CN116543552A - 基于车路协同的城市主干道缓堵策略仿真评估方法及系统 - Google Patents

基于车路协同的城市主干道缓堵策略仿真评估方法及系统 Download PDF

Info

Publication number
CN116543552A
CN116543552A CN202310470671.3A CN202310470671A CN116543552A CN 116543552 A CN116543552 A CN 116543552A CN 202310470671 A CN202310470671 A CN 202310470671A CN 116543552 A CN116543552 A CN 116543552A
Authority
CN
China
Prior art keywords
road
traffic
vms
vehicle
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.)
Pending
Application number
CN202310470671.3A
Other languages
English (en)
Inventor
王江锋
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202310470671.3A priority Critical patent/CN116543552A/zh
Publication of CN116543552A publication Critical patent/CN116543552A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/18—Details relating to CAD techniques using virtual or augmented reality
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供基于车路协同的城市主干道缓堵策略仿真评估方法及系统，属于城市交通管理与控制技术领域。构建OD溯源平台，识别拥堵车辆轨迹、来源与目的地；构建群体车辆分配多目标优化模型和主干道支路控制模型，确定汇入主干道和支路的交通量；构建VMS选址模型，确定VMS设置点位，实现VMS诱导效果；搭建VISSIM路网模型，针对特殊点位设计缓堵方案，得到评价所需数据；基于多层次模糊综合评价法，构建路网交通运行状态的综合评价体系，评价缓堵方案有效性。本发明追溯拥堵发生源，提出诱导关键进口道流量的缓堵策略；采用车路协同信息诱导及动态子区绿波控制等技术，提出干线交通信号协同联动控制优化方案；进行特殊点位交通设计，化解了交通拥堵痛点区域。

Description

基于车路协同的城市主干道缓堵策略仿真评估方法及系统
技术领域
本发明涉及城市交通管理与控制技术领域，具体涉及一种基于车路协同的城市主干道缓堵策略仿真评估方法及系统。
背景技术
城市道路交通拥堵问题影响城市可持续发展以及人民生活水平。缓堵策略的提出需要多管齐下，一方面从规划的角度解决居民出行供需矛盾，但受经济水平和城市布局及资源等制约，周期长、难度大；一方面，引入信息科学和互联网技术，改造道路运输系统与管理体系。如何综合考虑交通系统中宏观、中观、微观各层面存在的供需关系，结合大数据技术和车路协同理念，采用系统思维提出科学有效的缓堵策略，并构建一套相应的缓堵策略评估体系，实现缓堵策略生成和功效评估功能一体化，是当下亟待解决的问题。
“交通拥堵”在近十年一直是交通领域的热点问题，近几年的研究方向更是逐步细化，主要研究特定时间、特定区域的交通问题，而对于同时考虑宏微观组织优化、利用系统思维解决拥堵难题的研究，理论体系尚不完善。因此，从宏、中、微观三方面提出综合性的缓堵策略，逐步化解交通拥堵痛点区域，是一项具有重要现实意义的课题。宏观上的科学溯源是解剖城市道路交通拥堵，精准施策，实现城市交通精细化管理的重要前提。目前关于拥堵溯源的研究较少，且溯源结果多是依据特定时间与地域数据的静态结论，不能实时反映复杂多变的现实交通运行状态，同时对于溯源结果缺少可供用户数据查询的可视化溯源系统。中观上的协同治理是实现干线交通信号协同联动的重要依据。目前对于干道多信号联动控制的研究较为广泛，一些智能控制算法如专家系统、遗传算法、递接模糊神经网络控制法等具有良好的应用前景。如何将车路协同技术运用到干线信号联动控制与主路流量分配等方面有待深入研究。微观上的特殊点位设计是厘清拥堵脉络，攻破拥堵痛点的重要手段，此类研究多与仿真技术配合使用。因此，针对城市道路多区域交通无统筹、多断点交通无组织、多措施治堵无协同等现实问题，实施宏观、中观、微观系统化规划设计，实现精准综合治堵至关重要。宏观层面——“理因”，梳理交通需求空间分布，并利用OD溯源AI算法，开发用户交互的数字孪生可视化OD溯源系统，追溯拥堵发生源，提出诱导关键进口道流量的缓堵策略；中观层面——“协同”，采用车路协同信息诱导及动态子区绿波控制等技术，基于Python对VISSIM进行二次开发实现VMS诱导，提出干线交通信号协同联动控制优化方案，打通“微循环”；微观层面——“顺果”，精准施策交通紧张区域，采用微观仿真技术，进行特殊点位交通设计，逐步化解交通拥堵痛点区域。提出缓堵策略后，还应进行策略应用相应的功效评估。交通运行状态评价包括静态评价和动态评价两个范畴，静态评价侧重于交通运行状态标准，而动态评价是在确定交通运行状态标准的基础上，确定不同时刻的运行状态。相比而言，动态评价方法更具实时性和科学性。此外，评价指标权重的确立方法大多侧重于主观权重或客观权重，具有较大的局限性。
发明内容
本发明的目的在于提供一种可实现城市交通缓堵策略生成和功效评估功能一体化的基于车路协同的城市主干道缓堵策略仿真评估方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种基于车路协同的城市主干道缓堵策略仿真评估方法，包括：
基于获取的路网交通流数据，构建OD溯源平台，识别拥堵车辆主要轨迹、来源与目的地；
根据拥堵车辆主要轨迹、来源与目的地，构建群体车辆分配多目标优化模型和主干道支路控制模型，确定汇入主干道和支路的交通量；
根据汇入主干道和支路的交通量，构建VMS选址模型，确定VMS设置点位，实现VMS诱导效果；
基于搭建VISSIM路网模型，针对特殊点位设计缓堵方案，仿真得到评价所需数据；
基于多层次模糊综合评价法，构建路网交通运行状态的综合评价体系，评价缓堵方案有效性。
优选的，构建群体车辆分配多目标优化模型，包括：
路网饱和度最小：
