kb、各来车预计K；
对于目标车道段，将在本次预测结果相应的输入信息采集时刻的时间点、n、目标车道段来车方向行车速率均值预测值、各来车预计vd、各来车预计θd、各来车预计θc，以及属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及各来车预计ka、各来车预计kb、各来车预计K，共同导入行车速率偏差程度预测模型，得到目标车道段来车方向行车速率标准差预测值；
对于目标车道段，将属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及在本次预测结果相应的输入信息采集时刻的时间点、n、各来车预计vc、各来车预计vd、各来车预计θd、各来车预计θc，以及各来车预计ka、各来车预计kb、各来车预计K，以及目标车道段来车方向行车速率标准差预测值、目标车道段来车方向行车速率均值预测值共同组成基本特征，再按照步骤三生成与基本特征相应的衍生特征，再将基本特征、衍生特征共同导入路网拥堵态势预测模型，计算得到目标车道段来车拥堵态势预测结果，实现输入气象监测信息和的路况监测信息，输出目标车道段拥堵程度预测结果。
进一步地，所述步骤五具体还包括：
来车方向车道段群汇入同一目标车道段所等待的红灯平均时长根据气象-路况监测预警系统平台中的交通信号灯监控系统获得；
将来车方向车道段群中的所有车道长度的算术平均值的一半，与目标车道段长度的算术平均值的一半相加得到来车距离，将来车距离除以目标车道段来车方向行车速率均值预测值得到本次预测结果的预警超前时长；
本次预测结果相应的输入信息采集时刻加上预警超前时长、来车方向车道段群汇入同一目标车道段所等待的红灯平均时长，得到本次预测结果的预计发生时刻；
将各路段拥堵程度预测结果在系统平台中进行可视化标注，自动编辑包含路段名称、路段拥堵程度预测结果、预测结果的预计发生时刻的信息发送至市政交通管理信息发布平台，以电台广播方式向行车进行播报。
具体实施方式
步骤一构建气象-路况监测预警系统平台
气象-路况监测预警系统平台包括车流监控终端、沙尘监测终端、风速传感器、风向传感器、信号传输线路、云服务器、互联网、交换机、大屏系统、PC端、移动端、市政交通管理信息发布平台、交通信号灯监控系统。
信号传输线路包括有线传输、5G、NBiot所依托的软件和硬件设备。
车流监控终端包括道路视频监控摄像头、车辆测速机，道路视频监控摄像头可以采用既有的市政交通监控摄像头或另外加装，车辆测速机可以采用既有的市政交通测速设备或另外加装，车流监控终端可通过有线传输、5G或NBiot方式向云服务器传输数据。
沙尘监测终端可采用基于采样称重或光折射原理的粉尘浓度测量仪，监测得到沙尘颗粒浓度及级配分布数据并通过有线传输、5G或NBiot方式向云服务器传输数据，沙尘颗粒浓度及级配分布数据也可以通过人工采样、筛分、称重并通过移动端、PC端向云服务器传输数据，人工上报时应对沙尘颗粒浓度及级配分布数据标注采样点地理坐标。沙尘监测终端或者沙尘采样点为沙尘颗粒浓度及级配分布数据直测点。
风速传感器、风向传感器自动采集仪器所在位置处的风速和风向信息，通过有线传输、5G或NBiot方式向云服务器传输数据。
由于市区风向分布不规律、沙尘颗粒浓度分布不规律、车辆行驶视线与沙尘运动方向分布不规律，车流监控终端、沙尘监测终端、风速传感器、风向传感器均应沿市政道路路网按照等距或非等距方式进行布置，车流监控终端、沙尘监测终端、风速传感器、风向传感器均应记录所在位置的地理坐标，各信息采样点及监测点位置的地理坐标均应在系统平台内的GIS系统中换算为统一的地理坐标，将各信息采样点及监测点位置在GIS内进行标注，实现各信息采样及监测点位置与市政道路坐标的融合。
对于路网中单辆行车，以某时刻其车头前端所在位置的正北方向在竖直向下视角下顺时针转至行车方向得到的夹角角度，作为该车在该时刻的车流方向角。
对于路网中一个位置点，将其按照垂直于所在车道的行车轴线方向投影于行车轴线后，得到该点在行车轴线上的投影点，以投影点所在位置的正北方向在竖直向下视角下顺时针转至投影点处车道行车轴线方向得到的夹角角度，作为该位置点的车道方向角。
大屏系统、PC端、移动端、市政交通管理信息发布平台、交通信号灯监控系统均依次经交换机、互联网接入云服务器。
车道停止线中点，是一个车道段在行车方向上的终止点。
车道起始点，是一个车道段在行车方向上的起始点。
