CN109615852B - 一种突发事故下路段交通流分配快速预测的方法 - Google Patents

一种突发事故下路段交通流分配快速预测的方法 Download PDF

Info

Publication number
CN109615852B
CN109615852B CN201811385418.3A CN201811385418A CN109615852B CN 109615852 B CN109615852 B CN 109615852B CN 201811385418 A CN201811385418 A CN 201811385418A CN 109615852 B CN109615852 B CN 109615852B
Authority
CN
China
Prior art keywords
road
accident
traffic flow
traffic
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.)
Expired - Fee Related
Application number
CN201811385418.3A
Other languages
English (en)
Other versions
CN109615852A (zh
Inventor
张方伟
赵顗
尹传忠
莫明凤
王舒鸿
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201811385418.3A priority Critical patent/CN109615852B/zh
Publication of CN109615852A publication Critical patent/CN109615852A/zh
Application granted granted Critical
Publication of CN109615852B publication Critical patent/CN109615852B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通管理与控制技术领域，一种突发事故下路段交通流分配快速预测的方法，步骤：获取城市道路网基础数据，各路段X的历史交通流HX，事故发生前一定时间t0内路段X的交通流数据记为
Figure DDA0001872853550000011
事故发生之后至开始预测的时间段t1内各路段X的交通流数据记为
Figure DDA0001872853550000012
事故当天路网交通量
Figure DDA0001872853550000013
与历史交通量HX的差异化程度分析，获取当天路网交通量相对于历史交通量的时间迟滞Δt以及总体规模系数λ；确定突发事故影响范围，影响边界分别为第nE、nS、nW、nN条道路；事故发生后个路段X的饱和度增加幅度
Figure DDA0001872853550000014
构建目标函数对
Figure DDA0001872853550000015
所包含的未知数进行标定；预测影响范围内的各路段交通量。本发明的方法，能够实现以供车载智能导航设备在突发事故下对事故周边交通的重分布进行快速预测。