其中，sr为路径r的饱和度，r＝1,2,3,…,R,R为路网中的路径总数；cr为路径r的最大通行能力；xr为路网分配给路径r的车辆数；
路网行程时间最短：
其中，tf,r为路径r的自由流出行时间；α和β为待定参数；
路径延误时间最小：
te＝t′f-tf
其中，te定义为车辆在该路段上的行驶时间t'f与自由流时间tf的差；tn为一个周期内车辆通过路口的平均延误时间；td,j为第j个流向的交叉口进口延误时间，j＝1,2,…,J,J为交通流向总数；qj为第j个流向的交通流率；Tn为车辆n在路口行驶的时间；ts为正常交通流下车辆通过交叉口的时间；N为通过交叉口的车辆总数；te,r为路径r上的车辆行驶时间延误总和；tn,r为路径r上交叉口的平均延误；
则群体车辆分配多目标优化模型F为：
minF＝min{f1,f2,f3}
X＝(x1,x2,…,xR)T
约束条件：
0≤xr≤xr(1-sr）
其中，X为路径分配车辆数向量；K为待分配车辆总数。
优选的，构建主干道支路控制模型，包括：
对主干道下游是否存在瓶颈进行判断，若满足式：
则认定主干道下游存在瓶颈，否则不存在瓶颈；
其中，路段的初始流量为Q0，从主干道进入各条支路i的交通量为qi，各支路汇入主干道的车流量记为ΔQi，路段下游的通行能力为C，路段下游的交通量为Qm；
若主干道下游不存在瓶颈，采用局部控制法，即运用改进后的ALINEA控制算法，实时计算绿信比，通过信号灯控制汇入主干道的交通量：
r(k)＝r(k-1)+kr(oc-oout(k-1))
其中，r(k)为第k个控制周期计算的开口处的绿信比；r(k-1)为第k-1个控制周期内主干道开口处的绿信比；kr为可调整变量，其值大于零，调整回馈控制中固定的外部扰动；oc为主干道开口处下游的期望占有率；oout(k-1)为第k-1个控制周期内主干道开口处下游的实测占有率；
若主干道下游存在瓶颈，采用协调控制算法，根据实际调查的各支路交通需求量确定支路交通分担率：
分配到支路i的交通控制量：
Wi＝αiU
支路i允许释放汇入主线的交通量：
Ri＝ΔQi-Wi
调节率：
其中t为检测器检测周期；
在局部控制和协调控制中取调节率最大值为最终调节率：
优选的，构建VMS选址模型，包括：
假设路段i属于路径k，且最多只能布设1个VMS，则路径i上的VMS对路径k上出行者的影响程度μk,i可表示为：
其中，qi为路段i交通拥堵指数；I为路径k的路段i上VMS独立有效影响路段数量；
路段i上的VMS在路径k上的效益Hk可表示为路径k路段i上的交通流量fk,i与影响指数μk,i的乘积，即
Hk＝μk,i×fk,i
引入衰减因子影响系数表示路径k上路段j的交通信息在路段i上VMS显示的衰减程度，即
其中，η为衰减因子，介于0到1之间；
由于不同等级道路对驾驶员吸引效果不同，引入吸引比率的概念，计算公式为：
其中，为在VMS诱导信息作用下可替代路径的道路等级d对路段i的吸引比率；/>为在道路拥堵状况下驾驶人受VMS诱导作用影响而改变路径的分流率；bd为基于不同道路等级的诱导比率修正系数；
引入绕行时间影响因子其计算公式为：
其中，为行驶在路径k路段i上的驾驶人选择替代路径出行的绕行时间影响因子；Ta为驾驶人在替代路径路段a上的最小出行时间；A为替代路径的路段总数；
因此，路径k上所有VMS的总效用H可表示为：
其中，δi是0-1变量，当路段布设VMS时取1；
假设每多布设一个VMS，该VMS的建设成本为上一个VMS总建设成本的g倍，0<g<1；设C为VMS总成本，cVMS为布设一个VMS的经济成本，则总成本为：
其中，m为VMS的数量。
优选的，VMS的效用最大、建设成本最小是理想的目标函数，两者的变化趋势相互抵触，故采用效用函数与成本函数的比值作为最终目标函数：
约束条件：
δi∈{0,1}
其中，Zi为最终目标函数的值；M、m分别为VMS布设数量的上限和下限。
优选的，基于多层次模糊综合评价法，构建路网的综合评价体系，评价缓堵方案有效性，包括：
确定综合评价指标，建立评价体系层次化结构；
确定干线公路路段交通运行状态综合评价因素集U＝(U1,U2,U3,...,Un)；U1-Un是第一级因素，第一级因素Ui由第二级因素Uij决定，同理第二级因素Uij由第三级因素Uijz决定；
确定干线公路路段交通运行状态综合评价因素的权重集；采用层次分析法和熵权法的组合来确定权重：
式中，α为偏好权重，0≤α≤1；
确定干线公路路段交通运行状态综合评价等级集V＝(V1,V2,...,Vn)；
模糊评价；逐级将隶属度矩阵与权重进行模糊计算可得到立交交通运行综合评价值U。
第二方面，本发明提供一种基于车路协同的城市主干道缓堵策略仿真评估系统，包括：
第一构建模块，用于基于获取的路网交通流数据，构建OD溯源平台，识别拥堵车辆主要轨迹、来源与目的地；
第二构建模块，用于根据拥堵车辆主要轨迹、来源与目的地，构建群体车辆分配多目标优化模型和主干道支路控制模型，确定汇入主干道和支路的交通量；
第三构建模块，用于根据汇入主干道和支路的交通量，构建VMS选址模型，确定VMS设置点位，实现VMS诱导效果；
第四构建模块，用于基于搭建VISSIM路网模型，针对特殊点位设计缓堵方案，仿真得到评价所需数据；
评价模块，用于基于多层次模糊综合评价法，构建路网交通运行状态的综合评价体系，评价缓堵方案有效性。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于车路协同的城市主干道缓堵策略仿真评估方法。
第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于车路协同的城市主干道缓堵策略仿真评估方法。
第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于车路协同的城市主干道缓堵策略仿真评估方法的指令。
本发明有益效果：追溯拥堵发生源，提出诱导关键进口道流量的缓堵策略；采用车路协同信息诱导及动态子区绿波控制等技术，基于Python对VISSIM进行二次开发，提出干线交通信号协同联动控制优化方案；采用微观仿真技术，进行特殊点位交通设计，化解了交通拥堵痛点区域；建立基于AHP和EWM的模糊综合评价体系，针对宏观溯源、中观联动、微观设计缓堵策略进行功效评估；通过采用系统思维解决交通问题，为交通管理部门进行拥堵疏导与控制、区域交通规划与管理提供新思路。
本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于车路协同的城市主干道缓堵策略仿真评估方法整体流程示意图。
图2为本发明实施例所述的基于AHP和EWM的模糊综合评价体系流程图。
图3为本发明实施例所述的宏观方面OD溯源效果图。
图4为本发明实施例所述的宏观方面流量诱导示意图。其中图4(a)为西向东主路流量诱导，图4(b)为东向西主路流量诱导。