定义处于沿车道通行方向两处紧邻车道端点之间的单条车道为车道段，且单个车道段沿车道通行方向的两处车道段端点分别为车道起始点和车道停止线中点。
在气象-路况监测预警系统平台中，通过在平台内置的GIS界面上以光标点击的方式分别设定目标车道段起点与目标车道段终点来确定目标车道段，以与目标车道段起点最近的车道起始点作为目标车道段起始点，以与目标车道段终点最近的车道停止线中点作为目标车道段终止点，且目标车道段内无红绿灯。
在所有与同一交叉口相连的车道段中，定义所有直行或转向均汇入同一目标车道段的车道段为来车方向车道段群。
步骤二 气象-路况数据关联前处理
对分布式环境-车流数据进行数据融合。
对于每一个风向传感器，以其所在位置的正北方向在竖直向下视角下顺时针转至测得风向得到的最小非负夹角角度，作为该风向传感器测点处的风向角。路网上一个未布置风向传感器的点处的风向，取与该点三维空间直线距离最近的两个风向传感器，按照该点与这两个风向传感器的三维空间直线距离对这两个风向传感器的风向角进行线性插值，得到该点处的风向角。
对于每一个风速传感器，以其所在位置测得的风速速率，作为该风速传感器测点处的风速。路网上一个未布置风速传感器的点处的风速，取与该点三维空间直线距离最近的两个风速传感器，按照该点与这两个风速传感器的三维空间直线距离对这两个风速传感器的风速进行线性插值，得到该点处的风速大小。
对于每一个沙尘监测终端或者沙尘采样点，以其所在位置测得的沙尘颗粒浓度及级配分布数据作为该点的沙尘颗粒浓度及级配分布数据。路网上一个未布置沙尘监测终端或者一个未布置沙尘采样点的点处的沙尘颗粒浓度及级配分布数据，取与该点三维空间直线距离最近的两个沙尘颗粒浓度及级配分布数据直测点，按照该点与这两个沙尘颗粒浓度及级配分布数据直测点的三维空间直线距离对这两个沙尘颗粒浓度及级配分布数据直测点的沙尘颗粒浓度及级配分布数据进行线性插值，得到该点处的沙尘颗粒浓度及级配分布数据。
采用车流监控终端得到不同时刻的路网行车数据，路网行车数据包含属性类数据和统计类数据，属性类数据包括车辆的车号、车辆位置坐标、监控时刻，统计类数据包括车道段车辆数量、车流方向角、行车速率，并在气象-路况监测预警系统平台内对路网行车数据进行统计。
路网中单辆行车在某时刻在其所在位置的风速大小为vd，行车速率为vc，风向角为θd，车流方向角为θc。
将车辆行驶方向等同于驾驶员的视线方向。
对于行驶中的车辆，在沙尘颗粒粒径一定的情况下，横风越猛烈，能见度越差，因为在驾驶员视野中单个的沙尘颗粒实际是以不透明矩形的形态存在的：由于车辆行驶视线与沙尘运动方向分布不规律及人眼视觉暂留，所以位于不同车道、行驶方向不同的车辆，沙尘相对于驾驶员视线方向的相对运动状态存在差异，具体体现为对于驾驶员，沙尘相对于人眼的运动速度不完全等于沙尘相对于大地的相对运动速度，且由于视觉暂留沙尘颗粒在驾驶员视野中以细长矩形的形态存在，矩形短边为沙尘颗粒粒径，矩形长边为视觉暂留时间内沙尘颗粒相对人眼的相对位移在人眼视线垂直平面上的正投影长度。
对于行驶中的车辆，在沙尘颗粒粒径一定的情况下，与视线平行方向来风越猛烈，则沙尘与前车窗的撞击越猛烈，因为沙尘颗粒沿视线方向向驾驶员运动会在前车窗上短暂停留、堆积形成遮挡，行车能见度也就越差，反之若风速在车速方向上的速度分量与车速方向一致且风速在车速方向上的速度分量不小于行车速率，则沙尘颗粒不会与前车窗发生碰撞，则前车窗上不会形成沙尘颗粒短暂停留及遮挡。
然而，对于一般的统计学拟合模型，如果不将直接反映车辆行驶视线与沙尘运动方向分布不规律及人眼视觉暂留对驾驶员视野下的道路能见度负面影响的特征变量放入输入层进行分析，则在运算过程中不能体现这些特征变量对输出层的影响，导致模型因为变量设置不合理、缺乏物理机理解释使得训练出的模型缺乏可解释性。
所以，对气象-路况数据进行关联和前处理，得到路网中单辆行车的沙尘横向放大倍数ka、路网中单辆行车的沙尘滞留放大倍数kb，ka按照式（1）计算，D为沙尘颗粒粒径众值，D属于沙尘颗粒浓度及级配分布数据，Δt为人眼视觉暂留时间期望，可取0.2s。
沙尘横向放大倍数ka体现了以沙尘颗粒粒径众值为粒径的沙尘相对人眼横向运动在视觉暂留时间内在驾驶员视野中实际可见的遮挡区域面积相对于以沙尘颗粒粒径众值为边长的正方形区域面积的放大倍数，体现了沙尘颗粒尺寸的统计学特征。
