CN116756205A - 面向行驶周期的细分速度vkt和vht分布构建方法 - Google Patents

面向行驶周期的细分速度vkt和vht分布构建方法 Download PDF

Info

Publication number
CN116756205A
CN116756205A CN202310533996.1A CN202310533996A CN116756205A CN 116756205 A CN116756205 A CN 116756205A CN 202310533996 A CN202310533996 A CN 202310533996A CN 116756205 A CN116756205 A CN 116756205A
Authority
CN
China
Prior art keywords
speed
road
vkt
vht
flow
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
Application number
CN202310533996.1A
Other languages
English (en)
Other versions
CN116756205B (zh
Inventor
臧金蕊
宋国华
焦朋朋
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 University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202310533996.1A priority Critical patent/CN116756205B/zh
Publication of CN116756205A publication Critical patent/CN116756205A/zh
Application granted granted Critical
Publication of CN116756205B publication Critical patent/CN116756205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G06F16/212—Schema design and management with details for data modelling support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明的面向行驶周期的细分速度VKT和VHT分布构建方法包括：多源数据集成与匹配；各等级道路宏观交通流基本图模型构建；根据Q＝k*v，带入以上交通流特征参数，推导出各等级道路流量‑速度模型；统计在细分速度区间的VKT和VHT的分布，本发明的面向行驶周期的细分速度VKT和VHT分布构建方法可对细分速度区间的动态VKT、VHT进行快速计算，提高细分速度区间的动态车辆行驶里程测算精度，为构建准确刻画车辆行驶状况的行驶周期提供数据支撑。

Description

面向行驶周期的细分速度VKT和VHT分布构建方法
技术领域
本申请涉及交通运输规划与管理领域，尤其涉及一种面向行驶周期开发的细分速度VKT和VHT测算方法与系统。
背景技术
机动车尾气污染日益严重，建立行驶周期是进行能耗排放测算、控制尾气污染的基础。传统确定行驶周期所用的数据采集方法主要为追踪法和线路循环法。追踪法通过随机跟驰目标车辆获取行驶轨迹，线路循环法通过在选定线路上循环行驶收集数据。这些传统的数据采集方法耗费成本大，采集时间长，覆盖的路网范围小，所建立的行驶周期代表性不足。通过车辆行驶里程(Vehicle Kilometers Traveled，VKT)和车辆行驶时间(VehicleHours Traveled，VHT)在不同速度区间所占比例，来推算不同车辆行驶状态在行驶周期中所占比重，能够提高数据样本在路网的覆盖范围。路段动态流量是计算细分速度区间VKT和VHT的关键参数，当前全路网动态流量数据实际采集难度高成本大，也缺乏有效测算方法，是制约全路网动态VKT和VHT测算的重要原因。大规模路网的速度数据采集技术较为成熟，基于宏观交通流基本图模型，研究通过速度推算较为准确的流量数据，是获取全路网动态流量的有效途径。因此，如何基于交通流基本图模型，开发一种面向行驶周期开发的细分速度VKT和VHT测算方法与系统，为构建更为精确的行驶周期提供数据支撑，是亟待解决的问题。
发明内容
本发明提出了一种面向行驶周期开发的细分速度VKT和VHT测算方法与系统。首先，基于不同城市多源交通流数据，构建各等级道路的宏观交通流基本图模型，利用路段动态速度数据推算全路网流量数据；其次，基于C++算法开发细分速度区间的路网动态VKT和VHT算法，分析道路等级和城市规模对VKT和VHT分布特征的影响，提取VKT和VHT分布的关键影响因素；最后，构建动态VKT和VHT数据分析系统，对计算结果进行直观展示。
为了完成本申请的发明目的，本申请采用以下技术方案：
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法，其中：它包括：
(一)、多源数据集成与匹配