图5为本发明实施例所述的中观方面绿波协同调控效果示意图。
图6为本发明实施例所述的微观方面左转右置效果示意图。
图7为本发明实施例所述的微观方面信号优化效果图。其中，图7(a)为山大交叉口信号优化效果图，图7(b)为洪山交叉口信号优化效果图。
图8为本发明实施例所述的微观方面出口诱导示意图。
具体实施方式
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
如图1、图2所示，本实施例1中，提供了基于车路协同的城市主干道缓堵策略评估与仿真系统，以实现城市交通缓堵策略生成和功效评估功能一体化。
本实施例中，基于车路协同的城市主干道缓堵策略评估与仿真系统实现基于车路协同的城市主干道缓堵策略评估与仿真方法，包括如下步骤：
步骤1：基于交通网络的现实特性，依靠监测手段获得交通流数据，构建能向用户提供可视化数据的宏观OD溯源平台。
具体如下：
通过采集研究区域内各卡口的交通流数据(包括卡口编号、道路代码、点位名称、交通流向、车辆牌照、经纬度等信息)，将其导入QGIS进行数据连接和可视化，明晰各车辆行驶轨迹，开发溯源AI算法和数字孪生可视化OD溯源平台，梳理车辆OD分布。用户通过平台浏览电子地图，查看道路信息，并与电子地图进行交互，还可以直接在平台上查看静态分析报告，以查看不便采用电子地图形式展示的数据。明确造成交通拥堵的痛点区域后，在宏观层面进行治理。从土地利用、道路网络规划、交通出行结构、道路通行时空资源合理分配等方面优化城市交通系统，解决交通供应和需求矛盾，分别对流量饱和的进口道实施流量诱导，将10％～30％的流量分到次干路、支路，缓解主干路拥堵。
道路网络Net＝(E,C)，在该定义中，原始路网中车道节点集合表示为
E＝{∑lanei|i＝1,2,…,m} (1)
车道联通信息表示为
进行拥堵判断包括：
车道容量：一个对车道容车性综合判断的数据。在之前路网搭建过程中会获取到所有车道长度的一个数据集，设定平均车辆长度为7.5m。将数据集中每条车道长度都除以7.5便可获取到车道容量数据集。停车值halt(t,l)为t时刻l车道上处于停滞状态的车辆数与车道容量的比值。行驶值move(t,l)为t时刻l车道上处于行驶状态的车辆数与车道容量的比值。原始拥堵值jam(t,l)为在t时刻l车道拥堵情况综合判断并进行量化的数据，表示如下：
jam(t,l)＝α*move(t,l)+β*halt(t,l) (3)
其中，引入行驶削弱因子α∈(0,1)用于削减行驶值对拥堵值的增强效果，停车增强因子β∈(1,3)用于增强停车值对拥堵值的增强效果。
进行拥堵链和拥堵环挖掘包括：
拥堵环集合circlet为t时刻给定路网联通信息和拥堵车道通过矩阵自乘形成的具有环拥堵关系的集合。设当前存在n条拥堵车道集合表示为：
E′＝{∑lanei|i＝1,2,…,n} (4)
根据该拥堵车道集合建立拥堵车道连通信息：
通过矩阵矩阵自乘求拥堵环：
自乘后的矩阵对角线连续为1的行或列即为构成拥堵环的元素。
拥堵链集合chainst为t时刻具有链条拥堵关系的集合，为当前拥堵车道集合与拥堵环元素的补集，C'为车道连通信息，表示如下：
chainst＝E′∩C′ (7)
其中，本实施例提出的拥堵溯源算法思想为：拥堵值溯源处理的本质就是将车道的优化权重进行一次科学转换，进而将问题发生的本质集中在拥堵链尾节点或拥堵环中的各个节点，从而找到拥堵问题发生的根源。通过遗传学思想在拥堵链中传递拥堵值来体现不同拥堵车道在所被管控的红绿灯中的优化权重。
更新拥堵值jam(t,l),遍历当前拥堵链集合chainst或拥堵环集合circlet。具体拥堵链内容如下：
chainst＝<lanei,…,lanen> (8)
可以按照如下规则将其归类：
其中，type＝1为链头节点，type＝2为中间节点，type＝3为链尾节点。以原始拥堵值jam(t,l)为基础，引入传递拥堵值transfer(t,l-l+1)从链头向链尾传递，以此计算更新拥堵值。
设定传递系数α＝0.6和保留系数β＝0.4。拥堵溯源算法伪代码如下：
拥堵溯源算法伪代码如下表1所示：
表1拥堵溯源算法伪代码
车道占比因素opi为其所管辖的车道的更新拥堵值jam'(t,l)所组成的集合:
opi∈{jam′(t,l),jam′(t,l+1),jam′(t,n)} (10）
本实施例中，基于VISSIM进行二次开发，构建基于NAGA-Ⅱ、PSO算法的群体车辆分配多目标优化模型和基于改进ALINEA算法的主干道支路控制模型，根据VMS选址模型确定其设置点位，最终实现车路协同环境下群体车辆诱导优化。
基于群体智能的多目标诱导优化包括：
群体智能随着车路协同领域的研究得到广泛发展。在车车、车路实现实时可靠通行条件下，群体车辆的诱导分配和协同驾驶对均衡路网交通流、缓解交通拥堵，实现交通系统效用最大化有重要意义。
构建群体车辆分配多目标优化模型：
(1)路网饱和度最小
其中，sr为路径r(r＝1,2,3,…,R,R为路网中的路径总数)的饱和度；cr为路径r的最大通行能力；xr为路网分配给路径r的车辆数。
(2)路网行程时间最短
其中，tf,r为路径r的自由流出行时间；α和β为待定参数。
(3)路径延误时间最小
te＝t′f-tf (13)
其中，te定义为车辆在该路段上的行驶时间t'f与自由流时间tf的差；tn为一个周期内车辆通过路口的平均延误时间；td,j为第j(j＝1,2,…,J,J为交通流向总数)个流向的交叉口进口延误时间；qj为第j个流向的交通流率；Tn为车辆n在路口行驶的时间；ts为正常交通流下车辆通过交叉口的时间；N为通过交叉口的车辆总数；te,r为路径r上的车辆行驶时间延误总和；tn,r为路径r上交叉口的平均延误。
故多目标诱导分配模型F为：
minF＝min{f1,f2,f3} (17)
X＝(x1,x2,…,xR)T (18)
约束条件：
0≤xr≤cr(1-sr) (20)
其中，X为路径分配车辆数向量；K为待分配车辆总数。下面介绍多目标NAGA-Ⅱ、多目标粒子群优化两种方法进行模型求解。
本实施例中，基于多目标NAGA-Ⅱ的求解，包括：
相比于第一代NAGA，NAGA-Ⅱ引入了密度估计算子和拥挤比较算子，是基于帕累托最优解的多目标优化算法。其3个关键步骤分别为快速非支配排序、个体拥挤距离计算与精英策略选择。快速非支配排序降低了第一代算法的复杂度，个体拥挤距离计算对非支配层级中同一级的个体进行排序，精英策略选择使父代种群与子代种群合成新的群，有利于算法收敛，不丢失最优解。
在求解过程中，个体n'拥挤度o'n为：
其中，和/>分别是个体n'+1和n'-1的第h个目标函数值；/>和/>分别为其最大值和最小值。
对建立的多目标优化函数进行求解，输入道路信息和和入口处分配的车辆总数，即得出每条路径上分配的车辆数。
