CN115691138A - 一种路网子区划分及子区边界流量控制方法 - Google Patents
一种路网子区划分及子区边界流量控制方法 Download PDFInfo
- Publication number
- CN115691138A CN115691138A CN202211359859.2A CN202211359859A CN115691138A CN 115691138 A CN115691138 A CN 115691138A CN 202211359859 A CN202211359859 A CN 202211359859A CN 115691138 A CN115691138 A CN 115691138A
- Authority
- CN
- China
- Prior art keywords
- sub
- road
- road network
- traffic
- subarea
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 238000005192 partition Methods 0.000 claims abstract description 11
- 238000002922 simulated annealing Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 8
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 239000003016 pheromone Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000001276 controlling effect Effects 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000001704 evaporation Methods 0.000 claims description 4
- 230000008020 evaporation Effects 0.000 claims description 4
- 238000010348 incorporation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 235000006629 Prosopis spicigera Nutrition 0.000 claims description 2
- 240000000037 Prosopis spicigera Species 0.000 claims description 2
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种路网子区划分及子区边界流量控制方法,包括:使用蚁群算法及模糊C均值算法划分路网,形成交通子区;使用谱聚类算法及支持向量机算法识别子区路网交通状态等级;根据子区路网交通状态等级,确定子区的调控类型为流量输入型或流量输出型;基于博弈论原理,计算各子区内车辆平均延误;以调控前后各个子区内车辆平均延误的变化值的总和为目标,以子区内部累计车辆数和实际最佳累计车辆数的关系、子区之前流量大小为约束条件,建立子区流量控制模型,并利用模拟退火算法进行求解,得到各个子区边界流量的控制方案。本发明综合考虑了路网交通子区划分及各子区流量控制,能够实现优化区域路网交通状态、减少延误的效果。
Description
技术领域
本发明涉及城市交通规划与管理中交通控制的技术领域,具体但不限于涉及一种路网子区划分及子区边界流量控制方法。
背景技术
持续激增的汽车保有量使城市交通面临的压力越来越大,城市交通拥堵现象也越来越普遍,特别是在大中城市交通拥堵问题更为严重。根据高德地图发布的《2020年度中国主要城市交通分析报告》,在所监测的全国361个城市中,在通勤高峰时,处于拥堵状态的城市数量占比为2.49%,处于缓行状态的城市数量占比为37.67%,其余城市处于畅通运行状态。同时根据高德地图交通大数据监测的50个主要城市结果显示,2020年全国50个主要城市的平均路网高峰行程延时指数为1.609,其中南京市路网高峰行程延时指数为1.769,即高峰时段出行时间是畅通时段出行时间的1.769倍。如今,交通拥堵对人们日常生活的影响越来越大,城市居民每天产生的拥堵成本也在逐渐增加。面对城市高密度路网区域内部交通拥堵问题日益突出的现象,必须采取有效的交通控制措施对进入路网中的交通流量进行控制,这样才能有效的减少高密度路网区域内道路交通拥堵。
针对控制交通流量、缓解拥堵,现有技术主要针对道路点、路段的运行状况,对象局限于微观层面,所选取的交通状态指标也多是用来表征路段或者交叉口的运行状态,并不能很好的反映路网整体的交通运行状况,与区域交通控制策略的关联性不强。此外,现有技术在对路网边界交通进行控制时,很少涉及到边界控制时机的决策,在控制时多以子区状态最优或车辆完成率最大为目标,而并没有考虑子区间相对交通状态对边界控制策略制定的影响。
针对当前研究的不足,需要着眼于交通子区而非道路点、路段的运行情况,从而拓展宏观层面交通流量控制的技术方法,反映路网整体的运行状况。在控制思路上,需要考虑整体区域的交通运行状态最优,而非局限于单一子区的交通状态为技术优化目标,从而流量控制对各个子区的综合影响。基于如上考虑,构建一种新的控制模型和控制策略,以期解决现有的至少部分问题。
发明内容
