CN106710215B - 瓶颈上游车道级交通状态预测***及实现方法 - Google Patents
瓶颈上游车道级交通状态预测***及实现方法 Download PDFInfo
- Publication number
- CN106710215B CN106710215B CN201710065260.0A CN201710065260A CN106710215B CN 106710215 B CN106710215 B CN 106710215B CN 201710065260 A CN201710065260 A CN 201710065260A CN 106710215 B CN106710215 B CN 106710215B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- streams
- junction
- bottleneck
- 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.)
- Expired - Fee Related
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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种瓶颈上游车道级交通状态预测***及实现方法。所述预测***包括信息采集模块、处理模块、发布模块以及传输模块;首先通过信息采集模块得到每辆车的车速和通过时刻,从而得到瓶颈上游交通流的初始时空分布状态及流量,在信息处理模块,基于驾驶员风险阈值,结合瓶颈处的合流模型,以及瓶颈上游的车道选择模型,预测交通流在不同车道任意时刻的时空分布状态。由于合流模型和车道选择模型计入了瓶颈上游不同车道在合流点优势不同的影响,可将瓶颈上游交通状态预测的精度提升至车道级,从而可以大大提高交通状态预测的准确程度,为交通管理者的动态控制,智能诱导、高效管理和快速决策提供理论和技术支持,并为道路使用者提供更为准确的出行信息。
Description
技术领域
本发明涉及一种瓶颈上游车道级交通状态预测***及实现方法,属于动态交通预测智能管理技术领域。
背景技术
路段交通状态估计与预测是智能交通***的重要组成部分,也是动态交通管理决策和出行决策的重要信息基础。实时准确的交通状态预测,可以为交通管理部门的动态管理、实时诱导、信息发布提供支撑,也是路段行程时间预测的基础,对于动态交通管理决策与出行决策具有重要的现实意义。
目前对路段交通状态预测的研究,根据其原理,主要分以下3类:①基于传统的数学和物理模型的数理统计分析方法;②人工智能分析方法;③基于交通仿真的方法。其中第①类方法主要有基于时间序列模型、参数回归模型、指数平滑模型等;第②类方法主要包括状态空间重构模型,神经网络模型、小波理论等;第③类方法主要包括微观仿真和宏观仿真,如元胞自动机模型、CTM模型以及一些成熟的仿真软件VISSIM等。根据其研究对象的不同,可以分为快速路的行程时间预测和城市道路的行程时间预测。但总体来说,以往研究主要是针对常规路段的,即针对在空间上和时间上都较为连续的交通流。
但对于快速路来说,瓶颈处的交通状态通常对整个快速路的运行带来决定影响。瓶颈通常可以分为常发性瓶颈(上下匝道等合流区、分流区或交织区)和偶发性瓶颈(交通事件等引起的车道关闭)。美国联邦公路署统计表明,快速路上超过70%的交通拥堵是由交通事故所导致,而交通事件所引起的拥堵占上海快速路总拥堵的50%~75%,如果计入上匝道合流区等常发性瓶颈所引发的拥堵,这一数字还会更高。因此,瓶颈处的交通状态预测具有非常重要的意义。
但是,当前的交通状态预测方法未能体现出瓶颈处交通流运行的特点。对①基于传统的数学和物理模型的数理统计分析方法;②人工智能分析方法来说,更是如此。这两类方法严重依赖于历史交通流量数据或者是上下游的交通参数,对于交通流在时空上连续的基本路段,这些方法是合适的,但是瓶颈处,特别是偶发性瓶颈,由于交通条件的变化(部分车道因交通事件而关闭),交通状态通常会发生突变,历史流量数据等不再有参考意义,因此,以上两类方法不再适合。相对来讲,仿真的方法或者是排队论、波动理论,都能反映瓶颈处的车道变化带来的影响,但这些方法都忽略了瓶颈处的另外一个关键特性,即由于部分车道在瓶颈处关闭,造成瓶颈上游不同车道在合流时所具备的优势不同,进而会影响驾驶员的车道选择,这种车道选择行为对瓶颈上游交通状态的演化具有非常重要的影响。但当前的仿真模型以及排队论和波动理论中,都未计入这一影响,从而一定程度上降低了交通状态预测的准确性。虽然这些信息对道路使用者来说,精度基本可以满足要求(对于驾驶员来说,通常只需要知道前面拥堵与否,与通过的大致时间)。但是,对于道路管理者来说,其控制和管理的效果则严重依赖于交通状态预测结果的准确程度,粒度粗细。因此,有必要针对瓶颈处的交通特点,建立更为准确,粒度更细的模型,从而可以为交通管理部门提供准确的交通状态预测,为其动态控制,智能诱导、高效管理和快速决策提供理论和技术支撑。
