CN114944062A - 一种隧道平行交通系统构建方法 - Google Patents
一种隧道平行交通系统构建方法 Download PDFInfo
- Publication number
- CN114944062A CN114944062A CN202210602542.0A CN202210602542A CN114944062A CN 114944062 A CN114944062 A CN 114944062A CN 202210602542 A CN202210602542 A CN 202210602542A CN 114944062 A CN114944062 A CN 114944062A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- data
- tunnel
- bayonet
- 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
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
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical 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
- G08G1/0137—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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
-
- 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
本发明涉及一种隧道平行交通系统的构建方法,包括隧道现场布设卡口摄像头获取车辆在卡口点的行驶数据;搭建系统后端数据库结构,实时存储卡口摄像头捕获的车辆数据;对所得的卡口车辆数据基于车牌号进行匹配并计算车辆行驶状态,识别危险品车辆和违规车辆信息,并将所有数据实时存入数据库;所得到的车辆行驶数据进行处理,计算交通流特征参数并识别交通异常事件,对前24小时的历史车辆行驶数据进行缺失数值插补处理,完善历史交通流数据;以SUMO仿真软件为基础,通过与数据库交互读取实时数据和查询历史时间段内车辆行驶数据的方式,分别实现对隧道实时交通流状态的模拟和对查询时间段内历史交通流运行情况的再现,实现对隧道交通安全的动态管控。
Description
技术领域
本发明属于长大公路隧道管控领域技术领域,涉及一种隧道平行交通系统的构建。
背景技术
隧道在运营管理方面普遍具有技术人员不足、机电系统庞大复杂、维护难度大成本高、各系统间关联性差等问题。对于该问题的研究目前主要集中在三个方面,一是安装单点检测器,检测结果能够以直观的方式直接查看到,但这种检测方式受检测范围影响,在检测范围外的事件无法被识别;二是在算法优化方面,提出了很多模型算法检测事件,但这对事件的检测多停留在宏观交通事件上,对车辆异常事件的检测方面的相关研究较少;三是在实时仿真方面,即通过采集流量、平均速度等数据根据通行状态在路段上分配交通进行实时仿真,但对于微观车辆的一对一精确仿真方面仍然缺乏相关研究。
发明内容
为了对隧道环境下交通流状态进行有效管控,实现对隧道内部的单车异常事件和宏观动态交通拥堵事件进行估计与预测,本发明的目的在于,提供一种隧道平行交通系统的构建方法,以有效提升隧道交通安全状况。
为了实现上述任务,本发明采用如下的技术解决方案:
一种隧道平行交通系统的构建方法,其特征在于,包括以下步骤:
步骤S1:隧道现场布设卡口摄像头获取车辆在卡口点的行驶数据。
步骤S2:设计系统后端数据库结构,实时存储卡口摄像头捕获的车辆数据。
步骤S3:对步骤S1所得的卡口车辆数据基于车牌号进行匹配并计算车辆行驶状态,识别危险品车辆和违规车辆信息,并将所有数据实时存入数据库。
步骤S4:对步骤S3所得到的车辆行驶数据进行处理,计算交通流特征参数并识别交通异常事件,所得结果实时存入数据库。
步骤S5:以24小时为周期,对前24小时的历史车辆行驶数据进行缺失数值插补处理,完善历史交通流数据。
步骤S6:以SUMO仿真软件为基础,通过与数据库交互读取实时数据和查询历史时间段内车辆行驶数据的方式,分别实现对隧道实时交通流状态的模拟和对查询时间段内历史交通流运行情况的再现。
步骤S7:将所构建的隧道平行交通系统,用于实现对隧道交通安全的动态管控。
根据本发明,步骤S1具体实现包括以下步骤;
步骤S11:根据隧道内光线和长度布设卡口摄像头,布设原则为:隧道出入口事故高发区布设密度大,隧道内部布设间距长。
