CN114023068A - 一种短距离交织区交通流短时预测与主动控制系统及方法 - Google Patents

一种短距离交织区交通流短时预测与主动控制系统及方法 Download PDF

Info

Publication number
CN114023068A
CN114023068A CN202111320403.0A CN202111320403A CN114023068A CN 114023068 A CN114023068 A CN 114023068A CN 202111320403 A CN202111320403 A CN 202111320403A CN 114023068 A CN114023068 A CN 114023068A
Authority
CN
China
Prior art keywords
traffic flow
short
entrance ramp
time
traffic
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
Application number
CN202111320403.0A
Other languages
English (en)
Other versions
CN114023068B (zh
Inventor
汪春
张卫华
董婉丽
朱文佳
吴丛
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.)
Hefei University Of Technology Design Institute Group Co ltd
Original Assignee
Hefei University Of Technology Design Institute Group 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 Hefei University Of Technology Design Institute Group Co ltd filed Critical Hefei University Of Technology Design Institute Group Co ltd
Priority to CN202111320403.0A priority Critical patent/CN114023068B/zh
Publication of CN114023068A publication Critical patent/CN114023068A/zh
Application granted granted Critical
Publication of CN114023068B publication Critical patent/CN114023068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • 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
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种短距离交织区交通流短时预测与主动控制系统及方法，涉及智能交通技术领域，包括多目标雷达车辆实时位置采集子系统、边缘计算子系统以及入口匝道信号控制主机；所述多目标雷达车辆实时位置采集子系统通过多目标雷达装置，获取经过雷达监测区域的车辆经纬度、瞬时速度及车身长度等信息，而后基于边缘计算子系统对轨迹信息进行在线提取、采用时空图卷积网络构建交通流运行解析模型，根据解析出的交通流参数之间关系构建瞬时反馈控制模型，进而为入口匝道的信号控制提供数据基础，获取优化后的入口匝道信号控制方案，充分考虑主线交通流运行状况，可以有效提高快速路系统整体通行效率。