针对现有技术中的一个或多个问题,本发明提出了一种路网子区划分及子区边界流量控制方法,包括划分交通子区、识别各交通子区路网交通状态的等级、判断各交通子区流量输入型/流量输出型的类别、构建各交通子区博弈控制模型和各交通子区边界流量控制模型,计算求解得到各交通子区边界流量控制策略,实现在交通子区层面进行交通流量控制。
实现本发明目的的技术解决方案为:
根据本发明的一个方面,一种路网子区划分及子区边界流量控制方法,包括:
步骤1、划分交通子区:获得路网数据集合X={x1,x2,…,xi,…,xn},n表示路网中路段数量,xi为路网中第i条路段的属性值集合。以路网数据集合为输入,利用ACO蚁群算法确定初始聚类中心和聚类个数,基于该初始聚类中心和聚类个数,使用FCM模糊C均值算法对路网进行二次聚类,确定交通子区的划分;
步骤2、划分各交通子区的交通状态等级:根据各交通子区的路网交通数据,计算各交通子区的路网通畅度和路网空间负荷裕度,其中,路网畅通度是指在区域路网内某一时刻路网内处于畅通状态的路段数与区域内所有路段数的比值,反映该区域内路网的整体畅通程度,路网空间负荷裕度是指在区域路网内某一时刻区域路网剩余的交通容量与路网极限容量的比值,反映了某一时刻路网内剩余空间资源情况;
以子区路网通畅度和子区路网空间负荷裕度数据为输入,利用NJW谱聚类算法,将子区路网通畅度和子区路网空间负荷裕度划分为若干组别,表征不同的子区交通状态,并基于此划分子区路网交通状态等级;
基于SVM支持向量机算法,基于当前子区路网交通状态等级数据,建构子区路网交通状态识别分类器;
步骤3、判断各交通子区的流入流出类型:利用子区路网交通状态识别分类器识别各子区交通状态等级,根据各子区交通状态等级,确定流量输出型子区和流量输入型子区,其中,流量输入型子区是指在边界控制时进入该子区的车辆数大于流出该子区的车辆数,流量输出型子区是指在边界控制时进入该子区的车辆数小于流出该子区的车辆数;
步骤4、构建路网子区博弈控制模型:路网子区博弈控制模型包括子区内部车流平衡模型,并构建子区平均延误函数;
步骤5、判断受控路网子区实际最佳累计车辆数,构建子区边界流量控制模型,模型优化目标为区域整体因流量调控的收益最大化,模型约束条件包括各交通子区内累计车辆数净增加值约束、子区之间边界控制交通量约束,使用遗传算法或模拟退火算法求解模型,得到最优的子区边界流量控制方案。
进一步的,本发明的路网子区划分及子区边界流量控制方法,步骤1中交通子区划分方法包含两个阶段,第一阶段基于ACO蚁群算法,确定初始聚类个数和初始聚类中心;第二阶段以ACO蚁群算法输出的初始聚类个数和聚类中心为基础,利用FCM模糊C均值聚类算法对路网中的路段进行二次聚类,最终得到路网子区划分结果。各阶段的主要内容说明如下:
第一阶段为利用蚁群算法ACO确定初始聚类中心和聚类个数,具体包括以下步骤:
(1)获得路网数据集合:将路段中心横坐标、路段中心纵坐标、路段平均车流密度、路段平均车流量作为样本数据,获取路网数据集合X={x1,x2,…,xi,…,xn},n表示路网中路段数量,xi为路网中第i条路段的属性值集合,其中,xi={路段中心横坐标xi1,路段中心纵坐标 xi2,路段平均车流密度xi3,路段平均车流量xi4},设置收敛精度εA、信息素的蒸发因素ρ和最大迭代次数;
(2)随机选择c个路段作为初始聚类中心,计算路段xi到聚类中心cj的加权欧式距离:
计算路段xi到聚类中心cj路径上的信息素πij:
其中,r为聚类半径;
计算路段xi选择聚类中心cj的概率pij:
S∈{xs|d(s,j)≤r,s=1,2,…,n}
其中,S为已经在聚类中心cj内的路段;α为路段在聚类过程中的信息素;β为引导函数对路径选择的影响因子;ηij为引导函数,其大小反映了路段xi与聚类中心cj的相似度,其计算公式如下:
(3)将路段xi并入到聚类中心cj中,并更新信息素和聚类中心在路段xi搜寻路网子区聚类中心的过程中,计算路段xi的转移概率pij,选取其中最大的转移概率pmax,将路段xi并入到聚类中心cj中,则更新信息素πij如下:
πij(t+1)=(1-ρ)πij(t)+ρΔπij(t)
其中,t表示迭代次数,πij(t)表示t次迭代的信息素,ρ为信息素的蒸发因素,其数值为预先设置的0-1之间的数,Δπij(t)为本次迭代路径上信息素的增量;
(4)输出聚类个数c和聚类中心cj:计算第j个聚类的总体偏离误差D:
当总体偏离误差D小于预设参数εA或者算法达到最大迭代次数,终止算法并输出聚类个数c和每类聚类中心cj,其中j∈[1,c],否则返回步骤(2),直至满足条件。
第二阶段为以ACO蚁群算法输出的初始聚类个数和聚类中心为基础,使用模糊C均值算法FCM对路网进行二次聚类,最终得到路网子区划分结果,具体包括以下步骤:
(1)以第一阶段蚁群算法输出的聚类中心cj和聚类个数c作为初始聚类中心和聚类个数,以路网数据集合X={x1,x2,…,xi,…,xn}为输入,预设隶属度指数m和收敛精度εF,并初始化隶属度矩阵U0,U0的维度为c×n,其中c为聚类个数,n为路网中的路段数量,隶属度矩阵 U0的初始化采用范围为[0,1]的均匀分布,其中每一个元素uji表示路段i隶属于第j个交通子区的程度大小;
(2)根据当前聚类中心,更新隶属度矩阵U0,对其中任意隶属度值uji的更新公式为:
计算并更新每类的聚类中心cj,更新公式如下:
(3)根据更新的聚类中心cj、聚类个数c及隶属度矩阵U0,进行路网子区划分,若存在一个交通子区内路段不连通,则调整不连通路段所属子区,进行二次分类,使之隶属于其连通的交通子区,至此完成一次迭代;