基于浮动车系统采集各等级道路不同路段上的速度数据和基于远程交通微波传感器(Remote Traffic Microwave Sensor，RTMS)采集各等级道路不同路段上的RTMS流量数据，对速度数据和流量数据进行集成与匹配
(1)、将浮动车速度数据和RTMS流量数据集成为具有小时粒度的速度值和流量值
浮动车速度值的原始采集的时间间隔为a分钟，利用公式(1)集成为具有小时粒度的速度值：
式中，j为第j个小时，i为第j个小时内的第i条原始数据记录，Vj为第j小时集成的速度值，vij为第j小时内时间间隔为a分钟的第i条原始速度值；
RTMS流量值的原始采集的时间间隔为b分钟，利用公式(2)集成为具有小时粒度的流量值：
式中，Qj为第j小时集成的流量值，qij为第j小时内时间间隔为b分钟的第i条原始流量值；
(2)、基于ArcGIS平台将上述的速度值和流量值进行匹配，其步骤如下：
(a)、浮动车速度数据包括：浮动车的速度值和路段编号r，GIS路网包括：路段编号r、该路段的车道数和路段长度Lr，基于浮动车速度数据和GIS路网数据，通过路段编号r将浮动车的速度值与GIS路网数据进行匹配；
(b)、基于RTMS流量数据是具有经纬度信息的，通过上述经纬度信息将RTMS流量数据在GIS路网中显示出来，找出该RTMS流量数据在GIS路网中路段编号r，将RTMS流量值与GIS路网数据进行匹配：
(c)、通过路段编号r，将浮动车速度值和RTMS流量值在GIS路网进行匹配，再通过采集时间，将浮动车速度数据和RTMS流量数据的时间进行匹配，建立一个速度值和流量值的时空匹配数据对；
(3)、选取某个行政区的每种道路类型的至少20个典型断面，每个路段包括一个断面，
用公式(3)计算出上述路段的某个等级道路的每个小时平均速度、平均流量和平均密度进行计算
其中，d为道路类型，P为道路类型d的断面总个数，一个路段包括一个断面，分别为道路等级d的P个断面第j个小时的平均速度、平均流量和平均密度，其中d＝1,2,3,4分别表示道路类型为高速公路、快速路、主干路和次支路；Vjpd为道路类型d第p断面第j小时的集成的速度值，Qjpd道路类型d的第p个断面第j小时的集成的流量值，得到一天24个小时中每个小时的/>和/>
(二)、各等级道路宏观交通流基本图模型构建
基于实测交通流的流量、密度和速度关系图的形态和经典交通流模型，选取最优模型进行拟合，构建宏观交通流基本图模型；由于速度和交通流密度之间的散点分布具有单调关系，先确定平均速度和交通流平均密度关系模型的形式，再结合交通流三参数间的关系即流量为速度和密度之积，推导其他参数之间的模型形式，以建立各等级道路的交通流基本图模型；基于上述70％的时空匹配数据对用来进行宏观基本图构建，上述30％的时空匹配数据对用来验证模型准确性；
(4)、基于Van Aerde模型构建高速公路和快速路交通流基本图模型
用步骤(3)计算出来的至少一周时间的实际平均流量和实际平均密度，通过公式(4)，用Van Aerde模型对高速公路和快速路交通流进行拟合，
式中，k为交通流密度(pcu/km)；c1，c2，c3为公式中间变量；v为交通流速度(km/h)；vf为自由流速度(km/h)；vm为临界速度(km/h)；kj为阻塞密度(pcu/km)；C为通行能力(pcu/h)，利用某行政区域的高速公路和快速路的上述实际平均速度和实际平均流量/>对，基于最小二乘法对Van Aerde模型中交通流特征参数的vf、vm、kj和C进行标定，分别得到高速公路和快速路的vf、vm、kj和C；
(5)、基于Underwood指数模型构建主干路和次支路交通流基本图模型
用步骤(3)计算出来的至少一周时间的实际平均流量和实际平均密度，通过公式(5)，用Underwood指数模型对主干路和次支路交通流进行拟合，
式中，vUnderwood为Underwood模型的速度(km/h)；k为交通流密度(pcu/km)；km为临界密度(pcu/km)，通过主干路和次支路的上述实际平均速度和实际平均流量/>对，基于最小二乘法对Underwood模型中的交通流特征参数vf和km进行标定，分别得到主干路和次支路的vf和km；
(三)、将以上交通流特征参数代入Q＝k*v，推导出公式(6)的某个行政区各等级道路流量-速度模型，
式中，Qjrd为道路类型d第r路段第j小时的模型推算的流量值，Vjrd为道路类型d第r路段第j小时的集成的速度值；
(四)、统计在细分速度区间的VKT和VHT的分布
VKT为车辆行驶里程；VHT为车辆行驶时间；
(6)、在各等级道路中，分别求出各路段r的VKT和VHT
根据公式(7)计算各路段在统计时间内每个小时的VKT和VHT，
其中：r为路段编号；VKTjr,VHTjr分别为第r路段第j小时的VKT和VHT值，Qjr为第r路段第j小时的流量值，Lr为第r路段的道路长度，GIS路网给出该道路长度Lr，ηjr为车辆第j小时在第r路段行驶里程占整个路段长度的比例，Tj为第j个小时的车辆行驶时长；
(7)、根据公式(8)计算各等级道路的VKT和VHT总量
其中，VKTd，VHTd分别为在统计时间内的道路类型d的VKT和VHT总和，VKTjrd，VHTjrd分别为道路类型d第r路段第j小时的VKT和VHT值，道路类型d由多个第r路段组成，将VKTjrd和VHTjrd分别在统计时间内的所有路段进行叠加得到VKTd和VHTd；