Description

一种短距离交织区交通流短时预测与主动控制系统及方法
技术领域
本发明涉及智能交通技术领域，具体是一种短距离交织区交通流短时预测与主动控制系统及方法。
背景技术
对于我国大城市而言，快速路系统是城市道路网主骨架，其交通运行状态决定了整个城市交通运行态势。由于快速路系统密度不断增加，短距离交织区不可避免出现，日益成为高架快速路系统的“肠梗阻”，并造成整个快速路系统的拥堵形成和扩散蔓延。对快速路短距离交织区进行交通主动控制，可以有效提高快速路系统整体通行效率，已经成为各大城市快速路交通管理的主要手段。
快速路系统短距离交织区交通主动控制，现状主要采用匝道定时控制方式，在早晚高峰时段通过信号控制系统对入口匝道车辆进入管控，匝道信号配时方案多根据现场经验采用定周期方式，或与主线交通流量、饱和度进行关联控制。定周期控制方式的优点是简单易行，但没有基于主线交通流运行状况，容易造成主线通行能力浪费或过饱和。与主线交通流量、饱和度关联控制方式兼顾实施便捷性和控制精确性，但对交通流运行态势缺乏预见，交通控制形成相对滞后，以流量控制为主，对车头时距等微观交通流参数缺乏控制，对持续大流量的短距离交织区控制效果不佳；为此，我们提出一种短距离交织区交通流短时预测与主动控制系统及方法。
发明内容
为了解决上述方案存在的问题，本发明提供了一种短距离交织区交通流短时预测与主动控制系统及方法；通过多目标雷达装置，获取经过雷达监测区域的车辆经纬度、瞬时速度及车身长度等信息，而后基于边缘计算子系统，对轨迹信息进行在线提取、分析及预测交通流运行参数，进而为入口匝道的信号控制提供数据基础，可以有效提高快速路系统整体通行效率。
本发明的目的可以通过以下技术方案实现：
一种短距离交织区交通流短时预测与主动控制系统，包括多目标雷达车辆实时位置采集子系统、边缘计算子系统以及入口匝道信号控制主机；
所述多目标雷达车辆实时位置采集子系统用于将所采集到的车辆位置数据上传到边缘计算子系统进行存储和分析；所述边缘计算子系统包括边缘计算节点、车辆轨迹在线提取模块、短距离交织区交通运行解析模块以及瞬时反馈控制模块；
所述车辆轨迹在线提取模块用于对车辆实时位置数据进行分析处理得到车辆轨迹数据，同时得到主线、入口匝道、短距离交织区宏观和微观交通流参数；所述短距离交织区交通运行解析模块用于基于主线、入口匝道、短距离交织区宏观和微观交通流数据，采用时空图卷积网络构建交通流运行解析模型；
所述瞬时反馈控制模块用于根据交通流运行解析模型解析出的交通流参数之间关系构建瞬时反馈控制模型，然后将本时刻实测的主线、入口匝道、交织区交通流参数以及下一时刻预测的主线、交织区交通流参数作为输入变量，输出下一时刻入口匝道交通流参数初始值；并根据交织区通行能力最优的约束条件对初始值进行预评价，根据评价结果对初始值进行闭环反馈优化，最终得到下一时刻入口匝道交通流参数。
进一步地，所述瞬时反馈控制模块还用于基于预测完成的交通流参数，以短距离交织区通行能力和主线延误为优化目标，以匝道调节率、匝道排队长度、主线排队长度、信号周期时长、绿灯时间为条件，构建入口匝道自适应优化控制模型，并获取优化后入口匝道信号控制方案，下发至入口匝道控制主机以执行配时方案。
进一步地，所述短距离交织区交通运行解析模块还用于实时分析主线、入口匝道和短距离交织区的交通流参数之间关系，并通过实测数据对交通流运行解析模型进行在线训练和迭代优化，具体为：
利用构建出的交通流运行解析模型，对下一时刻主线和交织区交通参数进行短时预测，然后根据下一时刻的实测数据对预测结果进行比对分析，将比对结果反馈至交通流运行解析模型进行迭代优化。
