CN116229727A - 一种基于在线仿真的道路拥堵诱导方法及管控系统 - Google Patents
一种基于在线仿真的道路拥堵诱导方法及管控系统 Download PDFInfo
- Publication number
- CN116229727A CN116229727A CN202310519105.7A CN202310519105A CN116229727A CN 116229727 A CN116229727 A CN 116229727A CN 202310519105 A CN202310519105 A CN 202310519105A CN 116229727 A CN116229727 A CN 116229727A
- Authority
- CN
- China
- Prior art keywords
- traffic
- simulation
- congestion
- engine
- road 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000006698 induction Effects 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 230000001939 inductive effect Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G08G1/065—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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- 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
本发明提供一种基于在线仿真的道路拥堵诱导方法及管控系统，涉及交通运维技术领域，本发明方法包括如下步骤：S1、构建算法引擎；所述算法引擎包括预测引擎、仿真引擎与拥堵诱导引擎；S2、根据所述算法引擎预测交通出行量并仿真还原拥堵路段；S3、对所述拥堵路段诱导并仿真还原诱导；本发明方法提前预测全网高速公路交通出行量，尤其针对节假日拥堵状况，实现对于拥堵路段的“产生‑蔓延‑持续‑消散‑结束”全过程进行深度分析并还原，为高速公路的节假日交通管控提供科学决策支撑，使得高速公路运营单位可提前发布节假日的出行指南，提升高速公路的通行效率。
Description
技术领域
本发明涉及交通运维技术领域，具体涉及一种基于在线仿真的道路拥堵诱导方法及管控系统。
背景技术
随着高速公路基础设施建设行业的发展和进步，高速公路逐渐成为出行者的重要出行途径，但是随着机动车保有量的快速增长，交通出行需求日益增加。加上高速公路旅途较长，不同于城市道路行程时间相对短的情况，在高速公路上极易出现交通事故，在节假日场景下，高速公路的不收费政策、大客流以及交通事故等情况极易导致高速公路的拥堵情况频发。因此，基于交通流量预测结合仿真针对节假日大客流场景下，进行预测节假日场景下的拥堵情况。在节假日前进行预测拥堵情况，便可以提前针对易拥堵路段进行提前发布情报板诱导信息结合发布节假日出行指南，以提升节假日场景下高速的通行效率。
由于传统拥堵预测是基于深度学习或机器学习，对于拥堵数据进行规律性的特征提取操作来训练模型，预测得出拥堵路段信息；因此传统拥堵预测常态的情况下，即无临时的突发管控事件发生，对于拥堵的预测效果较佳；但对于非常态情况下，如节假日的路段管控，路段施工，传统拥堵预测效果就会相对较差。
当前对于节假日的数据获取主要还是依赖于交通预测方法，交通预测方法则多数是由采集的数据完成数据预处理，之后基于深度学习或其他模型进行训练得出最优模型，进而得到预测模型，最后加上相关数据进行训练得出所要预测的数据。例如，申请号为CN202211637628.3的一种城市交通流量预测方法，通过采集实时数据并进行预处理，通过输入预处理后的数据构建预测模型并进行反复训练，再通过误差函数计算预测误差将预测模型更新至最佳，能有效提高交通流量预测的准确性。该方法在内的这类方法对于前置数据依赖性较高，对于使用交通预测方法进行获取拥堵情况，需要基于交通事件、拥堵和站点流量等数据进行训练模型，再根据模型获取出预测交通拥堵数据。
申请号为CN202211612325.6的一种交通拥堵预测方法、系统、设备及存储介质，通过获取多源异构数据集，获取交通事件数据、拥堵数据和站点流量数据，并通过这些数据获取空间相关性特征、时间依赖关系特征和多种因素特征等特征，之后将诸多特征进行拼接，获得时空联合特征，并时空联合特征输入至多层感知模型，获取待预测的交通拥堵的预测结果。该方法能够在通过交通事件数据、拥堵数据和站点流量数据进行构建多层感知模型，进而预测出拥堵路段的位置、开始时间以及结束时间。该方法在内的这类方法，无法对于车辆的具体行为预测，即在拥堵路段车辆的来源，去向，进而无法对拥堵路段的“产生-蔓延-持续-消散-结束”全过程进行还原。该方法因为是采用对于规律性较强的特征数据进行训练模型的，因此能够对于常态情况下的拥堵预测结果准确率较高；但是对于非常态情况下，如对于路段的临时管控、施工等，拥堵预测结果准确率会大大下降。