本发明的目的是提供一种瓶颈上游车道级交通状态预测***及其实现方法,这种交通状态预测***一方面可以体现瓶颈处交通状态的突变特性,更重要的,可以反映瓶颈处合流对上游驾驶行为的影响,并通过合流模型和车道选择模型反映这一影响,从而提高瓶颈上游交通状态预测的精确程度。
发明内容
本发明公开了一种瓶颈上游车道级交通状态预测***及实现方法,其目的在于克服现有的预测***方法存在的只把历史交通参数作为预测依据,而忽略了瓶颈处车道关闭对驾驶行为和通行能力造成的影响,导致交通状态预测值粒度过粗且准确度不足等缺陷。本发明技术方案构思:通过信息采集得到瓶颈上游交通流的初始分布和流量,基于合流模型(本发明创新点)得到不同车道在合流处的通行能力,通过车道选择模型(本发明创新点),得到不同驾驶倾向的车辆在瓶颈上游的车道选择,进而通过换道操作来执行车道选择结果,最终得到下一时刻不同车道上的车辆分布,通过不断反馈迭代,可以得到任意时刻瓶颈上游不同车道的交通状态,不仅大大提高了交通状态预测的准确程度,而且将预测的精度提升至车道级,为道路管理者的合理决策和高效管理提供有效支持,并为道路使用者提供更为准确的出行信息,。
本发明技术方案是这样实现的:
一种瓶颈上游车道级交通状态预测***,包括信息采集模块、处理模块、发布模块以及传输模块;
所述信息采集模块包括信息采集单元与第一存储单元,用于采集和储存信息;所述第一存储单元耦接信息采集单元;信息采集单元采集信息包括车辆通过检测器所对应的时刻和该时刻的车辆行驶速度信息;
所述处理模块包括状态分布预测单元、合流模型单元、车道选择模型单元、跟驰和换道单元;所述的状态分布预测单元,接受信息采集单元信息,根据车辆通过检测器的时间信息、检测器位置信息和车辆速度信息,确定上游到达车辆的初始分布状态及速度,同时确定出道路交通流量信息;基于车辆初始分布状态和合流模型单元,得到车辆选择不同车道所需通过合流点的时间;通过车道选择模型,结合选择不同车道的时间收益,确定不同车辆的车道选择;做出车道选择后,执行跟驰和换道操作,从而得到新的车道级交通流状态分布信息;通过该处理模块最终得到任意时刻,瓶颈上游交通流的实时状态;
所述发布模块,包括信息发布终端与第二存储单元,所述信息发布终端耦接第二存储单元,将上述步骤得到的车道级交通流状态信息储存于第二存储单元,通过信息发布终端发布;
所述传输模块用于在采集模块、处理模块以及发布模块之间数据传输。
一种瓶颈上游车道级交通状态预测***的实现方法,具体步骤如下:
步骤1、采集阶段:
车道下方布置检测器,用于测得车道内的每辆车通过检测器所对应的时刻和速度,记瓶颈合流点与该合流点上游检测器之间的距离为L,瓶颈上游存在若干车道并在瓶颈处合并,相邻车道间,记车道1上第j辆车通过该车道检测器的时刻为其速度为记车道2上第k辆车通过该车道检测器的时刻为其速度为并储存于第一存储模块;
步骤2、数据预处理:
对第一存储模块数据进行预处理(本领域属于常规技术,常规技术操作),并由步骤1所获得的车辆通过检测器的时刻和速度信息,计算得到车辆之间的车头时距,及任意时刻车道1或2上通过检测器的流量,设车道1上第j辆车的车头时距为: 时刻车道1上的流量为同理可得到车道2上车辆的车头时距和流量;
步骤3、计算瓶颈上游交通流在ti时刻的初始状态信息:
设ti时刻为交通状态预测的关键时刻,所述关键时刻是指偶发性瓶颈形成的时刻或是常发性瓶颈因为流量增加而马上形成拥堵的时刻,这一时刻的初始状态是下一步计算的基础,具体计算方法为:
车道1上第j辆车的与检测器的距离:
车道2上第k辆车的与检测器的距离:
因假设瓶颈在ti时刻才发生作用,因此交通流在ti时刻前仍然为自由流,即车辆的速度不变,仍然为其通过检测器时的速度。
由此步骤3可以得到ti时刻交通流的初始分布信息,即包括每辆车在ti时刻的位置和速度。
步骤4、风险阈值赋值:
采用风险阈值来代表车辆的驾驶倾向,记为车道2上车辆k的风险阈值,为为车道1上车辆j的风险阈值;
根据步骤3确定的ti时刻交通流的初始分布信息(每辆车的速度),在ti时刻前,交通流都是自由流,不存在跟驰,用车辆在通过检测器时的速度来表征驾驶倾向,驾驶速度越快的驾驶员,其驾驶侵略性越强,相应的,其风险阈值就越低,构建风险阈值和车辆自由流速度的函数如下:
同理,有
其中,a为该地区的驾驶员平均风险阈值,由离线的调查获得;b为该路段的平均自由流车速,由历史数据获得;
根据步骤1检测器采集所得到的车辆速度计算得到每辆车的风险阈值。
步骤5、推算驾驶员的车道选择
5.1根据瓶颈点处不同车道在合流过程中的车道优势系数和车辆的风险偏好,依据合流模型得到相邻不同车道上不同风险偏好车辆通过合流点的概率;
所述“车道优势系数”来表征在合流点处车道间的差异;
所述合流模型:
其中,为车道1上车辆j可以通过合流点的概率;车道2上车辆k可以通过合流点的概率,τ为车道优势系数,代表不同车道在合流点的优先程度.