(4)设当前迭代次数为第t次,计算第t次迭代的隶属度矩阵U(t)与第t-1次迭代的隶属度矩阵U(t-1)之间的距离||U(t)-U(t-1)||,若其小于预设精度参数εF,即||U(t)-U(t-1)||≤εF,则结束迭代,并以当前各类聚类中心cj和隶属度矩阵U0对路段集合X={x1,x2,…,xi,…,xn}进行交通子区的划分,输出交通子区划分结果。
进一步的,本发明的路网子区划分及子区边界流量控制方法,步骤2中子区路网交通状态识别包含三个阶段,具体包括如下:
第一阶段为计算子区路网通畅度和子区路网空间负荷裕度,路网畅通率是指在区域路网内,某一时刻路网内处于畅通状态的路段数与区域内所有路段数的比值,路网畅通率是对区域内路段畅通等级的数理统计结果,反映了该区域内路网的整体畅通程度。路网通畅度的计算公式如下:
其中,Rf(T0)为T0时刻区域路网的路网畅通率;si为路网中第i条路段的交通通畅度类别,1表示畅通,0表示不畅通;LOS为路段交通状态等级,使用路段车辆的平均行程速度确定,其划分标准如表1所示,其中A表示畅通,B表示基本畅通,C表示轻度拥堵,D表示中度拥堵,E表示严重拥堵;n为路网内路段的总数;
表1路段交通状态等级划分标准
单位:km/h
路网空间负荷裕度是指在区域路网内,某一时刻区域路网剩余的交通容量与路网极限容量的比值,路网空间负荷裕度表明了区域路网道路资源在空间上的剩余承载力,反映了某一时刻路网内剩余空间资源情况。路网空间负荷裕度的计算公式如下:
其中,Sm(T0)为T0时刻区域路网空间负荷裕度;Vi(T0)为T0时刻路网中第i条路段的实际交通量;Ci为路网中第i条路段的实际交通容量。
第二阶段为利用NJW谱聚类算法,基于子区路网通畅度和子区路网空间负荷裕度数据,划分不同子区交通状态类别,各类子区交通状态在子区路网通畅度和子区路网空间负荷裕度上具有不同的特征,本阶段没有对NJW谱聚类算法的步骤进行更改,不再进行说明。
第三阶段为利用SVM支持向量机数据学习聚类获得的各类子区交通状态的子区路网通畅度和子区路网空间负荷裕度上特征,获得子区路网交通状态识别分类器,具体分类包含:畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵。本阶段没有对SVM谱聚类算法的步骤进行更改,不再进行说明。
进一步的,本发明的路网子区划分及子区边界流量控制方法,步骤4中构建子区内部车流平衡模型具体包括:
步骤(1)、建立子区内部车流平衡方程,分解子区内累计车辆数的构成;
步骤(2)、根据累计车辆数的构成状况,计算多子区博弈情况下的子区内车辆的延误时间 TD、路段i上车辆平均延误时间TiD、子区j的车均延误时间并使用流量调控前后各子区内车均延误的差值表征博弈下各子区的调控收益。
进一步的,本发明的路网子区划分及子区边界流量控制方法,步骤4具体包括以下步骤:
对于任意子区j,子区内部车流平衡方程如下:
Nj(t+Δt)=Nj(t)+qj(Δt)+Ij(Δt)-Oj(Δt)
其中,Nj(t+Δt)为子区j在(t+Δt)时刻的累计车辆数,t为某一时刻,Δt为时间步长, qj(Δt)为子区j在Δt时段内内部车流转移量,Ij(Δt)为其他子区在Δt时段内流入子区j的车辆数,Oj(Δt)为子区j在Δt时段内流入其他子区的车辆数;
根据平衡方程,子区j内的累计车辆数由如下构成:
①子区j在上一时刻内部累计车辆数Nj(t);
②子区j在Δt时段内内部车流转移量qj(Δt),子区j内部车流定义为:车辆的起点和终点均在子区j内部的车辆,在Δt时段内,子区j内既会生成新的车辆行驶在子区内,也会有部分车辆完成自己的行程,而在实际边界控制时,该部分车辆的行程均在子区内部完成;
③子区j在Δt时段内流入子区j的车辆数与流出子区j的车辆数的差值(Ij(Δt)-Oj(Δt)),称为Δt时段子区j净增车辆数。
进一步的,本发明的路网子区划分及子区边界流量控制方法,对于任意子区j,平均延误的计算方法为:
其中,TiD为路段i上车辆的平均延误,为路段i上车辆的平均行程速度,vifree为路段i上车辆的自由流速度,在实际应用中,可以用道路的设计速度来代替,关于各种等级道路的设计车速可以依据《城市道路设计规范》来确定;li为路段i的路段长度;
式中:a,b,c为待标定的参数,具体参数可以利用二次多项式拟合进行标定。N为路网子区内的累计车辆数;
子区j在博弈过程中的延误收益函数为:
进一步的,本发明的路网子区划分及子区边界流量控制方法,步骤5中包含两个阶段,第一阶段为判断受控路网子区实际最佳累计车辆数,第二阶段为构建并求解子区流量控制模型。具体如下:
第一阶段判断受控路网子区实际最佳累计车辆数包含3个方面:
(2)根据宏观基本图MFD,当子区路网加权流量达到峰值q* w时,子区内交通达到其最优状态,此时的子区内累计车辆数为临界累计车辆数N*,N*=q* w/v* w·Lk,其中,v* w为此时的子区路网加权空间平均速度,Lk为子区k的道路总长度,对于子区j,其临界累计车辆数表示为Nj *;
(3)经过子区边界流量调控后,若子区j路网累计车辆数在其临界累计车辆数Nj *邻域内,则调控后的实际累计车辆数为实际最佳累计车辆数Njm;设有波动参数ε,则Njm为[(1-ε)·Nj *,(1+ε)·Nj *],即有(1-ε)·Nj *≤Njm≤(1+ε)·Nj *。
第二阶段构建并求解子区流量控制模型,包含两个步骤,一是构建子区流量控制模型,二是对模型进行求解,具体如下:
(1)子区流量控制模型如下:
其中,Ij表示该子区流入的车辆数,Oj表示该子区流出的车辆数,qkj表示两个子区之间的边界流量大小,Ckj表示边界道路通行能力;
约束条件包含子区内部累计车辆数净增加值的约束和子区之间边界控制交通量约束:
子区之间边界控制交通量约束控制子区之间的流量大小,对于子区k和子区j,若其不相邻,则qkj=0,其中,qkj表示两个子区之间的边界流量大小,即不相邻子区之间没有交通流量,若相邻,则0≤qkj≤Ckj,即表示两个相邻子区的边界流量最大不得超过其边界道路通行能力Ckj。
(2)使用模拟退火算法求解上述模型,模型的决策变量为任意两个子区的边界调控流量,根据决策变量可以计算上述子区流量控制模型的各参数,并进而根据模拟退火算法求解得到最优子区流量控制方案。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明的路网子区划分及子区边界流量控制方法综合考虑交通子区划分、交通状态识别、交通子区交通延误和子区交通流量控制,最终能够改善交通路网整体的交通运行状态,减少路网各个子区的交通延误,提高运输效率。
附图说明
附图用来提供对本发明的进一步理解,与说明描述一起用于解释本发明的实施例,并不构成对本发明的限制。在附图中:
图1示出了本发明的路网子区划分及子区边界流量控制方法的流程图。
图2示出了本发明的路网子区划分及子区边界流量控制方法的交通子区划分的流程图。
图3示出了本发明实施例的研究区域范围示意图。
图4示出了本发明实施例的子区1路网通畅度、路网空间负荷裕度计算结果和状态划分示意图。
具体实施方式
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
该部分的描述只针对典型的实施例,本发明并不仅局限于实施例描述的范围。不同实施例的组合、不同实施例中的一些技术特征进行相互替换,相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
一种路网子区划分及子区边界流量控制方法,如图1所示,包含如下步骤:
步骤1、获得路网数据集合X={x1,x2,…,xi,…,xn},n表示路网中路段数量,xi为路网中第i条路段的属性值集合。以路网数据集合为输入,利用ACO蚁群算法确定初始聚类中心和聚类个数,基于该初始聚类中心和聚类个数,使用FCM模糊C均值算法对路网进行聚类,确定交通子区的划分,具体流程如图2所示。
在本例中,使用南京市河西商圈核心地带路网,西起乐山路,东至泰山路,北起怡康街,南至楠溪江东街,如图3所示。基于本路网,使用交通仿真软件Vissim进行交通仿真,仿真初始时刻车流量为每车道每小时50辆车,随后从仿真时刻3600s开始,路网边界车流量输入每小时递增20%,直至仿真结束。路段中间设置数据采集检测器,输出包括路段编号,车道编号,路段各车道起点、终点坐标、路段长度、路段密度、路段速度等数据。基于此仿真数据,建立路网数据集X={x1,x2,…,xi,…,xn},并使用ACO蚁群算法和FCM模糊C均值算法,划分交通子区。根据划分结果,江东中路、梦都大街为4个交通子区的分界线。。
步骤2、根据各个子区路网交通数据,计算子区路网通畅度和子区路网空间负荷裕度。以子区路网通畅度和子区路网空间负荷裕度数据为输入,利用NJW谱聚类算法,将子区路网通畅度和子区路网空间负荷裕度划分为若干组别,表征不同的子区交通状态,并基于此划分子区路网交通状态等级。基于SVM支持向量机算法,基于当前子区路网交通状态等级数据,建构子区路网交通状态识别分类器。利用Vissim仿真得到的结果,计算子区路网通畅度和空间负荷裕度,并利用NJW谱聚类算法和SVM支持向量机算法,得到子区交通状态划分标准,其中,子区1以路网通畅度和空间负荷裕度划分交通状态的结果如图4所示。
步骤3、利用子区路网交通状态识别分类器识别各子区交通状态等级,根据各子区的交通状态等级,确定流量输出型子区和流量输入型子区。其中,流量输入型子区是指:在边界控制时,进入该子区的车辆数大于流出该子区的车辆数;流量输出型子区是指:在边界控制时,进入该子区的车辆数小于流出该子区的车辆数。
步骤4、构建路网子区博弈控制模型,模型主要包含子区路网车流平衡模型,搭建子区平均延误函数。
其中对于任意子区j,其车流平衡方程为:
Nj(t+Δt)=Nj(t)+qj(Δt)+Ij(Δt)-Oj(Δt)
式中:
t为某一时刻;
Δt为时间步长;
Nj(t+Δt)为子区j在(t+Δt)时刻的累计车辆数;
qj(Δt)为子区j在Δt时段内内部车流转移量;
Ij(Δt)为其他子区在Δt时段内流入子区j的车辆数;
Oj(Δt)为子区j在Δt时段内流入其他子区的车辆数;
式中:
TiD为路段i上车辆的平均延误;
vifree为路段i上车辆的自由流速度,在实际应用中,可以用道路的设计速度来代替;关于各种等级道路的设计车速可以依据《城市道路设计规范》来确定;
li为路段i的路段长度;
式中:a,b,c为待标定的参数,具体参数可以利用二次多项式拟合进行标定。
子区j在博弈过程中的延误收益函数为:
式中:
N'j和Nj分别为子区j在边界控制前和控制后子区内部累积车辆数。
步骤5、构建并求解子区流量控制模型,模型的目标为区域整体因流量调控的收益最大化,模型约束包含累计车辆数净增加值约束、子区之间边界控制交通量约束,模型使用遗传算法、模拟退火算法等进化算法进行求解。
该步骤包含两个阶段,第一阶段为判断受控路网子区实际最佳累计车辆数,第二阶段为构建并求解子区流量控制模型。
第一阶段判断受控路网子区实际最佳累计车辆数包含3个方面:
(2)根据宏观基本图MFD,当子区路网加权流量达到峰值q* w时,子区内交通达到其最优状态,此时的子区内累计车辆数为临界累计车辆数N*,N*=q* w/v* w·Lk,其中,v* w为此时的子区路网加权空间平均速度,对于子区j,其临界累计车辆数表示为Nj *。