沙尘滞留放大倍数kb为实际沿驾驶员视线方向朝向前车窗运动的沙尘颗粒相对速度分量与行车速率的比值，等效于单位时间内实际情况下前车窗上短暂停留的沙尘颗粒数量与假设沙尘相对大地静止时车窗上短暂停留的沙尘颗粒数量之比，也可等效为沙尘相对人眼纵向运动在车窗上由于车窗阻挡而形成的短暂停留、堆积形成遮挡区域面积相对于单个颗粒在人眼视线垂直平面正投影面积的放大倍数。
Figure 391690DEST_PATH_IMAGE001
（1）
kb按照式（2）计算。
若|θc-θd|＞90°，沙尘颗粒发生与前车窗之间必有碰撞。
若|θc-θd|≤90°且vc≤∣vd×cos(θc-θd)∣，则此时沙尘颗粒与前车窗之间无碰撞，则kb=0。
若|θc-θd|≤90°且vc＞∣vd×cos(θc-θd)∣，则此时沙尘颗粒发生与前车窗之间有碰撞，且kb=((vc-∣vd×cos(θc-θd)∣)/vc)。
Figure 986488DEST_PATH_IMAGE002
（2）
路网中单辆行车的沙尘放大倍数K按照式（3）计算。
Figure 74530DEST_PATH_IMAGE003
（3）。
步骤三 生成分类样本集
按照拥堵态势监控预警实施所在地的道路拥堵评价标准，对各路段分别构建分类样本集。
监控时刻在本步骤仅用于标注信息获取时刻而不参与定量计算。
分类样本集包含类、基本特征和衍生特征。
将拥堵程度作为类，将属于同一车道段内的沙尘颗粒浓度及级配分布数据、除去车辆车号后的路网行车数据、各车的vd、各车的θd、各车的ka、各车的kb、各车的K，以及同一车道段内的行车速率标准差、同一车道段内的行车速率平均值作为基本特征。
对于属于同一车道段内的基本特征，将基本特征的随机次幂进行两两相除、两两相乘得到复合非线性特征，将基本特征取自然对数运算得到对数特征，随机次幂运算中的指数取[0,10]中的随机数，复合非线性特征、对数特征、随机次幂运算中的指数共同组成衍生特征，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算。
各车的行车速率仅在基本特征中参与计算各车的kb、各车的K、同一车道段内的行车速率标准差、同一车道段内的行车速率平均值。
步骤四 分步训练预测模型序列
监控时刻在本步骤仅用于标注信息获取时刻而不参与定量计算。
根据既有的监测数据，将同一车道段内的沙尘颗粒浓度及级配分布数据、除去行车速率及车辆车号后的路网行车数据、各车的vd、各车的θd、各车的ka作为学习样本的输入层，将同一车道段内的行车速率平均值作为学习样本的输出层，利用人工神经网络模型训练得到行车速率均值预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算。
根据既有的监测数据，将同一车道段内的沙尘颗粒浓度及级配分布数据、除去车辆车号和行车速率后的路网行车数据、各车的vd、各车的θd、各车的ka、各车的kb、各车的K、同一车道段内的行车速率平均值作为学习样本的输入层，将同一车道段内的行车速率标准差作为学习样本的输出层，利用人工神经网络模型训练得到行车速率偏差程度预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算，各车的行车速率仅参与计算kb、K、同一车道段内的行车速率平均值。
根据分类样本集，运用监督学习方法，训练得到以同一车道段内的基本特征和衍生特征为输入、以拥堵程度为输出的路网拥堵态势预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算。
步骤五 拥堵态势预测与信息发布
将行车速率均值预测模型、行车速率偏差程度预测模型、路网拥堵态势预测模型部署在气象-路况监测预警系统平台，向路网拥堵态势预测模型中导入气象部门提供的沙尘气象预报资料、结合气象-路况监测预警系统平台监测得到的基本特征所对应的物理量在路网上不同位置的分布。
假设自本次预测结果相应的输入信息采集时刻至本次预测结果的预计发生时刻的相对于大地的风速风向保持不变。
假设自本次预测结果相应的输入信息采集时刻至本次预测结果的预计发生时刻的属于目标车道段内的沙尘颗粒浓度及级配分布数据保持不变。
假设在本次预测结果相应的输入信息采集时刻的目标车道段上的所有车辆在本次预测结果的预计发生时刻均已离开目标车道段。