本实施例中，基于多目标粒子群优化(PSO)算法的求解为：
基本粒子群算法中，粒子z的第d(d＝1,2,3,...,D)维速度和位置更新公式分别为：
其中，为第k次迭代粒z飞行速度向量的第d维分量；/>为第k次迭代粒子z位置向量的第d维分量；/>为第k次迭代所有粒子经过的历史最佳位置向量的第d组分量；μ1和μ2均为学习因子，一般取2；γ1和γ2为2个随机函数，取值范围是[0,1]，是区域内均匀分布的伪随机数，用来增加搜索的随机性；ω为惯性权重，用来调节对解空间的搜索能力。同样对建立的关于以饱和度、行程时间和延误的多目标优化函数输入道路信息和和入口处分配的车辆总数进行求解。
VMS由信息采集子系统、控制子系统、通信子系统、信息显示面板等组成，其中通讯子系统与中心监控系统进行双向数据传输，信息显示面板作为输出设备向驾驶员输出实时可变交通信息，在交通车辆诱导方面发挥显著作用。
VMS有多种分类依据，包括依据物理架构差异、依据数据传输差异、依据发布诱导信息内容格式差异等依据。在本发明中，VMS可变信息标志主要为固定式标志，设置在常态拥堵路段、事故多发路段等关键位置，给予驾驶员诱导信息，从而通过信息诱导实现流量分配。
目前VMS运行存在着分流过度、信息内容不规范、信息延迟和布设点位不合理等问题。VMS的布局合理性是诱导分流效果的重要决定条件。当设置距离拥堵点较近时，驾驶员缺乏足够的反应时间；距离重大分流点较远时，驾驶员在行驶一段时间后可能会忽略诱导信息。其次，布设数量是影响诱导效果的重要因素。
本实施例中，针对VMS运行存在的上述布设点位不合理问题，提出VMS选址模型。假设路段i属于路径k，且最多只能布设1个VMS，则路径i上的VMS对路径k上出行者的影响程度μk,i可表示为：
其中，qi为路段i交通拥堵指数；I为路径k的路段i上VMS独立有效影响路段数量。
路径i上的VMS在路径k上的效益Hk可表示为路径k路段i上的交通流量fk,i与影响指数μk,i的乘积，即
Hk＝μk,i×fk,i (25)
引入衰减因子影响系数表示路径k上路段j的交通信息在路段i上VMS显示的衰减程度，即
其中，η为衰减因子，介于0到1之间。
由于不同等级道路对驾驶员吸引效果不同，引入吸引比率的概念，计算公式为：
其中，为在VMS诱导信息作用下可替代路径的道路等级d对路段i的吸引比率；/>为在道路拥堵状况下驾驶人受VMS诱导作用影响而改变路径的分流率；bd为基于不同道路等级的诱导比率修正系数。
同时绕行时间也会影响驾驶人是否接受VMS提供的诱导信息。因此，引入绕行时间影响因子其计算公式为：
其中，为行驶在路径k路段i上的驾驶人选择替代路径出行的绕行时间影响因子；Ta为驾驶人在替代路径路段a上的最小出行时间；A为替代路径的路段总数。
因此，路径k上所有VMS的总效用H可表示为：
其中，δi是0-1变量，当路段布设VMS时取1。
随着VMS布设数目增多，建设成本也相应增大。考虑实际，假设每多布设一个VMS，该VMS的建设成本为上一个VMS总建设成本的g倍，(0<g<1)。设C为VMS总成本，cVMS为布设一个VMS的经济成本，则总成本可以用如下公式表示：
其中，m为VMS的数量。
VMS的效用最大、建设成本最小是理想的目标函数，两者的变化趋势相互抵触，故采用效用函数与成本函数的比值作为最终目标函数，即
约束条件：
δi∈{0,1} (32)
其中，Zi为最终目标函数的值；M、m分别为VMS布设数量的上限和下限。
本实施例中，基于改进ALINEA算法的主干道支路控制模型构建包括如下步骤：
首先进行瓶颈的判断，对汇入主干道的交通量采用何种控制策略，首先必须对主干道下游是否存在瓶颈进行判断，若满足式：
则认定主干道下游存在瓶颈，否则不存在瓶颈。其中，路段的初始流量为Q0，从主干道进入各条支路i的交通量为qi，各支路汇入主干道的车流量记为ΔQi(1,2,3,...,n)，路段下游的通行能力为C，路段下游的交通量为Qm。
然后进行调节率的计算。为了确定在各个控制逻辑中具体相位控制时长，采用以下算法。
若主干道下游不存在瓶颈，采用局部控制法，即运用改进后的ALINEA控制算法，实时计算绿信比，通过信号灯控制汇入主干道的交通量；
r(k)＝r(k-1)+kr(oc-oout(k-1)) (35)
其中，r(k)为第k个控制周期计算的开口处的绿信比；r(k-1)为第k-1个控制周期内主干道开口处的绿信比；kr为可调整变量，其值大于零，调整回馈控制中固定的外部扰动；oc为主干道开口处下游的期望占有率；oout(k-1)为第k-1个控制周期内主干道开口处下游的实测占有率。
若主干道下游存在瓶颈，采用协调控制算法，根据实际调查的各支路交通需求量确定支路交通分担率：
分配到支路i的交通控制量：
Wi＝αiU (37)
支路i允许释放汇入主线的交通量：
Ri＝ΔQi-Wi (38)
调节率：
其中t为检测器检测周期。
在局部控制和协调控制中取调节率最大值为最终调节率：
本实施例中，基于交通网络的现实特性，搭建VISSIM路网模型，提出特殊点位交通设计方案，包括：
(1)左转右置，即最左侧机动车道为直行车道，掉头或左转弯车道设置在右侧。部分掉头半径不足的左转车道如果设置在最左侧，一次转弯难以完成掉头，需要连续变向掉头，会造成拥堵，将掉头或左转弯车道设置在右侧，可以增大掉头半径，保证车辆一次顺利通过；上游路口右转车辆需要进入左转车道，或者临近路口处有支路、匝道汇入主路的交通流以左转车辆为主时，若按照传统设置左转车道，会导致需要左转的车流横切多条车道，产生严重交织，从而引发交通拥堵甚至交通事故，将掉头或车道设置在右侧可以有效避免右侧左转车辆向左并道与直行车辆产生交织点，缓解交通拥堵。
(2)流量诱导是一种通过一定的信息传播媒介，向交通参与者提供道路的实际运行情况，提醒、建议或控制交通参与者选择最佳的行走路线，避免和减少行程延误及损失的一种交通控制方式。通过道路检测器判断主干道拥堵情况，根据宏观OD溯源平台得到基本车辆流向，用车载导航系统或可变交通信息板将计算得出的优化路径发布给驾驶员，考虑到驾驶员的接受程度，可将发生拥堵的主干道上的车辆按一定比例诱导进辅路，从而达到控制交通流，缓解拥堵的效果。
(3)感应控制是指使交通信号显示能适应测得交通需求的控制方式。感应控制能够在协调信号系统中有效使用，与定时控制相比在平峰时期能够有效减少主路直行方向延误。VISSIM可通过PUA和VAP文件自由设置相位切换时间、检测器检测参数等信息，实现比固定信号灯更加灵活的感应控制。
