CN114758499A - 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质 - Google Patents

一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质 Download PDF

Info

Publication number
CN114758499A
CN114758499A CN202210349006.4A CN202210349006A CN114758499A CN 114758499 A CN114758499 A CN 114758499A CN 202210349006 A CN202210349006 A CN 202210349006A CN 114758499 A CN114758499 A CN 114758499A
Authority
CN
China
Prior art keywords
road
data
decision tree
tree model
elevated
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
CN202210349006.4A
Other languages
English (en)
Other versions
CN114758499B (zh
Inventor
胡颖
潘述亮
刘鹏
滑树阳
丁大江
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.)
TRAFFIC POLICE DEPARTMENT OF JINAN PUBLIC SECURITY BUREAU
Beijing Cennavi Technologies Co Ltd
Original Assignee
TRAFFIC POLICE DEPARTMENT OF JINAN PUBLIC SECURITY BUREAU
Beijing Cennavi Technologies 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 TRAFFIC POLICE DEPARTMENT OF JINAN PUBLIC SECURITY BUREAU, Beijing Cennavi Technologies Co Ltd filed Critical TRAFFIC POLICE DEPARTMENT OF JINAN PUBLIC SECURITY BUREAU
Priority to CN202210349006.4A priority Critical patent/CN114758499B/zh
Publication of CN114758499A publication Critical patent/CN114758499A/zh
Application granted granted Critical
Publication of CN114758499B publication Critical patent/CN114758499B/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
    • G08G1/0137—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • 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
    • 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

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质，包括：(1)数据收集，包括：路网数据、路况速度、OD数据、日期时间、管控措施；(2)构建决策树模型：A、获取决策树模型数据，包括属性数据和目标数据；B、构建决策树模型；C、决策树模型更新；(3)通过决策树模型进行实时监控；本发明解决了目前快速路匝道控制的缺点：手动、反应不及时、容易使拥堵蔓延恶化等等。该发明为城市交通管理、城市拥堵缓解提供了支持。