对于目标车道段，本次预测结果相应的输入信息采集时刻的来车方向车道段群上的所有车辆总数n，将目标车道段均分为n个分段后再在除去车道起始点后的各预计分段点位置随机一一均匀分配给来车方向车道段群上的各车辆作为来车方向车道段群上的各车辆汇入目标车道段后的预计位置，以来车方向车道段群上的各车辆汇入目标车道段后的预计位置相应的车道方向角作为来车方向车道段群上的各车辆汇入目标车道段后的各来车预计θc。
对于目标车道段，以在本次预测结果相应的输入信息采集时刻的目标车道段内除去车道起始点后的各预计分段点位置处的风速大小作为与各预计分段点位置相应的来车方向车道段群上的各车辆在汇入目标车道段后的各来车预计vd，以在本次预测结果相应的输入信息采集时刻的目标车道段内除去车道起始点后的各预计分段点位置处的风向角作为与各预计分段点位置相应的来车方向车道段群上的各车辆在汇入目标车道段后的各来车预计θd。
根据在本次预测结果相应的输入信息采集时刻的各来车预计vd、各来车预计θd、各来车预计θc、属于目标车道段内的沙尘颗粒浓度及级配分布数据，按照式（1）计算得到各来车预计ka。
将在本次预测结果相应的输入信息采集时刻的时间点、n、各来车预计vd、各来车预计θd、各来车预计θc，以及属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及各来车预计ka，共同导入行车速率均值预测模型，得到目标车道段来车方向行车速率均值预测值。
将目标车道段来车方向行车速率均值预测值作为来车方向车道段群上的各车辆汇入目标车道段后的各来车预计vc。
根据各来车预计vd、各来车预计θd、各来车预计θc、各来车预计vc、属于目标车道段内的沙尘颗粒浓度及级配分布数据按照式（2）、式（3）计算得到的各来车预计kb、各来车预计K。
对于目标车道段，将在本次预测结果相应的输入信息采集时刻的时间点、n、目标车道段来车方向行车速率均值预测值、各来车预计vd、各来车预计θd、各来车预计θc，以及属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及各来车预计ka、各来车预计kb、各来车预计K，共同导入行车速率偏差程度预测模型，得到目标车道段来车方向行车速率标准差预测值。
对于目标车道段，将属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及在本次预测结果相应的输入信息采集时刻的时间点、n、各来车预计vc、各来车预计vd、各来车预计θd、各来车预计θc，以及各来车预计ka、各来车预计kb、各来车预计K，以及目标车道段来车方向行车速率标准差预测值、目标车道段来车方向行车速率均值预测值共同组成基本特征，再按照步骤三生成与基本特征相应的衍生特征，再将基本特征、衍生特征共同导入路网拥堵态势预测模型，计算得到目标车道段来车拥堵态势预测结果，实现输入气象监测信息和的路况监测信息，输出目标车道段拥堵程度预测结果。
来车方向车道段群汇入同一目标车道段所等待的红灯平均时长根据气象-路况监测预警系统平台中的交通信号灯监控系统获得。
将来车方向车道段群中的所有车道长度的算术平均值的一半，与目标车道段长度的算术平均值的一半相加得到来车距离，将来车距离除以目标车道段来车方向行车速率均值预测值得到本次预测结果的预警超前时长。
本次预测结果相应的输入信息采集时刻加上预警超前时长、来车方向车道段群汇入同一目标车道段所等待的红灯平均时长，得到本次预测结果的预计发生时刻。
将各路段拥堵程度预测结果在系统平台中进行可视化标注，自动编辑包含路段名称、路段拥堵程度预测结果、预测结果的预计发生时刻的信息发送至市政交通管理信息发布平台，以电台广播方式向行车进行播报。
本技术的特点在于考虑了市区风向分布不规律、沙尘颗粒浓度分布不规律、车辆行驶视线与沙尘运动方向分布不规律的影响，尤其是以分布式数据采集-融合、气象-路况数据关联前处理构造放大倍数为基础，通过生成分类样本集、多层次地分步训练预测模型序列，结合多时态监测数据导入预测模型，形成可解释程度较高的拥堵态势预测方法，本方法预测精度较高，且实用性强，以呼和浩特市2021年3~4月的多次沙尘气象交通拥堵态势监测预警工作为例，具体工作成效如表1所示。
本内容以及应用均为南京坤拓土木工程科技有限公司、呼和浩特市同心德市政工程设计研究有限公司内部测试成果，所有成果均未公开。
表1 监测预警成果统计
Figure 544825DEST_PATH_IMAGE004
。