Description

一种突发事故下路段交通流分配快速预测的方法
技术领域
本发明涉及交通管理与控制技术领域，特别是涉及一种突发事故下路段交通流分配快速预测的方法。
背景技术
突发事故属于城市道路交通的频发性事件，突发事故下道路网局部路段通行能力突变，导致有序的交通状态遭到破坏，并在既有道路条件和交通需求下向新的平衡状态进行演变。现有部分研究通常通过研究路阻函数的变化从而构建新的交通分配函数，分配结果往往依赖于大量道路交通基础数据，包括交通流和道路的渠化状态等，预测时间相对较长，且不适用于车载导航设备的快速预测需求。利用路网历史数据及当前交通分布状态对下一时段的路段交通流分配进行快速预测是本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种突发事故下路段交通流分配快速预测的方法，以供车载智能导航设备在突发事故下对事故周边交通的重分布进行快速预测。
本发明的技术方案：
一种突发事故下路段交通流分配快速预测的方法，包括以下步骤：
获取城市道路网基础数据：所述基础数据包括事故发生日之前每一天相应时段各路段的历史交通流数据，各路段X的历史交通流数据记为HX；事故发生日当天，在事故发生前一定时间段内，时间区间记为t0，各路段X的交通流数据记为
Figure BDA0001872853530000011
事故发生之后至开始预测的时间段t1内各路段X的交通流数据记为
Figure BDA0001872853530000012
预测未来时段t2内各路段X的交通流数据记为
Figure BDA0001872853530000013
分析事故当天路网交通流
Figure BDA0001872853530000014
与历史交通流HX的差异化程度：当天路网交通流相对于历史交通流的时间迟滞为Δt；分析t0范围内事故当天路网交通流
Figure BDA0001872853530000015
与历史交通流
Figure BDA0001872853530000016
存在总体规模的变化，总体规模系数为λ；
突发事故影响范围判断：东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路；
突发事故影响范围内的编号说明：路网中标记处的箭头方向流向发生突发事故并导致车道阻断，事故发生点所在道路有两个标记W1和E1，南北向道路中事故点以东的道路记为Ek，事故点以西的道路记为Wk，东西向道路中事故点以北的道路标记为Nk，事故点以南道路标记为Sk，其中k表示各个方向的第k条道路；每条道路又划分为很多路段，路段编号用两个连续数字表示，第一个数字表示路段相对于事故点的方向，每一条道路的各路段有两个走向，因此第一个数字取值1或者2，第二个数字表示路段的序号，距离事故点越远，序号越大，事故点所在道路编号为W1或E1，路段标号为11或21，因此W1(11)、W1(21)、E1(11)、E1(21)均表示事故点路段；
构建事故发生后的影响范围内道路网交通流分布模型，模型中共包含4+2*(nN+nS)个未知数，用未知数表示各路段X在事故发生后的饱和度增加幅度为
Figure BDA0001872853530000021
利用时间段t1下路网预期交通量
Figure BDA0001872853530000022
和实际交通量
Figure BDA0001872853530000023
的差异化分析，构建目标函数
Figure BDA0001872853530000024
对模型参数进行标定，最后根据模型对时间段t2下事故影响范围内的各路段交通量进行预测，各路段的交通量表示为
Figure BDA0001872853530000025
分析事故当天路网交通量
Figure BDA0001872853530000026
与历史交通量HX的差异化程度，步骤如下：
划定事故发生点四个方向各延伸5条道路作为分析范围；
根据最小二乘法判断分析范围内
Figure BDA0001872853530000027
与历史交通流是否存在时间的提前或延迟，当存在时段Δt，将统计时段t0的起始和结束时间同步增加Δt后，记新的统计时段为记为t0(Δt)，
Figure BDA0001872853530000028
与历史交通流
Figure BDA0001872853530000029
的误差平方和取得最小值，则认为当天路网交通流相对于历史交通流的时间迟滞为Δt，Δt不大于0.5h；
根据最小二乘法求总体规模系数λ，使得
Figure BDA00018728535300000210
与
Figure BDA00018728535300000211
的误差平方和最小。
突发事故影响范围判断，步骤如下：
突发事故影响范围内仅考虑次干道及以上等级道路，根据t1时段内事故周边路网的交通流
Figure BDA0001872853530000031
与经调整后的同期历史交通流
Figure BDA0001872853530000032
进行方差分析，确定事故点东南西北四个方向的影响边界，影响范围内
Figure BDA0001872853530000033
与
Figure BDA0001872853530000034
存在显著性差异；记事故点东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路。
事故发生后影响范围内道路网交通流分布模型、模型参数的标定及未来流量分布进行预测，步骤如下：
事故发生后的南北向道路网交通流分布模型为，设东西两侧第2条道路E2和W2上与路段E1(11)平行的路段E2(11)和W2(11)的饱和度增加幅度分别为
Figure BDA0001872853530000035
和
Figure BDA0001872853530000036
则东西两侧第k条道路上与路段11平行路段的饱和度增加幅度为：
东侧：
Figure BDA0001872853530000037
其中k∈[2,nE]；
西侧：
Figure BDA0001872853530000038
其中k∈[2,nW]；