申请号为CN202211144311.6的高速公路收费站交通流量实时在线仿真系统及仿真方法，有效利用高速收费运营数据进行收费站分车道流量预测评估和实时分析的问题。主要方法是选择了机器学习算法中的集成学习方法对高速路段流量预测；基于编码器-解码器框架的LSTM长短记忆网络方法对收费站客流的时间序列特征进行挖掘，预测出收费站上上游主线路段ETC门架到匝道收费站的分车型分收费车道类别的流量流转系统及时间分布系数，得到收费站分车型分收费车道分时间片的交通流量预测；再将上述预测的收费站分车型分收费车道分时间片交通流量作为输入参数，通过交通仿真对当前时段收费站交通运行状况进行仿真还原和对未来时段收费站所预测的交通需求进行仿真推演，实现收费站车辆的实时在线仿真和未来短时的收费站分车道分车型车流量预测，并输出包括流量、平均排队长度、服务水平等交通仿真评估指标，再根据现行收费车道的服务水平指标阈值进行实时监测拥堵预警，为收费站运营管理人员提供收费通道资源合理开闭使用、动态收费诱导和站前广场主动型交通管控的科学决策支撑。该方法在内的这类方法，针对高速公路收费交通流量的实时在线仿真场景，能够通过交通仿真技术对当前时段以及未来短时的收费站进行还原和推演，得出收费站的实时于未来短时的分车道分车型流量预测、平均排队长度、服务水平等指标，便于根据当前收费站的服务水平指标阈值判断拥堵状态以进行交通拥堵管控。但这类技术同样是只适用于收费站实时管控，不适用于高速公路的全网节假日交通预知管控。
发明内容
针对上述背景技术中存在的问题，本发明提供了一种基于在线仿真的道路拥堵诱导方法，包括如下步骤：
S1、构建算法引擎；所述算法引擎包括预测引擎、仿真引擎与拥堵诱导引擎；
S2、根据所述算法引擎预测交通出行量并仿真还原拥堵路段；
S3、对所述拥堵路段诱导并仿真还原诱导。
优选地，步骤S1中所述预测引擎的应用具体包括如下步骤：
S11、结合特征提取对数据进行特征拆分以及提取，设定基本特征；
S12、对所述基本特征进行交叉相乘生成比例特征；
S13、所述基本特征与比例特征交叉相乘生成一次交叉特征；
S14、所述一次交叉特征与比例特征交叉相乘生成二次交叉特征，得到特征集合；
S15、筛选重要特征，得到重要特征集合，建立多元线性回归方程以及设置预测精度参数，得出待定系数矩阵，对交通出行量进行预测。
优选地，所述基本特征个数为4个，包括历史相同节日的交通量
、历史相同节日的节前一周平均交通量/>
、预测年的节日前一周平均交通量/>
、预测年的常态一周平均交通量/>
，其中，i为交通小区，t为时间片；
步骤S12中，对于这4个基本特征交叉相乘生成12个比例特征，计算公式为：
；
步骤S13中，4个基本特征和12个比例特征之间交叉相乘生成48个一次交叉特征，计算公式为：
；
步骤S14中，48个一次交叉特征和12个比例特征之间交叉相乘生成528个二次交叉特征，计算公式为：
；因此可以得到特征集合
，其中，V为特征集合，/>
为第j个构造的特征项，j为特征项的索引，Z为交通小区的个数，T为时间集合。
优选地，所述步骤S2具体包括如下步骤：
S21、动态交通出行量流量和动态交通出行量路径计算；
所述仿真引擎在得到所述预测引擎预测得出的交通出行量之后，结合路网进行计算动态路径结果，确定动态交通出行量流量和动态交通出行量路径，并将动态交通出行量流量不断地加载到路网中；
S22、生成仿真车辆；
所述仿真引擎在仿真路网中，根据所述动态交通出行量流量持续生成仿真车辆，按照预设交通出行量路径行驶，到达终点则从仿真网络中移除；
S23、空间排队模型还原仿真；
使用空间排队模型，以时间为自变量、以路段交通状态为因变量判断出排队情况，采用基于空间排队的中观交通流仿真模型刻画车辆在路网中的交通运动状态，所述中观交通流仿真模型采用并行计算；所述仿真引擎还使用了微观仿真模块，将中观交通流仿真和局部微观仿真融合，还原出在车辆移动过程中路段的拥堵情况；
S24、得出拥堵路段信息，还原出拥堵路段。
优选地，所述步骤S3具体包括如下步骤：
S31、获取拥堵路段信息；
S32、查找拥堵路段上游交通诱导屏；
S33、获取高速公路全网在拥堵路段的车辆状态信息；
S34、执行交通诱导；
S35、再次仿真还原进行对比。
优选地，所述步骤S34具体包括如下步骤：
S341、通过全网高速经过拥堵路段的车辆状态信息，记录在拥堵路段的所有车辆信息，包含在所述仿真引擎中对于车辆的唯一表示；