进一步地，多目标雷达车辆实时位置采集子系统包括用于采集短距离交织区车辆实时位置信息的多目标雷达，所述多目标雷达采用路侧安装，每隔不大于50ms检测一次所覆盖区域的所有车辆位置数据，并对所有车辆进行唯一编号；所述位置数据包括经度、纬度、车身长度、瞬时速度。
进一步地，其中宏观和微观交通流参数包括交通流量、运行速度、车头时距、换道率、车辆加速度。
进一步地，所述瞬时反馈控制模块由两个反馈优化闭环构成，分别为a 环和b环；其中a环用于根据本时刻实测数据和交织区通行能力最优的约束条件，对瞬时反馈控制算法进行评价，并对瞬时反馈控制算法进行闭环反馈优化；b环用于根据交织区通行能力最优的约束条件和下一时刻的预测数据对输出初始值进行预评价，然后根据评价结果对初始值进行闭环反馈优化。
进一步地，该系统还包括模型优化模块，所述模型优化模块用于在实施优化后的入口匝道信号控制方案后，通过车辆轨迹在线提取模块得到下一时刻交通流实测参数，将控制前后的交通流实测参数进行对比，对控制结果进行评价，然后根据评价结果对瞬时反馈控制模型进行实时反馈优化。
进一步地，一种短距离交织区交通流短时预测与主动控制方法，其特征在于，包括以下步骤：
步骤一、数据采集：在交织区路侧安装多目标雷达，采集多目标雷达覆盖区域内所有车辆的位置数据，并对所有车辆进行唯一编号；
步骤二、轨迹数据在线提取：对步骤一中获得的车辆实时位置数据，通过清洗与去噪后，在线提取轨迹数据，同时得到主线、入口匝道、短距离交织区宏观和微观交通流参数；
步骤三、交通流运行解析模型的构建与优化：基于步骤二中得到的主线、入口匝道、短距离交织区宏观和微观交通流数据，采用时空图卷积网络构建交通流运行解析模型，实时分析主线、入口匝道和短距离交织区的交通流参数之间关系，并通过实测数据对交通流运行解析模型进行在线训练和迭代优化；
步骤四、瞬时反馈控制模型构建与结果优化：根据步骤三得到的交通参数之间关系，构建瞬时反馈控制模型；然后将交通流运行解析模型预测的下一时刻主线和交织区交通流参数代入瞬时反馈控制模型，输出下一时刻入口匝道交通流参数初始值，对初始值进行预评价，根据评价结果对初始值进行迭代优化；
步骤五、优化入口匝道信号配时方案：基于预测完成的交通流参数，以交织区通行能力和主线延误为优化目标，以匝道调节率、匝道排队长度、主线排队长度、信号周期时长、绿灯时间等为条件，构建入口匝道自适应优化控制模型，获取优化后的入口匝道信号配时方案并提交至入口匝道信号控制主机，由信号控制主机按配时方案执行。
进一步地，该方法还包括：将步骤五得到的入口匝道信号配时方案实施后，通过步骤二得到下一时刻交通流实测参数，将前后时刻的交通流实测参数进行对比，对控制结果进行评价，然后根据评价结果对瞬时反馈控制模型进行实时反馈优化。
与现有技术相比，本发明的有益效果是：本发明通过多目标雷达装置，获取经过雷达监测区域的车辆经纬度、瞬时速度及车身长度等信息，而后基于边缘计算子系统，对轨迹信息进行在线提取、分析及预测交通流运行参数，进而为入口匝道的信号控制提供数据基础，充分考虑主线交通流运行状况，避免主线通行能力浪费或过饱和，同时对交通流运行态势进行短时预测，主动进行交通控制，对持续大流量的短距离交织区控制效果较好，可以有效提高快速路系统整体通行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的系统框图。
图2为本发明的流程示意图。
图3为本发明中自适应瞬时反馈控制方法流程图。
图4为本发明中基于时空图卷积网络的交通运行解析方法流程图。