东西两侧第k条道路上与路段21平行路段的饱和度增加幅度为与路段11相同；
东西两侧第k条道路第l路段的饱和度增加幅度为，
东侧第k条道路以北第l路段：
Figure BDA0001872853530000039
其中l∈[1,nN]；
东侧第k条道路以南第l路段：
Figure BDA00018728535300000310
其中l∈[1,nN]；
西侧第k条道路第l路段的饱和度增加幅度和东侧算法一致；
事故发生后的东西向道路网交通流分布模型为，事故点南侧道路记为Sk，设道路Sk在标号为11和21的路段处饱和度增加幅度分别为
Figure BDA00018728535300000311
和
Figure BDA00018728535300000312
事故点北侧道路记为Nk，设道路Nk在标号为11和21的路段处饱和度增加幅度分别为
Figure BDA00018728535300000313
和
Figure BDA00018728535300000314
则东西向道路其它路段的饱和度增加幅度分别为，
Figure BDA0001872853530000041
其中l∈[1,nW]；
Figure BDA0001872853530000042
其中l∈[1,nE]；
Figure BDA0001872853530000043
其中l∈[1,nW]；
Figure BDA0001872853530000044
其中l∈[1,nE]；
事故发生后事故所在道路的交通量分布模型为，设路段E1(12)和E1(22)的饱和度增加幅度分别为
Figure BDA0001872853530000045
和
Figure BDA0001872853530000046
则道路E1上其它路段的饱和度增加幅度分别为，
Figure BDA0001872853530000047
其中l∈[2,nN]；
Figure BDA0001872853530000048
其中l∈[2,nS]；
预测模型参数标定：事故发生后的交通流分布模型中共包含4+2*(nN+nS)个未知数；当没有发生交通事故，则时间段t1下路网的各路段X交通量表示为
Figure BDA0001872853530000049
事故发生后路段X的实际交通量为
Figure BDA00018728535300000410
构建目标函数
Figure BDA00018728535300000411
其中X表示事故影响范围内的各路段，
Figure BDA00018728535300000412
表示各路段在事故发生后的路段饱和度增加幅度；通过对目标函数的求解，求得事故发生后交通分布模型中的4+2*(nN+nS)个未知数值；
未来流量分布进行预测：当没有发生交通事故，则时间段t2下路网的各路段X交通量表示为
Figure BDA00018728535300000413
而在交通事故发生后的饱和度增加幅度为
Figure BDA00018728535300000414
预测在时间段t2下事故影响范围内的各路段交通流表示为
Figure BDA00018728535300000415
本发明的有益效果：本发明提供一种突发事故下路段交通流分配快速预测的方法，能够实现以供车载智能导航设备在突发事故下对事故周边交通的重分布进行快速预测。
附图说明
图1为事故发生点及周边道路网结构抽象图。
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一部分实施例，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。
本发明的目的是提供一种突发事故下路段交通流分配快速预测的方法，包括以下步骤：
1、根据城市道路网总体交通流分布的稳定性，通过长期观测可得到每一天相应时段各路段的历史交通流数据(事故发生日之前)，各路段X的历史交通流记为HX；事故发生日当天，在事故发生前一定时间内(时间区间记为t0，长度可取0.5h至1h)，各路段X的交通流数据记为
Figure BDA0001872853530000051
事故发生之后至开始预测的时间段t1内各路段X的交通流数据记为
Figure BDA0001872853530000052
预测未来时段t2内各路段X的交通流数据记为
Figure BDA0001872853530000053
2、突发事故下路段交通流概率分配预测可划分为三步：第一步是事故发生后的交通分布模型构建，第二步是交通状态的模型参数标定，第三步是路段交通流分布预测。
3、事故发生后的交通分布模型构建
1)分析事故当天路网交通量
Figure BDA0001872853530000054
与历史交通量HX的差异化程度：划定事故发生点四个方向各延伸5条道路作为分析范围，应注意该范围并非事故影响范围；根据最小二乘法判断分析范围内
Figure BDA0001872853530000055
与历史交通量是否存在时间的提前或延迟，若存在时段Δt，将统计时段t0的起始和结束时间同步增加Δt后，记新的统计时段为记为t0(Δt)，
Figure BDA0001872853530000056
与历史交通量
Figure BDA0001872853530000057
的误差平方和取得最小值，则认为当天路网交通量相对于历史交通量的时间迟滞为Δt，考虑到时间迟滞不应太大，建议Δt不大于0.5h；根据最小二乘法判断分析范围内
Figure BDA0001872853530000061
与历史交通量
Figure BDA0001872853530000062
是否存在总体规模的变化，即求总体规模系数λ，使得
Figure BDA0001872853530000063
与
Figure BDA0001872853530000064
的误差平方和最小。
2)突发事故影响范围判断：影响范围内仅考虑次干道及以上等级道路，根据t1时段内事故周边路网的交通量
Figure BDA0001872853530000065
与经调整后的同期历史交通量
Figure BDA0001872853530000066
