CN102938203A - 基于基本交通流参数的道路拥挤状态自动判别方法 - Google Patents

Abstract

本发明公开了一种基于基本交通流参数的道路拥挤状态自动判别方法。该方法包括交通状态特征阈值的确定和实时交通状态的判定两个步骤，第一步首先通过交通流量与占有率相位角正切值的正态拟合确定畅通、拥挤和堵塞的特征阈值，阈值可根据交通状态的变化进行自校正；第二步根据连续2次实时交通量的大小并计算实时交通量相位角特征值的拟合值的分布来进行实时交通状态的判定。本发明的优点：本方法通过交通流的三个重要基本参数，即流量、速度、占有率作为交通状态判定的依据，解决了城市道路高峰期交通状态难以准确判断的问题，并将交通状态分为畅通、拥挤和堵塞三种状态。可提高对于突发事件的反应速度，并可为出行者在出行路线选择上给出建议。

Description

基于基本交通流参数的道路拥挤状态自动判别方法

技术领域

本发明涉及一种基于基本交通流参数的道路拥挤状态自动判别方法，用于实时判别道路交通状态。

背景技术

正确认识、客观评价城市交通拥堵，明确交通拥堵的实际状况，是深入分析交通拥堵、解决拥堵的基础工作，具有重要的意义。

国外交通管理部门和研究机构开展了大量的交通拥堵评价相关研究，主要集中在美欧日等国。其中，美国最早开展了***的交通拥堵评价指标体系的研究与实践，建立了比较完善的拥堵评价指标体系；欧洲日本等其他发达国家和地区在拥堵评价指标体系方面也进行了相关的研究。

国内近年来开展的交通拥堵判断的相关项目主要是对于城市总体交通运行质量的评价，如2008年保安部和***联合制定了《城市道路交通管理评价指标体系》，京沪等城市也自行出台了相关的交通运行评价项目。但是国内目前尚无专门、***的交通拥堵评价指标研究，也未建立起交通拥堵评价的指标体系。

国内对于交通拥堵判断的研究，一般都将流量这一主要的交通状态参数作为交通状态判断的依据，这类方法在道路交通流较为通畅的状态下有一定效果。但是对于交通高峰状态下的交通状态判断准确率显著下降。在城市道路网处于交通高峰期时，城市主干道流量可能较长时间处于饱和状态，即使交通状态发生了明显的变化，如发生突发情况导致交通流堵塞，流量的变化也并不明显。所以采用流量作为单一的判别参数并不能准确地反映道路交通状态的真实情况。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于基本交通流参数的道路拥挤状态自动判别方法，提供更为准确的道路交通状态判断。

按照本发明提供的技术方案，所述基于基本交通流参数的道路拥挤状态自动判别方法包括以下步骤：

一、阈值的确定：

1.1、在实时交通流历史数据库中，计算相位角α正切值大小，

L为流量，O为占有率，并将样本点按照相位角α正切值升序排列，样本点的横坐标是占有率O，纵坐标是流量L；选择全部样本点进行正态拟合，得到拟合统计量Q₁；然后，从第二个相位角正切最小值开始选择所有样本点，进行正态拟合，得到拟合统计量Q₂；以此类推得到拟合统计量序列Q_k，拟合统计量的值最小时即为最佳交通状态分隔点；

1.2、将计算出的相位角序列根据步骤1.1中得到的最佳交通状态分隔点分为三类：相位角序列中相邻两点都在分隔点左侧即为畅通状态，相邻两点都在分隔点右侧则为堵塞状态，相邻两点一点在分隔点左侧另一点在分隔点右侧则为拥挤状态；

1.3、获取步骤1.2中拥挤状态的样本点中流量的最小值L_min；

二、实时交通状态的判断：

获取实时的交通流数据，如果流量小于L_min，则采用仅用流量作为参数的方法进行交通状态的判断，即根据流量大小直接判别交通状态；如果流量不小于L_min，则根据该交通流数据的速度、流量和占有率，计算其相位角大小，根据步骤一中所得的分隔点判断该相位角所在区间，来判断实时的交通状态。

步骤一所述阈值的更新方法为：根据最新的实时交通流历史数据，重复步骤一，计算新的最佳交通状态分隔点和L_min代替上一步的阈值。

步骤1.1中拟合统计量的计算公式如下

$Q_k=\frac{n_k\mathrm{\Σ}{(x_i-\stackrel{\‾}{x_k})}^3}{(n_k-1)(n_k-2)s^3},$

其中Q_k表示第k个样本序列的拟合统计量，n_k为第k个样本序列的样本数量，s为样本的标准差，

为第k个样本序列

的平均值。

本发明的优点是：本方法通过交通流的三个重要基本参数，即流量、速度、占有率作为交通状态判定的依据，解决了城市道路高峰期交通状态难以准确判断的问题，并将交通状态分为畅通、拥挤和堵塞三种状态。可提高对于突发事件的反应速度，并可为出行者在出行路线选择上给出建议。

附图说明

图1是流量和占有率的关系曲线。

图2是本发明的拥挤状态判别方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

在城市道路交通网处于交通高峰期时，交通流量的变化并不显著。对于流量过饱和，和突发的交通事故，这种单一的判断方式难以对交通状态给出准确的判断。本方法通过交通流的三个重要基本参数，即流量、速度、占有率作为交通状态判定的依据，解决了城市道路高峰期交通状态难以准确判断的问题，并将交通状态分为畅通、拥挤和堵塞三种状态。所述流量是指一定时间段内通过某断面的车辆总数，所述速度是指一定时间段内通过某断面所有车辆的平均速度，所述占有率是指一定时间段内的时间占有率（存在型车辆检测器上，在一段检测周期内，车辆检测器上存在车辆的时间总和与检测周期的比值称为这个检测周期的时间占有率，简称占有率）。