步骤S12:调整隧道入口卡口摄像机安装方式、抓拍参数等,确定抓拍精度,直至抓拍精度满足需求。确定入口卡口摄像头精度采用相同环境采集对比的方法,即在隧道入口同一位置安装两台技术比较成熟、抓拍精度比较高的不同品牌的摄像机同时抓拍,所得两组数据互相匹配,以确定入口卡口摄像头精度。
步骤S13:调整隧道内其他卡口摄像机安装方式、抓拍参数,分别确定抓拍精度,直至满足系统需求。隧道内其他卡口摄像机精度计算方法为:各卡口摄像机采集数据均以入口卡口摄像机为标准进行对比计算准确率。
进一步地,步骤S3具体实现包括以下步骤;
步骤S31:对各卡口获取到的车辆数据进行实时整合,整合方法具体描述为:按照从入口到出口的方向分别记卡口摄像机位置为卡口k1、卡口k2、…、卡口kn,卡口ki-1与卡口ki之间的路段记为路段i-1。对卡口k1获取的所有数据,预处理后直接存入数据库,其他卡口摄像头获取的数据基于入口处数据车牌号进行匹配并插入该车牌号对应卡口位置,反映车辆依次经过各卡口的时刻及当前位置;
步骤S32:对匹配成功的车辆数据,根据路段距离和路段行程时间实时计算车辆的行驶空间平均速度;
步骤S33:根据隧道内交通规则,步骤S32所得车辆平均速度过高或过低,则判断车辆超速或车速过低,具体表示如下式,若车辆在隧道内任一车道与入口处车道不一致,则r=1,判断该车辆违规变道;若车辆在一定时间 tmax内未经过出口卡口kn,则lose取1,判断车辆在隧道内异常停车,并触发相应的报警;
步骤S34:对报警信息,系统根据报警信息调取相应路段闭路视频监控进行二次确认,判断是否误报与初步确定事件情况,为制定相关措施提供依据。
具体地,步骤S4具体实现包括以下步骤;
步骤S41:根据步骤S3所得的车辆行驶状态表计算隧道交通流特性参数,所需计算的参数包括:
(3)空间平均速度
式中,niγ代表计算周期内进入路段i的车型为γ的车辆数。
式中,n代表计算周期内进入路段i的交通量。
(4)卡口流量
①卡口周期流量:即第t个周期时间内经过卡口ki的累计车辆数qit;
②卡口累计流量:计算累计卡口流量时,随着累计流量不断增加,不仅数据过大,不利于图形展示,而且数据位数过长,存在异常数据时图像异常趋势被放小,不利于及时发现异常状态,因此设置每天0点卡口累计流量清零,其余时间的累计流量为上一周期的累计流量加上当前周期的卡口流量,计算第t个周期卡口ki累计流量计算过程如下所示:
(3)平均密度
第t个周期时间内路段i上车型为γ的交通流量Qitγ的计算方法为:
则路段i的平均密度ki计算过程如式下所示:
式中,s为处理周期,单位为分钟;αγ为车型γ的折算系数;m为隧道内车道数。
(4)车辆折算系数
由于车辆折算系数目前仍没有明确定义,采用Chandra提出的投影面积 法确定车辆折算系数,计算方法如下所示:
步骤S42:计算隧道拥堵判断阈值,交通流超过阈值时则触发拥堵预警,常用计算车辆j与j+1之间的安全距离如下公式:
式中,Lj(Lj+1)表示车头间距(m);v表示行车速度(m/s,当车速≥80km/h 时,取其85%,否则取其90%);ts表示制动时间(s);x表示公路隧道的最小安全间距(m);l表示汽车长度;g表示重力加速度(m/s2);表示轮胎和路面纵向附着系数。
由于隧道内最小安全距离拥堵状态下最小安全距离会骤降甚至会消失,因此这里计算拥堵密度阈值时取消最小安全距参数,行车速度取速度限速的下限值,在已知隧道内最大限速后,根据以下公式即可求得隧道环境下相邻车辆的最小安全车头间距。
根据最小车头间距,获取拥堵预警的最大密度,计算方法如下所示:
步骤S43:设置交通事故检测阈值,事件检测采用增量比较算法,即计算连续路段密度差,密度差达到阈值且下游路段达到拥堵阈值,则检测为事故,计算公式如下所示:
式中,α为确定密度插值增量的阈值。
步骤S44:对于系统报警的交通事故事件,根据报警位置调取相应路段的闭路视频摄像头,通过人为查看的方法二次确定事件情况。
进一步地,步骤S5具体实现包括以下步骤;
步骤S51:查询24小时内所有事件,若数据缺失是由于发生异常事件造成,则查询一天内发生的所有事件,即事件发生时间段内所有含有缺失时间的车牌数据,查询事件前后1小时内所有卡口车牌号与缺失数据车牌号进行重新匹配,匹配成功则插对应卡口位置,否则认为数据缺失是由于卡口未识别车辆造成的,执行步骤S52至步骤S55。
步骤S52:通过数据缺失卡口的前一个卡口时间加前一个路段相同车型的平均行程时间,计算方法如下所示:
步骤S52:缺失卡口抓拍时间可初步预测为前一个卡口时间加上相同车型行程时间后的时间,如下所示:
式中,ti-1为车辆经过前一个卡口的时刻,△ti-1为相同车型车辆经过第 i-1个路段的平均行程时间,t'i为车辆经过当前第i个卡口的正向预测时间。
步骤S53:若直到卡口n数据依然缺失,则前向估计值即为最终估计值,估计值直接插入数据表,即有如下公式:
步骤S54:若缺失值不到卡口n,则根据后一个卡口时间反向估计上游卡口时间数据,最后取前向估计值与后向估计值的中间值作为最终预测结果值,卡口ki+1抓拍时间估计方法如下所示:
步骤S55:利用S53所得的预测值和反向估计结果,直到缺失值插补结束,如下所示:
上式表示先计算车辆经过第i+1个卡口的反向预测时间,再由正向预测时间和反向预测时间的平均值作为车辆经过第i+1个卡口的最终估计时间。
综合以上两式,表示反向预测过程逐步从下游路段向上游路段推进。
进一步地,步骤S6具体实现包括以下步骤;
步骤S61:设置SUMO仿真需要的道路生成文件.net.xml和路径生成文件.rou.xml,其中路网设计主要划分为三部分:隧道入口前用于发车的路段、隧道内各卡口间的路段、隧道出口以外用于缓冲的路段。
步骤S62:确定实时仿真时速度预测模型。将车辆信息大类上分为三个类型:大型车、中型车、小型车。每种车型获取连续500条数据,滑动窗口大小设置为n,初始值为各车型自由流下速度的中位数,通过滑动窗口均值的方法利用前n个数值预测第n+1个数值,为步骤S7实时仿真提供数据基础。模型评价标准选择“RMSE”,根据误差值“RMSE”随窗口大小变化确定窗口大小n值。
步骤S63:以5秒为周期,读取数据库实时车辆数据,并根据步骤S62 的方法预测路段交通流实时运行速度,设置车辆仿真参数,实现与隧道实际环境同步的实时仿真。
步骤S64:对于历史数据的再现仿真,通过查询数据库内仿真时间段内所有车辆的行驶数据,计算车辆在隧道内的行驶速度、位置等并进行参数设置仿真。
步骤S65:对历史数据仿真结束,分别查询仿真时段内各分车型交通流量、车辆事件数、交通流事件数等统计数据,并对仿真时段内交通流进行简单评价。
本发明构建的隧道平行交通系统,以前端卡口相机实时采集车辆数据为基础,通过数据分析实时展示交通状态变化与事件,并配合隧道原有单点检测的闭路视频监控进一步对隧道内部发生的微观的单车事件以及宏观的交通拥堵事件进行估计,能够实现对隧道交通安全的动态管控。对于将隧道交通管控工作流程化、系统化,以及研究隧道智能交通管控、提高隧道运营安全具有极大的实用价值和理论意义。
附图说明
图1为本发明的隧道平行交通系统搭建方法流程示意图;
图2为隧道平行交通系统交通流变化状态部分数据展示图。其中,图(a) 为路段1不同车型平均速度变化图,图(b)为卡口流量变化折线图,图(c) 为卡口累计流量变化曲线图,图(d)为路段平均密度变化折线图,图(e) 为小时流量分布柱状图。
图3为滑窗均值法误差随窗口大小变化曲线图;
图4为仿真参数调整过程流程图;
图5为实时仿真隧道入口仿真结果与监控画面对比图;
图6为历史数据仿真结果与数据对比图;
下面结合附图及实施例对本发明做进一步详细说明。
具体实施方式
首先需要说明的是,以下的实施例是本发明较优的例子,旨在对本发明的技术方案提供进一步的详细说明,本发明不限于以下的实施例。
除非另有指明,在以下实施例中所使用的所有技术和科学术语具有与本申请所属领域的普通技术人员通常理解的相同含义。如实施例中所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在实施例中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例给出搭建以数据库为中心的隧道智能交通管理系统——隧道平行交通系统的详细过程,包括以下步骤:
(一)隧道现场布设卡口摄像头获取车辆在卡口点的行驶数据,具体包含以下步骤:
首先,根据隧道内光线和长度布设卡口摄像头,根据布设原则,以山西北茹隧道为例,隧道全长1068米,其本身距离较短,为降低实验成本,这里在隧道入口、中间和出口各布设一个卡口摄像头,每个卡口摄像机距离530 米。其次,采用相同环境采集对比的方法确定入口卡口摄像头精度,在隧道入口安装华为和宇视两款摄像头相互对比匹配,其匹配率高于99%,满足对隧道入口卡口摄像机的抓拍精度要求。最后,对于隧道内部的卡口摄像头,以入口摄像头为基础进行对照匹配,精度达89.62%,认为其可以满足精度需求。
(二)搭建系统后端数据库结构,实时存储卡口摄像头捕获的车辆数据。
(三)对步骤S1所得的卡口车辆数据基于车牌号进行匹配并计算车辆行驶状态,识别危险品车辆和违规车辆信息,并将所有数据实时存入数据库。具体包含以下步骤:
首先,对各卡口获取到的车辆数据进行实时整合,整合方法具体描述为:按照从入口到出口的方向分别记卡口摄像机位置为卡口k1、卡口k2、…、卡口kn,卡口ki-1与卡口ki之间的路段记为路段i-1。
对卡口k1获取的所有数据,预处理后直接存入数据库,其他卡口摄像头获取的数据基于入口处数据车牌号进行匹配并插入该车牌号对应卡口位置,反映车辆依次经过各卡口的时刻及当前位置。
