CN116052435A - 一种城市道路拥堵影响范围界定与道路影响力计算方法 - Google Patents
一种城市道路拥堵影响范围界定与道路影响力计算方法 Download PDFInfo
- Publication number
- CN116052435A CN116052435A CN202310206091.3A CN202310206091A CN116052435A CN 116052435 A CN116052435 A CN 116052435A CN 202310206091 A CN202310206091 A CN 202310206091A CN 116052435 A CN116052435 A CN 116052435A
- Authority
- CN
- China
- Prior art keywords
- road
- congestion
- road section
- influence
- section
- 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
-
- 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
本发明提供一种城市道路拥堵影响范围界定与道路影响力计算方法,首先对城市道路数据进行预处理,并构建道路拓扑网络数据集。选取任意路段作为拥堵路段,按时段统计流量、车速、密度,并初始化拥堵影响参数,通过计算不同时段拥堵路段相邻路段的平均通畅度,计算拥堵路段的交通流集结波波速,利用高斯扩散模型计算出道路拥堵影响辐射范围。使用服务区分析算法,输入拥堵影响辐射范围,得出不同时段受拥堵影响范围内的路段集合。最后,统计通过行驶通过拥堵路段的轨迹数据,统计轨迹所经过的路段流量,基于流量比值计算出受影响道路的影响力大小;为城市交通规划研究、道路设计和交通管理政策制定提供数据支撑。
Description
技术领域
本发明涉及城市智慧交通领域,该领域是新一代信息技术在城市交通规划、建设和治理中的具体应用,尤其涉及一种城市道路拥堵影响范围界定与道路影响力计算方法。
背景技术
在城市道路交通评估中,道路拥堵影响评价是描述交通运作状况的重要环节之一,其影响规模和变化情况反映了城市交通流的基本特性,能够对城市交通规划研究、道路设计和交通管理政策制定提供数据支撑,在交通运行分析研究中具有重要作用。
城市道路拥堵影响范围界定与拥堵影响力大小的确定是道路拥堵影响评价的基础,现有的划定方法一般是通过开展交通调查或者专家经验进行判定,其中交通调查具有精度高的优点,但由于每一个调查位置均需安排人和设备进行长时间记录,各项成本投入较大,只能调查城市道路的主要干道,无法实现全路网覆盖。专家经验判定法综合了较为丰富的现有研究成果,从整体上能够较好得到道路拥堵影响大致范围,尤其是使用高斯扩散算法进行道路施工、交通拥堵影响辐射范围计算,方法已经较为成熟,结果可信度较高,但是对于影响范围内各条道路的影响力大小的判定却少有基于轨迹流量数据的计算研究。
通过构建城市道路拓扑网络,使用高斯扩散算法,结合路段交通流量、速度、密度各项数据。再利用轨迹数据进行影响力大小的计算,能够较好的反映实际交通运作状况。
发明内容
本发明的目的在于针对现有道路拥堵影响范围界定与影响力计算方法完整性的不足,提供一种城市道路拥堵影响范围界定与影响力计算的方法,通过引入高斯扩散模型算法,以城市道路拓扑网基础,通过对道路行车轨迹、流量、车速进行统计计算,结合路网服务区分析功能,最终在计算出城市道路拥堵影响范围的同时,也计算出受影响路段的影响力大小。为城市交通规划研究、道路设计和交通管理政策制定提供数据支撑。
为实现上述目的,本发明技术方案如下:
一种城市道路拥堵影响范围界定方法,包括以下步骤:
S1、对城市道路数据进行预处理,并构建道路拓扑网络数据集,如下所示:
;
其中,R表示拓扑网格数据集,表示第
i条路段,总共有n条路段;
S2、按时段统计每条路段流量、车速、密度,以及经过的车辆轨迹;
S3、选取任意路段作为拥堵路段,按时段获取流量、车速、密度,并初始化拥堵影响参数,按t个时段分别计算拥堵路段的流量Q、车速V、使用公式K=Q/V计算出密度K,并初始化路段预计施工时长;
;
为路段i的各个时段流量构成的数组,为路段i的各个时段车速构成的数组,为路段i的各个时段密度构成的数组;t为时段;
S4、使用高斯扩散模型,计算道路拥堵影响范围;
S4.1计算拥堵路段相邻路段的平均通畅度;
S4.2计算拥堵路段的交通流集结波波速;