(3)经过子区边界流量调控后,若子区j路网累计车辆数在其临界累计车辆数Nj *邻域内,则调控后的实际累计车辆数为实际最佳累计车辆数Njm。设有波动参数ε,则Njm为[(1-ε)·Nj *,(1+ε)·Nj *],即有(1-ε)·Nj *≤Njm≤(1+ε)·Nj *。
本例中宏观基本图的拟合结果及Njm计算结果如表3所示。
表3宏观基本图MFD的拟合结果及Njm计算结果
第二阶段构建并求解子区流量控制模型,包含两个步骤,一是构建子区流量控制模型,二是对模型进行求解。
(1)子区流量控制模型如下所示:
其中,优化目标表示各子区累计延误收益最大化,使得流量调控后区域整体的交通延误状况得到优化。约束条件包含子区内部累计车辆数净增加值的约束和子区之间边界控制交通量约束。若子区j为流量输入型子区,则其子区内部累计车辆数净增加值的约束为其中Ij表示该子区流入的车辆数,Oj表示该子区流出的车辆数,即该约束表示子区内部累计车辆净增加值不得超过实际最佳累计车辆数Njm的上界。若子区j为流量输出型子区,子区内部累计车辆净增加值不得超过实际最佳累计车辆数Njm的下界,则其子区内部累计车辆数净增加值的约束为子区之间边界控制交通量约束控制子区之间的流量大小,对于子区k和子区j,若其不相邻,则qkj=0,其中,qkj表示两个子区之间的边界流量大小,即不相邻子区之间没有交通流量,若相邻,则 0≤qkj≤Ckj,即表示两个相邻子区的边界流量最大不得超过其边界道路通行能力Ckj。
(2)使用模拟退火算法求解上述模型,模型的决策变量为任意两个子区的边界调控流量,根据决策变量可以计算上述子区流量控制模型的各参数,并进而根据模拟退火算法求解得到最优子区流量控制方案。
本例中各子区的边界流量控制方案如表4所示。
表4使用模拟退火算法求解子区流量控制模型的结果
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。说明书中所涉及的效果或优点等相关描述可因具体条件参数的不确定或其它因素影响而可能在实际实验例中不能体现,效果或优点等相关描述不用于对发明范围进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (9)
1.一种路网子区划分及子区边界流量控制方法,其特征在于,包括:
步骤1、划分交通子区:获取路网数据集合,以路网数据集合为输入,利用蚁群算法ACO确定初始聚类中心和聚类个数,基于该初始聚类中心和聚类个数,使用模糊C均值算法FCM对路网进行二次聚类,获得若干个交通子区;
步骤2、划分各交通子区的交通状态等级:根据各交通子区的路网交通数据,计算各交通子区的路网通畅度和路网空间负荷裕度,其中,路网畅通度是指在区域路网内某一时刻路网内处于畅通状态的路段数与区域内所有路段数的比值,反映该区域内路网的整体畅通程度,路网空间负荷裕度是指在区域路网内某一时刻区域路网剩余的交通容量与路网极限容量的比值,反映了某一时刻路网内剩余空间资源情况;
以子区路网通畅度和子区路网空间负荷裕度数据为输入,利用谱聚类算法NJW将子区路网通畅度和子区路网空间负荷裕度划分为若干组别,表征不同的子区交通状态,并基于此划分子区路网交通状态等级;
基于支持向量机算法SVM,根据当前子区交通状态等级数据,建构子区路网交通状态识别分类器,并识别各子区交通状态等级;
步骤3、判断各交通子区的流入流出类型:根据各子区交通状态等级确定流量输出型子区和流量输入型子区,其中,流量输入型子区是指在边界控制时进入该子区的车辆数大于流出该子区的车辆数,流量输出型子区是指在边界控制时进入该子区的车辆数小于流出该子区的车辆数;
步骤4、构建路网子区博弈控制模型:路网子区博弈控制模型包括子区内部车流平衡模型,并构建子区平均延误函数;
步骤5、判断受控路网子区实际最佳累计车辆数,构建子区边界流量控制模型,模型优化目标为区域整体因流量调控的收益最大化,模型约束条件包括各交通子区内累计车辆数净增加值约束、子区之间边界控制交通量约束,使用遗传算法或模拟退火算法求解模型,得到最优的子区边界流量控制方案。
2.根据权利要求1所述的路网子区划分及子区边界流量控制方法,其特征在于,步骤1中利用蚁群算法ACO确定初始聚类中心和聚类个数具体包括:
步骤(1)、获得路网数据集合:将路段中心横坐标、路段中心纵坐标、路段平均车流密度、路段平均车流量作为样本数据,获取路网数据集合X={x1,x2,…,xi,…,xn},n表示路网中路段数量,xi为路网中第i条路段的属性值集合,其中,xi={路段中心横坐标xi1,路段中心纵坐标xi2,路段平均车流密度xi3,路段平均车流量xi4},设置收敛精度εA、信息素的蒸发因素ρ和最大迭代次数;
步骤(2)、随机选择c个路段作为初始聚类中心,计算路段xi到聚类中心cj的加权欧式距离:
计算路段xi到聚类中心cj路径上的信息素πij:
其中,r为聚类半径;
计算路段xi选择聚类中心cj的概率pij:
S∈{xs|d(s,j)≤r,s=1,2,…,n}
其中,S为已经在聚类中心cj内的路段;α为路段在聚类过程中的信息素;β为引导函数对路径选择的影响因子;ηij为引导函数,其大小反映了路段xi与聚类中心cj的相似度,其计算公式如下:
步骤(3)、将路段xi并入到聚类中心cj中,并更新信息素和聚类中心在路段xi搜寻路网子区聚类中心的过程中,计算路段xi的转移概率pij,选取其中最大的转移概率pmax,将路段xi并入到聚类中心cj中,则更新信息素πij如下:
πij(t+1)=(1-ρ)πij(t)+ρΔπij(t)
其中,t表示迭代次数,πij(t)表示t次迭代的信息素,ρ为信息素的蒸发因素,其数值为预先设置的0-1之间的数,Δπij(t)为本次迭代路径上信息素的增量;