Claims (11)

1.沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，包括如下步骤：
步骤一,构建气象-路况监测预警系统平台；
所述步骤一具体包括：
气象-路况监测预警系统平台包括:车流监控终端、沙尘监测终端、风速传感器、风向传感器、信号传输线路、云服务器、互联网、交换机、大屏系统、PC端、移动端、市政交通管理信息发布平台、交通信号灯监控系统；
车流监控终端通过信号传输线路向云服务器传输数据；
沙尘监测终端监测得到沙尘颗粒浓度及级配分布数据并通过信号传输线路向云服务器传输数据，沙尘颗粒浓度及级配分布数据也能够通过人工采样、筛分、称重并通过移动端、PC端向云服务器传输数据，人工上报时应对沙尘颗粒浓度及级配分布数据标注采样点地理坐标；沙尘监测终端或者沙尘采样点为沙尘颗粒浓度及级配分布数据直测点；
风速传感器、风向传感器自动采集仪器所在位置处的风速和风向信息，通过信号传输线路向云服务器传输数据；
车流监控终端、沙尘监测终端、风速传感器、风向传感器均应沿市政道路路网按照等距或非等距方式进行布置，车流监控终端、沙尘监测终端、风速传感器、风向传感器均应记录所在位置的地理坐标，各信息采样点及监测点位置的地理坐标均应在系统平台内的GIS系统中换算为统一的地理坐标，将各信息采样点及监测点位置在GIS内进行标注，实现各信息采样及监测点位置与市政道路坐标的融合；
大屏系统、PC端、移动端、市政交通管理信息发布平台、交通信号灯监控系统均依次经交换机、互联网接入云服务器；
步骤二,气象-路况数据关联前处理；
步骤三,生成分类样本集；
步骤四,分步训练预测模型序列；
步骤五,拥堵态势预测与信息发布。
2.根据权利要求1所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，步骤一所述信号传输线路包括以下之一或任意组合:
有线传输及所依托的软件和硬件设备；
5G及所依托的软件和硬件设备；
NBiot及所依托的软件和硬件设备。
3.根据权利要求1所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，所述步骤一具体还包括：
对于路网中单辆行车，以某时刻其车头前端所在位置的正北方向在竖直向下视角下顺时针转至行车方向得到的夹角角度，作为该行车在该时刻的车流方向角；
对于路网中一个位置点，将其按照垂直于所在车道的行车轴线方向投影于行车轴线后，得到该位置点在行车轴线上的投影点，以投影点所在位置的正北方向在竖直向下视角下顺时针转至投影点处车道行车轴线方向得到的夹角角度，作为该位置点的车道方向角；
车道停止线中点，是一个车道段在行车方向上的终止点；
车道起始点，是一个车道段在行车方向上的起始点；
定义处于沿车道通行方向两处紧邻车道端点之间的单条车道为车道段，且单个车道段沿车道通行方向的两处车道段端点分别为车道起始点和车道停止线中点；
在气象-路况监测预警系统平台中，通过在平台内置的GIS界面上以光标点击的方式分别设定目标车道段起点与目标车道段终点来确定目标车道段，以与目标车道段起点最近的车道起始点作为目标车道段起始点，以与目标车道段终点最近的车道停止线中点作为目标车道段终止点，且目标车道段内无红绿灯；
在所有与同一交叉口相连的车道段中，定义所有直行或转向均汇入同一目标车道段的车道段为来车方向车道段群。
4.根据权利要求1所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，所述步骤二具体包括：
对分布式环境-车流数据进行数据融合；
对于每一个风向传感器，以其所在位置的正北方向在竖直向下视角下顺时针转至测得风向得到的最小非负夹角角度，作为该风向传感器测点处的风向角；
对于每一个风速传感器，以其所在位置测得的风速速率，作为该风速传感器测点处的风速；
对于每一个沙尘监测终端或者沙尘采样点，以其所在位置测得的沙尘颗粒浓度及级配分布数据作为该沙尘监测终端或者沙尘采样点处的沙尘颗粒浓度及级配分布数据；
采用车流监控终端得到不同时刻的路网行车数据，路网行车数据包含属性类数据和统计类数据，属性类数据包括车辆的车号、车辆位置坐标、监控时刻，统计类数据包括车道段车辆数量、车流方向角、行车速率，并在气象-路况监测预警系统平台内对路网行车数据进行统计；
路网中单辆行车在某时刻在其所在位置的风速大小为vd，行车速率为vc，风向角为θd，车流方向角为θc；
将车辆行驶方向等同于驾驶员的视线方向。
5.根据权利要求4所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，所述步骤二具体还包括：
对于统计学拟合模型，当不将直接反映车辆行驶视线与沙尘运动方向分布不规律及人眼视觉暂留对驾驶员视野下的道路能见度负面影响的特征变量放入输入层进行分析时，则在运算过程中不能体现这些特征变量对输出层的影响，导致模型因为变量设置不合理、缺乏物理机理解释使得训练出的模型缺乏可解释性；
所以，对气象-路况数据进行关联和前处理，得到路网中单辆行车的沙尘横向放大倍数ka、路网中单辆行车的沙尘滞留放大倍数kb，ka按照式（1）计算，D为沙尘颗粒粒径众值，D属于沙尘颗粒浓度及级配分布数据，Δt为人眼视觉暂留时间期望，取0.2s；
Figure 240150DEST_PATH_IMAGE001
（1）
kb按照式（2）计算；
若|θc-θd|＞90°，沙尘颗粒发生与前车窗之间必有碰撞；