S4.3基于高斯扩散模型计算道路拥堵影响范围;
S5、使用服务区分析算法,获取拥堵影响范围内的路段集合。
优选地,在所述步骤S1中:所述的城市道路数据为矢量图形数据,数据格式为Shapefile文件,所述预处理包括去除重复要素,补充缺失要素,检查要素属性信息,再进行拓扑检查,使用超图idesktopX进行二维拓扑网络构建;二维拓扑网络中每一条路段有唯一的标识序号。
优选地,在所述步骤S2中:所述流量是指一定时段内行驶通过该路段的车辆数,单位为辆/小时;车速是指一定时段内行驶通过该路段所有车辆的平均速度,单位为千米/小时;密度是指一定时段内行驶通过该路段的车辆数与平均速度的比值,单位为辆/千米;经过的车辆轨迹是由路网中的多条路段构成的集合,表示为:
;
表示经过第i条路段的轨迹集合,每条轨迹由j条路段组成。
优选地,S4.1 计算拥堵路段相邻路段的平均通畅度具体如下:
;
为拥堵路段在时段的相邻路段的平均通畅度,
T b 指一个时段,代表b点至b+1点,b代表时刻,x表示与拥堵路段相邻的路段,总共m条,表示与拥堵路段相邻的第x条路段的所有时段流量中的最大流量值,表示与拥堵路段相邻的第x条路段在时段的流量值。
优选地,S4.2、计算拥堵路段的交通流集结波波速具体如下:
其中,S4.2中所述的交通流集结波是指:列队行驶的车辆在瓶颈路段入口处减缓车速陆续排队而集结成密度高的队列,它所体现的车流波称为集结波,集结波波速计算公式为:
;
表示拥堵路段在时段的集结波波速;表示拥堵路段在时段的流量值,表示拥堵路段在时段的密度值;表示第n条路段所有时段的流量平均值,表示第n条路段所有时段的密度平均值,表示时段。
优选地,S4.3基于高斯扩散模型计算道路拥堵影响范围;计算公式为:
;
为拥堵路段在时段的影响辐射范围,单位为千米;
为拥堵路段在时段的相邻路段的平均通畅度;
为拥堵路段的相邻路段影响系数;
为拥堵路段持续施工时间的修正函数,表达式为:
;
为高斯模型修正系数;
为路段的等级系数,根据路段的道路等级进行赋值,具体如下:
。
优选地,S5、使用服务区分析算法,获取拥堵影响范围内的路段集合具体为:
使用超图idesktopX路网数据集服务区分析功能,输入S4中计算出的拥堵影响范围,计算得到拥堵影响路段集合,表示为:
;
表示拥堵影响路段集合,即路段在拥堵影响范围为下受到影响的路段集合。
优选地,所述步骤S5中,使用服务区分析算法,获取拥堵影响范围内的路段集合时,服务区分析的输入参数包括步骤S1中构建的道路拓扑网络数据集、步骤S4中计算出的道路拥堵影响范围,单位为千米;服务区分析的结果为拥堵影响路段集合。
一种城市道路影响力的计算方法,使用所述一种城市道路拥堵影响范围界定方法计算出道路拥堵影响范围后,还进行如下步骤:
S6、统计通过拥堵路段的轨迹,统计轨迹所经过的路段流量,通过流量比值计算道路影响力;
S6.1统计时段经过的轨迹集合;
S6.2基于S6.1中的轨迹集合,统计时段经过的路段流量,构建出一个的矩阵,a表示经过的所有轨迹所通过的所有路段,b代表时刻;
S6.3将S5的拥堵影响路段集合结果与S6.2的结果合并,统计时段经过的路段流量,通过流量比值计算道路影响力大小,计算公式为:
;
代表拥堵路段,代表路段在时段拥堵影响到的其余路段,为S6.2中矩阵中受拥堵影响的路段在时段的流量值,代表所有受拥堵影响路段在时段的流量最大值。
本发明一种城市道路拥堵影响范围界定与道路影响力计算方法与现有技术相比,具有以下有益效果:
(1)使用高斯扩散模型,交通波集散作为理论支撑,以保证道路拥堵影响范围计算结果的精度。
(2)使用轨迹数据进行影响力计算,数据结构简单,计算流程方法清晰,计算结果更贴近实际道路运作情况。
(3)基于拓扑网络的服务区计算方法,计算效率高,结算结果可直接进行可视化,方法体系成熟,计算流程简单,更易于推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1为本发明实施例的道路网示意图;
图2为本发明技术路线示意图。
具体实施方式
为能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施。因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图2中本发明的技术路线所示,一种城市道路拥堵影响范围界定方法,包括以下步骤:
S1、对城市道路数据进行预处理,并构建道路拓扑网络数据集,如下所示:
;
其中,R表示拓扑网格数据集,表示第
i条路段,总共有n条路段;
S2、按时段统计每条路段流量、车速、密度,以及经过的车辆轨迹;