Description

一种基于多源数据的城市高架快速路匝道智能自动控制的方 法、设备及存储介质
技术领域
本发明涉及城市道路交通控制管理领域，尤其涉及一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质。
背景技术
当前城市道路拥堵现象越发严重，城市道路交通管理控制，是涉及到人民生活办公的重要领域，尤其是高架快速路，在城市道路交通中，承担了重要的组成部分。
传统的高架快速路管控方式，主要是由管理人员人工监控高架的路况情况，如果某条道路发生拥堵，判断是什么原因造成拥堵，应该采取哪些管控措施，例如，关闭上游入口匝道，延长出口匝道下方的绿灯时间。
但是传统的管控方式，存在一些缺点，一是需要人工观察，耗费人力；二是判断比较主观，不同的管控人员会做出不同的决定；三是反映不够及时，可能造成拥堵蔓延由于城市的高架快速路越来越多，拥堵程度越来越严重，传统的方式就更加的无法适应当前的交通形势。
当前，现有技术中也有用来进行高架桥的控制的，不过手段比较粗糙，例如，只是自动判断是否封闭匝道。
发明内容
针对现有技术的不足，本发明提供了一种基于多源数据的城市高架快速路匝道智能自动控制的方法。
本发明实时监控道路路况、车流、上下游路况、出入口匝道路况与车流、及参考当时的日期时刻等实时数据，通过模型算出控制方案：需要采取措施、采取何种措施，并预测下个时段的车流状况，通过优化算法对当前控制方案进行优化，然后把指令自动传达辖区。以快速的对路网的拥堵情况作出反应和管控，缓解拥堵，使城市交通更加顺畅。
本发明对于数据的收集更加多源，融合了各种影响交通拥堵的因素；对于匝道的控制更加精确细致，例如可以判断是否封闭入口匝道、是否延长匝道出口的绿灯时间或者对两种方式进行组合使用，这样可以对不同的交通态势进行更恰当的对应；并运用预测算法对车流进行短时预测，优化当前方案以适应后续车流。因此，本发明可以更加准确的判别当前与后续的交通状态、更加精确的确定匝道控制方式、使车流更加顺畅。
本发明还提供了一种计算机设备及存储介质。
术语解释：
1、道路路况：即道路速度，在道路交通实际条件下，单位时间通过某路段断面的行车速度。
2、流量：在道路交通实际条件下，单位时间通过某道路(或路段)断面的实际交通量。
3、路段属性：表征路段特征的属性集合，本研究中采用的是路段的等级、路段包含的车道数及路段周围热点poi种类及个数的属性集合。
4、高架快速路:城市内封闭道路，通过出入口匝道与普通地面城市道路连接。
5、OD交通量：OD交通量就是指起终点间的交通出行量。“O”来源于英文ORIGIN，指出行的出发地点,“D”来源于英文DESTINATION，指出行的目的地点.
6、决策树：是在已知各种情况发生概率的基础上，通过构成决策树来求取当前期望值大于等于零的概率。
本发明的技术方案为：
一种基于多源数据的城市高架快速路匝道智能自动控制的方法，包括：
(1)数据收集，包括：路网数据、路况速度、OD数据、日期时间、管控措施；
路网数据是指基础路网的拓扑数据，包括各个高架路段之间的上下游关系、高架出口、高架入口、高架出入口与高架路段的关系、高架与辅路的关系，并计入属性数据库；
路况速度是指每条路段的历史路况速度、实时路况速度；
OD数据是指：卡口设备实时监控高架及各个高架出入口的汽车流量，并识别汽车车牌，把这些数据进行记录并进行分析，得到各个高架路之间、高架路各个出入口之间的OD交通量；
(2)构建决策树模型
A、获取决策树模型数据，包括属性数据和目标数据；
属性数据包括：道路名称、道路类型、道路等级、车道数量、上游道路、下游道路、最近入口匝道、最近出口匝道、道路速度、上游速度、下游速度、入口速度、出口速度、流量、出入口OD数据、年、月、日、星期、小时；
目标数据是指管控措施，具体包括：是否拥堵、拥堵原因、是否采取措施、采取何种管控措施：包括关闭入口匝道、延长出口匝道绿灯、延长时间；
B、构建决策树模型；
C、决策树模型更新
根据不断获得更新的属性数据、目标数据，定期将更新的属性数据、目标数据输入到决策树模型，重新训练，得到新的决策树模型参数；
(3)通过决策树模型进行实时监控
对于每一条高架路，得到道路的静态特征，包括：道路名称、道路类型、道路等级、车道数量、上游道路、下游道路、最近入口匝道、最近出口匝道；
然后实时获取动态信息，包括：道路速度、上游速度、下游速度、入口速度、出口速度、流量、出入口OD数据、年、月、日、星期、小时；
将道路的静态特征和动态信息输入训练好的决策树模型中，计算出结果方案，结果方案包括：是否拥堵、拥堵原因、是否采取措施、采取何种管控措施。
进一步优选的，步骤B中，决策树模型f0(x)如式(Ⅰ)所示：
Figure BDA0003578520140000031
式(Ⅰ)中，L(yi,c)是指损失函数，c是指整棵决策树；