5.2、获得车道选择模型:
首先根据步骤5.1确定合流点处不同车道上车辆的合流概率,确定当前时刻不同车道的通行能力;其次,确定不同车道上特定车辆与合流点之间的车辆数;由此可以计算出车辆选择不同车道通过合流点所需要花费的时间;最终通过比较时间收益(选择不同车道通过合流点所花费的时间差)和车辆自身的风险阈值,构建车道选择模型用于确定车道选择结果。
步骤6、换道执行:
依据步骤5获得的车道选择模型确定车辆进行车道选择,即判断自己当前所处车道和目标车道,产生换道与否的动机。若不需换道,则保持在当前车道跟驰,进入步骤7;若需换道,进入步骤6,则根据已有的换道模型,判断是否可以执行换道操作,若可以换道,则进行换道,若不满足换道条件,则保持在当前车道跟驰,也进入步骤7。
步骤7、交通流在任意时刻的交通状态
根据交通流在ti时刻的初始交通状态,通过执行步骤5和步骤6,可以得到ti+1时刻的交通状态,将这一状态作为下一时刻的初始状态,回到步骤5,不断迭代,最终可以得到不同车道在任意时刻的交通状态;
步骤8、信息发布,根据步骤7得到的车辆任一时刻的位置和速度信息,得到每条车道的排队长度和平均行驶速度这类交通状态,发布于信息发布终端。
步骤5.2中,构建车道选择模型,具体步骤如下:
设q2为车道2在合流点处的通行能力,q1为车道1在合流点处的通行能力,则根据步骤5.1计算获得的不同风险偏好车辆通过合流点的概率,可得到每一时刻每个车道的通行能力:
设为车道2上从车辆k到合流点之间排队的车辆数,为车道1上在车辆j前面排队的车辆数,C为单车道的通行能力,单位为辆/小时,建议C取值为1800辆/小时。
根据步骤3所得的距离,判断离瓶颈上游最近车辆的序号,与当前车辆序号相减,即可得到当前车辆与瓶颈合流点之间的车辆数。具体计算方法为,ti时刻,车道2上第m辆车与检测器的距离为而当即第m-1辆车刚好试过瓶颈合流点,而第m辆车未驶过合流点时,即可确定第m辆车为合流点上游离合流点最近的车辆,则第k辆车与合流点之间的车辆数为:
同理亦可得到车道1上第j辆车与瓶颈合流点之间的车辆数为:
其中,r为车道1上合流点上游离合流点最近车辆的序号。
在确定不同车道的通行能力和前方车辆数后,可以得到驾驶员选择车道2(在瓶颈处关闭的车道)的时间收益函数,记为T,则:
最终获得车道选择模型,即:
本发明的优点和积极效果:
本发明提出的瓶颈上游车道级交通状态预测***及实现方法。以往交通状态预测方法多针对基本路段,且严重依赖于历史数据,忽略了瓶颈处车道关闭对驾驶行为和通行能力造成的影响,导致交通状态预测值粒度过粗且准确度不足。本发明方法通过引入车辆风险阈值将驾驶心理和行为的影响计入,并基于车辆风险阈值,提出新的合流模型和车道选择模型,再现瓶颈上游车道优势的不同对驾驶行为的影响。从而可大大提高交通状态预测的准确程度,将预测的精度提升至车道级,为交通管理者的动态控制,智能诱导、高效管理和快速决策提供理论和技术支持,并为道路使用者提供更为准确的出行信息。。
附图说明
图1为本发明瓶颈上游车道级交通状态间预测***结构示意图;
图2为本发明瓶颈上游车道级交通状态预测***实现方法的流程图;
图3为瓶颈上游车道分布示意图。
具体实施方式
以下结合附图和实施例对本发明技术内容作进一步详细描述,但实施例并不用于限制本发明,凡是采用本发明的相似方法及其相似变化,均应列入本发明的保护范围。
实施例1(理论依据)
如图1所示,给出的瓶颈上游车道级交通状态预测***,包括信息采集模块、处理模块、发布模块以及传输模块;
所述信息采集模块包括信息采集单元与第一存储单元,用于采集和储存信息;所述第一存储单元耦接信息采集单元;信息采集单元采集信息包括车辆通过检测器所对应的时刻和该时刻的车辆行驶速度信息;
所述处理模块包括状态分布预测单元、合流模型单元、车道选择模型单元、跟驰和换道单元;
所述的状态分布预测单元,接受信息采集单元信息,根据车辆通过检测器的时间信息、检测器位置信息和车辆速度信息,确定上游到达车辆的初始分布状态及速度,同时确定出道路交通流量信息;
基于车辆初始分布状态和合流模型单元,得到车辆选择不同车道所需通过合流点的时间;通过车道选择模型,结合选择不同车道的时间收益,确定不同车辆的车道选择;做出车道选择后,执行跟驰和换道操作,从而得到新的车道级交通流状态分布信息;通过该处理模块最终得到任意时刻,瓶颈上游交通流的实时状态;
所述发布模块,包括信息发布终端与第二存储单元,所述信息发布终端耦接第二存储单元,将上述步骤得到的车道级交通流状态信息储存于第二存储单元,通过信息发布终端发布;
所述传输模块用于在采集模块、处理模块以及发布模块之间数据传输。
