CN114187766A - 一种基于饱和率的道路服务水平评价方法 - Google Patents

Abstract

一种基于饱和率的道路服务水平评价方法，包括如下步骤：1)路段的确定与划分，确定各个可分析的路段；2)数据预处理，获得交通流量数据和交通流地理数据；3)标准车流量折算，对输入数据进行折算，把通过路段的大小车流量统一折算成标准车流量；4)通过流量、速度数据得到密度数据，获得流量‑密度数据集；5)估计流量‑密度模型，对目标路段的数据用高斯过程回归进行拟合得到模型；6)获取最大通行能力，利用粒子群算法求解最大通行流量；7)获取饱和率；8)依据步骤7得到的饱和率，匹配对应的服务水平等级。本发明通过人工智能方法，及时获取了交通状况信息，为道路管理提供依据，做出及时有效的措施。

Description

一种基于饱和率的道路服务水平评价方法

技术领域

本发明涉及道路交通服务水平评价领域、尤其是一种依据饱和率得到的道路服务水平评价方法。

背景技术

近年来随着我国国民经济的快速发展，交通需求量日益增大，这必然促使公路建设快速发展，随着高速公路的建设里程在公路建设总里程中所占比重越来越大，如何对已经建成的高速公路进行科学的管理越来越引起人们的重视，这就要求我们对已经运营的高速公路运行质量做出客观、科学的评价，为管理决策提供可靠的依据。

服务水平是道路使用者从安全舒适、效率、经济等多方面所感受到的服务程度，也是驾驶人和乘客对道路交通状态和服务质量的一个客观评价。正确合理地确定服务水平准则是进行服务水平评价的基础和前提。近年来，雷达、摄像头等传感器的蓬勃发展给交通控制夯实了硬件基础。

发明内容

为了克服已有技术的不足，针对现有高速公路管理方案不能及时有效处理实时发生的实际交通状况，本技术通过雷达、摄像头等传感器提供的交通流信息，基于饱和率，设计一种道路服务水平评价方案，为管理提供及时有效的依据。

本发明解决其技术问题所采用的技术方案是：

一种基于饱和率的道路服务水平评价方法，包括以下步骤：

1)路段的确定与划分：

用同质法根据设定的划分指标及标准划分路段，将高速公路划分成若干连续的路段。以相邻卡口、雷达所处位置为端点，确定各个可分析的路段；

2)输入数据：

通过雷达以及卡口获得输入数据，其中包括每一个时刻记录的大小车流量信息、车速信息以及卡口雷达的位置信息。

3)标准车流量折算：

将输入数据中的车流量信息根据车辆折算系数，对输入数据进行折算，把通过路段的大小车流量统一折算成标准车流量；

4)获得流量-密度数据集：

首先给出交通流中流量和密度的定义：

流量：在一段时间间隔中，经过一个节点或一段道路的车辆总数，时间间隔一般采用年、日、时、时段。可以通过收费站和卡口通过的车辆数获得间隔路段的流量；

密度：在给定长度的路段中，每个单位长度上的车辆平均数；

5)估计流量-密度模型：

针对目标路段，根据获得的数据统计流量与密度的数据对，然后通过数据拟合的方式估计流量-密度模型；

6)获取最大通行能力：

根据5)建立的模型，通过数学求解方法得到该模型下估计的流量最大值，即为最大通行流量；

7)获取饱和率：

首先给出饱和率的定义：

饱和率V/C指的是道路当前通行流量与最大通行流量的比值；

饱和率反映了道路承载的车辆达到了多少道路的通行能力，当前通行流量可以根据输入数据通过3)换算得到，最大通行流量则通过6)得到。

8)服务等级划分：

根据获得的数据得到目标路段某一个时间段的饱和率，参考规定的高速公路基本路段服务水平分级表，换算得到该时段目标高速公路路段的饱和率与之对应的相应服务水平等级。

进一步，所述1)中，在划分路段前，首先确定立交和服务区影响区的范围，其中：立交及服务区的影响区范围定义为匝道出入口前450米；对于两段相邻较短路段也可以根据实际需求合并相邻路段为同一路段。

再进一步，所述5)中，估计流量-密度模型的过程如下：

利用高斯过程回归的方法，基于3)获得的流量数据{V_n}和4)得到的密度数据{D_n}，拟合流量-密度曲线，过程如下：

通过最大化对数边际似然函数，选择最优的高斯过程回归的超参数：尺度参数l、信号方差

和噪声方差

最大化对数边际似然函数的优化问题描述如下：

其中，V＝[V₁,V₂,...,V_N]^T∈R^N，是由流量数据{V_n}组成的列向量，M∈R^N×N是密度数据{D_n}计算得到的协方差矩阵，表达式如下：

m(D₁,D₂)为协方差函数，表达式如下：

I为单位矩阵，|·|表示矩阵的行列式；

使用最优的高斯过程归回超参数，得到流量曲线

表达式如下：

更进一步，所述6)中，根据5)建立的模型，通过数学求解方法求解流量最大值：

其中，在D维空间，有N个粒子，

是第k次迭代粒子i飞行速度矢量的第d维分量，

是第k次迭代粒子i位置矢量的第d维分量，pbest_id是第i个粒子个体极值的第d维分量，gbest_d是全局最优解的第d维分量，c₁、c₂为参数代表学习步长，r₁、r₁为随机值，取值范围[0,1]，w是惯性权重参数，非负数，调节对解空间的搜索范围；