(8)、在各等级道路中，将速度细分为若干个速度区间，在上述速度区间内，根据公式(9)将速度平均分成若干个区间，
其中，Vj为第j小时的交通流速度(km/h),n为整数，Vbin为第n个速度区间；
在上述统计时间的各细分的速度区间内，根据公式(10)计算某个道路类型中，在第n个速度区间的VKT和VHT之和：
其中，VKTnd，VHTnd分别表示道路类型d中第n个速度区间的VKT、VHT之和；VKTjrnd，VHTjrnd分别表示在第j小时内，道路类型d的速度区间n内的所有路段的VKT、VHT值，将VKTjrnd和VHTjrnd分别在统计时间、相同速度区间内的所有路段进行叠加得到VKTnd和VHTnd；
(9)、根据公式(11)计算某个道路类型中，每个速度区间内的VKT或VHT之和占该路道类型VKT或VHT总量的比例
其中，fnd表示在统计时间内，道路类型d的第n个速度区内的VKT之和占该路道类型VKT总量的比例；lnd表示在统计时间内，道路类型d的第n个速度区内的VHT之和占该路道类型VHT总量的比例。
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法，其中：用上述30％的时空匹配数据对来验证模型准确性，分别根据Van Aerde模型和Underwood指数模型，推算出的流量和实测流量进行误差分析，根据公式(12)计算其平均绝对误差(MeanAbsolute Deviation,MAD)和平均相对误差(Mean Absolute Ralative Error,MARE)，
式中，xMAD为模型测算流量和实测流量的平均绝对误差(pcu/h)；Z为一天中参与误差分析的总小时数；yj为由公式(6)算出的第j时段模型推算流量(pcu/h)Qjrd；sj为第j时段实测流量(pcu/h)；xMARE为模型测算流量和实测流量的平均相对误差。
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法，其中：当所述xMARE小于等于15％时，用Van Aerde模型和Underwood指数模型得到的VKT和VHT分布与实际的VKT和VHT分布相符合。
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法，其中：所述第r路段由GIS路网中获取。
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法，其中：所述某行政区域是指县、市或省。
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法，其中：所述典型路段是指在某行政区域的东、南、西和北四个不同方向。
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法，其中：所述统计时间内是指一天中的某个时间段、一周中的某个时间段、一个月中的某个时间段或者一年中的某个时间段。
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法，其中：所述第j小时是指一天中某一个小时。
本发明构建的不同等级道路宏观交通流基本图模型能较好地模拟城市道路交通流，所构建的面向行驶周期开发的VKT、VHT算法及数据分析系统，可对细分速度区间的动态VKT、VHT进行快速计算，并对不同城市计算结果进行直观对比，提高细分速度区间的动态车辆行驶里程测算精度，为构建准确刻画车辆行驶状况的行驶周期提供数据支撑。
附图说明
图1为速度与密度的关系曲线，在图1中表示实测数据，——表示模型标定；
图2为流量与速度的关系曲线；
其中：图2(a)为在高速公路中，流量与速度的关系曲线；
图2(b)为在快速公路中，流量与速度的关系曲线；
图2(c)为在主干路中，流量与速度的关系曲线；
图2(d)为在次干路路中，流量与速度的关系曲线；
在图2中表示实测数据，——表示模型标定；
图3为在速度区间内的VKT比例分布，在图中，代表高速公路；/>代表快速路；/>代表主干路；/>代表次支路；
图4为在速度区间内的VHT比例分布，在图中，代表高速公路；/>代表快速路；/>代表主干路；/>代表次支路。
具体实施方式
本发明的面向行驶周期的细分速度VKT和VHT分布构建方法包括：
本发明的一种面向行驶周期的细分速度VKT和VHT分布构建方法包括：
(一)、多源数据集成与匹配
基于浮动车系统采集各等级道路不同路段上的速度数据和基于远程交通微波传感器(Remote Traffic Microwave Sensor，RTMS)采集各等级道路不同路段上的RTMS流量数据，对速度数据和流量数据进行集成与匹配
(1)、将浮动车速度数据和RTMS流量数据集成为具有小时粒度的速度值和流量值
浮动车速度值的原始采集的时间间隔为a分钟，利用公式(1)集成为具有小时粒度的速度值：
式中，j为第j个小时，第j小时是指一天中某一个小时，i为第j个小时内的第i条原始数据记录，Vj为第j小时集成的速度值，vij为第j小时内时间间隔为a分钟的第i条原始速度值；
RTMS流量值的原始采集的时间间隔为b分钟，利用公式(2)集成为具有小时粒度的流量值：