S342、获取经过拥堵路段所有车辆的通行路径以及获取经过拥堵路段上游的所有交通诱导屏的通行路径；
S343、将原出行路径替换得到诱导后的出行路径。
本发明还提供一种基于在线仿真的道路拥堵诱导管控系统，使用上述的一种基于在线仿真的道路拥堵诱导方法，所述道路拥堵诱导管控系统包括由动态数据与静态数据组成的数据层、数据融合层、算法引擎、算法服务与算法应用，所述数据融合层对所述数据层的要素进行标准化处理及融合处理，为算法引擎提供数据支撑，所述算法引擎形成算法服务，所述算法服务进一步构成算法应用
本发明的有益效果是：
本发明的基于在线仿真的道路拥堵诱导方法，通过在节假日前夕事先进行预测当前节假日全网高速公路交通出行量，再将其作为仿真引擎的输入数据结合全网高速路网、全网高速交通出行量路径等基础数据进行节假日的仿真推演，得出节假日期间的全网高速的拥堵路段信息，包含拥堵路段的排队长度、拥堵时长等，达到提前预测节假日期间的拥堵信息。本发明方法通过中微观仿真融合，实现对于拥堵路段的“产生-蔓延-持续-消散-结束”全过程进行深度分析并还原。
本发明的基于在线仿真的道路拥堵诱导方法，根据预测加仿真得出的节假日期间的全网高速的拥堵路段，使用交通诱导的技术针对拥堵路段进行交通诱导，得到可靠的全网高速的拥堵疏散方案；再结合仿真推演技术，将交通诱导方案以交通评估指标的形式进行对比，以便完成精准管控，缓解、解决交通拥堵问题。实现拥堵路段的交通诱导以及给出诱导方案。针对拥堵路段进行交通诱导，得出拥堵路段的诱导方案对比信息，便于得出针对拥堵路段的最佳诱导，为高速公路的节假日交通管控提供科学决策支撑，使得高速公路运营单位可提前发布节假日的出行指南，提升高速公路的通行效率。
附图说明
图1为本发明方法的流程图；
图2为本发明拥堵路段适合诱导管控的一种实施示意图；
图中：1、道路一；2、拥堵路段；3、道路三；4、第一交通诱导屏；5、第二交通诱导屏。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一种实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合参阅附图1，为本发明方法的流程图，本发明提供了一种基于在线仿真的道路拥堵诱导方法，包括如下步骤：
S1、构建算法引擎；所述算法引擎包括预测引擎、仿真引擎与拥堵诱导引擎；
S2、根据所述算法引擎预测交通出行量并仿真还原拥堵路段2；
S3、对所述拥堵路段2诱导并仿真还原诱导。
本发明方法依托于算法（引擎）及应用，使用到算法引擎和数据融合层中的数据，算法引擎提供核心算法，本实施例中提供拥堵预测、拥堵诱导方法及对应功能；数据融合层对数据层的交通要素进行标准化处理以及融合处理，如对空间匹配映射与融合、提供车道级可计算路网模型、交通设施与交通设备的数字化等，而数据层由动态数据与静态数据组成，向上支撑相应的其他功能，在本实施例中，动态数据：提供天气、门架流量、收费站流量、信息情报板、交通事故、养护施工、视频等数据；静态数据：提供车道级路网、桥梁、隧道、枢纽、收费站、服务区、门架等2D模型；提供道路、服务区、收费站、隧道、标志标牌等3D模型。
步骤S1中所述预测引擎的应用具体包括如下步骤：
S11、结合特征提取对数据进行特征拆分以及提取，设定基本特征；所述基本特征个数为4个，包括历史相同节日的交通量
、历史相同节日的节前一周平均交通量
、预测年的节日前一周平均交通量/>
、预测年的常态一周平均交通量/>
，其中，i为交通小区，t为时间片。
S12、对所述基本特征进行交叉相乘生成比例特征；对于这4个基本特征交叉相乘生成12个比例特征，计算公式为：
；
S13、所述基本特征与比例特征交叉相乘生成一次交叉特征；4个基本特征和12个比例特征之间交叉相乘生成48个一次交叉特征，计算公式为：
；
S14、所述一次交叉特征与比例特征交叉相乘生成二次交叉特征，得到特征集合；48个一次交叉特征和12个比例特征之间交叉相乘生成528个二次交叉特征，计算公式为：
；因此可以得到特征集合
，其中，V为特征集合，/>
为第j个构造的特征项，j为特征项的索引，Z为交通小区的个数，T为时间集合。
S15、筛选重要特征，得到重要特征集合，建立多元线性回归方程以及设置预测精度参数，得出待定系数矩阵，对交通出行量进行预测。更为具体的，本实施例中筛选重要特征可以采用Pearson相关系统对于特征集合中的特征及预测标签进行相关性分析后筛选，得到重要特征集合。再建立多元线性回归方程以及设置预测精度指标，对于采集的历史节假日高速公路交通量通过特征提取以及多元线性回归方法进行训练得出待定系数矩阵，对节假日分时分小区交通出行量进行预测。
在预测引擎通过历史节假日数据预测得出交通出行量信息之后，结合高速路网的路网信息，可解决车辆在路网中是如何行驶的，即如何在仿真中刻画出车辆的交通状态，需要使用仿真引擎，进行步骤S2根据所述算法引擎预测交通出行量并仿真还原拥堵路段2。