其次,对匹配成功的车辆数据,实时计算车辆的行驶空间平均速度。然后,根据隧道内交通规则,若车辆平均速度过高或过低,则判断车辆超速或车速过低,具体表示如下式,若车辆在隧道内任一车道与入口处车道不一致,则r=1,判断该车辆违规变道;若车辆在一定时间tmax内未经过出口卡口kn,则lose取1,判断车辆在隧道内异常停车,并触发相应的报警;最后,对报警信息,系统根据报警信息调取相应路段闭路视频监控进行二次确认,判断是否误报与初步确定事件情况,为制定相关措施提供依据。
(四)对所得到的车辆行驶数据进行处理,计算交通流特征参数并识别交通异常事件,所得结果实时存入数据库。
具体实现包含以下步骤:
(1)空间平均速度
式中,niγ代表计算周期内进入路段i的车型为γ的车辆数。
式中,n代表计算周期内进入路段i的交通量。
(2)卡口流量
①卡口周期流量:即第t个周期时间内经过卡口ki的累计车辆数qit。
②卡口累计流量:计算累计卡口流量时,随着累计流量不断增加,不仅数据过大,不利于图形展示,而且数据位数过长,存在异常数据时图像异常趋势被放小,不利于及时发现异常状态,因此设置每天0点卡口累计流量清零,其余时间的累计流量为上一周期的累计流量加上当前周期的卡口流量,计算第t个周期卡口ki累计流量计算过程如下所示:
(3)平均密度
第t个周期时间内路段i上车型为γ的交通流量Qitγ的计算方法为:
则路段i的平均密度ki计算过程如式下所示:
式中,s为处理周期,单位为分钟;αγ为车型γ的折算系数;m为隧道内车道数。
(4)车辆折算系数
由于车辆折算系数目前仍没有明确定义,采用Chandra提出的投影面积 法确定车辆折算系数,计算方法如下所示:
步骤S42:计算隧道拥堵判断阈值,交通流超过阈值时则触发拥堵预警,常用计算车辆j与j+1之间的安全距离如下公式:
式中,Lj(Lj+1)表示车头间距(m);v表示行车速度(m/s,当车速≥80km/h 时,取其85%,否则取其90%);ts表示制动时间(s);x表示公路隧道的最小安全间距(m);l表示汽车长度;g表示重力加速度(m/s2);表示轮胎和路面纵向附着系数。
隧道内路面为沥青路面,值取0.38,已有相关研究说明,人在毫无准备的情况下突然出现障碍物时车辆制动时间约为2.5s,隧道内最小安全距离取20m,但拥堵状态下最小安全距离会骤降甚至会消失,因此这里计算拥堵密度阈值时取消最小安全距参数,行车速度取速度限速的下限值,而隧道内交通密度均对不同车型的车辆长度进行了当量换算,因此车长l取标准小轿车长度4m,在已知隧道内最大限速后,根据下面公式即可求得隧道环境下相邻车辆的最小安全车头间距Lmin。
进一步,根据最小车头间距,获取拥堵预警的最大密度kmax,计算方法如下所示:
步骤S43:设置交通事故检测阈值,事件检测采用增量比较算法,即计算连续路段密度差,密度差达到阈值且下游路段达到拥堵阈值,则检测为事故,计算公式如下所示:
式中,α为确定密度插值增量的阈值。
如图2为交通流变化情况的部分图表展示,其中图(a)为路段1不同车型平均速度变化图,图(b)为卡口流量变化折线图,图(c)为卡口累计流量变化曲线图,图(d)为路段平均密度变化折线图,图(e)为小时流量分布柱状图。最后,对于系统报警的交通事故事件,根据报警位置调取相应路段的闭路视频摄像头,通过人为查看的方法二次确定事件情况。
(五)对于历史数据,以24小时为周期,对历史数据的缺失数据进行插补。
根据数据缺失造成的原因不同,插补分为两种方式:由于发生异常事件造成缺失,则查询一天内发生的所有事件,事件发生时间段内所有含有缺失时间的车牌数据,查询事件前后1小时内所有卡口车牌号与缺失数据车牌号进行重新匹配,匹配成功则插对应卡口位置。由于对卡口未识别车辆造成的数据缺失通过前后向同时估计的方式进行插补,具体包含以下步骤:
首先,通过数据缺失卡口的前一个卡口时间加前一个路段相同车型的平均行程时间,计算方法如下所示:
其次,缺失卡口抓拍时间可初步预测为前一个卡口时间加上相同车型行程时间后的时间,如下所示:
式中,ti-1为车辆经过前一个卡口的时刻,△ti-1为相同车型车辆经过第i-1 个路段的平均行程时间,t'i为车辆经过当前第i个卡口的正向预测时间。
若直到卡口n数据依然缺失,则前向估计值即为最终估计值,估计值直接插入数据表,即有如下公式:
若缺失值不到卡口n,则根据后一个卡口时间反向估计上游卡口时间数据,最后取前向估计值与后向估计值的中间值作为最终预测结果值,卡口 ki+1抓拍时间估计方法如下式所示:
最后,利用S543所得的预测值和反向估计结果,直到缺失值插补结束,如下式所示:
上式表示先计算车辆经过第i+1个卡口的反向预测时间,再由正向预测时间和反向预测时间的平均值作为车辆经过第i+1个卡口的最终估计时间。
综合以上两式,表示反向预测过程逐步从下游路段向上游路段推进。
