CN114937366B - 一种基于多尺度交通需求与供给转化的交通流推算方法 - Google Patents

一种基于多尺度交通需求与供给转化的交通流推算方法 Download PDF

Info

Publication number
CN114937366B
CN114937366B CN202210859545.2A CN202210859545A CN114937366B CN 114937366 B CN114937366 B CN 114937366B CN 202210859545 A CN202210859545 A CN 202210859545A CN 114937366 B CN114937366 B CN 114937366B
Authority
CN
China
Prior art keywords
traffic
flow
vehicle
road section
path
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
CN202210859545.2A
Other languages
English (en)
Other versions
CN114937366A (zh
Inventor
张晓春
周勇
陈振武
吴若乾
孟蔚然
佟路
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center 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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202210859545.2A priority Critical patent/CN114937366B/zh
Publication of CN114937366A publication Critical patent/CN114937366A/zh
Application granted granted Critical
Publication of CN114937366B publication Critical patent/CN114937366B/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
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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

Abstract

本发明提出一种基于多尺度交通需求与供给转化的交通流推算方法，属于交通流推算技术领域。构建多尺度交通需求转化方法和多尺度交通供给转化方法，根据多尺度交通需求转化和供给转化方法，得到各尺度下的交通需求和供给，实现在不同尺度下交通流的加载过程。所述构建多尺度交通需求转化方法包括构建宏‑中‑微观交通需求转化方法和微‑中‑宏观交通需求转化方法。所述多尺度交通供给转化方法包括构建宏‑中‑微观交通供给转化方法和微‑中‑宏观交通供给转化方法。解决了交通流推算方法相互独立、无法形成跨尺度推算的问题的技术问题。实现从宏观到微观、从微观到宏观的交通需求信息互通与迭代，为跨尺度交通需求管理与控制提供支持。