步骤S2具体包括如下步骤：
S21、动态交通出行量流量和动态交通出行量路径计算；
所述仿真引擎在得到所述预测引擎预测得出的交通出行量之后，结合路网进行计算动态路径结果，确定动态交通出行量流量和动态交通出行量路径，并将动态交通出行量流量不断地加载到路网中；
S22、生成仿真车辆；
所述仿真引擎在仿真路网中，根据所述动态交通出行量流量持续生成仿真车辆，按照预设交通出行量路径行驶，到达终点则从仿真网络中移除；
S23、空间排队模型还原仿真；
使用空间排队模型，以时间为自变量、以路段交通状态为因变量判断出排队情况，采用基于空间排队的中观交通流仿真模型刻画车辆在路网中的交通运动状态，所述中观交通流仿真模型采用并行计算；所述仿真引擎还使用了微观仿真模块，将中观交通流仿真和局部微观仿真融合，还原出在车辆移动过程中路段的拥堵情况；
S24、得出拥堵路段2信息，还原出拥堵路段2。
在仿真还原拥堵路段2后，需要对所述拥堵路段2诱导并仿真还原诱导，即步骤S3，步骤S3具体包括如下步骤：
S31、获取拥堵路段2信息；通过仿真引擎对于当前节假日的仿真还原，能够得到在节假日的某个时间段拥堵路段2的详细信息，包括拥堵开始时间、拥堵结束时间、拥堵的路段唯一标识（link_id）、排队时长、排队长度等。得到某个时段中的拥堵路段2信息。
S32、查找拥堵路段2上游交通诱导屏；对步骤S31中发现的拥堵路段2，对于该路段以某种规则去查找其附近的交通诱导屏，如以拥堵路段2起点作为圆心，半径为15KM，以这个圆为搜寻范围向其周围进行查找交通诱导屏；查找得到交通诱导屏后，记录其所在的路段唯一表示（link_id）。
S33、获取高速公路全网在拥堵路段的车辆状态信息；
S34、执行交通诱导；在获取得知拥堵路段2的详细信息、交通诱导屏信息、当前拥堵路段的高速公路全网的车辆状态信息之后，使用交通诱导算法进行交通诱导。结合参阅附图2，本实施例提供了一种拥堵路段2适合诱导管控的实施示意，步骤S34具体包括如下步骤：
S341、通过全网高速在拥堵路段的车辆状态信息，记录在拥堵路段经过路段2的所有车辆信息，包含在所述仿真引擎中对于车辆的唯一表示（agent_id）；
S342、获取拥堵路段2所有车辆的通行路径以及获取经过拥堵路段2上游的所有交通诱导屏的通行路径，如图2中的第一交通诱导屏4所在路段的通行路径。
S343、将原出行路径替换得到诱导后的出行路径。因交通诱导屏具有指路牌的作用，则交通诱导算法核心是通过交通诱导屏发布绕行方案使得车辆上的司机在经过拥堵路段2上游的交通诱导屏时，发现前方路段拥堵以及得知绕行方案后，采取绕行方案来规避拥堵的持续发生；即对于诱导算法，是将车辆的原有的最佳出行路径在诱导屏所在路段位置往后的路径，进行替换得到诱导后的出行路径。如图2所示的经过第一交通诱导屏4、第二交通诱导屏5的原有的最佳出行路径包括拥堵路段2，现在由于拥堵路段2发生了拥堵无法继续正常通行，通过对于第一交通诱导屏4与第二交通诱导屏5发布绕行方案后，替换路径后经过第一交通诱导屏4、第二交通诱导屏5的现有出行路径分别变为道路一1、道路三3，得出现有的车辆的新的出行路径。
S35、再次仿真还原进行对比。通过使用交通诱导算法之后，车辆的出行路径得到更改，对于更换后的出行路径再进行一次仿真还原（包含中观车辆仿真以及微观车辆仿真），因此便可以通过中观仿真的交通仿真指标（排队长度、排队时长、拥堵状态等）以及微观仿真的车辆轨迹还原对使用交通诱导算法前后的车辆状态进行对比，查看交通诱导的效果。
一种基于在线仿真的道路拥堵诱导管控系统，使用上述的一种基于在线仿真的道路拥堵诱导方法，所述道路拥堵诱导管控系统包括由动态数据与静态数据组成的数据层、数据融合层、算法引擎、算法服务与算法应用，所述数据融合层对所述数据层的要素进行标准化处理及融合处理，为算法引擎提供数据支撑，所述算法引擎形成算法服务，所述算法服务进一步构成算法应用。
本发明的基于在线仿真的道路拥堵诱导方法，通过在节假日前夕事先进行预测当前节假日全网高速公路交通出行量，再将其作为仿真引擎的输入数据结合全网高速路网、全网高速交通出行量路径等基础数据进行节假日的仿真推演，得出节假日期间的全网高速的拥堵路段2信息，包含拥堵路段2的排队长度、拥堵时长等，达到提前预测节假日期间的拥堵信息。本发明方法通过中微观仿真融合，实现对于拥堵路段2的“产生-蔓延-持续-消散-结束”全过程进行深度分析并还原。
本发明的基于在线仿真的道路拥堵诱导方法，根据预测加仿真得出的节假日期间的全网高速的拥堵路段2，使用交通诱导的技术针对拥堵路段2进行交通诱导，得到可靠的全网高速的拥堵疏散方案；再结合仿真推演技术，将交通诱导方案以交通评估指标的形式进行对比，以便完成精准管控，缓解、解决交通拥堵问题。实现拥堵路段2的交通诱导以及给出诱导方案。针对拥堵路段2进行交通诱导，得出拥堵路段2的诱导方案对比信息，便于得出针对拥堵路段2的最佳诱导，为高速公路的节假日交通管控提供科学决策支撑，使得高速公路运营单位可提前发布节假日的出行指南，提升高速公路的通行效率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于在线仿真的道路拥堵诱导方法，其特征在于，包括如下步骤：