进行方差分析，确定事故点东南西北四个方向的影响边界，影响范围内
Figure BDA0001872853530000067
与
Figure BDA0001872853530000068
存在显著性差异；记事故点东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路。
3)突发事故影响范围内的编号说明：如附图所示，假设路网中标记处的箭头方向流向发生突发事故并导致车道阻断，事故发生点所在道路有两个标记W1和E1，南北向道路中事故点以东的道路记为Ek，事故点以西的道路记为Wk，东西向道路中事故点以北的道路标记为Nk，事故点以南道路标记为Sk，其中k表示各个方向的第k条道路；同时，每条道路又可划分为很多路段，路段编号用两个连续数字表示，第一个数字表示路段相对于事故点的方向，每一条道路的各路段可有两个走向，因此第一个数字取值1或者2，第二个数字表示路段的序号，距离事故点越远，序号越大，事故点所在道路编号为W1或E1，路段标号为11或21，因此W1(11)、W1(21)、E1(11)、E1(21)均可表示事故点路段。
4)事故发生后的南北向道路网交通量分布模型
假设事故路段发生事故后的转移交通量为QT，转移交通量QT为由北至南交通量，均需转移至与E1道路平行的道路上，导致与E1道路平行的道路饱和度增加，增加幅度随着距离增加而递减，且每条道路上均是与路段E1(11)平行的路段饱和度增加幅度最大，假设东西两侧第2条道路(E2和W2)上与路段E1(11)平行的路段E2(11)和W2(11)的饱和度增加幅度分别为
Figure BDA0001872853530000069
而根据事故影响范围划定东西两侧的影响边界分别为第nE、nW条道路，本专利提出第k条道路的饱和度增加幅度为：
东侧：
Figure BDA0001872853530000071
其中k∈[2,nE]；
西侧：
Figure BDA0001872853530000072
其中k∈[2,nW]。
南北向道路中任一道路各路段的增加幅度均在路段11(同路段21)处增加幅度最大，然后依次向两侧递减，根据事故影响范围划定南北两侧的影响边界分别为第nS、nN条道路，本专利提出第k条道路第l路段的饱和度增加幅度为：
东侧第k条道路以北第l路段：
Figure BDA0001872853530000073
其中l∈[1,nN]；
东侧第k条道路以南第l路段：
Figure BDA0001872853530000074
其中l∈[1,nN]；
西侧第k条道路第l路段的饱和度增加幅度和东侧算法一致。
5)事故发生后的东西向道路网交通量分布模型
事故发生后，道路W1上交通量向东西两侧的其它平行道路转移，带动了东西道路的交通量变化，显然东西向道路交通量变化幅度最大的路段为临近道路W1(或道路E1)的路段，也即东西向道路上标号为11和21的路段。东西向道路根据相对事故点的位置(南侧或北侧)分别进行了编号，事故点南侧道路记为Sk，假设道路Sk在标号为11和21的路段处饱和度增加幅度分别为
Figure BDA0001872853530000075
和
Figure BDA0001872853530000076
事故点北侧道路记为Nk，假设道路Nk在标号为11和21的路段处饱和度增加幅度分别为
Figure BDA0001872853530000077
和
Figure BDA0001872853530000078
本专利提出东西向道路其它路段的饱和度增加幅度分别为：
Figure BDA0001872853530000079
其中l∈[1,nW]；
Figure BDA00018728535300000710
其中l∈[1,nE]；
Figure BDA0001872853530000081
其中l∈[1,nW]；
Figure BDA0001872853530000082
其中l∈[1,nE]。
6)事故发生后事故所在道路的交通量分布模型
道路E1上，除事故所在路段外，临近事故点的路段受影响更大，假设路段E1(12)和E1(22)的饱和度增加幅度分别为
Figure BDA0001872853530000083
和
Figure BDA0001872853530000084
本专利提出道路E1上其它路段的饱和度增加幅度分别为：
Figure BDA0001872853530000085
其中l∈[2,nN]；
Figure BDA0001872853530000086
其中l∈[2,nS]。
4、预测模型参数标定
事故发生后的交通分布模型中共提出了4+2*(nN+nS)个假设，即共包含4+2*(nN+nS)个未知数，所有未知数的取值范围为[-5,5]。
根据对事故当天路网交通量与历史交通量的差异化程度分析可认为，若没有发生交通事故，则时间段t1下路网的各路段X交通量可表示为
Figure BDA0001872853530000087
但各路段的交通量因为交通事故后发生了转移，各路段的饱和度变化比例如事故发生后的交通分布模型分析可知，转移后的路段X的实际交通量为
Figure BDA0001872853530000088
本专利提出参数标定的目标函数如下：
Figure BDA0001872853530000089
其中X表示事故影响范围内的各路段，
Figure BDA00018728535300000810
表示各路段在事故发生后的路段饱和度增加幅度。通过对目标函数的求解，可求得事故发生后交通分布模型中的4+2*(nN+nS)个未知数值。
5、根据拟合后的参数对未来流量分布进行预测
根据对事故当天路网交通量与历史交通量的差异化程度分析可认为，若没有发生交通事故，则时间段t2下路网的各路段X交通量可表示为
Figure BDA0001872853530000091
根据对预测模型参数的标定可知各路段在交通事故发生后的饱和度增加幅度为
Figure BDA0001872853530000092
可预测在时间段t2下事故影响范围内的各路段交通量可表示为
Figure BDA0001872853530000093