Description

一种基于多尺度交通需求与供给转化的交通流推算方法
技术领域
本申请涉及一种交通流推算方法，尤其涉及一种基于多尺度交通需求与供给转化的交通流推算方法，属于交通流推算技术领域。
背景技术
随着物联网、人工智能、大数据等技术的快速发展，智能交通技术逐渐取代传统交通管理手段，被广泛应用于交通仿真、交通管理与控制、交通状态研判等场景中，为验证交通规划方案可行性、提高交通治理水平与效率、辅助相关部门进行交通决策等诸多方面提供了技术支撑。具体地说，智能交通技术已被用于揭示、推演和再现不同层次的交通流规律，为需求各异的交通管理者提供定制化服务与决策支持。举例来讲，在宏观交通流推算层面，可将融合交通流理论与人工智能技术的算法部署在城市交通大脑上，从而实现交通状态研判和交通态势推演；在中观交通流推算层面，可利用无人机等移动设备、视频监控等固定设备进行拥堵监控与车辆排队预测；在微观交通流推算层面，可依托交通仿真引擎和车路协同设备，对车辆的驾驶行为进行模拟、仿真和再现。
但是，现有技术还无法建立多尺度交通流之间的联系、实现跨尺度交通需求与供给的转化、迭代与融合，很难形成贯通多尺度的交通流推算方法。三种不同尺度交通流推算方法的研究范围及其作用如下：宏观交通流推算方法对路网的交通流特性进行描述与分析，研究拥堵区域形成和消散的规律；中观交通流推算方法对路段的交通流特性进行描述与分析，研究路段交通流的随机性和不确定性；微观交通流推算方法对车辆的交通流特性进行描述与分析，研究车辆的行驶状态以及相互作用。这三种方法均各自具备完整的发展路线，但它们之间的联系甚少，造成同一交通现象在不同交通流尺度上的演化规律无法相互验证。由此可见，建立多尺度交通需求与供给转化方法与多尺度交通流推算方法具有重要意义。宏观交通流推算方法，主要包括稳态模型和动态模型两类。当宏观交通流变量与时间无关而仅与地点有关时，此时的交通流为宏观稳态交通流，用来描述该状态的模型称为稳态模型，包括递推模型、起始-到达模型以及起始-终点模型等。当宏观交通流变量与时间和地点均有关时，用来描述该状态的模型称为动态模型，包括LWR模型、CTM模型。
中观交通流推算方法，主要包括基于气体动力学的交通流仿真模型和基于数据拟合的车头时距和间距分布模型。基于气体动力学的交通流仿真模型，是通过考虑各种影响因素建立能够模拟真实交通流运行状况的数学模型，包括非线性超车概率模型、格子气体模型等。基于数据拟合的车头时距和间距分布模型，是通过已有数学概率公式对车头时距和间距的分布规律进行拟合的数学模型，常用概率模型包括负指数分布、移位负指数分布、高斯分布、M3分布、对数正态分布等模型。
微观交通流推算方法，主要包括车辆跟驰模型、换道模型和元胞自动机模型等。车辆跟驰模型是一种动力学方法，用来研究车队在无法超车的道路上行驶时，前后车之间的行驶状态。换道模型可用于描述车辆行驶过程中由于速度改变或道路行驶条件的限制，而采取的变换行驶车道的行为，主要包括自动巡航控制模型和计算机仿真模型两大类。元胞自动机模型是一种网格动力学模型，基于一定的规则将空间分割为多个离散单元（也称元胞），这些元胞遵循确定的局部规则进行状态更新，从而实现动态系统的演化，具备对车辆时空状态进行模拟与仿真的能力。
上述方法存在以下问题：
（1）针对不同尺度交通流都具有独立的研究方法和技术路线，但缺少对多尺度交通流进行转化的方法，从而无法实现跨尺度交通需求与供给的相互迭代、转化与协调，难以满足多尺度交通流推算、建模与仿真的要求。
（2）没有对交通流进行多尺度管理和推算，导致现有交通流推算方法在大规模交通网络上进行推算的效率较低、计算复杂度较高。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在的交通流推算方法相互独立、无法形成跨尺度推算的问题的技术问题，本发明提供一种基于多尺度交通需求与供给转化的交通流推算方法。
一种基于多尺度交通需求与供给转化的交通流推算方法，构建多尺度交通需求转化方法和多尺度交通供给转化方法，根据多尺度交通需求转化和供给转化方法，得到各尺度下的交通需求和供给，实现在不同尺度下交通流的加载过程。
优选的，所述构建多尺度交通需求转化方法包括构建宏-中-微观交通需求转化方法和微-中-宏观交通需求转化方法。
优选的，构建宏-中-微观交通需求转化方法，具体包括以下步骤：
S11. 推算分时段OD，确定分时段OD，对于任一OD对(r,s)，其在时段t∈T内的路径分布量为
Figure 220211DEST_PATH_IMAGE001
；
S12. 基于OD推算路径、路段及交叉口流量；
所述路径的推算方法是：通过静态交通分配，得到在时段t内连接r和s的路径集
Figure 137352DEST_PATH_IMAGE002
；
所述路段的推算方法是：对于任一路径
Figure 917089DEST_PATH_IMAGE003
以及该路径上的路段
Figure 702511DEST_PATH_IMAGE004
，得到在时段t内连接r和s的路径p经过路段
Figure 516883DEST_PATH_IMAGE005
的流量
Figure 339346DEST_PATH_IMAGE006
；
所述交叉口流量的推算方法是：根据交叉口转向比例计算左转、直行和右转流量，分别为
Figure 966899DEST_PATH_IMAGE007
、
Figure 165799DEST_PATH_IMAGE008
以及
Figure 834677DEST_PATH_IMAGE009
，其中
Figure 828041DEST_PATH_IMAGE010
、
Figure 972584DEST_PATH_IMAGE011
和
Figure 709595DEST_PATH_IMAGE012
分别为在交叉口左转、直行和右转的概率，满足
Figure 232981DEST_PATH_IMAGE013
；
S13. 推算车辆到达率和离开率，车辆到达率为关于时间的多项式函数
Figure 754835DEST_PATH_IMAGE014
，车辆离开率为关于时间的常数函数
Figure 589936DEST_PATH_IMAGE015
；设
Figure 192956DEST_PATH_IMAGE014
和
Figure 305268DEST_PATH_IMAGE016
曲线的交点为
Figure 469796DEST_PATH_IMAGE017
和
Figure 667559DEST_PATH_IMAGE018
，
Figure 74270DEST_PATH_IMAGE014
曲线最高点对应时间为
Figure 165722DEST_PATH_IMAGE019
，
Figure 140632DEST_PATH_IMAGE014
和
Figure 684745DEST_PATH_IMAGE016
曲线与横轴包围面积相等时对应的时间为
Figure 301672DEST_PATH_IMAGE020
，则
Figure 654155DEST_PATH_IMAGE017
、
Figure 596704DEST_PATH_IMAGE019
、
Figure 421525DEST_PATH_IMAGE018
和
Figure 842142DEST_PATH_IMAGE020
分别表示拥堵开始时刻、拥堵变化率最大的时刻、拥堵最严重的时刻以及拥堵结束时刻；将流量
Figure 314712DEST_PATH_IMAGE021
加载到路段
Figure 818374DEST_PATH_IMAGE005
之后，车辆到达率会提高，车辆到达率曲线整体上移得到
Figure 743605DEST_PATH_IMAGE022
，而车辆离开率
Figure 967913DEST_PATH_IMAGE016
也会随着道路负荷度
Figure 389929DEST_PATH_IMAGE023
的升高而减小，满足关系式
Figure 674280DEST_PATH_IMAGE024
，其中c为通行能力，n为大于1的形状参数；
S14.推算车辆轨迹，考虑路段和交叉口延误带来的影响，设路段
Figure 86807DEST_PATH_IMAGE005
延误
Figure 239439DEST_PATH_IMAGE025
计算公式为
Figure 421022DEST_PATH_IMAGE026
，设绿灯时间为GT、红灯时间为RT、信号周期时长为CL=GT+RT和设计通行能力为c，则车辆通过信号交叉口的平均延误分别为
Figure 610695DEST_PATH_IMAGE027
，总延误
Figure 399266DEST_PATH_IMAGE028
。
优选的，构建宏-中-微观交通需求转化方法，具体包括以下步骤：
S21.基于车辆轨迹推算路径流量，对于任一车辆轨迹
Figure 965376DEST_PATH_IMAGE029
，按照时段t∈T将轨迹切割成
Figure 267045DEST_PATH_IMAGE030
，其经过的路径
Figure 486673DEST_PATH_IMAGE031
、任一路段
Figure 873792DEST_PATH_IMAGE032
、任一元胞
Figure 243594DEST_PATH_IMAGE033
、起点为
Figure 25867DEST_PATH_IMAGE034
且终点为
Figure 822922DEST_PATH_IMAGE035
的OD交通量各增加一个单位；遍历所有车辆轨迹，对各路段
Figure 431758DEST_PATH_IMAGE036
、各路径流量
Figure 729884DEST_PATH_IMAGE037
及各OD对的流量
Figure 740565DEST_PATH_IMAGE038
进行更新；
S22.矫正路径流量，对于第d天（d∈D）数据的时段t∈T，确定根据车辆到达和离开率曲线的关系确定拥堵开始时间
Figure 708521DEST_PATH_IMAGE017
和拥堵结束时间
Figure 168103DEST_PATH_IMAGE020
，估计各路段
Figure 879707DEST_PATH_IMAGE005
的拥堵时长
Figure 744894DEST_PATH_IMAGE039
和车辆排队长度
Figure 273965DEST_PATH_IMAGE040
，计算实测拥堵时长
Figure 857393DEST_PATH_IMAGE041
和实测排队长度
Figure 107109DEST_PATH_IMAGE042
，计算拥堵时长的平均相对误差
Figure 92382DEST_PATH_IMAGE043
和排队长度的平均相对误差为
Figure 762660DEST_PATH_IMAGE044
，则平均相对误差
Figure 833384DEST_PATH_IMAGE045
，作为加权调整量，对路段流量进行动态调整
Figure 886791DEST_PATH_IMAGE046
，根据路段流量调整结果，同时调整各路径流量
Figure 116784DEST_PATH_IMAGE047
和各OD对的流量