若|θc-θd|≤90°且vc≤∣vd×cos(θc-θd)∣，则此时沙尘颗粒与前车窗之间无碰撞，则kb=0；
若|θc-θd|≤90°且vc＞∣vd×cos(θc-θd)∣，则此时沙尘颗粒发生与前车窗之间有碰撞，且kb=((vc-∣vd×cos(θc-θd)∣)/vc)；
Figure 82204DEST_PATH_IMAGE002
（2）
路网中单辆行车的沙尘放大倍数K按照式（3）计算；
Figure 477413DEST_PATH_IMAGE003
（3）。
6.根据权利要求4所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于:路网上一个未布置风向传感器的点处的风向，取与该未布置风向传感器点三维空间直线距离最近的两个风向传感器，按照该未布置风向传感器点与这两个风向传感器的三维空间直线距离对这两个风向传感器的风向角进行线性插值，得到该未布置风向传感器点处的风向角；
路网上一个未布置风速传感器的点处的风速，取与该未布置风速传感器点三维空间直线距离最近的两个风速传感器，按照该未布置风速传感器点与这两个风速传感器的三维空间直线距离对这两个风速传感器的风速进行线性插值，得到该未布置风速传感器点处的风速大小；
路网上一个未布置沙尘监测终端或者一个未布置沙尘采样点的点处的沙尘颗粒浓度及级配分布数据，取与该未布置沙尘监测终端或者未布置沙尘采样点的点三维空间直线距离最近的两个沙尘颗粒浓度及级配分布数据直测点，按照该未布置沙尘监测终端或者未布置沙尘采样点的点与这两个沙尘颗粒浓度及级配分布数据直测点的三维空间直线距离对这两个沙尘颗粒浓度及级配分布数据直测点的沙尘颗粒浓度及级配分布数据进行线性插值，得到该未布置沙尘监测终端或者未布置沙尘采样点的点处的沙尘颗粒浓度及级配分布数据。
7.根据权利要求5所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于:所述沙尘横向放大倍数ka体现了以沙尘颗粒粒径众值为粒径的沙尘相对人眼横向运动在视觉暂留时间内在驾驶员视野中实际可见的遮挡区域面积相对于以沙尘颗粒粒径众值为边长的正方形区域面积的放大倍数，体现了沙尘颗粒尺寸的统计学特征；
所述沙尘滞留放大倍数kb为实际沿驾驶员视线方向朝向前车窗运动的沙尘颗粒相对速度分量与行车速率的比值，等效于单位时间内实际情况下前车窗上短暂停留的沙尘颗粒数量与假设沙尘相对大地静止时车窗上短暂停留的沙尘颗粒数量之比，也等效为沙尘相对人眼纵向运动在车窗上由于车窗阻挡而形成的短暂停留、堆积形成遮挡区域面积相对于单个颗粒在人眼视线垂直平面正投影面积的放大倍数。
8.根据权利要求5所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，所述步骤三具体包括:
按照拥堵态势监控预警实施所在地的道路拥堵评价标准，对各路段分别构建分类样本集；
监控时刻在本步骤仅用于标注信息获取时刻而不参与定量计算；
分类样本集包含类、基本特征和衍生特征；
将拥堵程度作为类，将属于同一车道段内的沙尘颗粒浓度及级配分布数据、除去车辆车号后的路网行车数据、各车的vd、各车的θd、各车的ka、各车的kb、各车的K，以及同一车道段内的行车速率标准差、同一车道段内的行车速率平均值作为基本特征；
对于属于同一车道段内的基本特征，将基本特征的随机次幂进行两两相除、两两相乘得到复合非线性特征，将基本特征取自然对数运算得到对数特征，随机次幂运算中的指数取[0,10]中的随机数，复合非线性特征、对数特征、随机次幂运算中的指数共同组成衍生特征，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算；
各车的行车速率仅在基本特征中参与计算各车的kb、各车的K、同一车道段内的行车速率标准差、同一车道段内的行车速率平均值。
9.根据权利要求5所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，所述步骤四具体包括：
监控时刻在本步骤仅用于标注信息获取时刻而不参与定量计算；
根据既有的监测数据，将同一车道段内的沙尘颗粒浓度及级配分布数据、除去行车速率及车辆车号后的路网行车数据、各车的vd、各车的θd、各车的ka作为学习样本的输入层，将同一车道段内的行车速率平均值作为学习样本的输出层，利用人工神经网络模型训练得到行车速率均值预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算；
根据既有的监测数据，将同一车道段内的沙尘颗粒浓度及级配分布数据、除去车辆车号和行车速率后的路网行车数据、各车的vd、各车的θd、各车的ka、各车的kb、各车的K、同一车道段内的行车速率平均值作为学习样本的输入层，将同一车道段内的行车速率标准差作为学习样本的输出层，利用人工神经网络模型训练得到行车速率偏差程度预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算，各车的行车速率仅参与计算kb、K、同一车道段内的行车速率平均值；
根据分类样本集，运用监督学习方法，训练得到以同一车道段内的基本特征和衍生特征为输入、以拥堵程度为输出的路网拥堵态势预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算。