S1、构建算法引擎；所述算法引擎包括预测引擎、仿真引擎与拥堵诱导引擎；
S2、根据所述算法引擎预测交通出行量并仿真还原拥堵路段；
S3、对所述拥堵路段诱导并仿真还原诱导。
2.根据权利要求1所述的一种基于在线仿真的道路拥堵诱导方法，其特征在于，步骤S1中所述预测引擎的应用具体包括如下步骤：
S11、结合特征提取对数据进行特征拆分以及提取，设定基本特征；
S12、对所述基本特征进行交叉相乘生成比例特征；
S13、所述基本特征与比例特征交叉相乘生成一次交叉特征；
S14、所述一次交叉特征与比例特征交叉相乘生成二次交叉特征，得到特征集合；
S15、筛选重要特征，得到重要特征集合，建立多元线性回归方程以及设置预测精度参数，得出待定系数矩阵，对交通出行量进行预测。
3.根据权利要求2所述的一种基于在线仿真的道路拥堵诱导方法，其特征在于，所述基本特征个数为4个，包括历史相同节日的交通量
、历史相同节日的节前一周平均交通量/>
、预测年的节日前一周平均交通量/>
、预测年的常态一周平均交通量/>
，其中，i为交通小区，t为时间片；
步骤S12中，对于这4个基本特征交叉相乘生成12个比例特征，计算公式为：
；
步骤S13中，4个基本特征和12个比例特征之间交叉相乘生成48个一次交叉特征，计算公式为：
；
步骤S14中，48个一次交叉特征和12个比例特征之间交叉相乘生成528个二次交叉特征，计算公式为：
；因此可以得到特征集合
，其中，V为特征集合，/>
为第j个构造的特征项，j为特征项的索引，Z为交通小区的个数，T为时间集合。
4.根据权利要求1所述的一种基于在线仿真的道路拥堵诱导方法，其特征在于，所述步骤S2具体包括如下步骤：
S21、动态交通出行量流量和动态交通出行量路径计算；
所述仿真引擎在得到所述预测引擎预测得出的交通出行量之后，结合路网进行计算动态路径结果，确定动态交通出行量流量和动态交通出行量路径，并将动态交通出行量流量不断地加载到路网中；
S22、生成仿真车辆；
所述仿真引擎在仿真路网中，根据所述动态交通出行量流量持续生成仿真车辆，按照预设交通出行量路径行驶，到达终点则从仿真网络中移除；
S23、空间排队模型还原仿真；
使用空间排队模型，以时间为自变量、以路段交通状态为因变量判断出排队情况，采用基于空间排队的中观交通流仿真模型刻画车辆在路网中的交通运动状态，所述中观交通流仿真模型采用并行计算；所述仿真引擎还使用了微观仿真模块，将中观交通流仿真和局部微观仿真融合，还原出在车辆移动过程中路段的拥堵情况；
S24、得出拥堵路段信息，还原出拥堵路段。
5.根据权利要求1所述的一种基于在线仿真的道路拥堵诱导方法，其特征在于，所述步骤S3具体包括如下步骤：
S31、获取拥堵路段信息；
S32、查找拥堵路段上游交通诱导屏；
S33、获取高速公路全网在拥堵路段的车辆状态信息；
S34、执行交通诱导；
S35、再次仿真还原进行对比。
6.根据权利要求5所述的一种基于在线仿真的道路拥堵诱导方法，其特征在于，所述步骤S34具体包括如下步骤：
S341、通过全网高速经过拥堵路段的车辆状态信息，记录在拥堵路段的所有车辆信息，包含在所述仿真引擎中对于车辆的唯一表示；
S342、获取经过拥堵路段所有车辆的通行路径以及获取经过拥堵路段上游的所有交通诱导屏的通行路径；
S343、将原出行路径替换得到诱导后的出行路径。
7.一种基于在线仿真的道路拥堵诱导管控系统，使用权利要求1-6之一的一种基于在线仿真的道路拥堵诱导方法，其特征在于，所述道路拥堵诱导管控系统包括由动态数据与静态数据组成的数据层、数据融合层、算法引擎、算法服务与算法应用，所述数据融合层对所述数据层的要素进行标准化处理及融合处理，为算法引擎提供数据支撑，所述算法引擎形成算法服务，所述算法服务进一步构成算法应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519105.7A CN116229727A (zh) | 2023-05-10 | 2023-05-10 | 一种基于在线仿真的道路拥堵诱导方法及管控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519105.7A CN116229727A (zh) | 2023-05-10 | 2023-05-10 | 一种基于在线仿真的道路拥堵诱导方法及管控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116229727A true CN116229727A (zh) | 2023-06-06 |