图5为本发明中交通流采集及交通控制设施布置示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1至图5所示，一种短距离交织区交通流短时预测与主动控制系统，包括多目标雷达车辆实时位置采集子系统、边缘计算子系统以及入口匝道信号控制主机；
在本实施例中，多目标雷达车辆实时位置采集子系统包括用于采集短距离交织区车辆实时位置信息的多目标雷达，所述多目标雷达采用路侧安装，每隔不大于50ms检测一次所覆盖区域的所有车辆位置数据，所述位置数据包括经度、纬度、车身长度、瞬时速度等数据；并对所有车辆进行唯一编号；所述多目标雷达车辆实时位置采集子系统用于将所采集到的数据上传到边缘计算子系统进行存储和分析；
其中边缘计算子系统包括边缘计算节点、车辆轨迹在线提取模块、短距离交织区交通运行解析模块以及；所述边缘计算节点可以提供强大的计算、存储能力；
所述边缘计算节点分别与车辆轨迹在线提取模块、短距离交织区交通运行解析模块以及瞬时反馈控制模块相连接，用于为车辆轨迹在线提取、交通流运行解析模型、瞬时反馈控制模型的训练和计算提供强大的计算能力，同时为多目标雷达采集的车辆位置数据提供存储；为模型训练、运行规律挖掘提供数据资源；
所述车辆轨迹在线提取模块用于对车辆实时位置数据进行分析处理得到车辆轨迹数据，同时得到主线、入口匝道、短距离交织区宏观和微观交通流参数，其中宏观和微观交通流参数包括但不限于交通流量、运行速度、车头时距、换道率、车辆加速度等，对不符合常规的误差数据进行修正；
所述短距离交织区交通运行解析模块用于基于主线、入口匝道、短距离交织区宏观和微观交通流数据，采用时空图卷积网络构建交通流运行解析模型，并通过实测数据对交通流运行解析模型进行在线训练和迭代优化；其交通流运行解析模型用于解析交通运行过程中交通流参数之间复杂关系，并对下一时段交通流参数进行短时预测；
在本实施例中，交通流运行解析模型的具体构建步骤如下：
(1)定义时空图
设快速路有c个车道，将每个车道均分成d个小路段，则交织区路段可抽象为具有c*d(定义n＝c*d)个顶点的图，其中，图中每个顶点具有四个特征属性：交通流量、速度、车辆加速度、车头间距；以50ms的间隔进行数据采样，每5mi n的数据聚合成一张图，每M张图构成一条数据。则时空图包含M个时间步的图数据，图的特征向量数据为
Figure RE-GDA0003437845800000071
其中，n为顶点数(即路段数)， Ci为特征数(即交通参数个数)。
(2)计算时间卷积。在每个顶点处输入
Figure RE-GDA0003437845800000072
沿着时间维度进行一维卷积，卷积核
Figure RE-GDA0003437845800000073
Kt是卷积核宽度，2C0是卷积核个数，从而得到
Figure RE-GDA0003437845800000074
P和Q为卷积后的结果，通道大小相同，然后经过GLU激活：
Figure RE-GDA0003437845800000075
其中，σ(Q)是表示用sigmod激活函数激活Q，计算时间卷积后输出数据
Figure RE-GDA0003437845800000076
(3)计算空间域卷积，空间域卷积是在每个时间步的图上进行，不在时间步之间进行。输入
Figure RE-GDA0003437845800000077
按照图卷积公式计算
Figure RE-GDA0003437845800000078
其中，
Figure RE-GDA0003437845800000079
其中，θ是一个多项式系数向量，K表示图卷积核大小，λmax表示L的最大特征值。LL是表示归一化的拉普拉斯矩阵，W是邻接矩阵，不同时间的W不变：
Figure RE-GDA0003437845800000081