如图2所示,瓶颈上游车道级交通状态预测***的实现方法,具体步骤如下:
步骤1、采集阶段:
在常发性瓶颈(合流区、交织区等)上游一定距离处,每车道下方都布置一组检测器;对偶发性瓶颈(交通事件引发的瓶颈),则直接采用常规布置的检测器(目前上海快速路上,检测器之间的平均距离约为500米,因此偶发性瓶颈一旦形成,可以保证其与上游的检测器距离不超过500米)。
车道下方布置检测器,用于测得车道内的每辆车通过检测器所对应的时刻和速度,记瓶颈合流点与该合流点上游检测器之间的距离为L,以瓶颈上游存在两条车道,并在瓶颈处合并为一条为例,如图3所示,记车道1上第j辆车通过该车道检测器的时刻为其速度为记车道2上第k辆车通过该车道检测器的时刻为其速度为并储存于第一存储模块;
步骤2、数据预处理:
对第一存储模块数据进行预处理,剔除明显错误和异常数据,并由步骤1所获得的车辆通过检测器的时刻和速度信息,计算得到车辆之间的车头时距,及任意时刻车道1或2上通过检测器的流量,设车道1上第j辆车的车头时距为: 时刻车道1上的流量为同理可得到车道2上车辆的车头时距和流量;
步骤3、计算瓶颈上游交通流在ti时刻的初始状态信息:
设ti时刻为交通状态预测的关键时刻,所述关键时刻是指偶发性瓶颈形成的时刻或是常发性瓶颈因为流量增加而马上形成拥堵的时刻,这一时刻的初始状态是下一步计算的基础,具体计算方法为:
车道1上第j辆车的与检测器的距离:
车道2上第k辆车的与检测器的距离:
因假设瓶颈在ti时刻才发生作用,因此交通流在ti时刻前仍然为自由流,即车辆的速度不变,仍然为其通过检测器时的速度。
由此步骤3可以得到ti时刻交通流的初始分布信息,即包括每辆车在ti时刻的位置和速度。
步骤4、风险阈值赋值:
本发明的创新之处在于,首次提出了考虑驾驶员驾驶倾向的合流模型和车道选择模型,从而可捕捉瓶颈处特殊的车道利用规则及其对驾驶员心理的影响。针对驾驶员驾驶倾向的不同,本发明又提出“风险阈值”,对车辆进行风险阈值赋值。众所周知,驾驶员的驾驶倾向不尽相同,有的驾驶员较为保守,而有的则较为激进,侵略性强。实际上,即使同一个驾驶员,其驾驶倾向的外在体现也会发生变化,比如,当插队可以节省1个小时甚至更高的时候,原本遵守规矩的驾驶员也可能去插队。因此,驾驶员的驾驶倾向可以用一个时间参数来表征,只有当其获得的时间收益超过这个时间参数时,他才会采取较为激进的驾驶行为,驾驶员都会做出侵略性驾驶行为,如插队等,不同驾驶员之间的区别只在于,保守的驾驶员只有在获得较大时间收益的诱惑下,才会进行侵略性驾驶行为;而侵略性的驾驶员则可能为了很小的时间收益就会作出侵略性驾驶行为。为此,本发明引入风险阈值来代表车辆的驾驶倾向,记为车道2上车辆k的风险阈值,为为车道1上车辆j的风险阈值。
本发明所述的风险阈值代表了每辆车的驾驶倾向,即时间收益超过风险阈值时,这辆车的驾驶员就会做出冒险的驾驶行为,如强行插队等,因此,风险阈值越低,驾驶员侵略性越强。驾驶员的“侵略性”在自由流时体现为较快的速度,在拥堵的时候则体现为紧密的跟驰行为,根据步骤3确定的ti时刻交通流的初始分布信息(每辆车的速度),在ti时刻前,交通流都是自由流,不存在跟驰,因此,可以用车辆在通过检测器时的速度来表征驾驶倾向,驾驶速度越快的驾驶员,其驾驶侵略性越强,相应的,其风险阈值就越低,基于以上分析,本发明建立风险阈值和车辆自由流速度的函数如下:
同理,有
其中,a为该地区的驾驶员平均风险阈值,可以由离线的调查获得;b为该路段的平均自由流车速,可以由历史数据获得。由此,可以根据步骤1检测器采集所得到的车辆速度,通过本步骤4得到每辆车的风险阈值。
步骤5、推算驾驶员的车道选择,即驾驶员比较自身的风险阈值和不同车道的时间收益,确定下一时刻应该选择的车道
5.1确定不同车道上不同风险偏好车辆通过合流点的概率
从图3可以看出,在合流时,不同车道上的车辆优势不同,车道2在合流点处关闭,车道2上的车辆必须要换道到车道1,而车道1在合流点处仍然保留,因此,车道1上的车辆只需要保持跟驰。而且根据相关交通法规,在变道过程中发生交通事故,变道的车辆负全部责任。可见,在瓶颈处不同车道上的车辆的优势不同,为此,本发明引入“车道优势系数”来表征在合流点处车道间的差异,如对于车道1,只需要跟驰,则在合流时就存在这一优势系数,而车道2上的车辆,因为需要换道,则不存在优势系数。
根据瓶颈点处不同车道在合流过程中的优势系数和车辆的风险偏好,依据合流模型得到不同车道上,不同风险偏好车辆通过合流点的概率;
所述合流模型:
其中,为车道1上车辆j可以通过合流点的概率;车道2上车辆k可以通过合流点的概率,τ为车道优势系数,代表不同车道在合流点的优先程度.