密度表示为粒子的位置x_i，将流量值看作适应度f(x_i)，结果迭代求得最大的适应度值即是流量-密度模型下估计的流量最大值，为下一步骤所需要的最大通行流量C。

本发明依据在收费站、路段卡口雷达信息以及视频信息中实际获得的数据，针对基本高速路段即不受匝道影响的高速公路区域，基于饱和率对其通行状况作出相应的评价。

本发明的有益效果主要表现在：可以有效的对道路通行状况做一个客观评价，为道路管理提供依据，做出及时有效的措施，缓解交通问题。

附图说明

图1是本发明实施方案的流程示意图；

图2是本发明的流量-密度模型图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于饱和率的道路服务水平评价方法，包括以下步骤：

1)路段的确定与划分：

在划分路段前，首先确定立交和服务区影响区的范围，其中：立交及服务区的影响区范围定义为匝道出入口前450米。然后用同质法根据设定的划分指标及标准划分路段，将高速公路划分成若干连续的路段。以相邻卡口、雷达所处位置为端点，确定各个可分析的路段，对于两段相邻较短路段也可以根据实际需求合并相邻路段为同一路段。

2)输入数据：

参照图1，通过雷达以及卡口获得历史以及实时数据，其中包括每一个时刻，记录的时间信息、大小车流量信息、车速信息以及卡口雷达的位置信息。

3)标准车流量折算：

由于混合交通是我国交通流的一个重要特性，即使在高速公路上，我国交通构成也远比西方发达国家复杂。车辆间的相互干扰较大，因此为了比较和量化各种车型对通行能力的影响，需要对各种车型的影响程度进行分析。

《公路工程技术标准》(JTGB01--2014)中给出的车型分类如下：

·小型车:19座以下客车、载质量2t以下的货车；

·中型车:19座以上客车、载质量2～7t的货车；

·大型车:载质量7～20t的货车；

·拖挂车:载质量大于20t的货车；

为了比较和量化各种车型对通行能力的影响，就需要对各种车型的影响程度进行深人细致的分析。

车辆折算系数(Passenger Car Equivalent,PCE)是用于将混合交通流中的各车型转化为标准车的当量值。车辆折算系数PCE的具体含义是：在交通流中，某种车平均每增加或减少一辆对标准车小时平均运行速度(车流延误或密度)的影响值，与平均每增加或减少一辆标准车对标准车小时平均运行速度(车流延误或密度)的影响值的比值。对于高速公路，PCE参数不仅与车型有关，与设计速度和交通量也有较大关系，具体参数如表1所示：

表1

根据车辆折算系数，对输入数据进行折算，把通过路段的大小车流量统一折算成标准车流量。

4)获得流量-密度数据集：

首先给出交通流中流量和密度的定义：

流量：在一段时间间隔中，经过一个节点或一段道路的车辆总数，时间间隔一般采用年、日、时、时段。可以通过收费站和卡口通过的车辆数获得间隔路段的流量。

密度：在给定长度的路段中，每个单位长度上的车辆平均数(veh/km)。直接测量密度不现实，需要大量的视频图像等数据。然而，密度可以通过平均旅行速度s和流率v测量，这两个数据更好测量。对于不饱和交通条件，密度D计算公式如下

密度是衡量不间断交通流设施能力的关键参数，因为其反映了目前交通运行的质量，它描述了车辆之间的接近程度，并反映了交通流中的机动自由状态。

5)估计流量-密度模型：

利用高斯过程回归的方法，基于3)获得的流量数据{V_n}和4)得到的密度数据{D_n}，拟合流量-密度曲线，过程如下：

通过最大化对数边际似然函数，选择最优的高斯过程回归的超参数：尺度参数l、信号方差

和噪声方差

最大化对数边际似然函数的优化问题描述如下：

其中，V＝[V₁,V₂,...,V_N]^T∈R^N，是由流量数据{V_n}组成的列向量，M∈R^N×N是密度数据{D_n}计算得到的协方差矩阵，表达式如下：

m(D₁,D₂)为协方差函数，表达式如下：

I为单位矩阵，|·|表示矩阵的行列式；

使用最优的高斯过程归回超参数，得到流量曲线

表达式如下：

6)获取最大通行能力：

根据5)建立的模型，通过数学求解方法(例如，粒子群算法)求解流量最大值：

其中，在D维空间，有N个粒子，

是第k次迭代粒子i飞行速度矢量的第d维分量，

是第k次迭代粒子i位置矢量的第d维分量，pbest_id是第i个粒子个体极值的第d维分量，gbest_d是全局最优解的第d维分量，c₁、c₂为参数代表学习步长，r₁、r₁为随机值，取值范围[0,1]，w是惯性权重参数，非负数，调节对解空间的搜索范围；