其中，dij表示路段i和路段j之间的距离，σ和ε用于调整WW的分布和稀疏度。空间域卷积输出数据
Figure RE-GDA0003437845800000082
(4)通过RELU线性单位函数激活步骤(3)的输出结果。
(5)继续计算时间卷积，输出数据
Figure RE-GDA0003437845800000083
(6)第二次计算时空卷积块，步骤(2)到步骤(5)为一个时空卷积过程，每经过一个时空卷积，数据在时间维度的长度减小2(Kt-1)。重复步骤(2)到步骤(5)的时空卷积过程，输出数据为
Figure RE-GDA0003437845800000084
(7)计算输出层，输出层包括一个时间卷积层和一个全连接层。时空卷积层的卷积核大小
Figure RE-GDA0003437845800000085
输出映射到
Figure RE-GDA0003437845800000086
全连接层
Figure RE-GDA0003437845800000087
其中,
Figure RE-GDA0003437845800000088
输出
Figure RE-GDA0003437845800000089
得到n个路段的速度预测值；(这里以速度预测为例，其他交通流参数采用相同的方法进行预测，交通参数预测的频率与匝道信号优化控制频率一致即可)；
在本实施例中，其中通过实测数据对交通流运行解析模型进行在线训练和迭代优化，具体为：
利用构建出的交通流运行解析模型，对下一时刻主线和交织区交通参数进行短时预测，然后根据下一时刻的实测数据对预测结果进行比对分析，将比对结果反馈至交通流运行解析模型进行迭代优化；
在本实施例中，所述瞬时反馈控制模块用于根据交通流运行解析模型解析出的交通流参数之间关系构建瞬时反馈控制模型，然后将本时刻实测的主线、入口匝道、交织区交通流参数以及下一时刻预测的主线、交织区交通流参数作为输入变量，输出下一时刻入口匝道交通流参数初始值；对初始值进行预评价，根据评价结果对初始值进行迭代优化；其中为了表述清晰，可将本时刻标记为T1，将下一时刻标记为T2；
其中瞬时反馈控制模块由两个反馈优化闭环构成，包括基于本时刻的实测数据结果进行评价后对控制算法进行闭环反馈优化的a环和基于下一时刻的预测数据和输出初始值进行预评价后对入口匝道交通流控制参数进行闭环反馈优化的b环；
在本实施例中，所述瞬时反馈控制模块还用于基于预测完成的交通流参数，以交织区通行能力和主线延误为优化目标，以匝道调节率、匝道排队长度、主线排队长度、信号周期时长、绿灯时间等为条件，构建入口匝道自适应优化控制模型，获取优化后入口匝道信号控制方案，下发至入口匝道控制主机以执行配时方案；具体操作步骤如下：
S1：优化目标建立；具体包括：
S11：计算交织区通行能力Cm：Cm＝Cp+Cr；其中，Cp为主线最大通行能力，Cr为匝道最大通行能力；
其中匝道的最大通行能力Cr与匝道可汇入主线车辆数Qr和匝道第k周期排队车辆数Nr,k有关，Cr满足：Cr＝max{Qr,Nr,k}；
利用可插车间隙理论计算匝道可汇入主线车辆数Qr，将主线看作主路，匝道看作次路，
Figure RE-GDA0003437845800000091
其中，Qp是主线到达交通流量；λ为主线单位时间交通流量，满足
Figure RE-GDA0003437845800000092
tc为匝道车辆穿越主线的可接受临界间隙；tf为匝道饱和车头时距。
匝道第k周期排队车辆数Nr,k满足：Nr,k＝Nr,k-1+Qr,k-Rk-1；其中，Nr,k-1为匝道第k-1周期排队车辆数；Qr,k为匝道第k周期预计到达车辆数，Rr,k-1为匝道第k-1周期释放车辆数；