步骤(4)、输出聚类个数c和聚类中心cj:计算第j个聚类的总体偏离误差D:
当总体偏离误差D小于预设参数εA或者算法达到最大迭代次数,终止算法并输出聚类个数c和每类聚类中心cj,其中j∈[1,c],否则返回步骤(2),直至满足条件。
3.根据权利要求1或2所述的路网子区划分及子区边界流量控制方法,其特征在于,步骤1中使用模糊C均值算法FCM对路网进行二次聚类具体包括:
步骤(1)、以蚁群算法输出的聚类中心cj和聚类个数c作为初始聚类中心和聚类个数,以路网数据集合X={x1,x2,…,xi,…,xn}为输入,预设隶属度指数m和收敛精度εF,并初始化隶属度矩阵U0,U0的维度为c×n,其中c为聚类个数,n为路网中的路段数量,隶属度矩阵U0的初始化采用范围为[0,1]的均匀分布,其中每一个元素uji表示路段i隶属于第j个交通子区的程度大小;
步骤(2)、根据当前聚类中心,更新隶属度矩阵U0,对其中任意隶属度值uji的更新公式为:
计算并更新每类的聚类中心cj,更新公式如下:
步骤(3)、根据更新的聚类中心cj、聚类个数c及隶属度矩阵U0,进行路网子区划分,若存在一个交通子区内路段不连通,则调整不连通路段所属子区,进行二次分类,使之隶属于其连通的交通子区,至此完成一次迭代;
步骤(4)、设当前迭代次数为第t次,计算第t次迭代的隶属度矩阵U(t)与第t-1次迭代的隶属度矩阵U(t-1)之间的距离||U(t)-U(t-1)||,若||U(t)-U(t-1)||≤εF,则结束迭代,并以当前各类聚类中心cj和隶属度矩阵U0对路段集合X={x1,x2,…,xi,…,xn}进行交通子区的划分,输出交通子区划分结果。
4.根据权利要求1所述的路网子区划分及子区边界流量控制方法,其特征在于,步骤2中计算各交通子区的路网通畅度和路网空间负荷裕度具体包括:
(1)路网通畅度的计算公式如下:
其中,Rf(T0)为T0时刻区域路网的路网畅通率;si为路网中第i条路段的交通通畅度类别,1表示畅通,0表示不畅通;LOS为路段交通状态等级,使用路段车辆的平均行程速度确定,其中A表示畅通,B表示基本畅通,C表示轻度拥堵,D表示中度拥堵,E表示严重拥堵;n为路网内路段的总数;
(2)路网空间负荷裕度的计算公式如下:
其中,Sm(T0)为T0时刻区域路网空间负荷裕度;Vi(T0)为T0时刻路网中第i条路段的实际交通量;Ci为路网中第i条路段的实际交通容量。
6.根据权利要求5所述的路网子区划分及子区边界流量控制方法,其特征在于,对于任意子区j,子区内部车流平衡方程如下:
Nj(t+Δt)=Nj(t)+qj(Δt)+Ij(Δt)-Oj(Δt)
其中,Nj(t+Δt)为子区j在(t+Δt)时刻的累计车辆数,t为某一时刻,Δt为时间步长,qj(Δt)为子区j在Δt时段内内部车流转移量,Ij(Δt)为其他子区在Δt时段内流入子区j的车辆数,Oj(Δt)为子区j在Δt时段内流入其他子区的车辆数;
根据平衡方程,子区j内的累计车辆数由如下构成:
①子区j在上一时刻内部累计车辆数Nj(t);
②子区j在Δt时段内内部车流转移量qj(Δt),子区j内部车流定义为:车辆的起点和终点均在子区j内部的车辆,在Δt时段内,子区j内既会生成新的车辆行驶在子区内,也会有部分车辆完成自己的行程,而在实际边界控制时,该部分车辆的行程均在子区内部完成;
③子区j在Δt时段内流入子区j的车辆数与流出子区j的车辆数的差值(Ij(Δt)-Oj(Δt)),称为Δt时段子区j净增车辆数。
7.根据权利要求5所述的路网子区划分及子区边界流量控制方法,其特征在于,对于任意子区j,平均延误的计算方法为:
(1)计算路段i上车辆平均延误时间TiD,计算公式如下:
式中:a,b,c为待标定的参数,N为路网子区内的累计车辆数;
(3)子区j在博弈过程中的延误收益函数为:
8.根据权利要求1所述的路网子区划分及子区边界流量控制方法,其特征在于,步骤5中判断受控路网子区实际最佳累计车辆数具体包括:
步骤(2)、根据宏观基本图MFD,当子区路网加权流量达到峰值q* w时,子区内交通达到其最优状态,此时的子区内累计车辆数为临界累计车辆数N*,N*=q* w/v* w·Lk,其中,v* w为此时的子区路网加权空间平均速度,Lk为子区k的道路总长度,对于子区j,其临界累计车辆数表示为Nj *;
步骤(3)、经过子区边界流量调控后,若子区j路网累计车辆数在其临界累计车辆数Nj *邻域内,则调控后的实际累计车辆数为实际最佳累计车辆数Njm;设有波动参数ε,则Njm为[(1-ε)·Nj *,(1+ε)·Nj *]。
9.根据权利要求1或8所述的路网子区划分及子区边界流量控制方法,其特征在于,步骤5中构建并求解子区流量控制模型具体包括:
步骤(1)、子区流量控制模型如下:
其中,Ij表示该子区流入的车辆数,Oj表示该子区流出的车辆数,qkj表示两个子区之间的边界流量大小,Ckj表示边界道路通行能力;
约束条件包含子区内部累计车辆数净增加值的约束和子区之间边界控制交通量约束:
对于流量输入型子区,在进行边界控制后,子区内部累计车辆数净增加值不超过子区实际最佳累计车辆数的上界;
对于流量输出型子区,在进行边界控制后,子区内部累计车辆数净增加值不超过子区实际最佳累计车辆数的下界;
子区之间的边界控制交通量约束控制子区之间的流量大小,若子区不相邻,则边界流量为0,否则边界流量应在0和道路通行能力之间;