5.2、获得车道选择模型:
本步骤首先根据步骤5.1确定合流点处不同车道上车辆的合流概率,确定当前时刻不同车道的通行能力;其次,确定不同车道上特定车辆与合流点之间的车辆数;由此可以计算出车辆选择不同车道通过合流点所需要花费的时间;最终通过比较时间收益(选择不同车道通过合流点所花费的时间差)和车辆自身的风险阈值,确定车道选择结果。具体如下:
设q2为车道2在合流点处的通行能力,q1为车道1在合流点处的通行能力,则根据步骤5.1计算获得的不同风险偏好车辆通过合流点的概率,可得到每一时刻每个车道的通行能力:
设为车道2上从车辆k到合流点之间排队的车辆数,为车道1上在车辆j前面排队的车辆数,C为单车道的通行能力,单位为辆/小时,建议C取值为1800辆/小时。
根据步骤3所得的距离,判断离瓶颈上游最近车辆的序号,与当前车辆序号相减,即可得到当前车辆与瓶颈合流点之间的车辆数。具体计算方法为,ti时刻,车道2上第m辆车与检测器的距离为而当即第m-1辆车刚好试过瓶颈合流点,而第m辆车未驶过合流点时,即可确定第m辆车为合流点上游离合流点最近的车辆,则第k辆车与合流点之间的车辆数为:
同理亦可得到车道1上第j辆车与瓶颈合流点之间的车辆数为:
其中,r为车道1上合流点上游离合流点最近的车辆的序号。
在确定不同车道的通行能力和前方车辆数后,可以得到驾驶员选择车道2(在瓶颈处关闭的车道)的时间收益函数,记为T,则:
最终获得车道选择模型,即:
步骤6、换道执行:
依据步骤5获得的车道选择模型确定车辆进行车道选择,即判断自己当前所处车道和目标车道,产生换道与否的动机。若不需换道,则保持在当前车道跟驰,进入步骤7;若需换道,进入步骤6,则根据已有的换道模型,判断是否可以执行换道操作,若可以换道,则进行换道,若不满足换道条件,则保持在当前车道跟驰,也进入步骤7。
步骤7、交通流在任意时刻的交通状态
根据交通流在ti时刻的初始交通状态,通过执行步骤5和步骤6,可以得到ti+1时刻的交通状态,将这一状态作为下一时刻的初始状态,回到步骤5,不断迭代,最终可以得到不同车道在任意时刻的交通状态;
步骤8、信息发布,根据步骤7得到的车辆任一时刻的位置和速度信息,得到每条车道的排队长度和平均行驶速度这类交通状态,发布于信息发布终端。
实施例2(应用例)
基于以上实施例1,进一步给出应用实施例2.
瓶颈上游车道级交通状态预测***结构如图1所示:包括信息采集模块、处理模块、发布模块以及传输模块。所述信息采集模块包括信息采集单元与第一存储单元,用于采集和储存信息;所述第一存储单元耦接信息采集单元。所述发布模块,包括信息发布终端与第二存储单元,所述信息发布终端耦接第二存储单元,用于显示所述路段行程时间、每条车道的排队长度和平均速度等。所述传输模块用于采集模块、处理模块以及发布模块之间数据传输。
瓶颈上游车道级交通状态预测***实现方法及流程如图2所示。
1、首先在固定瓶颈上游约300米处布设车辆检测器,基本路段每隔一定距离(上海快速路上检测器的平均距离为500米),这样交通事件发生形成偶发性瓶颈时,可以保证瓶颈离其上游检测器小于500米。检测器可以用通常的线圈检测器,每个车道布置一个。车辆检测器要能够检测每辆车通过检测器的时刻和速度,时刻精确至0.01秒,速度精确至0.01公里,检测精度达到95%以上。车辆检测器检测到的交通参数数据格式为:
检测器所在车道 | 车辆序号 | 通过检测器时刻 | 通过检测器的速度 |
2、对初始交通数据进行预处理,主要是对失真交通数据进行纠正和对缺失交通数据进行补齐。并由第一步所获得的车辆通过检测器的时刻和速度信息,计算得到车辆之间的车头时距,及任意时刻车道1或2上通过检测器的流量,假设车道1上第10辆车通过检测器的时刻为第20秒,第9辆车通过检测器的时刻为第18秒,则第10辆车的车头时距为(20-18)=2秒,第20秒时,车道1上的流量为1/(20-18)=0.5辆/秒=1800辆/小时,同样道理可以计算车道2上车辆的车头时距和流量;
3、计算瓶颈上游交通流在ti时刻的初始状态,ti时刻为交通状态预测的关键时刻,指偶发性瓶颈形成的时刻或是常发性瓶颈因为流量增加而马上形成拥堵的时刻,这一时刻的初始状态是下一步计算的基础,仍假设车道1上第10辆车在第20秒通过检测器,其速度为19.5米/秒,第35秒,偶发性瓶颈形成(出现交通事件),则可得,第35秒时,第,10辆车距离检测器的距离:(35-20)*19.5=292.5米,马上到达瓶颈合流点(由这一距离可以判断,其前方车辆已通过合流点)。同理,假设车道2上第11辆车在第19秒通过检测器,其速度为22米/秒,第12辆车在第21秒通过检测器,其速度为21米/秒,则车道2上第11辆车距离检测器的距离为:(35-19)*22=352米,已经通过瓶颈点,而第12辆车距离检测器的距离为:(35-21)*21=294米,因此,车道2上第12辆车即将到达合流点。
需要说明的是,因假设瓶颈在第35秒才发生作用,因此交通流在第35秒前仍然为自由流,即车辆通过检测器后的速度保持不变。第35秒后,则根据后续步骤的相关车道选择模型,跟驰换道模型决定其实际速度。
由此可以得到ti时刻交通流的初始分布,即每辆车的位置和速度。
4、风险阈值赋值,本发明的核心优势即在于考虑了瓶颈上游不同车道在合流时优势的不同,以及车辆本身的驾驶倾向不同(有的驾驶员较为保守,而有的则较为激进,侵略性强)。为此,引入风险阈值来代表车辆的驾驶倾向,记为车道2上车辆k的风险阈值,为车道1上车辆j的风险阈值。
风险阈值代表了每辆车的驾驶倾向,即时间收益超过风险阈值时,这辆车的驾驶员就会做出冒险的驾驶行为,如强行插队等。如车道1上,第10辆车的驾驶员,只有当其变道到车道2后,可以节省的时间超过自己的风险阈值时,他才会变道到车道2,否则,他将保持在车道1行驶,因为变道本身存在风险,而跟驰相对驾驶负担更低,而且,车道2在合流点处关闭,该驾驶员要变道到车辆2还意味着在合流点处需要插队进人车道1,因此,除非收益足够大,该驾驶员会选择在车道1,对车道2上的车辆也是如此,越早进入车道1可能越容易变道成功,到后来变道则需要插队。因此,每个驾驶员都有自己的风险阈值,且风险阈值越低,驾驶员侵略性越强。