Figure 597444DEST_PATH_IMAGE048
；
S23. 基于路径流量推算OD，根据路段、路径、OD起讫点的拓扑关系，对起讫点分别为r和s、时段t内的OD进行更新，即
Figure 889885DEST_PATH_IMAGE049
。
优选的，所述多尺度交通供给转化方法包括构建宏-中-微观交通供给转化方法和微-中-宏观交通供给转化方法。
优选的，所述构建宏-中-微观交通供给转化方法，包括以下步骤：
S31. 标定路段通行能力，考虑传统车辆与智能网联车混行的情况，根据速度和流量关系，对混合通行状态下的路段通行能力cap和自由流速度
Figure 370152DEST_PATH_IMAGE050
进行标定；
S32. 标定广义费用函数，考虑传统车辆与智能网联车混行的情况，在确定广义费用函数时，分开考虑传统车辆和智能网联车的流量及其对应的参数，将流量
Figure 64438DEST_PATH_IMAGE051
设混合车队中，智能网联车渗透率为δ，则智能网联车流量
Figure 715999DEST_PATH_IMAGE052
和传统车流量
Figure 620370DEST_PATH_IMAGE053
分别为
Figure 15579DEST_PATH_IMAGE054
、
Figure 564372DEST_PATH_IMAGE055
，则广义费用函数如式(1)所示：
Figure 544092DEST_PATH_IMAGE056
将式（1）等效转换为速度和流量的关系，结果如式（2）所示：
Figure 811125DEST_PATH_IMAGE057
其中，
Figure 10026DEST_PATH_IMAGE058
表示车速（km/h），
Figure 413325DEST_PATH_IMAGE059
表示自由流车速，
Figure 796902DEST_PATH_IMAGE060
和
Figure 551231DEST_PATH_IMAGE061
分别表示传统车辆和智能网联车的断面流量，cap 表示混合交通流条件下的路段通行能力，4个待定参数
Figure 288243DEST_PATH_IMAGE062
、
Figure 175077DEST_PATH_IMAGE063
、
Figure 604922DEST_PATH_IMAGE064
和
Figure 580968DEST_PATH_IMAGE065
，其中，
Figure 511884DEST_PATH_IMAGE066
和
Figure 155355DEST_PATH_IMAGE067
对应于传统车辆阻抗函数的参数，
Figure 490521DEST_PATH_IMAGE068
和
Figure 219443DEST_PATH_IMAGE069
为对应于智能网联车阻抗函数的参数；使用前馈神经网络对式（2）进行标定；
S33. 路径流量控制，在时段t内，对于路段
Figure 658777DEST_PATH_IMAGE005
，计算拥堵时段
Figure 156754DEST_PATH_IMAGE070
内的总流量，
Figure 662822DEST_PATH_IMAGE071
；路段疏散能力为单位时间内拥堵流量的疏散率，即
Figure 269252DEST_PATH_IMAGE072
；
在时段t内，对于交叉口路段，根据交叉口转向比例计算左转疏散能力
Figure 151758DEST_PATH_IMAGE073
、直行疏散能力
Figure 504242DEST_PATH_IMAGE074
和右转疏散能力
Figure 446790DEST_PATH_IMAGE075
，分别为
Figure 507893DEST_PATH_IMAGE076
、
Figure 928510DEST_PATH_IMAGE077
以及
Figure 401080DEST_PATH_IMAGE078
，其中
Figure 108005DEST_PATH_IMAGE079
；
根据路段和交叉口疏散能力的限制，对路径流量进行控制；
对于交叉口，若
Figure 33236DEST_PATH_IMAGE080
，则无需进行调整，即更新后的流量值
Figure 257544DEST_PATH_IMAGE081
；否则
Figure 476298DEST_PATH_IMAGE082
；
对于路段，若
Figure 495069DEST_PATH_IMAGE083
，则无需进行调整，即更新后的流量值
Figure 907596DEST_PATH_IMAGE084
，否则
Figure 670016DEST_PATH_IMAGE085
；
S34. 轨迹控制，在时段t内，对于路段
Figure 976232DEST_PATH_IMAGE005
（长度为
Figure 431484DEST_PATH_IMAGE086
）上一段长度为
Figure 331307DEST_PATH_IMAGE087
的元胞c，其疏散能力与路段的疏散能力
Figure 526446DEST_PATH_IMAGE088
密切相关；根据长度和车头时距对
Figure 562535DEST_PATH_IMAGE088
进行折减即可得到元胞c的疏散能力
Figure 188688DEST_PATH_IMAGE089
。
优选的，所述构建微-中-宏观交通供给转化方法，包括以下步骤：
S41.轨迹控制，在时段t内，已知元胞c的疏散能力为
Figure 575807DEST_PATH_IMAGE090
，则包含元胞c的路段
Figure 804663DEST_PATH_IMAGE005
的疏散能力为
Figure 960838DEST_PATH_IMAGE091
， 对于任一时空轨迹
Figure 383992DEST_PATH_IMAGE092
，对于确定的路段
Figure 992827DEST_PATH_IMAGE093
为0-1变量，为1表示选择轨迹
Figure 166320DEST_PATH_IMAGE094
，为0表示不选择，驶入路段
Figure 301635DEST_PATH_IMAGE005
的时间窗为
Figure 269591DEST_PATH_IMAGE095
，驶离路段
Figure 988892DEST_PATH_IMAGE005
的时间窗为
Figure 434917DEST_PATH_IMAGE096
，需要满足
Figure 785258DEST_PATH_IMAGE097
的轨迹控制条件；
S42. 路径流量控制，通过临界速度值与速度曲线的关系，确定拥堵时段
Figure 986432DEST_PATH_IMAGE098
，根据拥堵时段
Figure 897756DEST_PATH_IMAGE099
与研究时段
Figure 350734DEST_PATH_IMAGE100
的比值计算按时间的折减系数
Figure 663904DEST_PATH_IMAGE101
，
Figure 782516DEST_PATH_IMAGE102
，则通行能力为：
Figure 322081DEST_PATH_IMAGE103
；
设路段集合A中元素数量为‖A‖，则路段总数为‖A‖，那么在时段t内该路段疏散能力平均误差
Figure 703384DEST_PATH_IMAGE104
，需要对通行能力进行加权修正，即修正后的通行能力
Figure 277585DEST_PATH_IMAGE105
；
根据修正后通行能力的限制，对路径流量进行控制，若
Figure 758245DEST_PATH_IMAGE106
，则无需进行调整，即更新后的流量值
Figure 50686DEST_PATH_IMAGE107
，否则
Figure 32417DEST_PATH_IMAGE108
；
S43.流入率控制,根据宏观层面上的已标定的广义费用函数，根据公式
Figure 726704DEST_PATH_IMAGE109
重新计算出行时间，计算拥堵时段
Figure 378265DEST_PATH_IMAGE110
内的需求总流入率最大值
Figure 423581DEST_PATH_IMAGE111
，根据总流入率最大值，对流入率进行控制，若
Figure 444889DEST_PATH_IMAGE112
，则无需进行调整，即更新后的流入率
Figure 993682DEST_PATH_IMAGE113
，否则
Figure 81724DEST_PATH_IMAGE114
。
优选的，所述交通流推算方法包括以下步骤；
S51.宏观交通流推算，输入OD和通行能力，进行静态交通分配，利用各路段的分配交通量与通行能力的比值，评估路网整体负荷水平；
S52.中观交通流推算，利用宏观OD，通过推算得到中观路径流量；利用通行能力，通过路径流量控制得到中观路段和交叉口疏散能力，将路径流量与路段和交叉口疏散能力进行结合，分析路径所经过的各路段的平均拥堵水平；
S53.微观交通流推算，利用中观路径流量，通过推算得到车辆轨迹；利用中观路段和交叉口疏散能力，通过轨迹控制得到元胞疏散能力，由于轨迹是随时间变化的，将其与元胞疏散能力进行结合，分析车辆轨迹所经过的各个位置随时间变化的拥堵水平。
一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现一种基于多尺度交通需求与供给转化的交通流推算方法的步骤。
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一种基于多尺度交通需求与供给转化的交通流推算方法。
本发明的有益效果如下：
（1）基于交通需求在不同尺度下的一致性（宏观OD、中观路径流量与微观车辆轨迹的一致性），建立可实现宏观OD推算、中观路径流量推算和微观轨迹推算的多尺度交通需求转化方法，实现从宏观到微观、从微观到宏观的交通需求信息互通与迭代，为跨尺度交通需求管理与控制提供支持。
（2）基于交通供给在不同尺度下的一致性（宏观OD广义费用、中观路径广义费用与微观轨迹广义费用的一致性），建立可实现宏观流入率控制、中观路径流量控制、微观轨迹控制的多尺度交通供给转化方法，实现从宏观到微观、从微观到宏观的交通供给信息互通与迭代，为跨尺度交通供给协调与优化提供支持。
（3）基于多尺度交通需求与供给转化方法，建立多尺度交通流推算方法，实现交通需求与供给的关键要素流通，为多尺度下交通供需一致性分析和一体化管理提供支持。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明方法流程图；
图2为宏-中-微观交通需求转化流程图；
图3为推算车辆到达率、离开率、车辆轨迹示意图；
图4为微-中-宏观交通需求转化流程图；
图5为多尺度交通需求转化方法示意图；
图6为宏-中-微观交通供给转化流程图；
图7为广义费用函数标定流程图；
图8为微-中-宏观交通供给转化流程图；
图9为多尺度交通供给转化方法示意图；