10.根据权利要求5所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，所述步骤五具体包括:
将行车速率均值预测模型、行车速率偏差程度预测模型、路网拥堵态势预测模型部署在气象-路况监测预警系统平台，向路网拥堵态势预测模型中导入气象部门提供的沙尘气象预报资料、结合气象-路况监测预警系统平台监测得到的基本特征所对应的物理量在路网上不同位置的分布；
假设自本次预测结果相应的输入信息采集时刻至本次预测结果的预计发生时刻的相对于大地的风速风向保持不变；
假设自本次预测结果相应的输入信息采集时刻至本次预测结果的预计发生时刻的属于目标车道段内的沙尘颗粒浓度及级配分布数据保持不变；
假设在本次预测结果相应的输入信息采集时刻的目标车道段上的所有车辆在本次预测结果的预计发生时刻均已离开目标车道段；
对于目标车道段，本次预测结果相应的输入信息采集时刻的来车方向车道段群上的所有车辆总数n，将目标车道段均分为n个分段后再在除去车道起始点后的各预计分段点位置随机一一均匀分配给来车方向车道段群上的各车辆作为来车方向车道段群上的各车辆汇入目标车道段后的预计位置，以来车方向车道段群上的各车辆汇入目标车道段后的预计位置相应的车道方向角作为来车方向车道段群上的各车辆汇入目标车道段后的各来车预计θc；
对于目标车道段，以在本次预测结果相应的输入信息采集时刻的目标车道段内除去车道起始点后的各预计分段点位置处的风速大小作为与各预计分段点位置相应的来车方向车道段群上的各车辆在汇入目标车道段后的各来车预计vd，以在本次预测结果相应的输入信息采集时刻的目标车道段内除去车道起始点后的各预计分段点位置处的风向角作为与各预计分段点位置相应的来车方向车道段群上的各车辆在汇入目标车道段后的各来车预计θd；
根据在本次预测结果相应的输入信息采集时刻的各来车预计vd、各来车预计θd、各来车预计θc、属于目标车道段内的沙尘颗粒浓度及级配分布数据，按照式（1）计算得到各来车预计ka；
将在本次预测结果相应的输入信息采集时刻的时间点、n、各来车预计vd、各来车预计θd、各来车预计θc，以及属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及各来车预计ka，共同导入行车速率均值预测模型，得到目标车道段来车方向行车速率均值预测值；
将目标车道段来车方向行车速率均值预测值作为来车方向车道段群上的各车辆汇入目标车道段后的各来车预计vc；
根据各来车预计vd、各来车预计θd、各来车预计θc、各来车预计vc、属于目标车道段内的沙尘颗粒浓度及级配分布数据按照式（2）、式（3）计算得到的各来车预计kb、各来车预计K；
对于目标车道段，将在本次预测结果相应的输入信息采集时刻的时间点、n、目标车道段来车方向行车速率均值预测值、各来车预计vd、各来车预计θd、各来车预计θc，以及属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及各来车预计ka、各来车预计kb、各来车预计K，共同导入行车速率偏差程度预测模型，得到目标车道段来车方向行车速率标准差预测值；
对于目标车道段，将属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及在本次预测结果相应的输入信息采集时刻的时间点、n、各来车预计vc、各来车预计vd、各来车预计θd、各来车预计θc，以及各来车预计ka、各来车预计kb、各来车预计K，以及目标车道段来车方向行车速率标准差预测值、目标车道段来车方向行车速率均值预测值共同组成基本特征，再按照步骤三生成与基本特征相应的衍生特征，再将基本特征、衍生特征共同导入路网拥堵态势预测模型，计算得到目标车道段来车拥堵态势预测结果，实现输入气象监测信息和的路况监测信息，输出目标车道段拥堵程度预测结果。
11.根据权利要求10所述的沙尘气象市政道路拥堵态势多因素预警方法,其特征在于，所述步骤五具体还包括：
来车方向车道段群汇入同一目标车道段所等待的红灯平均时长根据气象-路况监测预警系统平台中的交通信号灯监控系统获得；
将来车方向车道段群中的所有车道长度的算术平均值的一半，与目标车道段长度的算术平均值的一半相加得到来车距离，将来车距离除以目标车道段来车方向行车速率均值预测值得到本次预测结果的预警超前时长；
本次预测结果相应的输入信息采集时刻加上预警超前时长、来车方向车道段群汇入同一目标车道段所等待的红灯平均时长，得到本次预测结果的预计发生时刻；
将各路段拥堵程度预测结果在系统平台中进行可视化标注，自动编辑包含路段名称、路段拥堵程度预测结果、预测结果的预计发生时刻的信息发送至市政交通管理信息发布平台，以电台广播方式向行车进行播报。
CN202111461336.4A 2021-12-03 2021-12-03 沙尘气象市政道路拥堵态势多因素预警方法 Active CN113888850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111461336.4A CN113888850B (zh) 2021-12-03 2021-12-03 沙尘气象市政道路拥堵态势多因素预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111461336.4A CN113888850B (zh) 2021-12-03 2021-12-03 沙尘气象市政道路拥堵态势多因素预警方法