驾驶员的侵略性为自由流时体现较快的速度,在拥堵的时候则体现为紧密的跟驰行为,根据步骤3的分析,在ti时刻前,交通流都是自由流,基本不存在跟驰,因此,可以用车辆在通过检测器时的速度来表征驾驶倾向,驾驶速度越快的驾驶员,其驾驶侵略性越强,相应的,其风险阈值就越低,根据公式(3)和(4),给出简单算例如下:
假设该地区驾驶员的平均风险阈值为30秒,该路段的平均自由流速度为25米/秒,车道1上第10辆车的速度为19.5米/秒,很明显,该车速度低于平均自由流速度,驾驶员较为保守,根据公式(3)可得,该车辆的风险阈值为35.1秒,高于平均风险阈值,意味着该车驾驶更为保守,体现了风险阈值与车辆速度的对应特性。同理也可计算出车道2上第12辆车的风险阈值为34.8秒。
5、车道选择
5.1“合流模型”
根据瓶颈点处不同车道在合流过程中的优势系数和车辆的风险偏好,得到不同车道上,不同风险偏好车辆通过合流点的概率;
而根据前面步骤,已经得知,即将通过合流点的车辆是车道1上的第10辆车和车道2上的第12辆车,假设车道1的优势系数是1.2,则根据公式(5)和(6),可以得到车道1上第10辆车通过合流点的概率为0.6,车道2上第12辆车通过合流点的概率为0.4。
5.2、“车道选择模型”:
根据上一步骤计算结果,结合公式(7)和公式(8),可得第35秒车道1的通行能力为1080辆/小时,车道2的通行能力为720辆/小时:
而在我们给出的算例中,在第3步,已经得到车道1上将要到达合流点的为第10辆车,车道2上将要到达合流点的为第12辆车,而且我们可以得到其他已通过检测器的车辆的位置和速度,此处以车道1上第24辆车为例进行计算,假设其速度为30米/秒,于第34秒通过检测器,则可知其与检测器距离为30米,且根据公式(3),可得其风险阈值为24秒,低于平均风险阈值,该车辆驾驶侵略性较强。
根据公式(10),可知车道1上,其前方车辆数为8辆,而车道2上假设其前方车辆为第14辆,则车道2上其前方车辆为2辆。
则根据公式(11),其时间收益为36.7秒。
根据公式(12)可知,其时间收益大于其风险阈值,该车辆将选择车道2.
6、换道执行:
步骤5中,车道1上第24辆车将选择车道2,在进行车道选择后,判断自己当前所处车道和目标车道,产生换道动机。根据已有的换道模型,判断是否可以执行换道操作,若可以换道,则进行换道,若不满足换道条件,则保持在当前车道跟驰。
7、交通流在任意时刻的交通状态,以下一时刻为例
根据交通流在ti时刻的初始交通状态,通过执行步骤5和步骤6,可以得到ti+1时刻的交通状态,将这一状态作为下一时刻的初始状态,回到步骤5,不断迭代,最终可以得到不同车道在任意时刻的交通状态;
8、信息发布
根据步骤7获得的任意时刻的基础交通状态(车辆速度和所在位置),本领域就可以获得例如每条车道的车辆排队长度和平均速度等交通状态,发布于信息发布终端。
Claims (2)
1.一种瓶颈上游车道级交通状态预测***的实现方法,其特征在于,
所述预测***包括信息采集模块、处理模块、发布模块以及传输模块;
所述信息采集模块包括信息采集单元与第一存储单元,用于采集和储存信息;所述第一存储单元耦接信息采集单元;信息采集单元采集信息包括车辆通过检测器所对应的时刻和该时刻的车辆行驶速度信息;
所述处理模块包括状态分布预测单元、合流模型单元、车道选择模型单元、跟驰和换道单元;所述的状态分布预测单元,接受信息采集单元信息,根据车辆通过检测器的时间信息、检测器位置信息和车辆速度信息,确定上游到达车辆的初始分布状态及速度,同时确定出道路交通流量信息;基于车辆初始分布状态和合流模型单元,得到车辆选择不同车道所需通过合流点的时间;通过车道选择模型,结合选择不同车道的时间收益,确定不同车辆的车道选择;做出车道选择后,执行跟驰和换道操作,从而得到新的车道级交通流状态分布信息;通过该处理模块最终得到任意时刻,瓶颈上游交通流的实时状态;
所述发布模块,包括信息发布终端与第二存储单元,所述信息发布终端耦接第二存储单元,将上述步骤得到的车道级交通流状态信息储存于第二存储单元,通过信息发布终端发布;
所述传输模块用于在采集模块、处理模块以及发布模块之间数据传输;
实现该***的具体步骤如下:
步骤1、采集阶段:
车道下方布置检测器,用于测得车道内的每辆车通过检测器所对应的时刻和速度,记瓶颈合流点与该合流点上游检测器之间的距离为L,瓶颈上游存在若干车道并在瓶颈处合并,相邻车道间,记车道1上第j辆车通过该检测器的时刻为其速度为记车道2上第k辆车通过该检测器的时刻为其速度为并储存于第一存储单元;
步骤2、数据预处理:
对第一存储单元数据进行预处理,并由步骤1所获得的车辆通过检测器的时刻和速度信息,计算得到车辆之间的车头时距,及任意时刻车道1或2上通过检测器的流量,设车道1上第j辆车的车头时距为: 时刻车道1上的流量为同理可得到车道2上车辆的车头时距和流量;
步骤3、计算瓶颈上游交通流在ti时刻的初始状态信息:
设ti时刻为交通状态预测的关键时刻,所述关键时刻是指偶发性瓶颈形成的时刻或是常发性瓶颈因为流量增加而马上形成拥堵的时刻,这一时刻的初始状态是下一步计算的基础,具体计算方法为:
车道1上第j辆车与检测器的距离:
车道2上第k辆车与检测器的距离:
因假设瓶颈在ti时刻才发生作用,因此交通流在ti时刻前仍然为自由流,即车辆的速度不变,仍然为其通过检测器时的速度;
由此步骤3可以得到ti时刻交通流的初始分布信息,即包括每辆车在ti时刻的位置和速度;
步骤4、风险阈值赋值:
采用风险阈值来代表车辆的驾驶倾向,记为车道2上车辆k的风险阈值,为为车道1上车辆j的风险阈值;
根据步骤3确定的ti时刻交通流的初始分布信息即每辆车的速度,在ti时刻前,交通流都是自由流,不存在跟驰,用车辆在通过检测器时的速度来表征驾驶倾向,驾驶速度越快的驾驶员,其驾驶侵略性越强,相应的,其风险阈值就越低,构建风险阈值和车辆自由流速度的函数如下:
同理,有
其中,a为该地区的驾驶员平均风险阈值,由离线的调查获得;b为该路段的平均自由流车速,由历史数据获得;
根据步骤1检测器采集所得到的车辆速度计算得到每辆车的风险阈值;
步骤5、推算驾驶员的车道选择
5.1根据瓶颈点处不同车道在合流过程中的车道优势系数和车辆的风险偏好,依据合流模型得到相邻不同车道上不同风险偏好车辆通过合流点的概率;
所述车道优势系数来表征在合流点处车道间的差异;
所述合流模型:
其中,为车道1上车辆j可以通过合流点的概率;车道2上车辆k可以通过合流点的概率,τ为车道优势系数,代表不同车道在合流点的优先程度;
5.2、获得车道选择模型:
首先根据步骤5.1确定合流点处不同车道上车辆的合流概率,确定当前时刻不同车道的通行能力;其次,确定不同车道上特定车辆与合流点之间的车辆数;由此可以计算出车辆选择不同车道通过合流点所需要花费的时间;最终通过比较时间收益和车辆自身的风险阈值,构建车道选择模型用于确定车道选择结果;所述时间收益为选择不同车道通过合流点所花费的时间差;
步骤6、换道执行:
依据步骤5获得的车道选择模型确定车辆进行车道选择,即判断自己当前所处车道和目标车道,产生换道与否的动机;若不需换道,则保持在当前车道跟驰,进入步骤7;若需换道,进入步骤6,则根据已有的换道模型,判断是否可以执行换道操作,若可以换道,则进行换道,若不满足换道条件,则保持在当前车道跟驰,也进入步骤7;
步骤7、交通流在任意时刻的交通状态
根据交通流在ti时刻的初始交通状态,通过执行步骤5和步骤6,可以得到ti+1时刻的交通状态,将这一状态作为下一时刻的初始状态,回到步骤5,不断迭代,最终可以得到不同车道在任意时刻的交通状态;
步骤8、信息发布,根据步骤7得到的车辆任一时刻的位置和速度信息,得到每条车道的排队长度和平均行驶速度这类交通状态,发布于信息发布终端。
2.如权利要求1所述的方法,其特征在于,步骤5.2中,所述构建车道选择模型,具体步骤如下:
设q2为车道2在合流点处的通行能力,q1为车道1在合流点处的通行能力,则根据步骤5.1计算获得的不同风险偏好车辆通过合流点的概率,可得到每一时刻每个车道的通行能力:
设为车道2上从车辆k到合流点之间排队的车辆数,为车道1上在车辆j前面排队的车辆数,C为单车道的通行能力,单位为辆/小时,C取值为1800辆/小时;
根据步骤3所得的距离,判断离瓶颈上游最近车辆的序号,与当前车辆序号相减,即可得到当前车辆与瓶颈合流点之间的车辆数;具体计算方法为,ti时刻,车道2上第m辆车与检测器的距离为而当即第m-1辆车刚好驶过瓶颈合流点,而第m辆车未驶过合流点时,即可确定第m辆车为合流点上游离合流点最近的车辆,则第k辆车与合流点之间的车辆数为:
同理亦可得到车道1上第j辆车与瓶颈合流点之间的车辆数为:
其中,r为车道1上合流点上游离合流点最近的车辆的序号;
在确定不同车道的通行能力和前方车辆数后,可以得到驾驶员选择车道2即在瓶颈处关闭的车道的时间收益函数,记为T,则:
最终获得车道选择模型,即:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710065260.0A CN106710215B (zh) | 2017-02-06 | 2017-02-06 | 瓶颈上游车道级交通状态预测***及实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710065260.0A CN106710215B (zh) | 2017-02-06 | 2017-02-06 | 瓶颈上游车道级交通状态预测***及实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106710215A CN106710215A (zh) | 2017-05-24 |
CN106710215B true CN106710215B (zh) | 2019-02-01 |
Family
ID=58909872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710065260.0A Expired - Fee Related CN106710215B (zh) | 2017-02-06 | 2017-02-06 | 瓶颈上游车道级交通状态预测***及实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106710215B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109326121B (zh) * | 2017-07-31 | 2020-10-27 | 交通运输部公路科学研究所 | 高速公路施工区上游车辆合流控制方法 |
CN109584546B (zh) * | 2018-07-04 | 2021-06-01 | 东南大学 | 一种快速-常规公交共享车道发车流量阈值的确定方法 |
CN110728849B (zh) * | 2019-11-05 | 2021-06-25 | 北京交通大学 | 基于交通状态感知的作业区道路汇合语音提示方法和*** |
CN111311913B (zh) * | 2020-02-26 | 2021-09-03 | 清华大学 | 一种提高公路变窄路段通行效率的控制方法和*** |
CN112116822B (zh) * | 2020-09-21 | 2021-07-16 | 长沙理工大学 | 基于CAVs混合交通流的车道动态分配的高速公路通行能力协同调控方法 |
CN112232254B (zh) * | 2020-10-26 | 2021-04-30 | 清华大学 | 一种考虑行人激进度的行人风险评估方法 |
CN112466118A (zh) * | 2020-11-25 | 2021-03-09 | 武汉光庭信息技术股份有限公司 | 车辆驾驶行为识别方法、***、电子设备及存储介质 |