式中，Qj为第j小时集成的流量值，qij为第j小时内时间间隔为b分钟的第i条原始流量值；
(2)、基于ArcGIS平台将上述的速度值和流量值进行匹配，其步骤如下：
(a)、浮动车速度数据包括：浮动车的速度值和路段编号r，GIS路网包括：路段编号r、该路段的车道数和路段长度Lr，基于浮动车速度数据和GIS路网数据，通过路段编号r将浮动车的速度值与GIS路网数据进行匹配；
(b)、基于RTMS流量数据是具有经纬度信息的，通过上述经纬度信息将RTMS流量数据在GIS路网中显示出来，找出该RTMS流量数据在GIS路网中路段编号r，将RTMS流量值与GIS路网数据进行匹配：
(c)、通过路段编号r，将浮动车速度值和RTMS流量值在GIS路网进行匹配，再通过采集时间，将浮动车速度数据和RTMS流量数据的时间进行匹配，建立一个速度值和流量值的时空匹配数据对；
(3)、选取北京行政区的每种道路类型的30个典型断面，每个路段包括一个断面，
用公式(3)计算出上述路段的某个等级道路的每个小时平均速度、平均流量和平均密度进行计算
其中，d为道路类型，P为道路类型d的断面总个数，一个路段包括一个断面， 分别为道路等级d的P个断面第j个小时的平均速度、平均流量和平均密度，其中d＝1,2,3,4分别表示道路类型为高速公路、快速路、主干路和次支路；Vjpd为道路类型d第p断面第j小时的集成的速度值，Qjpd道路类型d的第p个断面第j小时的集成的流量值，得到一天24个小时中每个小时的/>和/>(二)、各等级道路宏观交通流基本图模型构建
基于实测交通流的流量、密度和速度关系图的形态和经典交通流模型，选取最优模型进行拟合，构建宏观交通流基本图模型；如图1所示，由于速度和交通流密度之间的散点分布具有单调关系，先确定平均速度和交通流平均密度关系模型的形式，再结合交通流三参数间的关系即流量为速度和密度之积，推导其他参数之间的模型形式，以建立各等级道路的交通流基本图模型；基于上述70％的时空匹配数据对用来进行宏观基本图构建，上述30％的时空匹配数据对用来验证模型准确性；
(4)、基于Van Aerde模型构建高速公路和快速路交通流基本图模型
用步骤(3)计算出来的一周时间的24*7个实际平均流量和实际平均密度，通过公式(4)，用Van Aerde模型对高速公路和快速路交通流进行拟合，
式中，k为交通流密度(pcu/km)；c1，c2，c3为公式中间变量；v为交通流速度(km/h)；vf为自由流速度(km/h)；vm为临界速度(km/h)；kj为阻塞密度(pcu/km)；C为通行能力(pcu/h)，利用某行政区域的高速公路和快速路的上述实际平均速度和实际平均流量/>对，基于最小二乘法对Van Aerde模型中交通流特征参数的vf、vm、kj和C进行标定，分别得到高速公路和快速路的vf、vm、kj和C，标定方法参见作者为刘张琦,谢耀华,李宝路,刘志广,徐志刚，发表于2022年3第8(02):《公路交通技术》杂志第134-138的“基于多国实测数据下的交通流模型对比研究”文章，其网址为：.DOI:10.13607/j.cnki.gljt.2022.02.021；
(5)、基于Underwood指数模型构建主干路和次支路交通流基本图模型
用步骤(3)计算出来的一周时间的24*7个实际平均流量和实际平均密度，通过公式(5)，用Underwood指数模型对主干路和次支路交通流进行拟合，
式中，vUnderwood为Underwood模型的速度(km/h)；k为交通流密度(pcu/km)；km为临界密度(pcu/km)，通过主干路和次支路的上述实际平均速度和实际平均流量/>对，基于最小二乘法对Underwood模型中的交通流特征参数vf和km进行标定，分别得到主干路和次支路的vf和km，标定方法参见作者为刘张琦,谢耀华,李宝路,刘志广,徐志刚，发表于2022年3第8(02):《公路交通技术》杂志第134-138的“基于多国实测数据下的交通流模型对比研究”文章，其网址为：.DOI:10.13607/j.cnki.gljt.2022.02.021；
(三)、将以上交通流特征参数代入Q＝k*v，推导出公式(6)的北京各等级道路流量-速度模型，如图2所示流量与速度的关系；
式中，Qjrd为道路类型d第r路段第j小时的模型推算的流量值，Vjrd为道路类型d第r路段第j小时的集成的速度值；
(四)、统计在细分速度区间的VKT和VHT的分布
VKT为车辆行驶里程；VHT为车辆行驶时间；
(6)、在各等级道路中，分别求出各路段r的VKT和VHT
根据公式(7)计算各路段在统计时间内每个小时的VKT和VHT，
其中：r为路段编号；VKTjr,VHTjr分别为第r路段第j小时的VKT和VHT值，Qjr为第r路段第j小时的流量值，Lr为第r路段的道路长度，GIS路网给出该道路长度Lr，ηjr为车辆第j小时在第r路段行驶里程占整个路段长度的比例，Tj为第j个小时的车辆行驶时长；
(7)、根据公式(8)计算各等级道路的VKT和VHT总量
其中，VKTd，VHTd分别为在统计时间内的道路类型d的VKT和VHT总和，VKTjrd，VHTjrd分别为道路类型d第r路段第j小时的VKT和VHT值，道路类型d由多个第r路段组成，将VKTjrd和VHTjrd分别在统计时间内的所有路段进行叠加得到VKTd和VHTd；