S3、选取任意路段作为施工路段,按时段获取流量、车速、密度,并初始化拥堵影响参数,按t个时段分别计算施工路段的流量Q、车速V、使用公式K=Q/V计算出密度K,并初始化路段预计施工时长;
;
为路段i的各个时段流量构成的数组,为路段i的各个时段车速构成的数组,为路段i的各个时段密度构成的数组;t为时段;
S4、使用高斯扩散模型,计算道路拥堵影响范围;
S4.1计算施工路段相邻路段的平均通畅度;
S4.2计算施工路段的交通流集结波波速;
S4.3基于高斯扩散模型计算道路拥堵影响范围;
S5、使用服务区分析算法,获取拥堵影响范围内的路段集合。
优选地,在所述步骤S1中:所述的城市道路数据为矢量图形数据,数据格式为Shapefile文件,所述预处理包括去除重复要素,补充缺失要素,检查要素属性信息,再进行拓扑检查,使用超图idesktopX进行二维拓扑网络构建;二维拓扑网络中每一条路段有唯一的标识序号。
优选地,在所述步骤S2中:所述流量是指一定时段内行驶通过该路段的车辆数,单位为辆/小时;车速是指一定时段内行驶通过该路段所有车辆的平均速度,单位为千米/小时;密度是指一定时段内行驶通过该路段的车辆数与平均速度的比值,单位为辆/千米;经过的车辆轨迹是由路网中的多条路段构成的集合,表示为:
;
表示经过第i条路段的轨迹集合,每条轨迹由j条路段组成。
优选地,S4.1计算施工路段相邻路段的平均通畅度具体如下:
;
为拥堵路段在时段的相邻路段的平均通畅度,
T b 指一个时段,代表b点至b+1点,b代表时刻,x表示与拥堵路段相邻的路段,总共m条,表示与拥堵路段相邻的第x条路段的所有时段流量中的最大流量值,表示与拥堵路段相邻的第x条路段在时段的流量值。
优选地,S4.2计算施工路段的交通流集结波波速具体如下:
其中,S4.2中所述的交通流集结波是指:列队行驶的车辆在瓶颈路段入口处减缓车速陆续排队而集结成密度高的队列,它所体现的车流波称为集结波,集结波波速计算公式为:
;
表示拥堵路段在时段的集结波波速;表示拥堵点路段在时段的流量值,表示拥堵路段在时段的密度值;表示第n条路段所有时段的流量平均值,表示第n条路段所有时段的密度平均值,表示时段。
优选地,S4.3、基于高斯扩散模型计算道路拥堵影响范围;计算公式为:
;
为拥堵路段在时段的影响辐射范围,单位为千米;
为拥堵路段在时段的相邻路段的平均通畅度;
为拥堵路段的相邻路段影响系数;
为拥堵路段持续施工时间的修正函数,表达式为:
;
为高斯模型修正系数;
为路段的等级系数,根据路段的道路等级进行赋值,具体如下:
。
优选地,S5、使用服务区分析算法,获取拥堵影响范围内的路段集合具体为:
使用超图idesktopX路网数据集服务区分析功能,输入S4中计算出的拥堵影响范围,计算得到拥堵影响路段集合,表示为:
表示拥堵影响路段集合,即路段在拥堵影响范围为下受到影响的路段集合。
优选地,所述步骤S5中,使用服务区分析算法,获取拥堵影响范围内的路段集合时,服务区分析的输入参数包括步骤S1中构建的道路拓扑网络数据集、步骤S4中计算出的道路拥堵影响范围,单位为千米;服务区分析的结果为拥堵影响路段集合。
一种城市道路影响力的计算方法,使用所述一种城市道路拥堵影响范围界定方法计算出道路拥堵影响范围后,还进行如下步骤:
S6、统计通过施工路段的轨迹,统计轨迹所经过的路段流量,通过流量比值计算道路影响力;
S6.1统计时段经过的轨迹集合;
S6.2基于S6.1中的轨迹集合,统计时段经过的路段流量,构建出一个的矩阵,a表示经过的所有轨迹所通过的所有路段,b代表时刻;
S6.3将S5的拥堵影响路段集合结果与S6.2的结果合并,统计时段经过的路段流量,通过流量比值计算道路影响力大小,计算公式为:
;
代表施工路段,代表路段在时段拥堵影响到的其余路段,为S6.2中矩阵中受拥堵影响的路段在时段的流量值,代表所有受拥堵影响路段在时段的流量最大值。
下面通过一个具体实施例阐述本发明的具体过程,本实施示例的道路网示意图如图1所示:
一种城市道路拥堵影响范围界定与影响力计算的方法,包括以下步骤:
S1、对城市道路数据进行预处理,并构建道路拓扑网络数据集,所示路段的道路等级均为主干路。
;
其中,R表示拓扑网格数据集,表示第i条路段,道路编号从0至11,总共有12条路段。
S2、按时段统计每条路段流量、车速、密度,以及经过的车辆轨迹数据
S2中所述的路段流量是指一定时段内行驶通过路段的车辆数,单位为量;车速是指一定时段内行驶通过路段所有车辆的平均速度,单位为千米/小时;密度是指一定时段内行驶通过路段的车辆数与平均速度的比值,单位为辆/千米。路段经过的车辆轨迹是由路网中的多条路段构成的集合,表示为:
;
表示经过第i条路段的轨迹集合,每条轨迹由j条路段组成。S1路网所述路网示例中,经过的轨迹共分为六类,如下:
轨迹①,路段集合为:;
轨迹,路段集合为:
轨迹,路段集合为:
轨迹,路段集合为:
轨迹,路段集合为:
轨迹,路段集合为:
S3、按,b=5共5个时段分别计算施工路段的流量Q、车速V、使用公式K=Q/V计算出密度K,并初始化路段预计施工时长设置为6小时。
S4、使用高斯扩散模型算法,计算道路拥堵影响辐射范围
S4.1、计算施工路段相邻路段的平均通畅度。道路拥堵的影响范围与周边路段的交通状态有着一定的关系,因此需要计算施工路段相邻路段的平均通畅度,计算公式为,分别计算时段的相邻路段平均通畅度:
S4.2、计算拥堵道路的交通流集结波波速
其中,S4.2中所述的交通流集结波是指:列队行驶的车辆在瓶颈路段入口处减缓车速陆续排队而集结成密度高的队列,它所体现的车流波称为集结波,分别计算时段的集结波波速
S4.3基于高斯扩散模型的道路拥堵影响辐射范围。高斯扩散模型在交通领域有着广泛应用,基于高斯扩散模型计拓算道路拥堵影响范围具有准确度高的优点。
S4.3.1计算路段施工时间修正值
S4.3.2、计算路段等级系数,此处施工路段为主干道,取U=1
S4.3.3、设置高斯模型修正系数
S4.3.3、计算相邻路段影响系数k=1/m=0.5
S4.3.5、分别计算时段的拥堵影响辐射范围
S5、使用服务区分析算法,获取拥堵影响范围内的路段集合
使用超图idesktopX路网数据集服务区分析功能,输入S4中计算出的影响范围,计算得到影响路段集合,表示为:
S5.1、计算每条路段至施工路段的距离,结果如下:
S5.2、循环遍历S5.1的结果并与时段计算的影响辐射范围作比较,当S5.1的结果小于时段计算的影响辐射范围时,保存S5.1中相对应的路段,该结果就为时段对应的影响路段集合,具体如下:
T 1 时段拥堵影响辐射范围,在S5.1结果中,未有小于0.52的路段,则
T 1 时段拥堵影响辐射路段集合为
;
T 2 时段拥堵影响辐射范围,在S5.1结果中,均小于2.95,
则
T 2 时段拥堵影响辐射路段集合为
T 3 时段拥堵影响辐射范围,在S5.1结果中,小于1.62的路段有
,
则
T 3 时段拥堵影响辐射路段集合为
T 4 时段拥堵影响辐射范围,在S5.1结果中,均小于2.73,
则
T 4 时段拥堵影响辐射路段集合为
T 5 时段拥堵影响辐射范围,在S5.1结果中,小于1.84的路段有
,
则
T 5 时段拥堵影响辐射路段集合为
S6、统计通过施工路段的轨迹,统计轨迹所经过的路段流量,通过流量比值计算道路影响力
S6.1、统计时段经过的轨迹集合,如下:
T 1 时段经过的轨迹集合:
轨迹①80条,路段集合为:
轨迹50条,路段集合为:
轨迹20条,路段集合为:
轨迹20条,路段集合为:
轨迹15条,路段集合为:
轨迹15条,路段集合为:
T 2 时段经过的轨迹集合:
轨迹①70条,路段集合为:
轨迹50条,路段集合为:
轨迹35条,路段集合为:
轨迹25条,路段集合为:
轨迹15条,路段集合为:
轨迹15条,路段集合为:
T 3 时段经过的轨迹集合:
轨迹①60条,路段集合为:
轨迹60条,路段集合为:
轨迹40条,路段集合为:
轨迹35条,路段集合为:
轨迹15条,路段集合为:
轨迹10条,路段集合为:
T 4 时段经过的轨迹集合:
轨迹①60条,路段集合为:
轨迹55条,路段集合为:
轨迹25条,路段集合为:
轨迹30条,路段集合为:
轨迹20条,路段集合为:
轨迹10条,路段集合为:
T 5 时段经过的轨迹集合:
轨迹①70条,路段集合为:
轨迹30条,路段集合为:
轨迹30条,路段集合为:
轨迹25条,路段集合为:
轨迹20条,路段集合为:
轨迹5条,路段集合为:
S6.2、基于S6.1中的路段集合,统计时段经过的路段流量,构建出一个的矩阵,
a表示经过的所有轨迹所通过的所有路段,b代表时刻。结果如下:
S6.3、将S5的拥堵影响路段集合结果与S6.2的结果合并,统计时段经过的路段流量,计算公式为:
计算出最终结果,即路段在时段施工的受影响路段的影响力,如下表:
以上所述仅为本发明的优选实施例而已,如不同构型与特征参数的设置,可以有多种组合,本发明实施例中仅展示示例参数,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种城市道路拥堵影响范围界定方法,其特征在于,包括以下步骤:
S1、对城市道路数据进行预处理,并构建道路拓扑网络数据集,如下所示:
;
其中,R表示拓扑网格数据集,表示第i条路段,总共有n条路段;
S2、按时段统计每条路段流量、车速、密度,以及经过的车辆轨迹;
S3、选取任意路段作为拥堵路段,按时段获取流量、车速、密度,并初始化拥堵影响参数,按t个时段分别计算拥堵路段的流量Q、车速V、使用公式K=Q/V计算出密度K,并初始化路段预计施工时长;
;
为路段i的各个时段流量构成的数组,为路段i的各个时段车速构成的数组,为路段i的各个时段密度构成的数组;t为时段;
S4、使用高斯扩散模型,计算道路拥堵影响范围;
S4.1计算拥堵路段相邻路段的平均通畅度;
S4.2计算拥堵路段的交通流集结波波速;
S4.3基于高斯扩散模型计算道路拥堵影响范围;
S5、使用服务区分析算法,获取拥堵影响范围内的路段集合。
2.根据权利要求1所述一种城市道路拥堵影响范围界定方法,其特征在于,步骤S1中:所述的城市道路数据为矢量图形数据,数据格式为Shapefile文件,所述预处理包括去除重复要素,补充缺失要素,检查要素属性信息,再进行拓扑检查,使用超图idesktopX进行二维拓扑网络构建;二维拓扑网络中每一条路段有唯一的标识序号。
3.根据权利要求2所述一种城市道路拥堵影响范围界定方法,其特征在于,步骤S2中:所述流量是指一定时段内行驶通过该路段的车辆数,单位为辆/小时;车速是指一定时段内行驶通过该路段所有车辆的平均速度,单位为千米/小时;密度是指一定时段内行驶通过该路段的车辆数与平均速度的比值,单位为辆/千米;经过的车辆轨迹是由路网中的多条路段构成的集合,表示为:
;
表示经过第i条路段的轨迹集合,每条轨迹由j条路段组成。
4.根据权利要求1-3任一项所述一种城市道路拥堵影响范围界定方法,其特征在于,S4.1 计算拥堵路段相邻路段的平均通畅度具体如下:
;
为拥堵路段在时段的相邻路段的平均通畅度,T b 指一个时段,代表b点至b+1点,b代表时刻,x表示与拥堵路段相邻的路段,总共m条,表示与拥堵路段相邻的第x条路段的所有时段流量中的最大流量值,表示与拥堵路段相邻的第x条路段在时段的流量值。
5.根据权利要求4所述一种城市道路拥堵影响范围界定方法,其特征在于,S4.2 计算拥堵路段的交通流集结波波速具体如下:
其中,S4.2中所述的交通流集结波是指:列队行驶的车辆在瓶颈路段入口处减缓车速陆续排队而集结成密度高的队列,它所体现的车流波称为集结波,集结波波速计算公式为:
;
表示拥堵路段在时段的集结波波速;表示拥堵点路段在时段的流量值,表示拥堵路段在时段的密度值;表示第n条路段所有时段的流量平均值,表示第n条路段所有时段的密度平均值,表示时段。
6.根据权利要求5所述一种城市道路拥堵影响范围界定方法,其特征在于,S4.3基于高斯扩散模型计算道路拥堵影响范围;计算公式为:
;
为拥堵路段在时段的影响辐射范围,单位为千米;
为拥堵路段在时段的相邻路段的平均通畅度;
为拥堵路段的相邻路段影响系数;
为拥堵路段持续施工时间的修正函数,表达式为:
;
为高斯模型修正系数;
为路段的等级系数,根据路段的道路等级进行赋值,具体如下:
。
7.根据权利要求6所述一种城市道路拥堵影响范围界定方法,其特征在于,S5、使用服务区分析算法,获取拥堵影响范围内的路段集合具体为:
使用超图idesktopX路网数据集服务区分析功能,输入S4中计算出的拥堵影响范围,计算得到拥堵影响路段集合,表示为:
;
表示拥堵影响路段集合,即路段在拥堵影响辐射范围为下受到影响的路段集合。
8.根据权利要求7所述一种城市道路拥堵影响范围界定方法,其特征在于,所述步骤S5中,使用服务区分析算法,获取拥堵影响范围内的路段集合时,服务区分析的输入参数包括步骤S1中构建的道路拓扑网络数据集、步骤S4中计算出的道路拥堵影响范围,单位为千米;服务区分析的结果为拥堵影响路段集合。
9.一种城市道路影响力的计算方法,其特征在于,使用权利要求1-8任一项所述一种城市道路拥堵影响范围界定方法计算出道路拥堵影响范围后,还进行如下步骤:
S6、统计通过拥堵路段的轨迹,统计轨迹所经过的路段流量,通过流量比值计算道路影响力;
S6.1统计时段经过的轨迹集合;
S6.2基于S6.1中的轨迹集合,统计时段经过的路段流量,构建出一个的矩阵,a表示经过的所有轨迹所通过的所有路段,b代表时刻;
S6.3将S5的拥堵影响路段集合结果与S6.2的结果合并,统计时段经过的路段流量,通过流量比值计算道路影响力大小,计算公式为:
;