S12：计算主线延误Dp：
Figure RE-GDA0003437845800000101
其中，N为因入口匝道汇入车辆导致主线受影响车辆；D1为主线车辆的平均减速延误；D2为主线车辆的平均加速延误；Qp为主线流量；
S2：构建约束条件：匝道排队长度Lr满足：0≤Lr≤Lmax；其中，Lmax为匝道最大排队长度；Lr满足：Lr,k＝Lr,k-1+Qr,k-Rk-1；
匝道调节率rk满足：Rmin≤Rk≤Rmax；
周期时长c满足：cmin≤c≤cmax；
绿灯时间g满足：gmin≤gk≤gmax；
S3：双目标优化模型建立：其中，双目标优化模型即为入口匝道自适应优化控制模型；
Figure RE-GDA0003437845800000102
Figure RE-GDA0003437845800000103
S4：模型优化方法选取：
可使用经典的带精英策略的非支配排序遗传算法、群集智能算法(如：粒子群算法、蚁群算法、萤火虫算法、布谷鸟算法)等对优化模型进行求解，计算匝道第k周期最优调节率Rk；
S5：入口匝道信号配时方案计算：
Figure RE-GDA0003437845800000104
其中，Tc为入口匝道信号控制周期时长，满足：Tc＝g+Y+Tr。Y为黄灯时长，Tr为红灯时长；Sr为入口匝道饱和流量；
S6：将优化的入口匝道信号控制方案下发至入口匝道信号控制主机，实现对快速路入口匝道的实时最优控制，为提高快速路通行效益提供决策支持，以实现对快速路的主动动态交通管理控制；其中入口匝道信号控制方案即为入口匝道信号配时方案；
在本实施例中，该系统还包括模型优化模块，所述模型优化模块用于在实施优化后的入口匝道信号控制方案后，通过车辆轨迹在线提取模块得到下一时刻交通流实测参数，将控制前后的交通流实测参数进行对比，对控制结果进行评价，然后根据评价结果对瞬时反馈控制模型进行实时反馈优化。
在本实施例中，一种短距离交织区交通流短时预测与主动控制方法，包括以下步骤：
步骤一、数据采集：在交织区路侧安装多目标雷达，采集多目标雷达覆盖区域内所有车辆的位置数据，并对所有车辆进行唯一编号；其中数据采集和上传时间间隔不大于50ms；
步骤二、轨迹数据在线提取：对步骤一中获得的车辆实时位置数据，通过清洗与去噪后，在线提取轨迹数据，同时得到主线、入口匝道、短距离交织区宏观和微观交通流参数；
步骤三、交通流运行解析模型的构建与优化：基于步骤二中得到的主线、入口匝道、短距离交织区宏观和微观交通流数据，采用时空图卷积网络构建交通流运行解析模型，并通过实测数据对交通流运行解析模型进行在线训练和迭代优化；
步骤四、瞬时反馈控制模型的构建与结果优化：根据步骤三得到的交通参数之间关系，构建瞬时反馈控制模型；然后将交通流运行解析模型预测的下一时刻主线和交织区交通流参数代入瞬时反馈控制模型，输出下一时刻入口匝道交通流参数初始值，对初始值进行预评价，根据评价结果对初始值进行迭代优化；
步骤五、优化入口匝道信号配时方案：基于预测完成的交通流参数，以交织区通行能力和主线延误为优化目标，以匝道调节率、匝道排队长度、主线排队长度、信号周期时长、绿灯时间等为条件，构建入口匝道自适应优化控制模型，获取优化后的入口匝道信号配时方案并提交至入口匝道信号控制主机，由信号控制主机按配时方案执行。
其中，该方法还包括：将步骤五得到的入口匝道信号配时方案实施后，通过步骤二得到下一时刻交通流实测参数，将前后时刻的交通流实测参数进行对比，对控制结果进行评价，然后根据评价结果对瞬时反馈控制模型进行实时反馈优化。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (9)