(8)、在各等级道路中，将速度细分为若干个速度区间，在上述速度区间内，根据公式(9)将速度平均分成若干个区间，
其中，Vj为第j小时的交通流速度(km/h),n为整数，Vbin为第n个速度区间；
在上述统计时间的各细分的速度区间内，根据公式(10)计算某个道路类型中，在第n个速度区间的VKT和VHT之和：
其中，VKTnd，VHTnd分别表示道路类型d中第n个速度区间的VKT、VHT之和；VKTjrnd，VHTjrnd分别表示在第j小时内，道路类型d的速度区间n内的所有路段的VKT、VHT值，将VKTjrnd和VHTjrnd分别在统计时间、相同速度区间内的所有路段进行叠加得到VKTnd和VHTnd；
(9)、根据公式(11)计算某个道路类型中，每个速度区间内的VKT或VHT之和占该路道类型VKT或VHT总量的比例
其中，如图3所示，fnd表示在统计时间内，道路类型d的第n个速度区内的VKT之和占该路道类型VKT总量的比例；如图4所示，lnd表示在统计时间内，道路类型d的第n个速度区内的VHT之和占该路道类型VHT总量的比例。
用上述30％的时空匹配数据对来验证模型准确性，分别根据Van Aerde模型和Underwood指数模型，推算出的流量和实测流量进行误差分析，根据公式(12)计算其平均绝对误差(Mean Absolute Deviation,MAD)和平均相对误差(Mean Absolute RalativeError,MARE)，
式中，xMAD为模型测算流量和实测流量的平均绝对误差(pcu/h)；Z为一天中参与误差分析的总小时数；yj为由公式(6)算出的第j时段模型推算流量(pcu/h)Qjrd；sj为第j时段实测流量(pcu/h)；xMARE为模型测算流量和实测流量的平均相对误差，当所述xMARE小于等于15％时，用Van Aerde模型和Underwood指数模型得到的VKT和VHT分布与实际的VKT和VHT分布相符合。
需要特别说明的是：第r路段可以由GIS路网中获取，典型路段是指在某行政区域东、南、西和北四个不同方向，统计时间内是指一天中的某个时间段、一周中的某个时间段、一个月中的某个时间段或者一年中的某个时间段。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种面向行驶周期的细分速度VKT和VHT分布构建方法，其特征在于：它包括：
(一)、多源数据集成与匹配
基于浮动车系统采集各等级道路不同路段上的速度数据和基于远程交通微波传感器(Remote Traffic Microwave Sensor，RTMS)采集各等级道路不同路段上的RTMS流量数据，对速度数据和流量数据进行集成与匹配
(1)、将浮动车速度数据和RTMS流量数据集成为具有小时粒度的速度值和流量值
浮动车速度值的原始采集的时间间隔为a分钟，利用公式(1)集成为具有小时粒度的速度值：
式中，j为第j个小时，i为第j个小时内的第i条原始数据记录，Vj为第j小时集成的速度值，vij为第j小时内时间间隔为a分钟的第i条原始速度值；
RTMS流量值的原始采集的时间间隔为b分钟，利用公式(2)集成为具有小时粒度的流量值：
式中，Qj为第j小时集成的流量值，qij为第j小时内时间间隔为b分钟的第i条原始流量值；
(2)、基于ArcGIS平台将上述的速度值和流量值进行匹配，其步骤如下：
(a)、浮动车速度数据包括：浮动车的速度值和路段编号r，GIS路网包括：路段编号r、该路段的车道数和路段长度Lr，基于浮动车速度数据和GIS路网数据，通过路段编号r将浮动车的速度值与GIS路网数据进行匹配；
(b)、基于RTMS流量数据是具有经纬度信息的，通过上述经纬度信息将RTMS流量数据在GIS路网中显示出来，找出该RTMS流量数据在GIS路网中路段编号r，将RTMS流量值与GIS路网数据进行匹配：
(c)、通过路段编号r，将浮动车速度值和RTMS流量值在GIS路网进行匹配，再通过采集时间，将浮动车速度数据和RTMS流量数据的时间进行匹配，建立一个速度值和流量值的时空匹配数据对；
(3)、选取某个行政区的每种道路类型的至少20个典型断面，每个路段包括一个断面，用公式(3)计算出上述路段的某个等级道路的每个小时平均速度、平均流量和平均密度进行计算
其中，d为道路类型，P为道路类型d的断面总个数，一个路段包括一个断面， 分别为道路等级d的P个断面第j个小时的平均速度、平均流量和平均密度，其中d＝1,2,3,4分别表示道路类型为高速公路、快速路、主干路和次支路；Vjpd为道路类型d第p断面第j小时的集成的速度值，Qjpd道路类型d的第p个断面第j小时的集成的流量值，得到一天24个小时中每个小时的/>和/>
(二)、各等级道路宏观交通流基本图模型构建
基于实测交通流的流量、密度和速度关系图的形态和经典交通流模型，选取最优模型进行拟合，构建宏观交通流基本图模型；由于速度和交通流密度之间的散点分布具有单调关系，先确定平均速度和交通流平均密度关系模型的形式，再结合交通流三参数间的关系即流量为速度和密度之积，推导其他参数之间的模型形式，以建立各等级道路的交通流基本图模型；基于上述70％的时空匹配数据对用来进行宏观基本图构建，上述30％的时空匹配数据对用来验证模型准确性；