(4)信号优化。单个交叉口的信号控制即孤立考虑当前交叉口交通运行状况，不涉及其他任何相邻路口交通影响，又常被称为“点控制”，简称“点控”。点控一般有固定控制和感应控制两种类型，而相位设计、周期长度等参数的确定是信号控制方案的核心内容，故常用的单交叉口信号优化方案包括周期长优化、绿信比优化、韦伯斯特优化等。城市干线绿波控制是城市交通协调控制中应用广泛的一种控制方式，可有效减少干线车流的交通延误和停车率，对改善整个系统交通状况具有重要意义，受到交通参与者、工程设计师及专家学者的普遍重视，常用的干线绿波控制方案包括周期长优化、相位差优化等。
最后，本实施例中，基于多层次模糊综合评价法，构建路网的综合评价体系，评价缓堵方案有效性。多层次模糊综合评价法用模糊数学对受到多种因素制约的事物或对象做出总体评价，结果清晰，系统性强，能较好地解决模糊的、难以量化的问题，适合解决各种非确定性问题。其基本步骤如下：
(1)确定综合评价指标，建立评价体系层次化结构。
(2)确定干线公路路段交通运行状态综合评价因素集U＝(U1,U2,U3,...,Un)。U1-Un是第一级因素，第一级因素Ui由第二级因素Uij决定，同理第二级因素Uij由第三级因素Uijz决定。
(3)确定干线公路路段交通运行状态综合评价因素的权重集。
对于层次分析法(AHP)，在AHP分析过程中，使用对比判断矩阵和九分位标度法。设因子集X＝{x1，x2，…，xn}，为了比较每个因子对因素Z的影响，取两个因子xi和xj，以aij表示xi和xj对Z的影响之比，并将所有的比较结果都用矩阵表示，称A＝(aij)n×n为Z和X之间的成对比较判断矩阵。九级标度表如表2所示。
表2九级标度表
根据判断矩阵A求出最大特征根λmax后，还应进行一致性检验，以决定是否接受矩阵。具体步骤如下：
1)计算一致性指数CI
其中，n是判断矩阵A的阶数。
2)查找相应的平均随机一致性指标RI
表3 RI的值
3)计算一致性比CR
当CR<0.10时，矩阵的一致性可以接受，λmax对应的特征向量是指标权重，否则判断矩阵应进行校正。
对于熵权法(EWM)：
1)标准化处理
对m个布局方案、n个评价指标的初始数据矩阵X＝(xij)n×m，进行标准化处理，得到标准化后的矩阵Y＝(yij)n×m,i＝1,2,…,n；j＝1,2,…,m。
对于越大越优型指标：
对于越小越优型指标：
/>
其中maxXi表示第j个布局方案中对应指标的最大值，minXi表示第j个布局方案中对应指标的最小值。
2)计算第j个评价对象下第i个指标的特征比重
3)计算第i项指标的熵值
4)计算第i项指标的差异系数
ri＝1-ei (47)
5)计算第i项指标的权重
如何准确合理地确定权重，关系到整个评价体系的有效性和可用性。研究表明，现有的权重测定方法大多侧重于主观权重或客观权重，具有一定的局限性。为了考虑权重确定方法的主观性和客观性，采用层次分析法(AHP)和熵权法(EWM)的组合来确定权重，降低主观和客观偏差。
式中，α为偏好权重，0≤α≤1。在相关专家建议及查阅资料研究后，取α＝0.3。
(4)确定干线公路路段交通运行状态综合评价等级集V＝(V1,V2,...,Vn)。
(5)模糊评价。逐级将隶属度矩阵与权重进行模糊计算可得到立交交通运行综合评价值U。
为使本发明系统得到更进一步的理解，下面结合具体实施例做进一步的解释说明，该实施例并不构成对本发明实施例的限定。
本实施例中，拟结合交通拥堵治理、交通拥堵溯源、车路协同技术、交通信号控制、微观仿真控制等研究，针对城市道路多区域交通无统筹、多断点交通无组织、多措施治堵无协同等现实问题，实施宏观、中观、微观系统化规划设计。宏观层面——“理因”，梳理交通需求空间分布，利用OD溯源AI算法，开发用户交互的数字孪生可视化OD溯源系统，以卡口流量数据表征交通强度，通过卡口位置地图匹配、车辆轨迹识别，追溯拥堵发生源，提出诱导关键进口道流量的缓堵策略；中观层面——“协同”，采用车路协同信息诱导及动态子区绿波控制等技术，基于Python对VISSIM进行二次开发，提出干线交通信号协同联动控制优化方案，打通“微循环”；微观层面——“顺果”，精准施策交通紧张区域，采用微观仿真技术，进行特殊点位交通设计，针对堵点断点从车道左转右置、流量诱导、感应控制、信号优化等方面，逐步化解交通拥堵痛点区域；最后依托交通系统建模与微观仿真技术，构建基于AHP和EWM模糊综合评价模型的交通运行状态综合评价体系，针对宏观溯源、中观联动、微观设计缓堵策略，从点、线、面三个层面对城市交通缓堵策略进行科学、有效的功效评估。实现缓堵策略生成和功效评估功能一体化，为交通管理部门进行拥堵疏导与控制、区域交通规划与管理提供新思路。
本实例选取某省某市某条城市主干道为目标对象进行宏微观缓堵策略生成与功效评估。该城市主干道主要包括中心燕山立交桥、东侧洪山交叉口和西侧山大交叉口以及南北向二环东高架路，两交叉口间路段交通拥堵严重，主要表现为路口排队现象严重，存在调头区、二环东路高架流量交织等加重路段拥堵，呈现早高峰拥堵持续时间长、交通需求大、局部断流点多、区域流量交织等特点。针对城市主干道进口道7:00～9:00时段的现场观测视频，以5min为间隔统计流量数据、绘制CAD底图，统计交叉口相位。
完成上述准备工作后，借助百度地图建立VISSIM路网结构，设置断面流量检测器和延误时间检测器，标定交通控制运行参数、交通流特性参数和驾驶行为参数等参数。部分驾驶行为参数标定结果如下表4、表5所示。
表4驾驶行为参数标定结果
检验模型有效性，计算得到流量误差均在10％以内，认为符合精度要求，可作为仿真分析的基本模型，用于缓堵策略的功效评估。
表5断面流量相对误差
基于所开发的高度可视化、用户交互的OD溯源平台，本实例通过溯源系统导航栏的溯源情况板块，对经十路(山大路-洪山路)路段交通拥堵期间的车辆OD分布进行梳理，从而追溯拥堵发生源。分析结果可知，主交通量方向集中在东西路段，且西进口流量占比最大达85％；经十路对临近小区吸引力最强。在此基础上对流量饱和的各进口道进行流量诱导。如表6所示，通过VISSIM仿真将不同比例流量诱导到其他的次干路、支路，以缓解主干路拥堵。仿真结果显示：西向东主路诱导比例为25％时，V/C降低14.58％，服务水平由F级提升至D级，行程时间、延误、平均车速改善幅度较大；东向西主路诱导比例为20％时，V/C降低15.15％，服务水平由C级提升至B级，行程时间、延误、平均车速均有所改善；各匝道诱导方案效果见表6。同时查阅论文可知，工作日VMS诱导信息下驾驶员变更路径概率可达64.8％，非工作日可达43.2％，印证方案可实现性较强。
表6宏观流量诱导缓堵效果
基于针对特殊点位的交通设计，分别对该区域城市主干道的调头区实施左转右置、感应控制、绿波协调控制；对燕山立交桥匝道实施信号控制；对洪山交叉口实施信号优化，西进口上游实施出口流量诱导；对山大各进口实施流量诱导、信号优化。
(1)调头区
调头区为该区域主要拥堵点之一，设置为最内侧车道调头，且上游附近有匝道进口车辆汇入，存在大量主路与匝道车辆交织以及调头换道行为，拥堵状况严重。高峰时期需由交警指挥放行，避免路段交通因此瘫痪。