密度表示为粒子的位置x_i，将流量值看作适应度f(x_i)，结果迭代求得最大的适应度值即是流量-密度模型下估计的流量最大值，为下一步骤所需要的最大通行流量C；

7)获取饱和率：

首先给出饱和率的定义：

饱和率V/C(Volume-to-Capacity)：指的是道路当前通行流量与最大通行流量的比值。

饱和率反映了道路承载的车辆达到了多少道路的通行能力，当前通行流量可以根据输入数据通过3)换算得到，最大通行流量则通过6)得到。

8)服务等级划分：

如上步骤所述，根据获得的数据可以得到目标路段某一个时间段的饱和率，参考我国规定的高速公路基本路段服务水平分级表，如表2所示，可以换算得到该时段目标高速公路路段的饱和率与之对应的相应服务水平等级。

表2

一般当V/C值大于0.75的交通状态为交通拥堵状态。

以上阐述的是本发明给出的一个实施例表现出来的优良效果，显然本发明不仅适合上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。

Claims (4)

1.一种基于饱和率的道路服务水平评价方法，其特征在于，所述方法包括以下步骤：

1)路段的确定与划分：

用同质法根据设定的划分指标及标准划分路段，将高速公路划分成若干连续的路段。以相邻卡口、雷达所处位置为端点，确定各个可分析的路段；

2)输入数据：

通过雷达以及卡口获得输入数据，其中包括每一个时刻记录的大小车流量信息、车速信息以及卡口雷达的位置信息。

3)标准车流量折算：

将输入数据中的车流量信息根据车辆折算系数，对输入数据进行折算，把通过路段的大小车流量统一折算成标准车流量；

4)获得流量-密度数据集：

首先给出交通流中流量和密度的定义：

流量：在一段时间间隔中，经过一个节点或一段道路的车辆总数，时间间隔一般采用年、日、时、时段。可以通过收费站和卡口通过的车辆数获得间隔路段的流量；

密度：在给定长度的路段中，每个单位长度上的车辆平均数；

5)估计流量-密度模型：

针对目标路段，根据获得的数据统计流量与密度的数据对，然后通过数据拟合的方式估计流量-密度模型；

6)获取最大通行能力：

根据5)建立的模型，通过数学求解方法得到该模型下估计的流量最大值，即为最大通行流量；

7)获取饱和率：

首先给出饱和率的定义：

饱和率V/C指的是道路当前通行流量与最大通行流量的比值；

饱和率反映了道路承载的车辆达到了多少道路的通行能力，当前通行流量可以根据输入数据通过3)换算得到，最大通行流量则通过6)得到。

8)服务等级划分：

根据获得的数据得到目标路段某一个时间段的饱和率，参考规定的高速公路基本路段服务水平分级表，换算得到该时段目标高速公路路段的饱和率与之对应的相应服务水平等级。

2.如权利要求1所述的一种基于饱和率的道路服务水平评价方法，其特征在于，所述1)中，在划分路段前，首先确定立交和服务区影响区的范围，其中：立交及服务区的影响区范围定义为匝道出入口前450米；对于两段相邻较短路段也可以根据实际需求合并相邻路段为同一路段。

3.如权利要求1或2所述的一种基于饱和率的道路服务水平评价方法，其特征在于，所述5)中，估计流量-密度模型的过程如下：

利用高斯过程回归的方法，基于3)获得的流量数据{V_n}和4)得到的密度数据{D_n}，拟合流量-密度曲线，过程如下：

通过最大化对数边际似然函数，选择最优的高斯过程回归的超参数：尺度参数l、信号方差

和噪声方差

最大化对数边际似然函数的优化问题描述如下：

其中，V＝[V₁,V₂,…,V_N]^T∈R^N，是由流量数据{V_n}组成的列向量，M∈R^N×N是密度数据{D_n}计算得到的协方差矩阵，表达式如下：

m(D₁,D₂)为协方差函数，表达式如下：

I为单位矩阵，|·|表示矩阵的行列式；

使用最优的高斯过程归回超参数，得到流量曲线

表达式如下：

4.如权利要求3所述的一种基于饱和率的道路服务水平评价方法，其特征在于，所述6)中，根据5)建立的模型，通过数学求解方法求解流量最大值：

其中，在D维空间，有N个粒子，

是第k次迭代粒子i飞行速度矢量的第d维分量，

是第k次迭代粒子i位置矢量的第d维分量，pbest_id是第i个粒子个体极值的第d维分量，gbest_d是全局最优解的第d维分量，c₁、c₂为参数代表学习步长，r₁、r₁为随机值，取值范围[0,1]，w是惯性权重参数，非负数，调节对解空间的搜索范围；

密度表示为粒子的位置x_i，将流量值看作适应度f(x_i)，结果迭代求得最大的适应度值即是流量-密度模型下估计的流量最大值，为下一步骤所需要的最大通行流量C。

Images