把收集到的属性数据、目标数据即训练数据集(x1,y1),(x2,y2),...(xi,yi),...(xN,yN)输入到决策树模型f0(x)，xi是指属性数据，yi目标数据；
决策树模型f0(x)根据输入的属性数据、目标数据进行参数优化，得到最小值的决策树模型f0(x)的参数，即为训练好的决策树模型f0(x)；
根据本发明优选的，步骤(3)之后，进行车流预测并优化控制方案，具体是指：
D、车流短时预测；
E、决策树模型结果优化
根据步骤(3)得到的结果方案，将得到的预测车流输入到当前结果方案中，计算总停车次数与总延误时间的加权和，作为PI；
通过爬山法不断微调结果方案，对决策树模型进行优化，以求得最低的PI，那么对应的控制方案即为最优方案。
进一步优选的，步骤D中，采用自回归模型，如式(Ⅱ)所示：
Figure BDA0003578520140000032
式(Ⅱ)中，m是指自回归阶数，ai是指时段i的自回归系数，wn是指白色噪声，qn是指车流量；
通过历史数据的回归系数，通过式(Ⅱ)对下个时段的车流量进行预测，得到下个时段车流量：q。
进一步优选的，根据步骤(3)得到的结果方案，将得到的预测车流q输入到当前结果方案中，计算总停车次数与总延误时间的加权和，作为PI；具体是指：根据步骤(3)得到的结果方案及得到的预测车流输入仿真系统进行仿真计算，结果方案包括是否采取措施、采取何种管控措施及管控时间等内容，将已知的管控措施类型、管控时间及交通流信息输入仿真系统，模拟车流运行状况，根据车流运行状况计算车辆延误时间及停车次数，其权值各为0.5，计算总停车次数与总延误时间的线性加权和，作为PI。
进一步优选的，通过爬山法不断微调结果方案，对决策树模型进行优化，以求得最低的PI，那么对应的控制方案即为最优方案；具体是指：
结果方案中包括采取何种管控措施及管控时间两个参数，这两个参数的初始值是将实时数据输入决策树模型之后得到的结果；
从这两个参数的初始值开始，将任意参数增加或减少一个单位，得到新的参数解集，进而得到新的PI值集合，从新的PI值集合中找到能使PI值最小的最优解，迭代执行该该步骤直至直到前一次的最优解与后一次的最优解相同，结束，得到的最优解即为对应的预测车流q情况下匝道应该采取的措施及管控时间。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于多源数据的城市高架快速路匝道智能自动控制的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于多源数据的城市高架快速路匝道智能自动控制的方法的步骤。
本发明的有益效果为：
本发明所要解决的技术问题是一种基于多源数据的城市高架快速路匝道智能自动控制的方法，解决了目前快速路匝道控制的缺点：手动、反应不及时、容易使拥堵蔓延恶化等等，能够更加快速准确的感知当前的高架路交通状态，并能快速准确的做出决断，做出更好的匝道控制，是高架路交通更加畅通。该发明为城市交通管理、城市拥堵缓解提供了支持。
附图说明
图1为本发明基于多源数据的城市高架快速路匝道智能自动控制的方法的流程框图；
图2为实施例中某路段的管控分析结果示意图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。
实施例1
一种基于多源数据的城市高架快速路匝道智能自动控制的方法，如图1所示，包括：
(1)数据收集，包括：路网数据、路况速度、OD数据、日期时间、管控措施；
路网数据是指基础路网的拓扑数据，包括各个高架路段之间的上下游关系、高架出口、高架入口、高架出入口与高架路段的关系、高架与辅路的关系，并计入属性数据库；
路况速度是指每条路段的历史路况速度、实时路况速度；
OD数据是指：卡口设备实时监控高架及各个高架出入口的汽车流量，并识别汽车车牌，把这些数据进行记录并进行分析，得到各个高架路之间、高架路各个出入口之间的OD交通量；
日期时间，因为交通流量与日期与时间密切相关，所以记录每个时刻的日期，例如2021年5月12日；时间，例如8:30。
为了智能模型可以进行学习，记录历史上的人工管控措施，管控措施具体包括，例如，当前拥堵原因、是否关闭入口匝道、关闭多长时间、是否延长出口匝道绿灯时间、延长多长时间。
(2)构建决策树模型
A、获取决策树模型数据，包括属性数据和目标数据；
属性数据包括：道路名称、道路类型、道路等级、车道数量、上游道路、下游道路、最近入口匝道、最近出口匝道、道路速度、上游速度、下游速度、入口速度、出口速度、流量、出入口OD数据、年、月、日、星期、小时；
目标数据是指管控措施，具体包括：是否拥堵、拥堵原因、是否采取措施、采取何种管控措施：包括关闭入口匝道、延长出口匝道绿灯、延长时间；
B、构建决策树模型；
决策树模型f0(x)如式(Ⅰ)所示：
Figure BDA0003578520140000051
式(Ⅰ)中，L(yi,c)是指损失函数，c是指整棵决策树；