代表拥堵路段,代表路段在时段拥堵影响到的其余路段,为S6.2中矩阵中受拥堵影响的路段在时段的流量值,代表所有受拥堵影响路段在时段的流量最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310206091.3A CN116052435B (zh) | 2023-03-06 | 2023-03-06 | 一种城市道路拥堵影响范围界定与道路影响力计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310206091.3A CN116052435B (zh) | 2023-03-06 | 2023-03-06 | 一种城市道路拥堵影响范围界定与道路影响力计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052435A true CN116052435A (zh) | 2023-05-02 |
CN116052435B CN116052435B (zh) | 2023-07-14 |
Family
ID=86122050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310206091.3A Active CN116052435B (zh) | 2023-03-06 | 2023-03-06 | 一种城市道路拥堵影响范围界定与道路影响力计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052435B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631192A (zh) * | 2023-06-12 | 2023-08-22 | 上海优景智能科技股份有限公司 | 智慧城市的综合管理方法及系统 |
CN116703008A (zh) * | 2023-08-02 | 2023-09-05 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657199A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于微观仿真的高速公路交通事件影响范围的预测方法 |
US20170353777A1 (en) * | 2016-06-03 | 2017-12-07 | Samsung Electronics Co., Ltd. | Apparatus and method for transmitting and receiving environmental information in wireless communication system |
US20200234581A1 (en) * | 2019-01-17 | 2020-07-23 | International Business Machines Corporation | Vehicle traffic information analysis and traffic jam management |
US20230058520A1 (en) * | 2021-07-27 | 2023-02-23 | Huzhou University | Traffic flow forecasting method based on deep graph gaussian processes |
-
2023
- 2023-03-06 CN CN202310206091.3A patent/CN116052435B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657199A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于微观仿真的高速公路交通事件影响范围的预测方法 |
US20170353777A1 (en) * | 2016-06-03 | 2017-12-07 | Samsung Electronics Co., Ltd. | Apparatus and method for transmitting and receiving environmental information in wireless communication system |
US20200234581A1 (en) * | 2019-01-17 | 2020-07-23 | International Business Machines Corporation | Vehicle traffic information analysis and traffic jam management |