图10 多尺度交通流推算方法流程图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-10说明本实施方式，一种基于多尺度交通需求与供给转化的交通流推算方法，构建多尺度交通需求转化方法和多尺度交通供给转化方法，根据多尺度交通需求转化和供给转化方法，得到各尺度下的交通需求和供给，实现在不同尺度下交通流的加载过程。
所述构建多尺度交通需求转化方法包括构建宏-中-微观交通需求转化方法和微-中-宏观交通需求转化方法。
宏-中-微观交通需求转化方法是一种自上而下的多尺度交通需求转化方法，在宏观交通需求已知、中观和微观交通需求未知的情况下，可以将宏观交通需求映射到中观和微观层面，实现起终点规划-路径规划-车道选择的出行导航服务。该方法以宏观OD（交通出行量）作为输入，在空间上按照OD起讫点位置进行划分，在时间上按照OD在每天不同时段内的分布情况进行划分。基于交通分配原理，设置一定的交叉口转向比例（左转r_L、直行r_T、右转r_R），将宏观交通需求分配到中观路网的车辆路径和路段上。最终，将道路离散为元胞单元，引入车辆跟驰和变道规则，精准刻画车辆轨迹。设出行起点集合为R，终点集合为S，时段集合为T，出行路径集合为P，路段集合为A，转化流程如图2所示。
构建宏-中-微观交通需求转化方法，具体包括以下步骤：
S11. 推算分时段OD（宏观），确定分时段OD，对于任一OD对(r,s)，其在时段t∈T内的路径分布量为
Figure 473391DEST_PATH_IMAGE001
；
S12. 基于OD推算路径、路段及交叉口流量（中观）；
所述路径的推算方法是：通过静态交通分配，得到在时段t内连接r和s的路径集
Figure 406712DEST_PATH_IMAGE002
；
所述路段的推算方法是：对于任一路径
Figure 75591DEST_PATH_IMAGE003
以及该路径上的路段
Figure 957703DEST_PATH_IMAGE004
，得到在时段t内连接r和s的路径p经过路段
Figure 446453DEST_PATH_IMAGE005
的流量
Figure 449044DEST_PATH_IMAGE006
；
所述交叉口流量的推算方法是：根据交叉口转向比例计算左转、直行和右转流量，分别为
Figure 972429DEST_PATH_IMAGE007
、
Figure 261328DEST_PATH_IMAGE008
以及
Figure 502954DEST_PATH_IMAGE009
，其中
Figure 43656DEST_PATH_IMAGE010
、
Figure 47647DEST_PATH_IMAGE011
和
Figure 648392DEST_PATH_IMAGE012
分别为在交叉口左转、直行和右转的概率，满足
Figure 111735DEST_PATH_IMAGE013
；
S13. 推算车辆到达率和离开率（中观），车辆到达率为关于时间的多项式函数
Figure 456128DEST_PATH_IMAGE014
，车辆离开率为关于时间的常数函数
Figure 78740DEST_PATH_IMAGE015
；设
Figure 584807DEST_PATH_IMAGE014
和
Figure 801025DEST_PATH_IMAGE016
曲线的交点为
Figure 312559DEST_PATH_IMAGE017
和
Figure 665043DEST_PATH_IMAGE018
，
Figure 342012DEST_PATH_IMAGE014
曲线最高点对应时间为
Figure 904580DEST_PATH_IMAGE019
，
Figure 590776DEST_PATH_IMAGE014
和
Figure 797767DEST_PATH_IMAGE016
曲线与横轴包围面积相等时对应的时间为
Figure 911216DEST_PATH_IMAGE020
，则
Figure 462545DEST_PATH_IMAGE017
、
Figure 686853DEST_PATH_IMAGE019
、
Figure 13930DEST_PATH_IMAGE018
和
Figure 422914DEST_PATH_IMAGE020
分别表示拥堵开始时刻、拥堵变化率最大的时刻、拥堵最严重的时刻以及拥堵结束时刻；如图3（a）所示。
将流量
Figure 569862DEST_PATH_IMAGE021
加载到路段
Figure 597861DEST_PATH_IMAGE005
之后，车辆到达率会提高，车辆到达率曲线整体上移得到
Figure 779443DEST_PATH_IMAGE022
，而车辆离开率
Figure 857864DEST_PATH_IMAGE016
也会随着道路负荷度
Figure 757687DEST_PATH_IMAGE023
的升高而减小，满足关系式
Figure 323798DEST_PATH_IMAGE024
，其中c为通行能力，n为大于1的形状参数；车辆到达和离开率变化后的曲线如图3（b）所示。
S14.推算车辆轨迹，考虑路段和交叉口延误带来的影响，设路段
Figure 845040DEST_PATH_IMAGE005
延误
Figure 471193DEST_PATH_IMAGE025
计算公式为
Figure 592733DEST_PATH_IMAGE026
，设绿灯时间为GT、红灯时间为RT、信号周期时长为CL=GT+RT和设计通行能力为c，则车辆通过信号交叉口的平均延误分别为
Figure 962535DEST_PATH_IMAGE027
，总延误
Figure 384289DEST_PATH_IMAGE028
。时空轨迹变化如图3所示。
微-中-宏观交通需求转化方法是一种自下而上的多尺度交通需求转化方法，在微观交通需求已知、中观和宏观交通需求未知的情况下，可以将微观交通需求映射到中观和宏观层面，实现车辆轨迹获取-路径流量估计-出行需求估计的出行需求还原。该方法以仿真或实际车辆运行轨迹作为输入，得到中观路网上的时变流量，同时基于排队模型得到拥堵时长和车辆排队长度，与实测的拥堵时长和车辆排队长度进行对比，对中观交通运行状况进行校正。最终，对连接不同OD对的所有可能路径进行集计，流量之和即为各OD之间的交通量。设车辆轨迹集合为TRJ，对于任一车辆轨迹
Figure 181343DEST_PATH_IMAGE115
，设其起点为r’、终点为s’，路径为p'，经过的路段集合为A'。转化流程如图4所示。
构建微-中-宏观交通需求转化方法，参照图5，具体包括以下步骤：
S21.基于车辆轨迹推算路径流量（微观），对于任一车辆轨迹
Figure 790179DEST_PATH_IMAGE029
，按照时段t∈T将轨迹切割成
Figure 822726DEST_PATH_IMAGE030
，其经过的路径
Figure 833408DEST_PATH_IMAGE031
、任一路段
Figure 801364DEST_PATH_IMAGE032
、任一元胞
Figure 385578DEST_PATH_IMAGE033
、起点为
Figure 97183DEST_PATH_IMAGE034
且终点为
Figure 227950DEST_PATH_IMAGE035
的OD交通量各增加一个单位；遍历所有车辆轨迹，对各路段
Figure 366807DEST_PATH_IMAGE036
、各路径流量
Figure 950235DEST_PATH_IMAGE037
及各OD对的流量
Figure 465530DEST_PATH_IMAGE038
进行更新；
S22.矫正路径流量（中观），对于第d天（d∈D）数据的时段t∈T，确定根据车辆到达和离开率曲线的关系确定拥堵开始时间
Figure 450803DEST_PATH_IMAGE017
和拥堵结束时间
Figure 245715DEST_PATH_IMAGE020
，估计各路段
Figure 50860DEST_PATH_IMAGE005
的拥堵时长
Figure 104267DEST_PATH_IMAGE039
和车辆排队长度
Figure 944047DEST_PATH_IMAGE040
，计算实测拥堵时长
Figure 690286DEST_PATH_IMAGE041
和实测排队长度
Figure 248306DEST_PATH_IMAGE042
，计算拥堵时长的平均相对误差
Figure 839825DEST_PATH_IMAGE043
和排队长度的平均相对误差为
Figure 422859DEST_PATH_IMAGE044
，则平均相对误差
Figure 74421DEST_PATH_IMAGE045
，作为加权调整量，对路段流量进行动态调整
Figure 854158DEST_PATH_IMAGE046
，根据路段流量调整结果，同时调整各路径流量
Figure 249367DEST_PATH_IMAGE047
和各OD对的流量
Figure 548892DEST_PATH_IMAGE048
；
S23. 基于路径流量推算OD（宏观），根据路段、路径、OD起讫点的拓扑关系，对起讫点分别为r和s、时段t内的OD进行更新，即
Figure 371355DEST_PATH_IMAGE116
。
所述多尺度交通供给转化方法包括构建宏-中-微观交通供给转化方法和微-中-宏观交通供给转化方法。
宏-中-微观交通供给转化方法是一种自上而下的多尺度交通供给转化方法，在宏观交通供给已知、中观和微观交通供给未知的情况下，可以将宏观交通供给映射到中观和微观层面，实现路段拥堵评估-路口拥堵评估-元胞拥堵评估。该方法利用速度-流量基本关系标定路段通行能力和广义费用函数，基于拥堵时长确定路段疏散能力，结合信号灯周期时长和转向流量分布，确定交叉口疏散能力。最终，基于反应时间、车头时距来确定元胞的疏散能力。转化流程如图6所示。
所述构建宏-中-微观交通供给转化方法，包括以下步骤：
S31. 标定路段通行能力（宏观），考虑传统车辆与智能网联车混行的情况，根据速度和流量关系，对混合通行状态下的路段通行能力cap和自由流速度
Figure 638388DEST_PATH_IMAGE050
进行标定；
S32. 标定广义费用函数（微观），考虑传统车辆与智能网联车混行的情况，在确定广义费用函数时，分开考虑传统车辆和智能网联车的流量及其对应的参数，将流量
Figure 102868DEST_PATH_IMAGE051
设混合车队中，智能网联车渗透率为δ，则智能网联车流量
Figure 771746DEST_PATH_IMAGE052
和传统车流量
Figure 765110DEST_PATH_IMAGE053
分别为
Figure 644073DEST_PATH_IMAGE054
、
Figure 646664DEST_PATH_IMAGE055
，则广义费用函数如式(1)所示：
Figure 170050DEST_PATH_IMAGE056
将式（1）等效转换为速度和流量的关系，结果如式（2）所示：
Figure 334315DEST_PATH_IMAGE057
其中，