(六)以SUMO仿真软件为基础,通过与数据库交互读取实时数据和查询历史时间段内车辆行驶数据的方式,分别实现对隧道实时交通流状态的模拟和对查询时间段内历史交通流运行情况的再现。首先设置SUMO仿真需要的.net.xml文件,路径主要划分为三部分:隧道入口前用于发车的路段、隧道内各卡口间的路段、隧道出口以外用于缓冲的路段,具体路段设计如见表 1。
其次,生成.rou.xml文件,车辆路径设置n-1条分别为:
路径1:begin1–gneJ1–gneJ2–gneJ3…–gneJn–end1–end2
路径2:gneJ2–gneJ3–…–gneJn–end1–end2
路径3:gneJ3–…–gneJn–end1–end2
……
路径n-1:gneJn-1–gneJn–end1–end2
接着,确定实时仿真时速度预测模型。将车辆信息大类上分为三个类型:大型车、中型车、小型车。每种车型获取连续500条数据,滑动窗口大小设置为n,初始值为各车型自由流下速度的中位数,通过滑动窗口均值的方法利用前n个数值预测第n+1个数值,为步骤S7实时仿真提供数据基础。模型评价标准选择“RMSE”,根据误差值“RMSE”随窗口大小变化确定窗口大小n值。如图3为“RMSE”随窗口大小变化曲线图,由于到后期,随着窗口大小的变大,“RMSE”几乎不再发生变化,这里取窗口大小为10。接着,设置以5秒为周期,读取数据库实时车辆数据,并预测路段交通流实时运行速度,设置车辆仿真参数,实现与隧道实际环境同步的实时仿真.如图4为实时仿真系统处理流程图。实时仿真与摄像头监控界面对比图如图5所示。
对于历史数据的再现仿真,通过查询数据库内仿真时间段内所有车辆的行驶数据,遍历查询结果,获取所有车辆车型、车道、位置、速度等信息,设置仿真参数,进行发车处理;计算车辆在隧道内的行驶速度、位置等并进行参数设置仿真,如图6为历史数据仿真结果与数据对比图。对历史数据仿真结束,分别查询仿真时段内各分车型交通流量、车辆事件数、交通流事件数等统计数据,并对仿真时段内交通流进行简单评价。
(七)将所构建的隧道平行交通系统,用于实现对隧道交通安全的动态管控。
经验证,本实施例构建的隧道平行交通系统,以前端卡口相机实时采集车辆数据为基础,通过数据分析实时展示交通状态变化与事件,并配合隧道原有单点检测的闭路视频监控进一步对隧道内部发生的微观的单车事件以及宏观的交通拥堵事件进行估计,能够实现对隧道交通安全的动态管控。
Claims (6)
1.一种隧道平行交通系统的构建方法,其特征在于,包括以下步骤:
步骤S1:隧道现场布设卡口摄像头获取车辆在卡口点的行驶数据;
步骤S2:搭建系统后端数据库结构,实时存储卡口摄像头捕获的车辆数据;
步骤S3:对步骤S1所得的卡口车辆数据基于车牌号进行匹配并计算车辆行驶状态,识别危险品车辆和违规车辆信息,所有数据实时存入数据库;
步骤S4:对步骤S3所得到的车辆行驶数据进行处理,计算交通流特征参数并识别交通异常事件,所得结果实时存入数据库;
步骤S5:以24小时为周期,对前24小时的历史车辆行驶数据进行缺失数值插补处理,完善历史交通流数据;
步骤S6:以SUMO仿真软件为基础,通过与数据库交互读取实时数据和查询历史时间段内车辆行驶数据的方式,分别实现对隧道实时交通流状态的模拟和对查询时间段内历史交通流运行状态的再现;
步骤S7:将所构建的隧道平行交通系统,用于实现对隧道交通安全的动态管控。
2.如权利要求1所述的方法,其特征在于,步骤S1具体实现包括以下步骤;
步骤S11:根据隧道内光线和长度布设卡口摄像头,布设原则为:隧道出入口事故高发区布设密度大,隧道内部布设间距长;
步骤S12:调整隧道入口卡口摄像机安装方式、抓拍参数,确定抓拍精度,直至抓拍精度满足需求;其中,确定入口卡口摄像机精度采用相同环境采集对比的方法,即在隧道入口同一位置安装两台技术比较成熟、抓拍精度比较高的不同品牌的摄像机同时抓拍,所得两组数据互相匹配,以确定入口卡口摄像头精度;
步骤S13:调整隧道内其他卡口摄像机安装方式、抓拍参数,分别确定抓拍精度,直至满足系统需求;隧道内其他卡口摄像机精度计算方法为:各卡口摄像机采集数据均以入口卡口摄像机为标准进行对比计算准确率。
3.如权利要求1所述的方法,其特征在于,步骤S3具体实现包括以下步骤;
步骤S31:对各卡口获取到的车辆数据进行实时整合,整合方法具体描述为:按照从入口到出口的方向分别记卡口摄像机位置为卡口k1、卡口k2、…、卡口kn,卡口ki-1与卡口ki之间的路段记为路段i-1;对卡口k1获取的所有数据,预处理后直接存入数据库,其他卡口摄像头获取的数据基于入口处数据车牌号进行匹配并插入该车牌号对应卡口位置,反映车辆依次经过各卡口的时刻及当前位置;
步骤S32:对匹配成功的车辆数据,根据路段距离和路段行程时间实时计算车辆的行驶空间平均速度;