基于“左转右置”、“感应控制”的设计方案和“主路优先”基本原则，通过VISSIM中VAP感应信号灯模块实现分别将调头车道设置在道路最内侧、最外侧。设置检测器于合适位置后，各特殊点位都需要编写一个PUA文件和一个VAP文件，以自由设置相位切换时间、检测器检测参数等信息。以内侧调头车道感应信号控制为例，定义主路和次路(调头车辆驶来方向)两个灯组SG1和SG2，具体规则如下：当SG1为绿灯、SG2为红灯状态时，若调头区上游两个检测器一方达到各自最大的车辆占有时间s＝2s，h＝5s/8s/10s(不同点位设置不同)，认为道路因调头车辆过多引起拥堵，故将SG1更改为红灯禁止主路通过，将SG2更改为绿灯允许车辆调头。此外，若调头区附近准备调头车辆停驶时间达到最大等待时间w＝30s/35s/40s(不同点位设置不同)，且主路车辆检测器上无车辆经过时，同样将SG1更改为红灯，SG2更改为绿灯；当SG1为红灯、SG2为绿灯状态时，若主路上游有大量车辆或调头区不存在有调头需求的车辆，将灯组状态交换。同理设置外侧车道的控制规则，经仿真试验可得内、外侧车道调头感应控制的缓堵效果如下表7所示。
表7调头区方案缓堵效果
此外利用车路协同技术，实现调头区与下游山大交叉口配时联动。将调头区控制方案设置为固定信号控制，周期长为220s，调头车道放行时长为26s。实施后，主路V/C降为0.8，延误时间减少3.29％，行程时间减少6.54％，平均车速提高9.6％。
(2)燕山立交桥匝道
该区域中心的燕山立交桥包含众多进出口匝道。其中北至东匝道和南至东匝道的车流汇入洪山交叉口西进口，加剧主路交通拥堵现状。在匝道中间段和匝道与主路交织路段设置检测器，实时监测主路交通来车和匝道排队长度，分别以固定信号控制和感应信号控制控制进行匝道控制。其中，感应控制依然遵循“主路优先”原则。经仿真试验可得北至东方向匝道和南至东方向匝道的信号控制最佳方案与缓堵效果如表8所示。
表8匝道控制方案缓堵效果
(3)洪山交叉口
针对洪山西进口在高峰期出现的严重过饱和状态，本实例提出从洪山西进口上游主路出口匝道诱导一定比例车辆进入辅路，从而缓解洪山交叉口拥堵情况，减轻东西方向主路的交通压力。该步骤通过设置路径决策重新分配主路和出口匝道流量比例实现。如表9所示，经仿真验证可得，诱导比例在9.09％至11.11％内时，V/C降低21％，延误时间和平均车速改善幅度较大，服务水平由D级提升至C级。
表9洪山西进口上游出口流量诱导缓堵效果
同时采用Synchro软件对洪山交叉口分别进行周期长优化、绿信比优化。配时优化后最大V/C降低6.56％，周期长优化后平均延误降低15.9％，绿信比优化后平均延误降低16.6％，东进口直行车道服务水平由E级提升至C级。
(4)山大交叉口
本实例中，针对山大信号交叉口提出进口流量诱导、信号优化两种缓堵策略。对于进口流量诱导，经仿真试验得最佳流量诱导比例为25％，此时V/C降低14.58％，服务水平由F级提升至D级，行程时间减少32.20％，平均车速提高36.24％，延误时间减少59.23％，改善幅度良好；对于交叉口信号优化，采用Synchro软件分别进行周期长优化、绿信比优化，配时优化后各进口车道服务水平由F级提升至E级、D级。
基于AHP和EWM的模糊综合评价方法，对各缓堵策略进行宏微观多层面的综合功效评估，供交通管理部门控制管理参考。运用MATLAB进行一致性检验，算得一致性比例CR＝0.0534，满足要求。基于AHP和EWM可得到U1～U5五个一级指标与12个二级指标权重如下：
为降低综合评价体系的主客观偏差，采用组合权重方式确定各指标的综合权重。设综合评价等级集V＝(V1,V2,V3,V4)，分别代表畅通、轻度拥堵、中度拥堵、严重拥堵。根据模糊评价模型计算得研究区域现状交通运行状态评价等级为中度拥堵，对应城市道路四级服务水平中三级服务水平；改善后交通运行状态评价等级为轻度拥堵，对应城市道路四级服务水平中二级服务水平。所有缓堵方案效果及评估如图3至图8所示。
实施例2
本实施例2提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于车路协同的城市主干道缓堵策略仿真评估方法。
实施例3
本实施例3提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于车路协同的城市主干道缓堵策略仿真评估方法。
实施例4
本实施例4提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于车路协同的城市主干道缓堵策略仿真评估方法的指令。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于车路协同的城市主干道缓堵策略仿真评估方法，其特征在于，包括：
基于获取的路网交通流数据，构建OD溯源平台，识别拥堵车辆主要轨迹、来源与目的地；
根据拥堵车辆主要轨迹、来源与目的地，构建群体车辆分配多目标优化模型和主干道支路控制模型，确定汇入主干道和支路的交通量；
根据汇入主干道和支路的交通量，构建VMS选址模型，确定VMS设置点位，实现VMS诱导效果；
基于搭建VISSIM路网模型，针对特殊点位设计缓堵方案，仿真得到评价所需数据；
基于多层次模糊综合评价法，构建路网交通运行状态的综合评价体系，评价缓堵方案有效性。
2.根据权利要求1所述的基于车路协同的城市主干道缓堵策略仿真评估方法，其特征在于，构建群体车辆分配多目标优化模型，包括：
路网饱和度最小：
其中，sr为路径r的饱和度，r＝1,2,3,…,R,R为路网中的路径总数；cr为路径r的最大通行能力；xr为路网分配给路径r的车辆数；
路网行程时间最短：
其中，tf,r为路径r的自由流出行时间；α和β为待定参数；
路径延误时间最小：
te＝t′f-tf
其中，te定义为车辆在该路段上的行驶时间t′f与自由流时间tf的差；tn为一个周期内车辆通过路口的平均延误时间；td，j为第j个流向的交叉口进口延误时间，j＝1，2，...，J，J为交通流向总数；qj为第j个流向的交通流率；Tn为车辆n在路口行驶的时间；ts为正常交通流下车辆通过交叉口的时间；N为通过交叉口的车辆总数；te，r为路径r上的车辆行驶时间延误总和；tn，r为路径r上交叉口的平均延误；
则群体车辆分配多目标优化模型F为：
minF＝min{f1，f2，f3}
X＝(x1，x2，…，xR)T
约束条件：
0≤xr≤cr(1-sr)
其中，X为路径分配车辆数向量；K为待分配车辆总数。
3.根据权利要求2所述的基于车路协同的城市主干道缓堵策略仿真评估方法，其特征在于，构建主干道支路控制模型，包括：
对主干道下游是否存在瓶颈进行判断，若满足式：