Figure 64023DEST_PATH_IMAGE058
表示车速（km/h），
Figure 604726DEST_PATH_IMAGE059
表示自由流车速，
Figure 982618DEST_PATH_IMAGE060
和
Figure 848942DEST_PATH_IMAGE061
分别表示传统车辆和智能网联车的断面流量，cap 表示混合交通流条件下的路段通行能力，4个待定参数
Figure 312285DEST_PATH_IMAGE062
、
Figure 656678DEST_PATH_IMAGE063
、
Figure 374230DEST_PATH_IMAGE064
和
Figure 145877DEST_PATH_IMAGE065
，其中，
Figure 96515DEST_PATH_IMAGE066
和
Figure 244600DEST_PATH_IMAGE067
对应于传统车辆阻抗函数的参数，
Figure 597084DEST_PATH_IMAGE068
和
Figure 162801DEST_PATH_IMAGE069
为对应于智能网联车阻抗函数的参数；使用前馈神经网络对式（2）进行标定；流程图如图7所示。
所述前馈神经网络的构建及求解过程如下：
1）定义模型参数
定义该神经网络的输入层、输出层、隐藏层分别有1层，神经元个数分别为2、1、100个。输入层与隐藏层为全连接，权矩阵为W1，偏置为全0矩阵b1；隐藏层与输出层为全连接，权矩阵为W2，偏置为全1矩阵b2。
2）定义损失函数
选取均方误差（MSE）作为损失函数。
3）定义线性模型
4）定义激活函数
自定义ReLU作为激活函数。
5）定义随机下降梯度函数
自定义小批量随机梯度下降算法（SGD）作为优化器。
6）训练模型
设置迭代次数为100次，学习率为0.01，激活函数为ReLU函数，损失函数为MSE函数，优化器为SGD进行训练。
7）输出结果
输出标定参数
Figure 600735DEST_PATH_IMAGE117
、
Figure 772085DEST_PATH_IMAGE118
、
Figure 979075DEST_PATH_IMAGE119
和
Figure 358104DEST_PATH_IMAGE120
。
S33. 路径流量控制（中观），在时段t内，对于路段
Figure 283335DEST_PATH_IMAGE005
，计算拥堵时段
Figure 507643DEST_PATH_IMAGE070
内的总流量，
Figure 959353DEST_PATH_IMAGE071
；路段疏散能力为单位时间内拥堵流量的疏散率，即
Figure 833852DEST_PATH_IMAGE072
；
在时段t内，对于交叉口路段，根据交叉口转向比例计算左转疏散能力
Figure 574275DEST_PATH_IMAGE073
、直行疏散能力
Figure 71116DEST_PATH_IMAGE074
和右转疏散能力
Figure 315015DEST_PATH_IMAGE075
，分别为
Figure 363743DEST_PATH_IMAGE076
、
Figure 466828DEST_PATH_IMAGE077
以及
Figure 862299DEST_PATH_IMAGE078
，其中
Figure 757443DEST_PATH_IMAGE079
；
根据路段和交叉口疏散能力的限制，对路径流量进行控制；
对于交叉口，若
Figure 586859DEST_PATH_IMAGE080
，则无需进行调整，即更新后的流量值
Figure 567453DEST_PATH_IMAGE081
；否则
Figure 937255DEST_PATH_IMAGE082
；
对于路段，若
Figure 93430DEST_PATH_IMAGE083
，则无需进行调整，即更新后的流量值
Figure 513653DEST_PATH_IMAGE084
，否则
Figure 122489DEST_PATH_IMAGE085
；
S34. 轨迹控制（微观），在时段t内，对于路段
Figure 30402DEST_PATH_IMAGE005
（长度为
Figure 41084DEST_PATH_IMAGE086
）上一段长度为
Figure 133673DEST_PATH_IMAGE087
的元胞c，其疏散能力与路段的疏散能力
Figure 229805DEST_PATH_IMAGE088
密切相关；根据长度和车头时距对
Figure 941409DEST_PATH_IMAGE088
进行折减即可得到元胞c的疏散能力
Figure 432696DEST_PATH_IMAGE089
。
微-中-宏观交通供给转化方法是一种自下而上的多尺度交通供给转化方法，在微观交通供给已知、中观和宏观交通供给未知的情况下，可以将微观交通供给映射到中观和宏观层面，可实现从元胞疏散能力-路段及交叉口疏散能力-通行能力校正的出行供给还原。该机制以微观层面上的元胞疏散能力作为输入，对中观层面上的路段和交叉口疏散能力进行推算，最终得到宏观层面上的通行能力，重新计算出行时间。转化流程如图8所示。
参照图9，所述构建微-中-宏观交通供给转化方法，包括以下步骤：
S41.轨迹控制（微观），在时段t内，已知元胞c的疏散能力为
Figure 571553DEST_PATH_IMAGE090
，则包含元胞c的路段
Figure 154981DEST_PATH_IMAGE005
的疏散能力为
Figure 670276DEST_PATH_IMAGE091
， 对于任一时空轨迹
Figure 514604DEST_PATH_IMAGE092
，对于确定的路段
Figure 824363DEST_PATH_IMAGE093
为0-1变量，为1表示选择轨迹
Figure 895087DEST_PATH_IMAGE094
，为0表示不选择，驶入路段
Figure 577522DEST_PATH_IMAGE005
的时间窗为
Figure 417302DEST_PATH_IMAGE095
，驶离路段
Figure 897962DEST_PATH_IMAGE005
的时间窗为
Figure 580616DEST_PATH_IMAGE096
，需要满足
Figure 172134DEST_PATH_IMAGE097
的轨迹控制条件；
S42. 路径流量控制（中观），通过临界速度值与速度曲线的关系，确定拥堵时段
Figure 866421DEST_PATH_IMAGE098
，根据拥堵时段
Figure 783561DEST_PATH_IMAGE099
与研究时段
Figure 189397DEST_PATH_IMAGE100
的比值计算按时间的折减系数
Figure 584606DEST_PATH_IMAGE101
，
Figure 398979DEST_PATH_IMAGE102
，则通行能力为：
Figure 346075DEST_PATH_IMAGE103
；
设路段集合A中元素数量为‖A‖，则路段总数为‖A‖，那么在时段t内该路段疏散能力平均误差
Figure 613108DEST_PATH_IMAGE104
，需要对通行能力进行加权修正，即修正后的通行能力
Figure 812008DEST_PATH_IMAGE105
；
根据修正后通行能力的限制，对路径流量进行控制，若
Figure 480887DEST_PATH_IMAGE106
，则无需进行调整，即更新后的流量值
Figure 97420DEST_PATH_IMAGE107
，否则
Figure 851749DEST_PATH_IMAGE108
；
S43.流入率控制,根据宏观层面上的已标定的广义费用函数，根据公式
Figure 588761DEST_PATH_IMAGE109
重新计算出行时间，计算拥堵时段
Figure 236780DEST_PATH_IMAGE110
内的需求总流入率最大值
Figure 666624DEST_PATH_IMAGE111
，根据总流入率最大值，对流入率进行控制，若
Figure 908250DEST_PATH_IMAGE112
，则无需进行调整，即更新后的流入率
Figure 809472DEST_PATH_IMAGE113
，否则
Figure 187364DEST_PATH_IMAGE114
。
当已知某一尺度交通需求和供给时，可以根据多尺度交通需求转化和供给转化方法，得到各尺度下的交通需求和供给，从而实现在不同尺度下交通流的加载过程。假设宏观需求和供给是已知量，其他尺度下的需求和供给是未知量，则多尺度下交通流推算方法如图10所示。
所述交通流推算方法包括以下步骤；
S51.宏观交通流推算，输入OD和通行能力，进行静态交通分配，利用各路段的分配交通量与通行能力的比值，评估路网整体负荷水平；
S52.中观交通流推算，利用宏观OD，通过推算得到中观路径流量；利用通行能力，通过路径流量控制得到中观路段和交叉口疏散能力，将路径流量与路段和交叉口疏散能力进行结合，分析路径所经过的各路段的平均拥堵水平；
S53.微观交通流推算，利用中观路径流量，通过推算得到车辆轨迹；利用中观路段和交叉口疏散能力，通过轨迹控制得到元胞疏散能力，由于轨迹是随时间变化的，将其与元胞疏散能力进行结合，分析车辆轨迹所经过的各个位置随时间变化的拥堵水平。
本发明的技术关键点包括：
（1）多尺度交通需求转化方法
以交通需求在不同尺度下的一致性（宏观OD、中观路径流量与微观轨迹的一致性）为基础，建立可实现宏观OD推算、中观路径流量推算和微观轨迹推算的多尺度交通需求转化方法。从宏观层到微观层，该技术可同步实现出行起终点规划、路径规划和车道选择，可应用于精细化出行导航与交通诱导服务。从微观层到宏观层，可同步实现车辆轨迹获取、路径流量校正和出行需求估计，可应用于基于个体出行的大规模交通需求预测。
（2）多尺度交通供给转化方法
以交通供给在不同尺度下的一致性（宏观OD 广义费用、中观路径广义费用与微观轨迹广义费用的一致性）为基础，建立可实现宏观流入率控制、中观路径流量控制和微观轨迹控制的多尺度交通供给转化方法。从宏观层到微观层，可同步实现路段拥堵评估、路口拥堵评估和元胞拥堵评估，可应用于城市道路拥堵特征分析与规律挖掘。从微观层到宏观层，该技术可同步实现疏散能力推算、通行能力校正和出行时间估计，可应用于传统车辆与智能网联车混行的交通环境下，为混行交通流的协同管理与效益评估提供技术支持。
（3）多尺度交通流推算技术
以（1）、（2）关键点为基础，可在仅提供部分尺度下交通需求和供给信息时，实现对其他尺度交通需求和供给的推算，从而实现多尺度交通流推算，保证关键要素的互联互通。可实现对多尺度交通供需的一致性分析和一体化管理，有助于提高交通运输系统的综合研判能力。高尺度交通流通过获取从低尺度交通流反馈的供需信息，选择与低尺度供需保持一致的控制策略。低尺度交通流通过获取从高尺度交通流反馈的供需信息，对推算误差进行控制。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (4)