Publications (2)

Publication Number Publication Date
CN113888850A CN113888850A (zh) 2022-01-04
CN113888850B true CN113888850B (zh) 2022-03-04

Family

ID=79016315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111461336.4A Active CN113888850B (zh) 2021-12-03 2021-12-03 沙尘气象市政道路拥堵态势多因素预警方法

Country Status (1)

Country Link
CN (1) CN113888850B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522270B (zh) * 2023-07-04 2023-09-15 西安启迪能源技术有限公司 用于智慧海绵城市的数据处理系统
CN117173897B (zh) * 2023-11-03 2024-01-26 浪潮智慧科技(青岛)有限公司 一种基于物联网技术的路面交通监测调控方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722989B (zh) * 2012-06-29 2014-05-07 山东交通学院 基于模糊神经网络的高速公路微气象交通预警方法
CN104992557B (zh) * 2015-05-13 2017-09-29 浙江银江研究院有限公司 一种城市交通警情等级预测方法
CN111768618B (zh) * 2020-06-04 2021-07-20 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警系统及方法
CN113112789B (zh) * 2021-03-08 2023-07-14 张晔婷 城市快速路突发事件的影响预测及管控方法
CN113327418B (zh) * 2021-05-31 2022-10-25 同济大学 一种快速路拥堵风险分级实时预测方法

Also Published As

Publication number Publication date
CN113888850A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113888850B (zh) 沙尘气象市政道路拥堵态势多因素预警方法
CN112816954B (zh) 一种基于真值的路侧感知系统评测方法和系统
CN102819954B (zh) 交通区域动态地图监控预测系统
St-Aubin et al. Large-scale automated proactive road safety analysis using video data
CN111932898B (zh) 一种基于etc门架系统的短时流量预测方法
Yang et al. Image-based visibility estimation algorithm for intelligent transportation systems
CN111027430B (zh) 一种面向无人车智能评估的交通场景复杂度计算方法
CN111833598B (zh) 一种高速公路无人机交通事件自动监测方法及系统
Jang et al. Evaluation of pedestrian safety: Pedestrian crash hot spots and risk factors for injury severity
CN114385661A (zh) 一种基于v2x技术的高精地图更新的系统
CN115081508B (zh) 一种基于交通数字孪生的交通运行风险平行仿真系统
CN110826412A (zh) 高速公路能见度检测系统和方法
Liu et al. A car-following data collecting method based on binocular stereo vision
CN115019514B (zh) 一种基于车联网的公路巡查系统
Zhao et al. Operational efficiency evaluation of intersections with dynamic lane assignment using field data
CN114971166A (zh) 一种轻量化道路路面服务质量巡检系统
Zheng Developing a traffic safety diagnostics system for unmanned aerial vehicles usingdeep learning algorithms
CN106650826A (zh) 一种多车道水平式尾气遥测设备数据处理方法
CN116165655A (zh) 一种基于毫米波雷达组群的全域车辆轨迹跟踪系统
CN113706889B (zh) 基于目标检测分析的高速公路团雾测量系统及方法
Zhang et al. Machine learning and computer vision-enabled traffic sensing data analysis and quality enhancement
CN115512538A (zh) 一种基于碳排放的可变限速控制方法及系统
CN114495421A (zh) 智能化开放式道路施工作业监测预警方法及系统
Li et al. Classification of pavement disease 3D point cloud images based on deep learning network
Omar et al. Sidewalk Gaseous Pollutants Estimation Through UAV Video-based Model

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220819

Address after: 210041 No.105, Jiadong village, youfangqiao, Yuhuatai District, Nanjing City, Jiangsu Province

Patentee after: NANJING KENTOP CIVIL ENGINEERING TECHNOLOGY Co.,Ltd.

Patentee after: Xingtai Construction Group Co.,Ltd.

Address before: 210041 No.105, Jiadong village, youfangqiao, Yuhuatai District, Nanjing City, Jiangsu Province

Patentee before: NANJING KENTOP CIVIL ENGINEERING TECHNOLOGY Co.,Ltd.

Patentee before: Hohhot Tongxin de municipal engineering design and Research Co.,Ltd.