步骤S33:根据隧道内交通规则,步骤S32所得车辆平均速度过高或过低,则判断车辆超速或车速过低,具体表示如下式:
若车辆在隧道内任一车道与入口处车道不一致,则r=1,判断该车辆违规变道;若车辆在一定时间tmax内未经过出口卡口kn,则lose取1,判断车辆在隧道内异常停车,并触发相应的报警;
步骤S34:系统根据报警信息调取相应路段闭路视频监控进行二次确认,判断是否误报与初步确定事件情况,为制定相关措施提供依据。
4.如权利要求1所述的方法,其特征在于,步骤S4具体实现包括以下步骤;
步骤S41:根据步骤S3所得的车辆行驶状态表计算隧道交通流特性参数,所需计算的参数包括:
(1)空间平均速度
式中,niγ代表计算周期内进入路段i的车型为γ的车辆数;
式中,n代表计算周期内进入路段i的交通量;
(2)卡口流量
①卡口周期流量:即第t个周期时间内经过卡口ki的累计车辆数qit;
②卡口累计流量:计算累计卡口流量时,随着累计流量不断增加,不仅数据过大,不利于图形展示,而且数据位数过长,存在异常数据时图像异常趋势被放小,不利于及时发现异常状态,因此设置每天0点卡口累计流量清零,其余时间的累计流量为上一周期的累计流量加上当前周期的卡口流量,计算第t个周期卡口ki累计流量计算过程如下式所示:
(3)平均密度
第t个周期时间内路段i上车型为γ的交通流量Qitγ的计算方法为:
则路段i的平均密度ki计算过程如式下所示:
式中,s为处理周期,单位为分钟;αγ为车型γ的折算系数;m为隧道内车道数;
(4)车辆折算系数
由于车辆折算系数目前仍没有明确定义,采用Chandra提出的投影面积法确定车辆折算系数,计算方法如下所示:
步骤S42:计算隧道拥堵判断阈值,交通流超过阈值时则触发拥堵预警,常用计算车辆j与j+1之间的安全距离如下公式:
式中,Lj(Lj+1)表示车头间距(m);v表示行车速度(m/s,当车速≥80km/h时,取其85%,否则取其90%);ts表示制动时间(s);x表示公路隧道的最小安全间距(m);l表示汽车长度;g表示重力加速度(m/s2);表示轮胎和路面纵向附着系数;
由于隧道内最小安全距离拥堵状态下最小安全距离会骤降甚至会消失,因此这里计算拥堵密度阈值时取消最小安全距参数,行车速度取速度限速的下限值,在已知隧道内最大限速后,根据以下公式求得隧道环境下相邻车辆的最小安全车头间距:
根据最小车头间距,获取拥堵预警的最大密度,计算方法如下式所示:
步骤S43:设置交通事故检测阈值,事件检测采用增量比较算法,即计算连续路段密度差,密度差达到阈值且下游路段达到拥堵阈值,则检测为事故,计算公式如下所示:
式中,α为确定密度插值增量的阈值;
步骤S44:对于系统报警的交通事故事件,根据报警位置调取相应路段的闭路视频摄像头,通过人为查看的方法二次确定事件情况。
5.如权利要求1所述的方法,其特征在于,步骤S5具体实现包括以下步骤;
步骤S51:查询24小时内所有事件,若数据缺失是由于发生异常事件造成,则查询一天内发生的所有事件,即事件发生时间段内所有含有缺失时间的车牌数据,查询事件前后1小时内所有卡口车牌号与缺失数据车牌号进行重新匹配,匹配成功则插入对应卡口位置,否则认为数据缺失是由于卡口未识别车辆造成的,执行步骤S52至步骤S55;
步骤S52:通过数据缺失卡口的前一个卡口时间加前一个路段相同车型的平均行程时间,计算方法如下所示:
步骤S53:缺失卡口抓拍时间可初步预测为前一个卡口时间加上相同车型行程时间后的时间,如下所示:
式中,ti-1为车辆经过前一个卡口的时刻,△ti-1为相同车型车辆经过第i-1个路段的平均行程时间,t'i为车辆经过当前第i个卡口的正向预测时间。
步骤S53:若直到卡口n数据依然缺失,则前向估计值即为最终估计值,估计值直接插入数据表,即有如下公式:
步骤S54:若缺失值不到卡口n,则根据后一个卡口时间反向估计上游卡口时间数据,最后取前向估计值与后向估计值的中间值作为最终预测结果值,卡口ki+1抓拍时间估计方法如下所示:
步骤S55:利用S53步骤所得的预测值和反向估计结果,直到缺失值插补结束,如下式所示:
上式表示先计算车辆经过第i+1个卡口的反向预测时间,再由正向预测时间和反向预测时间的平均值作为车辆经过第i+1个卡口的最终估计时间;
综合以上两式,表示反向预测过程逐步从下游路段向上游路段推进。
6.如权利要求1所述的方法,其特征在于,步骤S6具体实现包括以下步骤;
步骤S61:设置SUMO仿真需要的道路生成文件.net.xml和路径生成文件.rou.xml,其中路网设计主要划分为三部分:隧道入口前用于发车的路段、隧道内各卡口间的路段、隧道出口以外用于缓冲的路段;
步骤S62:确定实时仿真时速度预测模型