Claims (1)

1.一种突发事故下路段交通流分配快速预测的方法，其特征在于，步骤如下：
获取城市道路网基础数据：所述基础数据包括事故发生日之前每一天相应时段各路段的历史交通流数据，各路段X的历史交通流数据记为HX；事故发生日当天，在事故发生前一定时间段内，时间区间记为t0，各路段X的交通流数据记为
Figure FDA0002940259410000011
事故发生之后至开始预测的时间段t1内各路段X的交通流数据记为
Figure FDA0002940259410000012
预测未来时段t2内各路段X的交通流数据记为
Figure FDA0002940259410000013
分析事故当天路网交通流
Figure FDA0002940259410000014
与历史交通流HX的差异化程度：当天路网交通流相对于历史交通流的时间迟滞为Δt；分析t0范围内事故当天路网交通流
Figure FDA0002940259410000015
与历史交通流
Figure FDA0002940259410000016
存在总体规模的变化，总体规模系数为λ；
突发事故影响范围判断：东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路；
突发事故影响范围内的编号说明：路网中标记处的箭头方向流向发生突发事故并导致车道阻断，事故发生点所在道路有两个标记W1和E1，南北向道路中事故点以东的道路记为Ek，事故点以西的道路记为Wk，东西向道路中事故点以北的道路标记为Nk，事故点以南道路标记为Sk，其中k表示各个方向的第k条道路；每条道路又划分为很多路段，路段编号用两个连续数字表示，第一个数字表示路段相对于事故点的方向，每一条道路的各路段有两个走向，因此第一个数字取值1或者2，第二个数字表示路段的序号，距离事故点越远，序号越大，事故点所在道路编号为W1或E1，路段标号为11或21，因此W1(11)、W1(21)、E1(11)、E1(21)均表示事故点路段；
构建事故发生后的影响范围内道路网交通流分布模型，模型中共包含4+2*(nN+nS)个未知数，用未知数表示各路段X在事故发生后的饱和度增加幅度为
Figure FDA0002940259410000017
利用时间段t1下路网预期交通量
Figure FDA0002940259410000018
和实际交通量
Figure FDA0002940259410000019
的差异化分析，构建目标函数
Figure FDA00029402594100000110
对模型参数进行标定，最后根据模型对时间段t2下事故影响范围内的各路段交通量进行预测，各路段的交通量表示为
Figure FDA0002940259410000021
分析事故当天路网交通量
Figure FDA0002940259410000022
与历史交通量HX的差异化程度，步骤如下：
划定事故发生点四个方向各延伸5条道路作为分析范围；
根据最小二乘法判断分析范围内
Figure FDA0002940259410000023
与历史交通流是否存在时间的提前或延迟，当存在时段Δt，将统计时段t0的起始和结束时间同步增加Δt后，记新的统计时段为记为t0(Δt)，
Figure FDA0002940259410000024
与历史交通流
Figure FDA0002940259410000025
的误差平方和取得最小值，则认为当天路网交通流相对于历史交通流的时间迟滞为Δt，Δt不大于0.5h；
根据最小二乘法求总体规模系数λ，使得
Figure FDA0002940259410000026
与
Figure FDA0002940259410000027
的误差平方和最小；
突发事故影响范围判断，步骤如下：
突发事故影响范围内仅考虑次干道及以上等级道路，根据t1时段内事故周边路网的交通流
Figure FDA0002940259410000028
与经调整后的同期历史交通流
Figure FDA0002940259410000029
进行方差分析，确定事故点东南西北四个方向的影响边界，影响范围内
Figure FDA00029402594100000210
与
Figure FDA00029402594100000211
存在显著性差异；记事故点东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路；
事故发生后影响范围内道路网交通流分布模型、模型参数的标定及未来流量分布进行预测，步骤如下：
事故发生后的南北向道路网交通流分布模型为，设东西两侧第2条道路E2和W2上与路段E1(11)平行的路段E2(11)和W2(11)的饱和度增加幅度分别为
Figure FDA00029402594100000212
和
Figure FDA00029402594100000213
则东西两侧第k条道路上与路段11平行路段的饱和度增加幅度为：
东侧：
Figure FDA00029402594100000214
其中k∈[2,nE]；
西侧：
Figure FDA00029402594100000215
其中k∈[2,nW]；
东西两侧第k条道路上与路段21平行路段的饱和度增加幅度为与路段11相同；
东西两侧第k条道路第l路段的饱和度增加幅度为，
东侧第k条道路以北第l路段：
Figure FDA0002940259410000031
其中l∈[1,nN]；
东侧第k条道路以南第l路段：
Figure FDA0002940259410000032
其中l∈[1,nN]；
k表示各个方向的第k条道路；
西侧第k条道路第l路段的饱和度增加幅度和东侧算法一致；
事故发生后的东西向道路网交通流分布模型为，事故点南侧道路记为Sk，设道路Sk在标号为11和21的路段处饱和度增加幅度分别为
Figure FDA0002940259410000033
和
Figure FDA0002940259410000034
事故点北侧道路记为Nk，设道路Nk在标号为11和21的路段处饱和度增加幅度分别为
Figure FDA0002940259410000035
和
Figure FDA0002940259410000036
则东西向道路其它路段的饱和度增加幅度分别为，
Figure FDA0002940259410000037
其中l∈[1,nW]；
Figure FDA0002940259410000038
其中l∈[1,nE]；
Figure FDA0002940259410000039
其中l∈[1,nW]；
Figure FDA00029402594100000310
其中l∈[1,nE]；
事故发生后事故所在道路的交通量分布模型为，设路段E1(12)和E1(22)的饱和度增加幅度分别为
Figure FDA00029402594100000311
和
Figure FDA00029402594100000312
则道路E1上其它路段的饱和度增加幅度分别为：
Figure FDA00029402594100000313
其中l∈[2,nN]；
Figure FDA00029402594100000314
其中l∈[2,nS]；
预测模型参数标定：事故发生后的交通流分布模型中共包含4+2*(nN+nS)个未知数；当没有发生交通事故，则时间段t1下路网的各路段X交通量表示为
Figure FDA0002940259410000041
事故发生后路段X的实际交通量为
Figure FDA0002940259410000042
构建目标函数
Figure FDA0002940259410000043
其中X表示事故影响范围内的各路段，
Figure FDA0002940259410000044
表示各路段在事故发生后的路段饱和度增加幅度；通过对目标函数的求解，求得事故发生后交通分布模型中的4+2*(nN+nS)个未知数值；
未来流量分布进行预测：当没有发生交通事故，则时间段t2下路网的各路段X交通量表示为
Figure FDA0002940259410000045
而在交通事故发生后的饱和度增加幅度为
Figure FDA0002940259410000046
预测在时间段t2下事故影响范围内的各路段交通流表示为
Figure FDA0002940259410000047
CN201811385418.3A 2018-11-20 2018-11-20 一种突发事故下路段交通流分配快速预测的方法 Expired - Fee Related CN109615852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811385418.3A CN109615852B (zh) 2018-11-20 2018-11-20 一种突发事故下路段交通流分配快速预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811385418.3A CN109615852B (zh) 2018-11-20 2018-11-20 一种突发事故下路段交通流分配快速预测的方法