步骤(2)、使用模拟退火算法求解上述模型,模型的决策变量为任意两个子区的边界调控流量,根据决策变量可以计算上述子区流量控制模型的各参数,并进而根据模拟退火算法求解得到最优子区流量控制方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359859.2A CN115691138B (zh) | 2022-11-02 | 2022-11-02 | 一种路网子区划分及子区边界流量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359859.2A CN115691138B (zh) | 2022-11-02 | 2022-11-02 | 一种路网子区划分及子区边界流量控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115691138A true CN115691138A (zh) | 2023-02-03 |
CN115691138B CN115691138B (zh) | 2023-09-26 |
Family
ID=85047311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211359859.2A Active CN115691138B (zh) | 2022-11-02 | 2022-11-02 | 一种路网子区划分及子区边界流量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115691138B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454678A (zh) * | 2023-12-26 | 2024-01-26 | 广东工业大学 | 一种基于行人宏观基本图的枢纽站行人流控制方法 |
CN117542189A (zh) * | 2023-10-10 | 2024-02-09 | 北京市市政工程设计研究总院有限公司 | 区域交通负荷计算方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150188837A1 (en) * | 2013-12-26 | 2015-07-02 | Futurewei Technologies, Inc. | Hierarchical Software-Defined Network Traffic Engineering Controller |
CN109544922A (zh) * | 2018-11-27 | 2019-03-29 | 华南理工大学 | 一种基于区域划分的交通路网分布式预测控制方法 |
CN109816984A (zh) * | 2019-03-19 | 2019-05-28 | 太原理工大学 | 一种交通路网区域划分及动态调整方法 |
CN110415523A (zh) * | 2019-08-13 | 2019-11-05 | 东南大学 | 一种基于车辆出行轨迹数据的信号控制子区划分方法 |
CN110610186A (zh) * | 2019-04-24 | 2019-12-24 | 广东交通职业技术学院 | 一种基于aco-fcm聚类算法的路网分区及其评估方法 |
CN111341110A (zh) * | 2020-05-22 | 2020-06-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 信号协调控制子区划分方法、装置、存储介质及终端设备 |
AU2020101943A4 (en) * | 2020-08-22 | 2020-10-01 | Guizhou Minzu University | A Robust Method for Distributed Traffic Subarea Division |
CN111932914A (zh) * | 2020-06-03 | 2020-11-13 | 东南大学 | 城市拥堵区域路网双层边界控制方法 |
CN113538897A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的城市交通区域迭代学习边界控制方法 |
CN114495529A (zh) * | 2022-02-09 | 2022-05-13 | 北京航空航天大学 | 一种基于分布式模型预测控制的信号配时优化系统 |
-
2022
- 2022-11-02 CN CN202211359859.2A patent/CN115691138B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150188837A1 (en) * | 2013-12-26 | 2015-07-02 | Futurewei Technologies, Inc. | Hierarchical Software-Defined Network Traffic Engineering Controller |
CN109544922A (zh) * | 2018-11-27 | 2019-03-29 | 华南理工大学 | 一种基于区域划分的交通路网分布式预测控制方法 |
CN109816984A (zh) * | 2019-03-19 | 2019-05-28 | 太原理工大学 | 一种交通路网区域划分及动态调整方法 |
CN110610186A (zh) * | 2019-04-24 | 2019-12-24 | 广东交通职业技术学院 | 一种基于aco-fcm聚类算法的路网分区及其评估方法 |