将车辆信息大类上分为三个类型:大型车、中型车、小型车;每种车型获取连续500条数据,滑动窗口大小设置为n,初始值为各车型自由流下速度的中位数,通过滑动窗口均值的方法利用前n个数值预测第n+1个数值,为步骤S7实时仿真提供数据基础;模型评价标准选择“RMSE”,根据误差值“RMSE”随窗口大小变化确定窗口大小n值;
步骤S63:以5秒为周期,读取数据库实时车辆数据,并根据步骤S62的方法预测路段交通流实时运行速度,设置车辆仿真参数,实现与隧道实际环境同步的实时仿真;
步骤S64:对于历史数据的再现仿真,通过查询数据库内仿真时间段内所有车辆的行驶数据,计算车辆在隧道内的行驶速度、位置等并进行参数设置仿真;
步骤S65:对历史数据仿真结束,分别查询仿真时段内各分车型交通流量、车辆事件数、交通流事件数等统计数据,并对仿真时段内交通流进行简单评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210602542.0A CN114944062B (zh) | 2022-05-30 | 2022-05-30 | 一种隧道平行交通系统构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210602542.0A CN114944062B (zh) | 2022-05-30 | 2022-05-30 | 一种隧道平行交通系统构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114944062A true CN114944062A (zh) | 2022-08-26 |
CN114944062B CN114944062B (zh) | 2023-05-26 |
Family
ID=82908398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210602542.0A Active CN114944062B (zh) | 2022-05-30 | 2022-05-30 | 一种隧道平行交通系统构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114944062B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762184A (zh) * | 2023-01-09 | 2023-03-07 | 江西方兴科技股份有限公司 | 隧道通行速度控制方法、装置及计算机设备 |
CN116311940A (zh) * | 2023-03-23 | 2023-06-23 | 东南大学 | 一种高速公路改扩建作业区动态交通诱导系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103201754A (zh) * | 2010-11-18 | 2013-07-10 | 索尼公司 | 数据处理设备、数据处理方法以及程序 |
CN103886756A (zh) * | 2014-04-17 | 2014-06-25 | 交通运输部公路科学研究所 | 基于obu的高速公路路网运行状态检测方法 |
CN105389978A (zh) * | 2015-09-15 | 2016-03-09 | 安徽省综合交通研究院股份有限公司 | 封闭快速道路监测系统及监控数据处理方法 |
CN105513349A (zh) * | 2014-12-03 | 2016-04-20 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
CN113870562A (zh) * | 2021-09-30 | 2021-12-31 | 江苏中路工程技术研究院有限公司 | 一种基于拥堵路段的高速公路车道管控策略的确定方法 |
CN114155717A (zh) * | 2022-02-10 | 2022-03-08 | 西南交通大学 | 一种交通流数据筛选方法、装置、设备及可读存储介质 |
-
2022
- 2022-05-30 CN CN202210602542.0A patent/CN114944062B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103201754A (zh) * | 2010-11-18 | 2013-07-10 | 索尼公司 | 数据处理设备、数据处理方法以及程序 |
CN103886756A (zh) * | 2014-04-17 | 2014-06-25 | 交通运输部公路科学研究所 | 基于obu的高速公路路网运行状态检测方法 |
CN105513349A (zh) * | 2014-12-03 | 2016-04-20 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