US20230058520A1 (en) * | 2021-07-27 | 2023-02-23 | Huzhou University | Traffic flow forecasting method based on deep graph gaussian processes |
Non-Patent Citations (3)
Title |
---|
杨锦青: "城市道路交通拥塞扩散及其对路网服务能力退化影响研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 034 - 316 * |
闫安: "城市交通路网节点关联性研究及应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 034 - 1090 * |
陈思溢: "基于群决策理论的协调控制子区划分方法", 《广西师范大学学报:自然科学版》, vol. 32, no. 4, pages 18 - 25 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631192A (zh) * | 2023-06-12 | 2023-08-22 | 上海优景智能科技股份有限公司 | 智慧城市的综合管理方法及系统 |
CN116631192B (zh) * | 2023-06-12 | 2024-03-29 | 上海优景智能科技股份有限公司 | 智慧城市的综合管理方法及系统 |
CN116703008A (zh) * | 2023-08-02 | 2023-09-05 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
CN116703008B (zh) * | 2023-08-02 | 2023-10-31 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116052435B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105913661B (zh) | 一种基于收费数据的高速公路路段交通状态判别方法 | |
CN108447256B (zh) | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN115240431B (zh) | 高速公路收费站交通流量实时在线仿真系统及仿真方法 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
CN111882858B (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 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN114596700B (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN112542049A (zh) | 智慧交通综合管控平台 | |
CN111581538A (zh) | 一种基于高速公路收费数据的高速交通流状态推断方法 | |
CN105185106A (zh) | 一种基于粒计算的道路交通流参数预测方法 | |
Oh et al. | Real-time inductive-signature-based level of service for signalized intersections | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
Hellinga et al. | Automatic vehicle identification technology-based freeway incident detection | |
CN116186994A (zh) | 基于微观交通仿真的高速公路拥堵溯源分析及管控方法 | |
CN117236078A (zh) | 一种基于双层约束的高速公路交通检测器布设方法 | |
CN107730882A (zh) | 基于人工智能的道路拥堵预测系统及方法 |
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 |