损失函数描述的是决策树模型的不确定程度，损失函数越大，决策树模型的错误率越高。如果该决策树模型能够让损失函数持续下降，则说明决策树模型预测的准确率在不停提升，而最好的方式就是让损失函数在其梯度的方向上下降。算法的每一步沿着损失函数下降最快的方向建立新的决策树模型，这样使得算法在每一步均沿着下降最快的方向收敛。直到满足要求，建立满足要求的若干组合加权子模型。
把收集到的属性数据、目标数据即训练数据集(x1,y1),(x2,y2),...(xi,yi),...(xN,yN)输入到决策树模型f0(x)，xi是指属性数据，yi目标数据；
决策树模型f0(x)根据输入的属性数据、目标数据进行参数优化，得到最小值的决策树模型f0(x)的参数，即为训练好的决策树模型f0(x)；
C、决策树模型更新
根据不断获得更新的属性数据、目标数据，积累的训练数据集会更加全面，定期将更新的属性数据、目标数据输入到决策树模型，重新训练，得到新的决策树模型参数；使决策树模型更加准确。
(3)通过决策树模型进行实时监控
在实际运行监控中，对于每一条高架路，首先根据静态路网拓扑结构数据库实时得到道路的静态特征，包括：道路名称、道路类型、道路等级、车道数量、上游道路、下游道路、最近入口匝道、最近出口匝道；
然后实时获取动态信息，包括：道路速度、上游速度、下游速度、入口速度、出口速度、流量、出入口OD数据、年、月、日、星期、小时；
将道路的静态特征和动态信息输入训练好的决策树模型中，计算出结果方案，结果方案包括：是否拥堵、拥堵原因、是否采取措施、采取何种管控措施。
实施例2
根据实施例1所述的一种基于多源数据的城市高架快速路匝道智能自动控制的方法，其区别在于：
步骤(3)之后，进行车流预测并优化控制方案，具体是指：
由于车流是随时间变化的，上述决策树模型算出的控制方案是基于当前实时数据得到的结果，为了适应车流在后续的变化情况，首先对车流状况进行预测，然后用优化算法对当前计算结果进行优化。
D、车流短时预测
采用自回归模型，如式(Ⅱ)所示：
Figure BDA0003578520140000061
式(Ⅱ)中，m是指自回归阶数，ai是指时段i的自回归系数(AR coefficient)，wn是指白色噪声，qn是指车流量；
通过历史数据的回归系数，通过式(Ⅱ)对下个时段的车流量进行预测，得到下个时段车流量：q；
E、决策树模型结果优化
根据步骤(3)得到的结果方案，将得到的预测车流q输入到当前结果方案中，计算总停车次数与总延误时间的加权和，作为PI(Performance Index)；
具体是指：根据步骤(3)得到的结果方案及得到的预测车流进行仿真计算，方案中包括是否采取措施、采取何种管控措施及管控时间等内容，将已知的管控措施类型、管控时间及交通流信息输入仿真系统，模拟车流运行状况，根据车流运行状况计算车辆延误时间及停车次数，其权值各为0.5，计算总停车次数与总延误时间的线性加权和，作为PI。
通过爬山法不断微调结果方案，对决策树模型进行优化，以求得最低的PI，那么对应的控制方案即为最优方案。
具体是指：爬山法微调结果方案，即为结果方案中含有采取何种措施及作用时长两个参数，这两个参数的初始值是将实时数据输入决策树模型之后得到的结果，爬山法从这个参数解开始，将任意参数增加或减少一个单位，得到新的参数解集，进而得到新的PI值集合，从上面的解集中找到能使PI值最小的最优解，然后将这个最优解依据上面的方法再构造一个解集，继续求最优解，直到前一次的最优解与后一次的最优解相同，结束“爬山”。得到的最优解即为对应的预测车流q情况下匝道应该采取的措施及对应的作用时长，进而优化了决策树模型的结果，使控制方案更加符合变动之后的车流。
图2为某路段的管控分析结果示意图，2021年3月12日早6点30到8点30早高峰，某路段西向东智能管控与传统方式的对比。在早高峰期间，本发明对某路段的匝道进行智能控制，并将本周的某路段的车速与上周进行比较。可以从本周与上周速度对比可以看出，在7:14致7:45之间，本周速度明显偏高；在7:45至8:20之间，速度上升，应该是匝道控制所产生的效果，速度平均提高60％，匝道期间的平均时速30公里提高到平均时速50公里，控制效果明显。匝道控制后对下游辅道的车速有影响，平均速度降幅在30％左右。因此，匝道智能控制，主道上游车速提高30％，主道下游车速提高60％。对下游辅道与桥下道路的车速有影响，车速降低30％。
实施例3
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现实施例1或2基于多源数据的城市高架快速路匝道智能自动控制的方法的步骤。
实施例4
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1或2基于多源数据的城市高架快速路匝道智能自动控制的方法的步骤。