1.一种基于多尺度交通需求与供给转化的交通流推算方法，其特征在于，构建多尺度交通需求转化方法和多尺度交通供给转化方法，根据多尺度交通需求转化和供给转化方法，得到各尺度下的交通需求和供给，实现在不同尺度下交通流的加载过程；所述构建多尺度交通需求转化方法包括构建宏-中-微观交通需求转化方法和微-中-宏观交通需求转化方法；
构建宏-中-微观交通需求转化方法，具体包括以下步骤：
S11.推算分时段OD，确定分时段OD，对于任一OD对(r，s)，其在时段t∈T内的路径分布量为
Figure FDA0003865291120000011
S12.基于OD推算路径、路段及交叉口流量；
所述路径的推算方法是：通过静态交通分配，得到在时段t内连接r和s的路径集
Figure FDA0003865291120000012
所述路段的推算方法是：对于任一路径
Figure FDA0003865291120000013
以及该路径上的路段a∈p，得到在时段t内连接r和s的路径p经过路段a的流量
Figure FDA0003865291120000014
所述交叉口流量的推算方法是：根据交叉口转向比例计算左转、直行和右转流量，分别为
Figure FDA0003865291120000015
以及
Figure FDA0003865291120000016
其中rL、rTH和rR分别为在交叉口左转、直行和右转的概率，满足rL+rTH+rR＝1；
S13.推算车辆到达率和离开率，车辆到达率为关于时间的多项式函数f(t)，车辆离开率为关于时间的常数函数g(t)＝g；设f(t)和g(t)曲线的交点为t1和t3，f(t)曲线最高点对应时间为t2，f(t)和g(t)曲线与横轴包围面积相等时对应的时间为t4，则t1、t2、t3和t4分别表示拥堵开始时刻、拥堵变化率最大的时刻、拥堵最严重的时刻以及拥堵结束时刻；将流量
Figure FDA00038652911200000110
加载到路段a之后，车辆到达率会提高，车辆到达率曲线整体上移得到f′(t)，而车辆离开率g(t)也会随着道路负荷度
Figure FDA0003865291120000017
的升高而减小，满足关系式
Figure FDA0003865291120000018
其中cap为混合交通流条件下的路段通行能力，n为大于1的形状参数；
S14.推算车辆轨迹，考虑路段和交叉口延误带来的影响，设路段a延误da计算公式为
Figure FDA0003865291120000019
设绿灯时间为GT、红灯时间为RT、信号周期时长为CL＝GT+RT和设计通行能力为cap，则车辆通过信号交叉口的平均延误分别为
Figure FDA0003865291120000021
总延误
Figure FDA0003865291120000022
构建微-中-宏观交通需求转化方法，具体包括以下步骤：
S21.基于车辆轨迹推算路径流量，对于任一车辆轨迹trj∈TRJ，按照时段t∈T将轨迹切割成trjt，其经过的路径p、任一路段a∈A、任一元胞c∈a、起点为r且终点为s的OD交通量各增加一个单位；遍历所有车辆轨迹，对各路段流量Va，t、各路径流量Va，p，t及时段t内连接r和s的路径p经过路段a的流量
Figure FDA0003865291120000023
进行更新；
S22.矫正路径流量，对于第d天，d∈D，数据的时段t∈T，确定根据车辆到达和离开率曲线的关系确定拥堵开始时间t1和拥堵结束时间t4，估计各路段a的拥堵时长
Figure FDA0003865291120000024
和车辆排队长度
Figure FDA0003865291120000025
计算实测拥堵时长
Figure FDA0003865291120000026
和实测排队长度
Figure FDA0003865291120000027
计算拥堵时长的平均相对误差
Figure FDA0003865291120000028
和排队长度的平均相对误差为
Figure FDA0003865291120000029
则平均相对误差
Figure FDA00038652911200000210
作为加权调整量，对路段流量进行动态调整V′a，t＝(1-εa，t)·Va，t+εa，t·Va，t，根据路段流量调整结果，同时调整各路径流量V′a，p，t和时段t内连接r和s的路径p经过路段a的流量
Figure FDA00038652911200000212
S23.基于路径流量推算OD，根据路段、路径、OD起讫点的拓扑关系，对起讫点分别为r和s、时段t内的OD进行更新，即
Figure FDA00038652911200000213
所述多尺度交通供给转化方法包括构建宏-中-微观交通供给转化方法和微-中-宏观交通供给转化方法；
所述构建宏-中-微观交通供给转化方法，包括以下步骤：
S31.标定路段通行能力，考虑传统车辆与智能网联车混行的情况，根据速度和流量关系，对混合通行状态下的路段通行能力cap和自由流速度vf进行标定；
S32.标定广义费用函数，考虑传统车辆与智能网联车混行的情况，在确定广义费用函数时，分开考虑传统车辆和智能网联车的流量及其对应的参数，设混合车队流量Va，t中，智能网联车渗透率为δ，则智能网联车流量CAVa，t和传统车流量TRVa，t分别为CAVa，t＝Va，t·δ、TRVa，t＝Va，t·(1-δ)，则广义费用函数如式(1)所示：
Figure FDA0003865291120000031
将式(1)等效转换为速度和流量的关系，结果如式(2)所示：
Figure FDA0003865291120000032
其中，v表示车速，vf表示自由流车速，V1和V2分别表示传统车辆和智能网联车的断面流量，cap表示混合交通流条件下的路段通行能力，4个待定参数αTRV、αcav、βTRV和βCAV，其中，αTRV和βTRV对应于传统车辆阻抗函数的参数，αcav和βCAV为对应于智能网联车阻抗函数的参数；使用前馈神经网络对式(2)进行标定；
S33.路径流量控制，在时段t内，对于路段a，计算拥堵时段[τs，τe]内的总流量，
Figure FDA0003865291120000033
路段疏散能力为单位时间内拥堵流量的疏散率，即
Figure FDA0003865291120000034
在时段t内，对于交叉口路段，根据交叉口转向比例计算左转疏散能力
Figure FDA0003865291120000035
直行疏散能力
Figure FDA0003865291120000036
和右转疏散能力
Figure FDA0003865291120000037
分别为
Figure FDA0003865291120000038
以及
Figure FDA0003865291120000039
其中rL+rTH+rR＝1；
根据路段和交叉口疏散能力的限制，对路径流量进行控制；
对于交叉口，若
Figure FDA00038652911200000310
则无需进行调整，即更新后的流量值
Figure FDA00038652911200000311
否则
Figure FDA00038652911200000312
对于路段，若
Figure FDA00038652911200000313
则无需进行调整，即更新后的流量值
Figure FDA00038652911200000314
否则
Figure FDA00038652911200000315
S34.轨迹控制，在时段t内，对于路段a，长度为La，上一段长度为Lc的元胞c，其疏散能力与路段的疏散能力γa，t密切相关；根据长度和车头时距对γa，t进行折减即可得到元胞c的疏散能力
Figure FDA0003865291120000041
所述构建微-中-宏观交通供给转化方法，包括以下步骤：
S41.轨迹控制，在时段t内，已知元胞c的疏散能力为γ′c，t，则包含元胞c的路段a的疏散能力为γ′a，t＝∑c∈aγ′c，t，对于任一时空轨迹trj＝(i，j，t，s)，对于确定的路段a＝(i，j)，xi，j，t，s为0-1变量，为1表示选择轨迹trj，为0表示不选择，驶入路段a的时间窗为[ts1，ts2]，驶离路段a的时间窗为[te1，te2]，需要满足
Figure FDA0003865291120000042
的轨迹控制条件；
S42.路径流量控制，通过临界速度值与速度曲线的关系，确定拥堵时段[τs，τe]，根据拥堵时段[τs，τe]与研究时段[ts，te]的比值计算按时间的折减系数πa，t，πa，t＝(te-ts)/(τe-τs)，则通行能力为cap′＝γ′a，t·πa，t＝γ′a，t·(te-ts)/(τe-τs)；
设路段集合A中元素数量为||A||，则路段总数为||A||，那么在时段t内该路段疏散能力平均误差
Figure FDA0003865291120000043
需要对通行能力进行加权修正，即修正后的通行能力cap′＝(1-θa，t)·cap+θa，t·cap；
根据修正后通行能力的限制，对路径流量进行控制，若
Figure FDA0003865291120000044
则无需进行调整，即更新后的流量值
Figure FDA0003865291120000045
否则
Figure FDA0003865291120000046
S43.流入量控制，根据宏观层面上的已标定的广义费用函数，根据公式
Figure FDA0003865291120000047
重新计算出行时间，计算拥堵时段[τs，τe]内需求总流入量最大值
Figure FDA0003865291120000048
根据总流入量最大值，对流入量进行控制，若D′a，t≤D′a，t，max，则无需进行调整，即更新后的流入量D″a，t＝D′a，t，否则D″a，t＝D′a，t，max。
2.根据权利要求1所述的一种基于多尺度交通需求与供给转化的交通流推算方法，其特征在于，所述交通流推算方法包括以下步骤；
S51.宏观交通流推算，输入OD和通行能力，进行静态交通分配，利用各路段的分配交通量与通行能力的比值，评估路网整体负荷水平；
S52.中观交通流推算，利用宏观OD，通过推算得到中观路径流量；利用通行能力，通过路径流量控制得到中观路段和交叉口疏散能力，将路径流量与路段和交叉口疏散能力进行结合，分析路径所经过的各路段的平均拥堵水平；
S53.微观交通流推算，利用中观路径流量，通过推算得到车辆轨迹；利用中观路段和交叉口疏散能力，通过轨迹控制得到元胞疏散能力，由于轨迹是随时间变化的，将其与元胞疏散能力进行结合，分析车辆轨迹所经过的各个位置随时间变化的拥堵水平。
3.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1或2所述的一种基于多尺度交通需求与供给转化的交通流推算方法的步骤。
4.一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或2所述的一种基于多尺度交通需求与供给转化的交通流推算方法。
CN202210859545.2A 2022-07-22 2022-07-22 一种基于多尺度交通需求与供给转化的交通流推算方法 Active CN114937366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210859545.2A CN114937366B (zh) 2022-07-22 2022-07-22 一种基于多尺度交通需求与供给转化的交通流推算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210859545.2A CN114937366B (zh) 2022-07-22 2022-07-22 一种基于多尺度交通需求与供给转化的交通流推算方法