CN110415523A (zh) * | 2019-08-13 | 2019-11-05 | 东南大学 | 一种基于车辆出行轨迹数据的信号控制子区划分方法 |
CN111341110A (zh) * | 2020-05-22 | 2020-06-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 信号协调控制子区划分方法、装置、存储介质及终端设备 |
CN111932914A (zh) * | 2020-06-03 | 2020-11-13 | 东南大学 | 城市拥堵区域路网双层边界控制方法 |
AU2020101943A4 (en) * | 2020-08-22 | 2020-10-01 | Guizhou Minzu University | A Robust Method for Distributed Traffic Subarea Division |
CN113538897A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的城市交通区域迭代学习边界控制方法 |
CN114495529A (zh) * | 2022-02-09 | 2022-05-13 | 北京航空航天大学 | 一种基于分布式模型预测控制的信号配时优化系统 |
Non-Patent Citations (1)
Title |
---|
丁恒;郑小燕;张雨;朱良元;张卫华;: "宏观交通网络拥堵区边界最优控制", 中国公路学报, no. 01 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117542189A (zh) * | 2023-10-10 | 2024-02-09 | 北京市市政工程设计研究总院有限公司 | 区域交通负荷计算方法及系统 |
CN117454678A (zh) * | 2023-12-26 | 2024-01-26 | 广东工业大学 | 一种基于行人宏观基本图的枢纽站行人流控制方法 |
CN117454678B (zh) * | 2023-12-26 | 2024-05-10 | 广东工业大学 | 一种基于行人宏观基本图的枢纽站行人流控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115691138B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115691138A (zh) | 一种路网子区划分及子区边界流量控制方法 | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN108364465B (zh) | 基于宏观基本图的城市路网控制子区的动态划分方法 | |
CN106251625B (zh) | 大数据环境下立体城市交通路网全局状态预测方法 | |
CN112629533B (zh) | 基于路网栅格化道路车流预测的精细化路径规划方法 | |
CN111080018B (zh) | 一种基于道路交通环境的智能网联汽车车速预测方法 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
CN111126687B (zh) | 一种交通信号的单点离线优化系统及方法 | |
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 | |
CN110979342A (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN110610186A (zh) | 一种基于aco-fcm聚类算法的路网分区及其评估方法 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN112381470B (zh) | 基于智能体的交通流量分配方法、设备及存储介质 | |
CN116665444A (zh) | 考虑事故风险的快速路匝道控制及可变限速协同控制方法 | |
Behura et al. | Road accident prediction and feature analysis by using deep learning | |
CN115907238A (zh) | 基于改进猎食者优化算法的多目标应急物资中心选址方法 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN115222233A (zh) | 一种电动汽车充电桩选址定容方法 | |
CN112508225A (zh) | 基于谱聚类算法的多细节交通小区划分方法及系统 | |
CN117854283B (zh) | 一种城市道路碳中和估算分析方法 | |
CN116798223A (zh) | 基于宏观基本图/fcm聚类的子区划分及状态识别方法 | |
CN116153104A (zh) | 一种交通信号配时优化方法 | |
CN115578861B (zh) | 一种基于嵌入式特征选择策略的高速公路交通流预测方法 | |
Li et al. | Rainy-day travel time prediction based on Kalman filter algorithm | |
CN114333307A (zh) | 一种基于pso-elm算法的交叉口交通状态识别方法 |
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 |