则认定主干道下游存在瓶颈，否则不存在瓶颈；
其中，路段的初始流量为Q0，从主干道进入各条支路i的交通量为qi，各支路汇入主干道的车流量记为ΔQi，路段下游的通行能力为C，路段下游的交通量为Qm；
若主干道下游不存在瓶颈，采用局部控制法，即运用改进后的ALINEA控制算法，实时计算绿信比，通过信号灯控制汇入主干道的交通量：
r(k)＝r(k-1)+kr(oc-oout(k-1))
其中，r(k)为第k个控制周期计算的开口处的绿信比；r(k-1)为第k-1个控制周期内主干道开口处的绿信比；kr为可调整变量，其值大于零，调整回馈控制中固定的外部扰动；oc为主干道开口处下游的期望占有率；oout(k-1)为第k-1个控制周期内主干道开口处下游的实测占有率；
若主干道下游存在瓶颈，采用协调控制算法，根据实际调查的各支路交通需求量确定支路交通分担率：
分配到支路i的交通控制量：
Wi＝αiU
支路i允许释放汇入主线的交通量：
Ri＝ΔQi-Wi
调节率：
其中t为检测器检测周期；
在局部控制和协调控制中取调节率最大值为最终调节率：
4.根据权利要求3所述的基于车路协同的城市主干道缓堵策略仿真评估方法，其特征在于，构建VMS选址模型，包括：
假设路段i属于路径k，且最多只能布设1个VMS，则路径i上的VMS对路径k上出行者的影响程度μk，i可表示为：
其中，qi为路段i交通拥堵指数；I为路径k的路段i上VMS独立有效影响路段数量；
路段i上的VMS在路径k上的效益Hk可表示为路径k路段i上的交通流量fk，i与影响指数μk，i的乘积，即
Hk＝μk，i×fk，i
引入衰减因子影响系数表示路径k上路段j的交通信息在路段i上VMS显示的衰减程度，即
其中，η为衰减因子，介于0到1之间；
由于不同等级道路对驾驶员吸引效果不同，引入吸引比率的概念，计算公式为：
其中，为在VMS诱导信息作用下可替代路径的道路等级d对路段i的吸引比率；/>为在道路拥堵状况下驾驶人受VMS诱导作用影响而改变路径的分流率；bd为基于不同道路等级的诱导比率修正系数；
引入绕行时间影响因子其计算公式为：
其中，为行驶在路径k路段i上的驾驶人选择替代路径出行的绕行时间影响因子；Ta为驾驶人在替代路径路段a上的最小出行时间；A为替代路径的路段总数；
因此，路径k上所有VMS的总效用H可表示为：
其中，δi是0-1变量，当路段布设VMS时取1；
假设每多布设一个VMS，该VMS的建设成本为上一个VMS总建设成本的g倍，0＜g＜1；设C为VMS总成本，cVMS为布设一个VMS的经济成本，则总成本为：
其中，m为VMS的数量。
VMS的效用最大、建设成本最小是理想的目标函数，两者的变化趋势相互抵触，故采用效用函数与成本函数的比值作为最终目标函数：
约束条件：
δi∈{0，1}
其中，Zi为最终目标函数的值；M、m分别为VMS布设数量的上限和下限。
5.根据权利要求4所述的基于车路协同的城市主干道缓堵策略仿真评估方法，其特征在于，基于多层次模糊综合评价法，构建路网的综合评价体系，评价缓堵方案有效性，包括：
确定综合评价指标，建立评价体系层次化结构；
确定干线公路路段交通运行状态综合评价因素集U＝(U1，U2，U3，...，Un)；U1-Un是第一级因素，第一级因素Ui由第二级因素Uij决定，同理第二级因素Uij由第三级因素Uijz决定；
确定干线公路路段交通运行状态综合评价因素的权重集；采用层次分析法和熵权法的组合来确定权重：
式中，α为偏好权重，0≤α≤1；
确定干线公路路段交通运行状态综合评价等级集V＝(V1，V2，...，Vn)；
模糊评价；逐级将隶属度矩阵与权重进行模糊计算可得到立交交通运行综合评价值U。
6.一种基于车路协同的城市主干道缓堵策略仿真评估系统，其特征在于，包括：
第一构建模块，用于基于获取的路网交通流数据，构建OD溯源平台，识别拥堵车辆主要轨迹、来源与目的地；
第二构建模块，用于根据拥堵车辆主要轨迹、来源与目的地，构建群体车辆分配多目标优化模型和主干道支路控制模型，确定汇入主干道和支路的交通量；
第三构建模块，用于根据汇入主干道和支路的交通量，构建VMS选址模型，确定VMS设置点位，实现VMS诱导效果；
第四构建模块，用于基于搭建VISSIM路网模型，针对特殊点位设计缓堵方案，仿真得到评价所需数据；
评价模块，用于基于多层次模糊综合评价法，构建路网交通运行状态的综合评价体系，评价缓堵方案有效性。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的基于车路协同的城市主干道缓堵策略仿真评估方法。
8.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如权利要求1-6任一项所述的基于车路协同的城市主干道缓堵策略仿真评估方法。
9.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-5任一项所述的基于车路协同的城市主干道缓堵策略仿真评估方法的指令。
CN202310470671.3A 2023-04-27 2023-04-27 基于车路协同的城市主干道缓堵策略仿真评估方法及系统 Pending CN116543552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310470671.3A CN116543552A (zh) 2023-04-27 2023-04-27 基于车路协同的城市主干道缓堵策略仿真评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310470671.3A CN116543552A (zh) 2023-04-27 2023-04-27 基于车路协同的城市主干道缓堵策略仿真评估方法及系统

Publications (1)

Publication Number Publication Date
CN116543552A true CN116543552A (zh) 2023-08-04

Family

ID=87451697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310470671.3A Pending CN116543552A (zh) 2023-04-27 2023-04-27 基于车路协同的城市主干道缓堵策略仿真评估方法及系统

Country Status (1)

Country Link
CN (1) CN116543552A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117133130A (zh) * 2023-10-26 2023-11-28 中国市政工程西南设计研究总院有限公司 一种机场道路拥堵预测仿真方法及系统