CN114944058B (zh) * | 2022-05-11 | 2023-06-23 | 福勤智能科技(昆山)有限公司 | 拥堵区域距离确定方法、装置、预警设备和存储介质 |
CN117975732B (zh) * | 2024-03-28 | 2024-05-28 | 中铁十六局集团有限公司 | 隧道智慧交通管控***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025862A (zh) * | 2007-02-12 | 2007-08-29 | 吉林大学 | 基于视频的混合交通流参数的检测方法 |
CN101465057A (zh) * | 2009-01-05 | 2009-06-24 | 天津大学 | 智能式动态路线诱导***诱导子区协调方法 |
CN103116608A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路交通流再现的方法 |
CN105047057A (zh) * | 2015-07-09 | 2015-11-11 | 同济大学 | 一种考虑多驾驶员类型和车道选择偏好的高快速路网宏观交通流仿真方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007011558A (ja) * | 2005-06-29 | 2007-01-18 | Nissan Motor Co Ltd | 渋滞予測装置および方法 |
-
2017
- 2017-02-06 CN CN201710065260.0A patent/CN106710215B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025862A (zh) * | 2007-02-12 | 2007-08-29 | 吉林大学 | 基于视频的混合交通流参数的检测方法 |
CN101465057A (zh) * | 2009-01-05 | 2009-06-24 | 天津大学 | 智能式动态路线诱导***诱导子区协调方法 |
CN103116608A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路交通流再现的方法 |
CN105047057A (zh) * | 2015-07-09 | 2015-11-11 | 同济大学 | 一种考虑多驾驶员类型和车道选择偏好的高快速路网宏观交通流仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106710215A (zh) | 2017-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106710215B (zh) | 瓶颈上游车道级交通状态预测***及实现方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN106777752B (zh) | 一种高速列车追踪运行曲线优化设定方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
Sun et al. | A driver behavior-based lane-changing model for urban arterial streets | |
CN104658252B (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 | |
CN104134349B (zh) | 一种基于交通多源数据融合的公交路况处理***及方法 | |
CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
CN105405293B (zh) | 一种道路旅行时间短期预测方法和*** | |
CN105279966B (zh) | 一种校园交通的拥堵识别方法 | |
CN101908270B (zh) | 事件判断装置 | |
CN109272746B (zh) | 一种基于bp神经网络数据融合的mfd估测方法 | |
CN107316010A (zh) | 一种识别前方车辆尾灯及判断其状态的方法 | |
CN106205114A (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
CN108776852A (zh) | 无桩车辆调度方法和*** | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN107346460A (zh) | 基于智能网联***下前车运行信息的未来工况预测方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN104464310A (zh) | 城市区域多交叉口信号协同优化控制方法及*** | |
CN108710719A (zh) | 基于冲突区侵占度的交叉口内部冲突消解仿真模拟方法 | |
CN109785618A (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN104318757B (zh) | 一种公交专用道上的公交车车路段运行时间预测方法 | |
CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
CN114446049B (zh) | 基于社会价值取向的交通流预测方法、***、终端及介质 | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190201 Termination date: 20220206 |