1.一种短距离交织区交通流短时预测与主动控制系统，其特征在于，包括多目标雷达车辆实时位置采集子系统、边缘计算子系统以及入口匝道信号控制主机；
所述多目标雷达车辆实时位置采集子系统用于将所采集到的车辆位置数据上传到边缘计算子系统进行存储和分析；所述边缘计算子系统包括边缘计算节点、车辆轨迹在线提取模块、短距离交织区交通运行解析模块以及瞬时反馈控制模块；
所述车辆轨迹在线提取模块用于对车辆实时位置数据进行分析处理得到车辆轨迹数据，同时得到主线、入口匝道、短距离交织区宏观和微观交通流参数；所述短距离交织区交通运行解析模块用于基于主线、入口匝道、短距离交织区宏观和微观交通流数据，采用时空图卷积网络构建交通流运行解析模型；
所述瞬时反馈控制模块用于根据交通流运行解析模型解析出的交通流参数之间关系构建瞬时反馈控制模型，然后将本时刻实测的主线、入口匝道、交织区交通流参数以及下一时刻预测的主线、交织区交通流参数作为输入变量，输出下一时刻入口匝道交通流参数初始值；并根据交织区通行能力最优的约束条件对初始值进行预评价，根据评价结果对初始值进行闭环反馈优化，最终得到下一时刻入口匝道交通流参数。
2.根据权利要求1所述的一种短距离交织区交通流短时预测与主动控制系统，其特征在于，所述瞬时反馈控制模块还用于基于预测完成的交通流参数，以短距离交织区通行能力和主线延误为优化目标，以匝道调节率、匝道排队长度、主线排队长度、信号周期时长、绿灯时间为条件，构建入口匝道自适应优化控制模型，并获取优化后入口匝道信号控制方案，下发至入口匝道控制主机以执行配时方案。
3.根据权利要求1所述的一种短距离交织区交通流短时预测与主动控制系统，其特征在于，所述短距离交织区交通运行解析模块还用于实时分析主线、入口匝道和短距离交织区的交通流参数之间关系，并通过实测数据对交通流运行解析模型进行在线训练和迭代优化，具体为：
利用构建出的交通流运行解析模型，对下一时刻主线和交织区交通参数进行短时预测，然后根据下一时刻的实测数据对预测结果进行比对分析，将比对结果反馈至交通流运行解析模型进行迭代优化。
4.根据权利要求1所述的一种短距离交织区交通流短时预测与主动控制系统，其特征在于，多目标雷达车辆实时位置采集子系统包括用于采集短距离交织区车辆实时位置信息的多目标雷达，所述多目标雷达采用路侧安装，每隔不大于50ms检测一次所覆盖区域的所有车辆位置数据，并对所有车辆进行唯一编号；所述位置数据包括经度、纬度、车身长度、瞬时速度。
5.根据权利要求1所述的一种短距离交织区交通流短时预测与主动控制系统，其特征在于，其中宏观和微观交通流参数包括交通流量、运行速度、车头时距、换道率和车辆加速度。
6.根据权利要求1所述的一种短距离交织区交通流短时预测与主动控制系统，其特征在于，所述瞬时反馈控制模块由两个反馈优化闭环构成，分别为a环和b环；其中a环用于根据本时刻实测数据和交织区通行能力最优的约束条件，对瞬时反馈控制算法进行评价，并对瞬时反馈控制算法进行闭环反馈优化；b环用于根据交织区通行能力最优的约束条件和下一时刻的预测数据对输出初始值进行预评价，然后根据评价结果对初始值进行闭环反馈优化。
7.根据权利要求2所述的一种短距离交织区交通流短时预测与主动控制系统，其特征在于，该系统还包括模型优化模块，所述模型优化模块用于在实施优化后的入口匝道信号控制方案后，通过车辆轨迹在线提取模块得到下一时刻交通流实测参数，将控制前后的交通流实测参数进行对比，对控制结果进行评价，然后根据评价结果对瞬时反馈控制模型进行实时反馈优化。
8.一种短距离交织区交通流短时预测与主动控制方法，其特征在于，包括以下步骤：
步骤一、数据采集：在交织区路侧安装多目标雷达，采集多目标雷达覆盖区域内所有车辆的位置数据，并对所有车辆进行唯一编号；
步骤二、轨迹数据在线提取：对步骤一中获得的车辆实时位置数据，通过清洗与去噪后，在线提取轨迹数据，同时得到主线、入口匝道、短距离交织区宏观和微观交通流参数；
步骤三、交通流运行解析模型的构建与优化：基于步骤二中得到的主线、入口匝道、短距离交织区宏观和微观交通流数据，采用时空图卷积网络构建交通流运行解析模型，实时分析主线、入口匝道和短距离交织区的交通流参数之间的关系，并通过实测数据对交通流运行解析模型进行在线训练和迭代优化；
步骤四、瞬时反馈控制模型构建与结果优化：根据步骤三得到的交通参数之间关系，构建瞬时反馈控制模型；然后将交通流运行解析模型预测的下一时刻主线和交织区交通流参数代入瞬时反馈控制模型，输出下一时刻入口匝道交通流参数初始值，对初始值进行预评价，根据评价结果对初始值进行迭代优化；
步骤五、优化入口匝道信号配时方案：基于预测完成的交通流参数，以交织区通行能力和主线延误为优化目标，以匝道调节率、匝道排队长度、主线排队长度、信号周期时长、绿灯时间为条件，构建入口匝道自适应优化控制模型，获取优化后的入口匝道信号配时方案并提交至入口匝道信号控制主机，由入口匝道信号控制主机按配时方案执行。
9.根据权利要求8所述的一种短距离交织区交通流短时预测与主动控制方法，其特征在于，该方法还包括：将步骤五得到的入口匝道信号配时方案实施后，通过步骤二得到下一时刻交通流实测参数，模型优化模块将前后时刻的交通流实测参数进行对比，对控制结果进行评价，然后根据评价结果对瞬时反馈控制模型进行实时反馈优化。
CN202111320403.0A 2021-11-09 2021-11-09 一种短距离交织区交通流短时预测与主动控制系统及方法 Active CN114023068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111320403.0A CN114023068B (zh) 2021-11-09 2021-11-09 一种短距离交织区交通流短时预测与主动控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111320403.0A CN114023068B (zh) 2021-11-09 2021-11-09 一种短距离交织区交通流短时预测与主动控制系统及方法