Claims (8)

1.一种基于多源数据的城市高架快速路匝道智能自动控制的方法，其特征在于，包括：
(1)数据收集，包括：路网数据、路况速度、OD数据、日期时间、管控措施；
路网数据是指基础路网的拓扑数据，包括各个高架路段之间的上下游关系、高架出口、高架入口、高架出入口与高架路段的关系、高架与辅路的关系，并计入属性数据库；
路况速度是指每条路段的历史路况速度、实时路况速度；
OD数据是指：卡口设备实时监控高架及各个高架出入口的汽车流量，并识别汽车车牌，把这些数据进行记录并进行分析，得到各个高架路之间、高架路各个出入口之间的OD交通量；
(2)构建决策树模型
A、获取决策树模型数据，包括属性数据和目标数据；
属性数据包括：道路名称、道路类型、道路等级、车道数量、上游道路、下游道路、最近入口匝道、最近出口匝道、道路速度、上游速度、下游速度、入口速度、出口速度、流量、出入口OD数据、年、月、日、星期、小时；
目标数据是指管控措施，具体包括：是否拥堵、拥堵原因、是否采取措施、采取何种管控措施：包括关闭入口匝道、延长出口匝道绿灯、延长时间；
B、构建决策树模型；
C、决策树模型更新
根据不断获得更新的属性数据、目标数据，定期将更新的属性数据、目标数据输入到决策树模型，重新训练，得到新的决策树模型参数；
(3)通过决策树模型进行实时监控
对于每一条高架路，得到道路的静态特征，包括：道路名称、道路类型、道路等级、车道数量、上游道路、下游道路、最近入口匝道、最近出口匝道；
然后实时获取动态信息，包括：道路速度、上游速度、下游速度、入口速度、出口速度、流量、出入口OD数据、年、月、日、星期、小时；
将道路的静态特征和动态信息输入训练好的决策树模型中，计算出结果方案，结果方案包括：是否拥堵、拥堵原因、是否采取措施、采取何种管控措施。
2.根据权利要求1所述的一种基于多源数据的城市高架快速路匝道智能自动控制的方法，其特征在于，步骤B中，决策树模型f0(x)如式(Ⅰ)所示：
Figure FDA0003578520130000021
式(Ⅰ)中，L(yi,c)是指损失函数，c是指整棵决策树；
把收集到的属性数据、目标数据即训练数据集(x1,y1),(x2,y2),...(xi,yi),...(xN,yN)输入到决策树模型f0(x)，xi是指属性数据，yi目标数据；
决策树模型f0(x)根据输入的属性数据、目标数据进行参数优化，得到最小值的决策树模型f0(x)的参数，即为训练好的决策树模型f0(x)。
3.根据权利要求1所述的一种基于多源数据的城市高架快速路匝道智能自动控制的方法，其特征在于，步骤(3)之后，进行车流预测并优化控制方案，具体是指：
D、车流短时预测；
E、决策树模型结果优化
根据步骤(3)得到的结果方案，将得到的预测车流输入到当前结果方案中，计算总停车次数与总延误时间的加权和，作为PI；
通过爬山法不断微调结果方案，对决策树模型进行优化，以求得最低的PI，那么对应的控制方案即为最优方案。
4.根据权利要求3所述的一种基于多源数据的城市高架快速路匝道智能自动控制的方法，其特征在于，步骤D中，采用自回归模型，如式(Ⅱ)所示：
Figure FDA0003578520130000022
式(Ⅱ)中，m是指自回归阶数，ai是指时段i的自回归系数，wn是指白色噪声，qn是指车流量；
通过历史数据的回归系数，通过式(Ⅱ)对下个时段的车流量进行预测，得到下个时段车流量：q。
5.根据权利要求3所述的一种基于多源数据的城市高架快速路匝道智能自动控制的方法，其特征在于，根据步骤(3)得到的结果方案，将得到的预测车流q输入到当前结果方案中，计算总停车次数与总延误时间的加权和，作为PI；具体是指：根据步骤(3)得到的结果方案及得到的预测车流输入仿真系统进行仿真计算，结果方案包括是否采取措施、采取何种管控措施及管控时间，将已知的管控措施类型、管控时间及交通流信息输入仿真系统，模拟车流运行状况，根据车流运行状况计算车辆延误时间及停车次数，其权值各为0.5，计算总停车次数与总延误时间的线性加权和，作为PI。
6.根据权利要求3所述的一种基于多源数据的城市高架快速路匝道智能自动控制的方法，其特征在于，通过爬山法不断微调结果方案，对决策树模型进行优化，以求得最低的PI，那么对应的控制方案即为最优方案；具体是指：
结果方案中包括采取何种管控措施及管控时间两个参数，这两个参数的初始值是将实时数据输入决策树模型之后得到的结果；
从这两个参数的初始值开始，将任意参数增加或减少一个单位，得到新的参数解集，进而得到新的PI值集合，从新的PI值集合中找到能使PI值最小的最优解，迭代执行该该步骤直至直到前一次的最优解与后一次的最优解相同，结束，得到的最优解即为对应的预测车流q情况下匝道应该采取的措施及管控时间。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6任一所述的基于多源数据的城市高架快速路匝道智能自动控制的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一所述的基于多源数据的城市高架快速路匝道智能自动控制的方法的步骤。
CN202210349006.4A 2022-04-01 2022-04-01 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质 Active CN114758499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210349006.4A CN114758499B (zh) 2022-04-01 2022-04-01 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210349006.4A CN114758499B (zh) 2022-04-01 2022-04-01 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114758499A true CN114758499A (zh) 2022-07-15
CN114758499B CN114758499B (zh) 2023-08-18