CN105389978A (zh) * | 2015-09-15 | 2016-03-09 | 安徽省综合交通研究院股份有限公司 | 封闭快速道路监测系统及监控数据处理方法 |
CN113870562A (zh) * | 2021-09-30 | 2021-12-31 | 江苏中路工程技术研究院有限公司 | 一种基于拥堵路段的高速公路车道管控策略的确定方法 |
CN114155717A (zh) * | 2022-02-10 | 2022-03-08 | 西南交通大学 | 一种交通流数据筛选方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
吴格馨: "隧道平行交通系统", 《物联网技术》 * |
李东建: "高速公路隧道智能视频监控系统研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762184A (zh) * | 2023-01-09 | 2023-03-07 | 江西方兴科技股份有限公司 | 隧道通行速度控制方法、装置及计算机设备 |
CN116311940A (zh) * | 2023-03-23 | 2023-06-23 | 东南大学 | 一种高速公路改扩建作业区动态交通诱导系统及方法 |
CN116311940B (zh) * | 2023-03-23 | 2024-03-26 | 东南大学 | 一种高速公路改扩建作业区动态交通诱导系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114944062B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114944062A (zh) | 一种隧道平行交通系统构建方法 | |
CN107742418B (zh) | 一种城市快速路交通拥堵状态及堵点位置自动识别方法 | |
CN104157156B (zh) | 一种高速公路危险路段车速动态管理预警方法 | |
CN104392610B (zh) | 基于分布式视频的高速路交通事件影响范围动态监控方法 | |
CN113327416A (zh) | 基于短时交通流预测的城市区域交通信号控制方法 | |
CN101882374A (zh) | 一种车辆行程分布综合信息分析系统及方法 | |
CN111798678A (zh) | 一种基于大数据的城市交通智能监控协调管理系统 | |
CN109961639A (zh) | 一种过饱和状态下车道排队长度估计方法 | |
CN111724589A (zh) | 一种基于多源数据的高速公路断面流量估计方法 | |
CN109472985B (zh) | 基于路段旅行时间的实际交通需求流量估计方法 | |
CN102024330A (zh) | 基于高清视频技术的智能交通信号控制系统、方法及设备 | |
CN113380036B (zh) | 一种基于电子警察数据的排队长度计算方法 | |
CN107590834A (zh) | 一种道路交通事件视频检测方法及系统 | |
CN116721549B (zh) | 一种车流量检测系统及检测方法 | |
CN104750963A (zh) | 交叉口延误时长估计方法及装置 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN111882858A (zh) | 一种基于多源数据的高速公路异常事件排队长度预测方法 | |
CN115410375A (zh) | 一种基于雷卡融合交通数据的融合交通指标集生成方法 | |
CN111383453A (zh) | 交通信号控制在线仿真和实时跟踪反馈系统及运行方法 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
CN116052435A (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 | |
JP3007019B2 (ja) | 交通流計測装置 | |
CN113870551A (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 | |
Wen-juan et al. | Application of vision sensing technology in urban intelligent traffic control system |
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 |