CN117669002A (zh) * 2023-12-27 2024-03-08 济宁市鸿翔公路勘察设计研究院有限公司 一种基于大数据的道路设计实用程度评估方法及装置
CN117690301A (zh) * 2024-02-04 2024-03-12 福建省高速公路科技创新研究院有限公司 一种考虑诱导服从率的高速公路分流诱导策略
CN117746636A (zh) * 2023-12-25 2024-03-22 武汉澳易通电信科技有限公司 一种智慧城市交通指挥监控系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117133130A (zh) * 2023-10-26 2023-11-28 中国市政工程西南设计研究总院有限公司 一种机场道路拥堵预测仿真方法及系统
CN117133130B (zh) * 2023-10-26 2024-03-01 中国市政工程西南设计研究总院有限公司 一种机场道路拥堵预测仿真方法及系统
CN117746636A (zh) * 2023-12-25 2024-03-22 武汉澳易通电信科技有限公司 一种智慧城市交通指挥监控系统
CN117669002A (zh) * 2023-12-27 2024-03-08 济宁市鸿翔公路勘察设计研究院有限公司 一种基于大数据的道路设计实用程度评估方法及装置
CN117690301A (zh) * 2024-02-04 2024-03-12 福建省高速公路科技创新研究院有限公司 一种考虑诱导服从率的高速公路分流诱导策略
CN117690301B (zh) * 2024-02-04 2024-04-23 福建省高速公路科技创新研究院有限公司 一种考虑诱导服从率的高速公路分流诱导方法

Similar Documents

Publication Publication Date Title
CN116543552A (zh) 基于车路协同的城市主干道缓堵策略仿真评估方法及系统
Guo et al. Multiperiod-based timetable optimization for metro transit networks
CN105857350B (zh) 一种基于区间断面客流的高铁列车开行方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN108492555A (zh) 一种城市路网交通状态评价方法及装置
CN105809958A (zh) 一种基于交叉口群的交通控制方法及系统
CN104484514B (zh) 一种规避拥堵路段的弹性公交线路设计方法
CN108447256A (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
CN103456163B (zh) 城市快速路互通立交通行能力和运行状态判别方法与系统
Mahut et al. Calibration and application of a simulation-based dynamic traffic assignment model
CN106710220A (zh) 一种城市道路分层动态协调控制算法及控制方法
CN107180534B (zh) 支持向量回归机融合的高速公路路段平均速度估计方法
Ryu et al. Two-stage bicycle traffic assignment model
Qu et al. Road traffic bottleneck analysis for expressway for safety under disaster events using blockchain machine learning
Ding et al. Dynamic parking charge–perimeter control coupled method for a congested road network based on the aggregation degree characteristics of parking generation distribution
CN113408189B (zh) 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法
Cosido et al. Automatic calculation of bicycle routes by combining meta-heuristics and GIS techniques within the framework of smart cities
Russo et al. A topological method to choose optimal solutions after solving the multi-criteria urban road network design problem
CN112036621A (zh) 一种交通枢纽内导向标识的设置方法和装置
Chen et al. Coordinated ramp metering based on real-time OD information
Li et al. Variable speed limit strategies analysis with link transmission model on urban expressway
Lu et al. Research on the intelligent assignment model of urban traffic planning based on optimal path optimization algorithm
Li et al. The simulation model on delay time of road accessibility based on intelligent traffic control system
Bayrak et al. A multi-criteria decision for determining the appropriate junction design type: AHP approach with microsimulation
Tan et al. Coordinated Ramp Metering Control Based on Multi-Agent Reinforcement Learning

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