Family

ID=82329378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210349006.4A Active CN114758499B (zh) 2022-04-01 2022-04-01 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114758499B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115547055A (zh) * 2022-11-30 2022-12-30 广东省科技基础条件平台中心 一种交通信号灯协调控制方法、装置、存储介质及设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208501A1 (en) * 2006-03-03 2007-09-06 Inrix, Inc. Assessing road traffic speed using data obtained from mobile data sources
US20080071465A1 (en) * 2006-03-03 2008-03-20 Chapman Craig H Determining road traffic conditions using data from multiple data sources
CN102509470A (zh) * 2011-10-14 2012-06-20 北京掌城科技有限公司 基于动态路径规划实现车辆节能减排的系统和方法
US20140114885A1 (en) * 2012-10-18 2014-04-24 Enjoyor Company Limited Urban traffic state detection based on support vector machine and multilayer perceptron
CN103903423A (zh) * 2012-12-24 2014-07-02 北京掌城科技有限公司 基于浮动车数据的交通事件信息发布范围确定方法
CN104575050A (zh) * 2015-01-14 2015-04-29 合肥革绿信息科技有限公司 一种基于浮动车的快速路匝道智能诱导方法及装置
US20180182239A1 (en) * 2016-12-28 2018-06-28 Richard G. J. Baverstock Systems and methods for realtime macro traffic infrastructure management
CN109300316A (zh) * 2018-07-12 2019-02-01 天津易华录信息技术有限公司 一种道路缓堵控制方法、系统及设备
CN110248861A (zh) * 2018-01-07 2019-09-17 辉达公司 在车辆操纵过程中使用机器学习模型来引导车辆
CN110555565A (zh) * 2019-09-09 2019-12-10 南京东控智能交通研究院有限公司 基于决策树模型的高速路出口匝道事故严重程度预测方法
CN110836675A (zh) * 2019-10-25 2020-02-25 北京航空航天大学 一种基于决策树的自动驾驶搜索决策方法
WO2021109318A1 (zh) * 2019-12-03 2021-06-10 东南大学 一种城市路网短期交通运行状态估计与预测方法
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN113868492A (zh) * 2021-08-04 2021-12-31 北京一通智能科技有限公司 一种基于电警、卡口数据的可视化od分析方法及应用