流量L和占有率O的关系如图1，如A点和B点都处于流量较高处，流量并不能准确地反映出交通状态的突变。

根据图1，可以得到速度的计算公式：

$V=k\frac{L}{O}$

其中，V为车流平均速度，L为流量，O为占有率，k为系数。根据上式可以得到(O,L)平面上的相位角公式：

$\tan \mathrm{\α}=\frac{L}{O}$

可以根据此公式来计算相位角α正切值，并利用这个值来进行交通状态的划分。理论上相位角可以接近和达到90度，此时占有率接近于0，流量也很小，但速度很大，此时为自由交通流速度，交通处于绝对通畅。相位角也可以等于0，此时占有率很大，趋于饱和，而流量接近为0，交通处于绝对堵塞状态。

随着占有率的变化，交通状态也从畅通到拥挤之间变化，相位角通过流量和占有率的关系，体现了交通流速度的分布，这一分布包含了所有交通状态点（也就是后面所要分析的样本点）。正常交通状态的速度分布应服从正态分布或对数分布，交通拥挤状态的速度分布也具有此特点。

如图2所示，本发明提出的道路拥挤状态自动判别方法包括以下步骤。

1、阈值的确定。

（1）在实时交通流历史数据库中，计算相位角α大小，并将样本点按照相位角α升序排列，样本点的横坐标是占有率O，纵坐标是流量L；选择全部样本点进行正态拟合，得到拟合统计量（统计量的计算其实是样本的偏度计算）；然后，从第二个相位角最小值开始选择所有样本点，进行正态拟合，得到拟合统计量；以此类推得到拟合统计量序列Q_k，拟合统计量的值最小时即为最佳交通状态分隔点。

拟合统计量的计算公式如下

$Q_k=\frac{n_k\mathrm{\Σ}{(x_i-\stackrel{\‾}{x_k})}^3}{(n_k-1)(n_k-2)s^3},$

其中Q_k表示第k个样本序列的拟合统计量，n_k为第k个样本序列的样本数量，s为样本的标准差，

为第k个样本序列

的平均值。

（2）将这些相位角序列根据步骤（1）中计算而得的最佳交通状态分隔点分为三类，相位角序列中相邻两点都在分隔点左侧即为畅通状态，相邻两点都在分隔点右侧则为堵塞状态，相邻两点一点在分隔点左侧另一点在分隔点右侧则为拥挤状态。

（3）获取步骤（2）中拥挤状态点的样本点中流量的最小值L_min。

2、实时交通状态的判断。

（1）获取实时的交通流数据，如果流量小于L_min，则采用常规的采用流量作为参数的方法进行拥堵状态的判断。即根据流量大小直接判别交通状态。

（2）如果流量不小于L_min，则根据该交通流数据的速度、流量和占有率，计算其相位角大小，根据步骤1中所得的分隔点判断该相位角所在区间，来判断实时的交通状态。

3、阈值的更新。

因为流量数据一直在更新，路况也在不断变化，根据最新的历史数据，重复步骤1，计算新的最佳交通状态分隔点和L_min代替上一步的阈值。

Claims (3)

1.基于基本交通流参数的道路拥挤状态自动判别方法，其特征是，包括以下步骤：

一、阈值的确定：

1.1、在实时交通流历史数据库中，计算相位角α正切值大小，

L为流量，O为占有率，并将样本点按照相位角α正切值升序排列，样本点的横坐标是占有率O，纵坐标是流量L；选择全部样本点进行正态拟合，得到拟合统计量Q₁；然后，从第二个相位角正切最小值开始选择所有样本点，进行正态拟合，得到拟合统计量Q₂；以此类推得到拟合统计量序列Q_k，拟合统计量的值最小时即为最佳交通状态分隔点；

1.2、将计算出的相位角序列根据步骤1.1中得到的最佳交通状态分隔点分为三类：相位角序列中相邻两点都在分隔点左侧即为畅通状态，相邻两点都在分隔点右侧则为堵塞状态，相邻两点一点在分隔点左侧另一点在分隔点右侧则为拥挤状态；

1.3、获取步骤1.2中拥挤状态的样本点中流量的最小值L_min；

二、实时交通状态的判断：

获取实时的交通流数据，如果流量小于L_min，则采用仅用流量作为参数的方法进行交通状态的判断，即根据流量大小直接判别交通状态；如果流量不小于L_min，则根据该交通流数据的速度、流量和占有率，计算其相位角大小，根据步骤一中所得的分隔点判断该相位角所在区间，来判断实时的交通状态。

2.如权利要求1所述基于基本交通流参数的道路拥挤状态自动判别方法，其特征是，所述阈值的更新方法为：根据最新的实时交通流历史数据，重复步骤一，计算新的最佳交通状态分隔点和L_min代替上一步的阈值。

3.如权利要求1所述基于基本交通流参数的道路拥挤状态自动判别方法，其特征是，拟合统计量的计算公式如下

$Q_k=\frac{n_k\mathrm{\Σ}{(x_i-\stackrel{\‾}{x_k})}^3}{(n_k-1)(n_k-2)s^3},$

其中Q_k表示第k个样本序列的拟合统计量，n_k为第k个样本序列的样本数量，s为样本的标准差，

为第k个样本序列

的平均值。

Images