(4)、基于Van Aerde模型构建高速公路和快速路交通流基本图模型
用步骤(3)计算出来的至少一周时间的实际平均流量和实际平均密度，通过公式(4)，用Van Aerde模型对高速公路和快速路交通流进行拟合，
式中，k为交通流密度(pcu/km)；c1，c2，c3为公式中间变量；v为交通流速度(km/h)；vf为自由流速度(km/h)；vm为临界速度(km/h)；kj为阻塞密度(pcu/km)；C为通行能力(pcu/h)，利用某行政区域的高速公路和快速路的上述实际平均速度和实际平均流量/>对，基于最小二乘法对Van Aerde模型中交通流特征参数的vf、vm、kj和C进行标定，分别得到高速公路和快速路的vf、vm、kj和C；
(5)、基于Underwood指数模型构建主干路和次支路交通流基本图模型
用步骤(3)计算出来的至少一周时间的实际平均流量和实际平均密度，通过公式(5)，用Underwood指数模型对主干路和次支路交通流进行拟合，
式中，vUnderwood为Underwood模型的速度(km/h)；k为交通流密度(pcu/km)；km为临界密度(pcu/km)，通过主干路和次支路的上述实际平均速度和实际平均流量/>对，基于最小二乘法对Underwood模型中的交通流特征参数vf和km进行标定，分别得到主干路和次支路的vf和km；
(三)、将以上交通流特征参数代入Q＝k*v，推导出公式(6)的某个行政区各等级道路流量-速度模型，
式中，Qjrd为道路类型d第r路段第j小时的模型推算的流量值，Vjrd为道路类型d第r路段第j小时的集成的速度值；
(四)、统计在细分速度区间的VKT和VHT的分布
VKT为车辆行驶里程；VHT为车辆行驶时间；
(6)、在各等级道路中，分别求出各路段r的VKT和VHT
根据公式(7)计算各路段在统计时间内每个小时的VKT和VHT，
其中：r为路段编号；VKTjr,VHTjr分别为第r路段第j小时的VKT和VHT值，Qjr为第r路段第j小时的流量值，Lr为第r路段的道路长度，GIS路网给出该道路长度Lr，ηjr为车辆第j小时在第r路段行驶里程占整个路段长度的比例，Tj为第j个小时的车辆行驶时长；
(7)、根据公式(8)计算各等级道路的VKT和VHT总量
其中，VKTd，VHTd分别为在统计时间内的道路类型d的VKT和VHT总和，VKTjrd，VHTjrd分别为道路类型d第r路段第j小时的VKT和VHT值，道路类型d由多个第r路段组成，将VKTjrd和VHTjrd分别在统计时间内的所有路段进行叠加得到VKTd和VHTd；
(8)、在各等级道路中，将速度细分为若干个速度区间，在上述速度区间内，根据公式(9)将速度平均分成若干个区间，
其中，Vj为第j小时的交通流速度(km/h),n为整数，Vbin为第n个速度区间；
在上述统计时间的各细分的速度区间内，根据公式(10)计算某个道路类型中，在第n个速度区间的VKT和VHT之和：
其中，VKTnd，VHTnd分别表示道路类型d中第n个速度区间的VKT、VHT之和；VKTjrnd，VHTjrnd分别表示在第j小时内，道路类型d的速度区间n内的所有路段的VKT、VHT值，将VKTjrnd和VHTjrnd分别在统计时间、相同速度区间内的所有路段进行叠加得到VKTnd和VHTnd；
(9)、根据公式(11)计算某个道路类型中，每个速度区间内的VKT或VHT之和占该路道类型VKT或VHT总量的比例
其中，fnd表示在统计时间内，道路类型d的第n个速度区内的VKT之和占该路道类型VKT总量的比例；lnd表示在统计时间内，道路类型d的第n个速度区内的VHT之和占该路道类型VHT总量的比例。
2.如权利要求1所述的面向行驶周期的细分速度VKT和VHT分布构建方法，其特征在于：用上述30％的时空匹配数据对来验证模型准确性，分别根据Van Aerde模型和Underwood指数模型，推算出的流量和实测流量进行误差分析，根据公式(12)计算其平均绝对误差(MeanAbsolute Deviation,MAD)和平均相对误差(Mean Absolute Ralative Error,MARE)，
式中，xMAD为模型测算流量和实测流量的平均绝对误差(pcu/h)；Z为一天中参与误差分析的总小时数；yj为由公式(6)算出的第j时段模型推算流量(pcu/h)Qjrd；sj为第j时段实测流量(pcu/h)；xMARE为模型测算流量和实测流量的平均相对误差。
3.如权利要求2所述的面向行驶周期的细分速度VKT和VHT分布构建方法，其特征在于：当所述xMARE小于等于15％时，用Van Aerde模型和Underwood指数模型得到的VKT和VHT分布与实际的VKT和VHT分布相符合。
4.如权利要求3所述的面向行驶周期的细分速度VKT和VHT分布构建方法，其特征在于：所述第r路段由GIS路网中获取。
5.如权利要求4所述的面向行驶周期的细分速度VKT和VHT分布构建方法，其特征在于：所述某行政区域是指县、市或省。
6.如权利要求5所述的面向行驶周期的细分速度VKT和VHT分布构建方法，其特征在于：所述典型路段是指在某行政区域的东、南、西和北四个不同方向。
7.如权利要求6所述的面向行驶周期的细分速度VKT和VHT分布构建方法，其特征在于：所述统计时间内是指一天中的某个时间段、一周中的某个时间段、一个月中的某个时间段或者一年中的某个时间段。