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208501A1 (en) * 2006-03-03 2007-09-06 Inrix, Inc. Assessing road traffic speed using data obtained from mobile data sources
US20080071465A1 (en) * 2006-03-03 2008-03-20 Chapman Craig H Determining road traffic conditions using data from multiple data sources
CN102509470A (zh) * 2011-10-14 2012-06-20 北京掌城科技有限公司 基于动态路径规划实现车辆节能减排的系统和方法
US20140114885A1 (en) * 2012-10-18 2014-04-24 Enjoyor Company Limited Urban traffic state detection based on support vector machine and multilayer perceptron
CN103903423A (zh) * 2012-12-24 2014-07-02 北京掌城科技有限公司 基于浮动车数据的交通事件信息发布范围确定方法
CN104575050A (zh) * 2015-01-14 2015-04-29 合肥革绿信息科技有限公司 一种基于浮动车的快速路匝道智能诱导方法及装置
US20180182239A1 (en) * 2016-12-28 2018-06-28 Richard G. J. Baverstock Systems and methods for realtime macro traffic infrastructure management
CN110248861A (zh) * 2018-01-07 2019-09-17 辉达公司 在车辆操纵过程中使用机器学习模型来引导车辆
CN109300316A (zh) * 2018-07-12 2019-02-01 天津易华录信息技术有限公司 一种道路缓堵控制方法、系统及设备
CN110555565A (zh) * 2019-09-09 2019-12-10 南京东控智能交通研究院有限公司 基于决策树模型的高速路出口匝道事故严重程度预测方法
CN110836675A (zh) * 2019-10-25 2020-02-25 北京航空航天大学 一种基于决策树的自动驾驶搜索决策方法
WO2021109318A1 (zh) * 2019-12-03 2021-06-10 东南大学 一种城市路网短期交通运行状态估计与预测方法
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN113868492A (zh) * 2021-08-04 2021-12-31 北京一通智能科技有限公司 一种基于电警、卡口数据的可视化od分析方法及应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
邴其春;龚勃文;林赐云;杨兆升;: "城市快速路交通事件自动检测算法", 中南大学学报(自然科学版), no. 06 *
鄢勇飞;车丽彬;蒋乐;周俊;何丹;: "集成ETC系统的城市快速路常发性交通拥堵管理策略", 城市道桥与防洪, no. 02 *
马有苗;李邦兰;: "基于流量分析的城市快速路交通拥堵研究", 河南科技, no. 10 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115547055A (zh) * 2022-11-30 2022-12-30 广东省科技基础条件平台中心 一种交通信号灯协调控制方法、装置、存储介质及设备
CN115547055B (zh) * 2022-11-30 2023-03-28 广东省科技基础条件平台中心 一种交通信号灯协调控制方法、装置、存储介质及设备

Also Published As

Publication number Publication date
CN114758499B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN108269401B (zh) 一种基于数据驱动的高架桥交通拥堵预测方法
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN106710215B (zh) 瓶颈上游车道级交通状态预测系统及实现方法
CN112289044A (zh) 基于深度强化学习的高速公路道路协同控制系统及方法
CN106157650A (zh) 一种基于强化学习可变限速控制的快速道路通行效率改善方法
CN112885088B (zh) 一种基于动态交通流的多匝道协调控制方法
CN113096418B (zh) 交通网红绿灯控制方法、系统及计算机可读存储介质
CN106530757B (zh) 一种高架匝道智能信号调控方法
CN110111573B (zh) 一种基于物联网的拥堵车辆综合调度方法
CN107765551A (zh) 一种城市快速路入口匝道控制方法
CN111028504A (zh) 一种城市快速路智慧交通管控方法和系统
CN111341107A (zh) 一种基于云平台数据的共享式交通控制方法
CN114758499A (zh) 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质
CN116052435B (zh) 一种城市道路拥堵影响范围界定与道路影响力计算方法
CN115063990A (zh) 一种混合交通流环境高速公路瓶颈路段动态限速控制方法
CN118015857B (zh) 一种道路交通规划方法
CN118296569B (zh) 一种基于人工智能算法的城市街区能耗预测方法
CN112614337A (zh) 一种多源数据驱动的快速路入口匝道智能控制方法
CN113920727B (zh) 一种由施工引发道路拥堵的预测方法及系统
CN111899537B (zh) 一种基于边缘计算的交叉口信号控制移动调优装置和方法
CN117334042A (zh) 一种基于人工智能的智慧交通管理系统及方法
CN114613166B (zh) 考虑边界交叉口排队长度的信号灯控制方法及系统
CN115512537A (zh) 一种基于深度强化学习算法的高速公路监控方法及系统
Geroliminis et al. Development of the Next Generation Stratified Ramp Metering Algorithm Based on Freeway Density
CN108597239B (zh) 一种基于马尔科夫决策的交通灯控制系统及方法

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