Publications (2)

Publication Number Publication Date
CN114023068A true CN114023068A (zh) 2022-02-08
CN114023068B CN114023068B (zh) 2022-09-06

Family

ID=80063333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111320403.0A Active CN114023068B (zh) 2021-11-09 2021-11-09 一种短距离交织区交通流短时预测与主动控制系统及方法

Country Status (1)

Country Link
CN (1) CN114023068B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814825A (zh) * 2022-03-23 2022-07-29 合肥工业大学 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法
CN115019505A (zh) * 2022-05-27 2022-09-06 湖南大学 一种交通流速度的预测方法及装置
CN115240431A (zh) * 2022-09-20 2022-10-25 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN117975737A (zh) * 2024-04-02 2024-05-03 北京中交华安科技有限公司 一种面向公路交织区的车辆主动诱导和智能管控方法
CN117977564A (zh) * 2024-01-02 2024-05-03 国网江苏省电力有限公司宿迁供电分公司 一种区域配电网双侧优化调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070030171A1 (en) * 2005-08-08 2007-02-08 University Of Washington Mobile system and method for traffic detector simulations
CN108109398A (zh) * 2017-12-28 2018-06-01 山东易构软件技术股份有限公司 一种高架快速路多匝道协调控制系统及控制方法
US20180336780A1 (en) * 2017-05-17 2018-11-22 Cavh Llc Connected automated vehicle highway systems and methods
CN109410599A (zh) * 2017-08-17 2019-03-01 南京洛普股份有限公司 一种交通事件下高速公路匝道的协调诱控方法
US20200005633A1 (en) * 2018-06-28 2020-01-02 Cavh Llc Cloud-based technology for connected and automated vehicle highway systems
CN113128847A (zh) * 2021-03-30 2021-07-16 同济大学 一种基于激光雷达的出入口匝道实时风险预警系统及方法
CN113160569A (zh) * 2021-05-07 2021-07-23 合肥工业大学 城市快速路合流区主线与入口匝道协调控制系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070030171A1 (en) * 2005-08-08 2007-02-08 University Of Washington Mobile system and method for traffic detector simulations
US20180336780A1 (en) * 2017-05-17 2018-11-22 Cavh Llc Connected automated vehicle highway systems and methods
CN109410599A (zh) * 2017-08-17 2019-03-01 南京洛普股份有限公司 一种交通事件下高速公路匝道的协调诱控方法
CN108109398A (zh) * 2017-12-28 2018-06-01 山东易构软件技术股份有限公司 一种高架快速路多匝道协调控制系统及控制方法
US20200005633A1 (en) * 2018-06-28 2020-01-02 Cavh Llc Cloud-based technology for connected and automated vehicle highway systems
CN113128847A (zh) * 2021-03-30 2021-07-16 同济大学 一种基于激光雷达的出入口匝道实时风险预警系统及方法
CN113160569A (zh) * 2021-05-07 2021-07-23 合肥工业大学 城市快速路合流区主线与入口匝道协调控制系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
万善余: "基于MPC 的事故状态下城市快速路匝道协调控制策略研究", 《第十二届中国智能交通年会大会论文集》 *
谭满春: "高速公路交通流的建模与入口匝道最优控制", 《中国公路学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814825A (zh) * 2022-03-23 2022-07-29 合肥工业大学 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法
CN114814825B (zh) * 2022-03-23 2023-04-07 合肥工业大学 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法
CN115019505A (zh) * 2022-05-27 2022-09-06 湖南大学 一种交通流速度的预测方法及装置
CN115019505B (zh) * 2022-05-27 2024-04-30 湖南大学 一种交通流速度的预测方法及装置
CN115240431A (zh) * 2022-09-20 2022-10-25 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN115240431B (zh) * 2022-09-20 2023-02-10 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN117977564A (zh) * 2024-01-02 2024-05-03 国网江苏省电力有限公司宿迁供电分公司 一种区域配电网双侧优化调度方法
CN117975737A (zh) * 2024-04-02 2024-05-03 北京中交华安科技有限公司 一种面向公路交织区的车辆主动诱导和智能管控方法
CN117975737B (zh) * 2024-04-02 2024-05-31 北京中交华安科技有限公司 一种面向公路交织区的车辆主动诱导和智能管控方法

Also Published As

Publication number Publication date
CN114023068B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN114023068B (zh) 一种短距离交织区交通流短时预测与主动控制系统及方法
CN105825690B (zh) 一种面向可协调控制的干线交叉口关联性分析及划分方法
CN106205156B (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
Celtek et al. Real-time traffic signal control with swarm optimization methods
WO2018126984A2 (zh) 一种基于mea-bp神经网络wsn异常检测方法
CN103557884B (zh) 一种输电线路杆塔监控的多传感器数据融合预警方法
Tu et al. Estimating flight departure delay distributions—a statistical approach with long-term trend and short-term pattern
CN111696348B (zh) 一种多功能的智能信号控制系统和方法
CN108375808A (zh) Nriet基于机器学习的大雾预报方法
CN110009257B (zh) 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型
CN112365724A (zh) 一种基于深度强化学习的连续交叉口信号协同控制方法
CN105118308A (zh) 基于聚类强化学习的城市道路交叉口交通信号优化方法
CN109191842A (zh) 基于实时通行能力的拥堵调控策略推荐方法及系统
CN111179592B (zh) 基于时空数据流融合分析的城市交通预测方法和系统
Box et al. An automated signalized junction controller that learns strategies by temporal difference reinforcement learning
CN113096418A (zh) 基于边缘计算的交通网红绿灯控制方法、系统及计算机可读存储介质
CN114722551B (zh) 一种恶劣天气下空域网络容量预测方法
CN112907970A (zh) 一种基于车辆排队长度变化率的可变车道转向控制方法
Zhang et al. Direction-decision learning based pedestrian flow behavior investigation
CN110287995B (zh) 全天高架交通拥堵情况分级的多特征学习网络模型方法
Cheng et al. Research on prediction method based on ARIMA-BP combination model
CN116959252A (zh) 基于r-c-r结构的时空卷积交通流预测方法及系统
CN116631203A (zh) 结合交通流预测与强化学习的自适应交通信号控制方法
CN116777046A (zh) 交通预训练模型构建和交通预测方法、装置及电子设备
CN110276949A (zh) 基于机器学习的交通流短时预测方法

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