8.如权利要求7所述的面向行驶周期的细分速度VKT和VHT分布构建方法，其特征在于：所述第j小时是指一天中某一个小时。
CN202310533996.1A 2023-05-12 2023-05-12 面向行驶周期的细分速度vkt和vht分布构建方法 Active CN116756205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310533996.1A CN116756205B (zh) 2023-05-12 2023-05-12 面向行驶周期的细分速度vkt和vht分布构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310533996.1A CN116756205B (zh) 2023-05-12 2023-05-12 面向行驶周期的细分速度vkt和vht分布构建方法

Publications (2)

Publication Number Publication Date
CN116756205A true CN116756205A (zh) 2023-09-15
CN116756205B CN116756205B (zh) 2024-07-16

Family

ID=87955708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310533996.1A Active CN116756205B (zh) 2023-05-12 2023-05-12 面向行驶周期的细分速度vkt和vht分布构建方法

Country Status (1)

Country Link
CN (1) CN116756205B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002137649A (ja) * 2000-10-31 2002-05-14 Mitsubishi Motors Corp 車両の走行制御装置
CN101373559A (zh) * 2007-08-24 2009-02-25 同济大学 基于浮动车数据评估城市路网交通状态的方法
CN102819955A (zh) * 2012-09-06 2012-12-12 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN103632540A (zh) * 2012-08-20 2014-03-12 同济大学 基于浮动车数据的城市主干道交通运行信息处理方法
CN103956050A (zh) * 2012-09-06 2014-07-30 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN111564036A (zh) * 2020-03-23 2020-08-21 北京掌行通信息技术有限公司 交通信息可信度的检测方法、装置、系统及存储介质
CN113888877A (zh) * 2021-12-08 2022-01-04 南方科技大学 交通状态检测方法、装置、设备和存储介质
CN115497306A (zh) * 2022-11-22 2022-12-20 中汽研汽车检验中心（天津）有限公司 一种基于gis数据的速度区间权重计算方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002137649A (ja) * 2000-10-31 2002-05-14 Mitsubishi Motors Corp 車両の走行制御装置
CN101373559A (zh) * 2007-08-24 2009-02-25 同济大学 基于浮动车数据评估城市路网交通状态的方法
CN103632540A (zh) * 2012-08-20 2014-03-12 同济大学 基于浮动车数据的城市主干道交通运行信息处理方法
CN102819955A (zh) * 2012-09-06 2012-12-12 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN103956050A (zh) * 2012-09-06 2014-07-30 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN111564036A (zh) * 2020-03-23 2020-08-21 北京掌行通信息技术有限公司 交通信息可信度的检测方法、装置、系统及存储介质
CN113888877A (zh) * 2021-12-08 2022-01-04 南方科技大学 交通状态检测方法、装置、设备和存储介质