Family
ID=86570017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310519105.7A Pending CN116229727A (zh) | 2023-05-10 | 2023-05-10 | 一种基于在线仿真的道路拥堵诱导方法及管控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116229727A (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102201164A (zh) * | 2010-03-23 | 2011-09-28 | 江苏云联科技有限公司 | 一种自适应城市交通拥堵快速反应系统 |
| CN103198672A (zh) * | 2013-03-27 | 2013-07-10 | 大连海事大学 | 一种城市路网交通流量检测器的布设方法 |
| CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
| CN106971537A (zh) * | 2017-04-20 | 2017-07-21 | 山东高速信息工程有限公司 | 针对突发事件的道路拥堵预测方法及系统 |
| CN107516417A (zh) * | 2017-08-21 | 2017-12-26 | 中国科学院软件研究所 | 一种挖掘时空关联关系的实时高速公路流量估计方法 |
| CN108198416A (zh) * | 2017-12-28 | 2018-06-22 | 金交恒通有限公司 | 一种手机信令与路网大数据的融合方法及其应用与系统 |
| CN108573600A (zh) * | 2017-03-10 | 2018-09-25 | 重庆邮电大学 | 一种驾驶员行为诱导与局部交通流优化方法 |
| CN109410573A (zh) * | 2018-10-24 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于道路全息感知的交通服务与管理系统 |
| CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
| CN110164129A (zh) * | 2019-04-25 | 2019-08-23 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
| 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 |
| CN112542049A (zh) * | 2020-12-29 | 2021-03-23 | 四川高路交通信息工程有限公司 | 智慧交通综合管控平台 |
| CN112885100A (zh) * | 2021-03-11 | 2021-06-01 | 湖南联智科技股份有限公司 | 一种公路隧道运营管控系统 |
| CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控系统 |
| CN113724497A (zh) * | 2021-11-01 | 2021-11-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种目标道路实时交通流量预测方法和装置 |
| CN113947904A (zh) * | 2021-10-19 | 2022-01-18 | 北京中交国通智能交通系统技术有限公司 | 基于s-g滤波和深信度网络的多尺度短时交通流预测方法 |
| CN114937366A (zh) * | 2022-07-22 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于多尺度交通需求与供给转化的交通流推算方法 |
| CN115116231A (zh) * | 2022-08-26 | 2022-09-27 | 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 |
| CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
| CN115909748A (zh) * | 2023-01-07 | 2023-04-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 节假日公路交通量预测方法、电子设备及存储介质 |
-
2023