Publications (2)

Publication Number Publication Date
CN114937366A CN114937366A (zh) 2022-08-23
CN114937366B true CN114937366B (zh) 2022-11-25

Family

ID=82868673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210859545.2A Active CN114937366B (zh) 2022-07-22 2022-07-22 一种基于多尺度交通需求与供给转化的交通流推算方法

Country Status (1)

Country Link
CN (1) CN114937366B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115116231B (zh) * 2022-08-26 2023-02-03 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同微观仿真系统、方法、电子设备及存储介质
CN116229727A (zh) * 2023-05-10 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种基于在线仿真的道路拥堵诱导方法及管控系统

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11144182A (ja) * 1997-11-07 1999-05-28 Toyota Central Res & Dev Lab Inc 交通流シミュレーションシステム
DE10108611A1 (de) * 2001-02-22 2002-09-05 Daimler Chrysler Ag Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz
WO2003001432A1 (en) * 2001-06-22 2003-01-03 Caliper Corporation Traffic data management and simulation system
CN1710627A (zh) * 2005-06-16 2005-12-21 公安部交通管理科学研究所 交通信号控制系统运行模式自适应转换方法
CN101930668A (zh) * 2009-04-29 2010-12-29 上海电器科学研究所（集团）有限公司 车牌识别的道路交通od信息采集系统及其处理方法
CN102663579A (zh) * 2012-04-27 2012-09-12 同济大学 基于货运流程的港口道路交通需求od估计方法
CN102800195A (zh) * 2012-08-27 2012-11-28 西北工业大学 基于微观ovdm跟驰模型的宏观交通流模型建模方法
CN103489316A (zh) * 2013-09-10 2014-01-01 同济大学 一种基于路网拓扑关系的网络交通流量检测器布设方法
CN103593535A (zh) * 2013-11-22 2014-02-19 南京洛普股份有限公司 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN104050803A (zh) * 2014-06-23 2014-09-17 北京航空航天大学 一种区域高速路网运行状态评价方法
CN104183119A (zh) * 2014-08-19 2014-12-03 中山大学 基于路段od反推的实时交通流分布预测系统
CN104575036A (zh) * 2015-01-28 2015-04-29 重庆云途交通科技有限公司 基于动态od流量预测与仿真优化的区域信号控制方法
CN104866654A (zh) * 2015-05-06 2015-08-26 广州市交通规划研究院 一种一体化城市动态交通仿真平台的构建方法
CN105321347A (zh) * 2015-09-18 2016-02-10 西安电子科技大学 一种分层次的路网交通拥堵评价方法
CN105489028A (zh) * 2015-12-17 2016-04-13 重庆交通大学 过饱和多交叉口协同控制优化方法
CN106856049A (zh) * 2017-01-20 2017-06-16 东南大学 基于卡口号牌识别数据的关键交叉口需求集聚分析方法
CN108846514A (zh) * 2018-06-07 2018-11-20 同济大学 一种突发事件下轨道交通客流疏散需求预测方法
CN110008528A (zh) * 2019-03-14 2019-07-12 北京建筑大学 一种数据处理方法、装置及电子设备
AU2017396987A1 (en) * 2017-02-02 2019-09-12 Yosef Mintz Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving
CN110570660A (zh) * 2019-11-06 2019-12-13 深圳市城市交通规划设计研究中心有限公司 一种实时在线交通仿真系统及方法
CN111951553A (zh) * 2020-08-17 2020-11-17 上海电科智能系统股份有限公司 一种基于交通大数据平台与中观仿真模型的预测方法
CN112669603A (zh) * 2020-12-17 2021-04-16 广东南方通信建设有限公司 基于大数据的城市交通协同方法及装置
CN112861420A (zh) * 2021-01-08 2021-05-28 中山大学 一种面向混合车流运行场景的中观交通仿真模型构建方法
CN113312737A (zh) * 2021-07-28 2021-08-27 深圳市城市交通规划设计研究中心股份有限公司 一种多层次多模式交通仿真路网构建方法
CN114049765A (zh) * 2021-11-03 2022-02-15 扬州大学 基于自动车辆号牌识别数据的城市路网车流od估计方法
CN114298493A (zh) * 2021-12-09 2022-04-08 苏州智能交通信息科技股份有限公司 一种公路运行监测系统、方法、终端及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4950596B2 (ja) * 2006-08-18 2012-06-13 クラリオン株式会社 予測交通情報生成方法、予測交通情報生成装置および交通情報表示端末
US10692365B2 (en) * 2017-06-20 2020-06-23 Cavh Llc Intelligent road infrastructure system (IRIS): systems and methods
JP2019160094A (ja) * 2018-03-15 2019-09-19 株式会社日立製作所 交通需要予測システムおよび交通需要予測装置