CN115497306A (zh) * 2022-11-22 2022-12-20 中汽研汽车检验中心（天津）有限公司 一种基于gis数据的速度区间权重计算方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YUYAO等: "Research on Evaluation Indexes for Emergency- Based Urban Traffic Network", 《IEEE：2012 2ND INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY》, 31 December 2012 (2012-12-31), pages 381, XP032419874, DOI: 10.1109/ICCSNT.2012.6525960 *
尹月华等: "基于 GIS 的北京市道路交通流特性研究", 《公路工程》, vol. 45, no. 4, 31 August 2020 (2020-08-31), pages 102 *
梁永凯: "基于GIS交通流模型的京津冀地区交通现状分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑（月刊）》, no. 02, 15 February 2023 (2023-02-15) *
臧金蕊: "面向排放测算的城市路网全样流量测算方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑（月刊）》, no. 02, 15 February 2022 (2022-02-15), pages 1 *

Also Published As

Publication number Publication date
CN116756205B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
Zhao et al. Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data
CN101794507B (zh) 基于浮动车数据的宏观路网交通状态评价方法
CN107330217B (zh) 一种基于rbfnn的中观油耗预测方法
CN102592447B (zh) 一种基于fcm的区域路网的道路交通状态判别方法
CN104658252A (zh) 基于多源数据融合的高速公路交通运行状态的评估方法
CN113724489B (zh) 基于多源数据的交通拥堵溯源方法
CN105303832B (zh) 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法
CN104574967A (zh) 一种基于北斗的城市大面积路网交通感知方法
CN106898142B (zh) 一种考虑路段相关性的路径行程时间可靠度计算方法
CN105894814A (zh) 考虑环境效益的多种交通管控措施联合优化方法及系统
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
CN108805360A (zh) 一种将城市生物质载体运输至生物质发电厂的运输成本确定方法
CN108765961A (zh) 一种基于改进型限幅平均滤波的浮动车数据处理方法
Hao et al. Evaluating the environmental impact of traffic congestion based on sparse mobile crowd-sourced data
CN104182633A (zh) 分层次的交通运行评价方法
CN100446015C (zh) 一种可用于地面道路网交通状况测定的方法和系统
Hao et al. Modal activity-based vehicle energy/emissions estimation using sparse mobile sensor data
CN116756205B (zh) 面向行驶周期的细分速度vkt和vht分布构建方法
Pei et al. Identification method of main road traffic congestion situation in cold-climate cities based on potential energy theory and GPS data
CN115294770B (zh) 一种雨天交通拥堵指数的预测方法和装置
CN101866549A (zh) 区域交通服务水平微观指标及评价方法
CN105825670A (zh) 基于数据融合的道路过饱和状态判断方法及系统
Lin et al. Urban road network operation quality evaluation method based on high-frequency trajectory data
Sun et al. Metropolitan congestion performance measures based on mass floating car data
Hernandez et al. Density Estimation Using Inductive Loop Signature Based Vehicle Re-Identification and Classification

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