- 2023-05-10 CN CN202310519105.7A patent/CN116229727A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102201164A (zh) * | 2010-03-23 | 2011-09-28 | 江苏云联科技有限公司 | 一种自适应城市交通拥堵快速反应系统 |
| CN103198672A (zh) * | 2013-03-27 | 2013-07-10 | 大连海事大学 | 一种城市路网交通流量检测器的布设方法 |
| CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
| CN108573600A (zh) * | 2017-03-10 | 2018-09-25 | 重庆邮电大学 | 一种驾驶员行为诱导与局部交通流优化方法 |
| CN106971537A (zh) * | 2017-04-20 | 2017-07-21 | 山东高速信息工程有限公司 | 针对突发事件的道路拥堵预测方法及系统 |
| CN107516417A (zh) * | 2017-08-21 | 2017-12-26 | 中国科学院软件研究所 | 一种挖掘时空关联关系的实时高速公路流量估计方法 |
| CN108198416A (zh) * | 2017-12-28 | 2018-06-22 | 金交恒通有限公司 | 一种手机信令与路网大数据的融合方法及其应用与系统 |
| CN109410573A (zh) * | 2018-10-24 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于道路全息感知的交通服务与管理系统 |
| CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
| CN110164129A (zh) * | 2019-04-25 | 2019-08-23 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
| 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 |
| CN112542049A (zh) * | 2020-12-29 | 2021-03-23 | 四川高路交通信息工程有限公司 | 智慧交通综合管控平台 |
| CN112885100A (zh) * | 2021-03-11 | 2021-06-01 | 湖南联智科技股份有限公司 | 一种公路隧道运营管控系统 |
| CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控系统 |
| CN113947904A (zh) * | 2021-10-19 | 2022-01-18 | 北京中交国通智能交通系统技术有限公司 | 基于s-g滤波和深信度网络的多尺度短时交通流预测方法 |
| CN113724497A (zh) * | 2021-11-01 | 2021-11-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种目标道路实时交通流量预测方法和装置 |
| CN114937366A (zh) * | 2022-07-22 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于多尺度交通需求与供给转化的交通流推算方法 |
| CN115116231A (zh) * | 2022-08-26 | 2022-09-27 | 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 |
| CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
| CN115909748A (zh) * | 2023-01-07 | 2023-04-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 节假日公路交通量预测方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10902719B2 (en) | Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| US7755509B2 (en) | Use of pattern matching to predict actual traffic conditions of a roadway segment | |
| CN104121908B (zh) | 一种延时路径规划的方法和系统 | |
| CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控系统 | |
| CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| CN112927513B (zh) | 一种实时在线交通仿真方法及系统 | |
| CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及系统 | |
| Yang et al. | Automatic generation of optimal road trajectory for the rescue vehicle in case of emergency on mountain freeway using reinforcement learning approach | |
| Yue et al. | Traffic signal retiming to improve corridor performance | |
| Zhang et al. | Analysis of spatial-temporal characteristics of operations in public transport networks based on multisource data | |
| Chauhan et al. | Effect of side friction parameter on urban road traffic: under mixed traffic scenario | |
| Amorim et al. | Optimal location of electronic toll gantries: The case of a Portuguese freeway | |
| Sekhar et al. | Analysis of travel time reliability of an urban corridor using micro simulation techniques | |
| CN116229727A (zh) | 一种基于在线仿真的道路拥堵诱导方法及管控系统 | |
| Matcha et al. | Modelling road traffic congestion at urban merge section under mixed traffic conditions | |
| Mishra et al. | Transit signal priority along a signalized arterial: a passenger-based approach | |
| Jin et al. | Route planning of rescue vehicles in the process of dynamic change of traffic volume under emergency conditions | |
| JP2023005015A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| Yang et al. | Determining critical arcs for collecting real-time travel information | |
| Hadi et al. | Application of dynamic traffic assignment to advanced managed lane modeling. | |
| Sun et al. | A markov-based bridge maintenance optimization model considering user costs | |
| Li et al. | Research and application of the Beijing road traffic prediction system | |
| Casas et al. | Present and future methodology for the implementation of decision support systems for traffic management | |
| Hu et al. | City traffic forecasting using taxi GPS data: A coarse-grained cellular automata model |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230606 |