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11144182A (ja) * 1997-11-07 1999-05-28 Toyota Central Res & Dev Lab Inc 交通流シミュレーションシステム
DE10108611A1 (de) * 2001-02-22 2002-09-05 Daimler Chrysler Ag Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz
WO2003001432A1 (en) * 2001-06-22 2003-01-03 Caliper Corporation Traffic data management and simulation system
EP1402457A1 (en) * 2001-06-22 2004-03-31 Caliper Corporation Traffic data management and simulation system
CN1710627A (zh) * 2005-06-16 2005-12-21 公安部交通管理科学研究所 交通信号控制系统运行模式自适应转换方法
CN101930668A (zh) * 2009-04-29 2010-12-29 上海电器科学研究所（集团）有限公司 车牌识别的道路交通od信息采集系统及其处理方法
CN102663579A (zh) * 2012-04-27 2012-09-12 同济大学 基于货运流程的港口道路交通需求od估计方法
CN102800195A (zh) * 2012-08-27 2012-11-28 西北工业大学 基于微观ovdm跟驰模型的宏观交通流模型建模方法
CN103489316A (zh) * 2013-09-10 2014-01-01 同济大学 一种基于路网拓扑关系的网络交通流量检测器布设方法
CN103593535A (zh) * 2013-11-22 2014-02-19 南京洛普股份有限公司 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN104050803A (zh) * 2014-06-23 2014-09-17 北京航空航天大学 一种区域高速路网运行状态评价方法
CN104183119A (zh) * 2014-08-19 2014-12-03 中山大学 基于路段od反推的实时交通流分布预测系统
CN104575036A (zh) * 2015-01-28 2015-04-29 重庆云途交通科技有限公司 基于动态od流量预测与仿真优化的区域信号控制方法
CN104866654A (zh) * 2015-05-06 2015-08-26 广州市交通规划研究院 一种一体化城市动态交通仿真平台的构建方法
CN105321347A (zh) * 2015-09-18 2016-02-10 西安电子科技大学 一种分层次的路网交通拥堵评价方法
CN105489028A (zh) * 2015-12-17 2016-04-13 重庆交通大学 过饱和多交叉口协同控制优化方法
CN106856049A (zh) * 2017-01-20 2017-06-16 东南大学 基于卡口号牌识别数据的关键交叉口需求集聚分析方法
AU2017396987A1 (en) * 2017-02-02 2019-09-12 Yosef Mintz Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving
CN108846514A (zh) * 2018-06-07 2018-11-20 同济大学 一种突发事件下轨道交通客流疏散需求预测方法
CN110008528A (zh) * 2019-03-14 2019-07-12 北京建筑大学 一种数据处理方法、装置及电子设备
CN110570660A (zh) * 2019-11-06 2019-12-13 深圳市城市交通规划设计研究中心有限公司 一种实时在线交通仿真系统及方法
CN111951553A (zh) * 2020-08-17 2020-11-17 上海电科智能系统股份有限公司 一种基于交通大数据平台与中观仿真模型的预测方法
CN112669603A (zh) * 2020-12-17 2021-04-16 广东南方通信建设有限公司 基于大数据的城市交通协同方法及装置
CN112861420A (zh) * 2021-01-08 2021-05-28 中山大学 一种面向混合车流运行场景的中观交通仿真模型构建方法
CN113312737A (zh) * 2021-07-28 2021-08-27 深圳市城市交通规划设计研究中心股份有限公司 一种多层次多模式交通仿真路网构建方法
CN114049765A (zh) * 2021-11-03 2022-02-15 扬州大学 基于自动车辆号牌识别数据的城市路网车流od估计方法
CN114298493A (zh) * 2021-12-09 2022-04-08 苏州智能交通信息科技股份有限公司 一种公路运行监测系统、方法、终端及存储介质

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
Generic solutions for consistency problems in multi-scale traffic flow models - Analysis and preliminary results;M. Joueiai等;《16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013)》;20140130;310-315 *
动态OD矩阵推算模型及算法研究;郝光;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20080515;C034-30 *
城市路网动态OD矩阵估计仿真方法研究;刁阳;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20111215(第12期);C034-34 *
基于中观仿真的路网容量算法研究;温培培等;《科技信息》;20090505(第13期);438-439 *
基于多尺度融合的城市交通路网仿真系统研究;李晓峰等;《计算机科学》;20130215(第02期);全文 *
基于大数据与动态交通仿真的城市主干道交通改善研究;许燕青等;《第十五届中国智能交通年会科技论文集（1）》;20201105;全文 *
基于居民出行特性与路网承载力的城市交通状态研究;贾顺平等;《交通运输系统工程与信息》;20110531;第11卷(第05期);81-85 *
基于路径流的多粒度交通仿真研究;杜鹏等;《交通运输系统工程与信息》;20130415(第02期);全文 *
基于轨迹重构的城市路网OD估计方法;黎文皓等;《东南大学学报(自然科学版)》;20210630;第51卷(第06期);1084-1093 *
建立佛山市核心区大型中观动态模型的方法及应用;傅淳等;《新型城镇化与交通发展——2013年中国城市交通规划年会暨第27次学术研讨会论文集》;20140411;全文 *

Also Published As

Publication number Publication date
CN114937366A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN114937366B (zh) 一种基于多尺度交通需求与供给转化的交通流推算方法
CN110304075B (zh) 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN111260118B (zh) 一种基于量子粒子群优化策略的车联网交通流量预测方法
CN112101684B (zh) 一种插电式混合动力车辆实时能量管理方法和系统
CN111951553B (zh) 一种基于交通大数据平台与中观仿真模型的预测方法
KR20200023697A (ko) 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN110826244B (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
CN112580801A (zh) 一种强化学习训练方法及基于强化学习的决策方法
CN116853272A (zh) 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统
Huo et al. Quantify the road link performance and capacity using deep learning models
Xie et al. Heterogeneous traffic information provision on road networks with competitive or cooperative information providers
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN107622665B (zh) 一种宏观与微观交通仿真系统交互的交通分配方法
CN116612633A (zh) 一种基于车路协同感知下的自适应动态路径规划方法
CN113762464B (zh) 一种基于学习的列车运行参考曲线动态生成方法
CN114912669A (zh) 基于多源数据的公交客流组合图神经网络预测方法
Bowman et al. Microscopic Vehicular Traffic Simulation: Comparison of Calibration Techniques
Song et al. Recurrent Traffic Demand Generation using Urban Traffic Simulation with Cell-based Behavior Model and Real Traffic Data
CN115424435B (zh) 一种跨link道路识别网络的训练方法、识别跨link道路的方法
CN115273472B (zh) 一种基于图卷积网络表示道路的通行时间预测方法及系统
CN115273497B (zh) 高速公路交通协同控制方法、电子设备和存储介质
HASAN DEVELOPING A HEURISTIC OPTIMIZATION METHOD FOR SIMULTANEOUS CALIBRATION OF CAR FOLLOWING AND LANE CHANGING PARAMETERS UNDER NON-LANE BASED MIXED TRAFFIC
Papoutsis Potential and prediction of waiting times for carpooling in a territory

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