Publications (2)

Publication Number Publication Date
CN109615852A CN109615852A (zh) 2019-04-12
CN109615852B true CN109615852B (zh) 2021-03-30

Family

ID=66003333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811385418.3A Expired - Fee Related CN109615852B (zh) 2018-11-20 2018-11-20 一种突发事故下路段交通流分配快速预测的方法

Country Status (1)

Country Link
CN (1) CN109615852B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428628B (zh) * 2019-08-31 2022-01-28 招商局重庆交通科研设计院有限公司 道路交通诱导方法
CN111950603B (zh) * 2020-07-24 2023-11-07 中南大学 一种路段交通事故率的预测方法、装置及计算机存储介质
CN115083166B (zh) * 2022-07-14 2022-11-11 深圳市维力谷无线技术股份有限公司 基于5g技术的车路通信测试***和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和***
JP2015188186A (ja) * 2014-03-27 2015-10-29 富士通株式会社 制御装置、および、通信方法
CN105788249A (zh) * 2014-12-16 2016-07-20 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
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***
CN107832866A (zh) * 2017-09-26 2018-03-23 晶赞广告（上海）有限公司 一种流量预测方法及装置、存储介质、终端
WO2018103313A1 (zh) * 2016-12-06 2018-06-14 杭州海康威视数字技术股份有限公司 发生交通事故的风险预测方法、装置及***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7725250B2 (en) * 2006-07-18 2010-05-25 International Business Machines Corporation Proactive mechanism for supporting the global management of vehicle traffic flow
CN102985956B (zh) * 2010-06-29 2017-03-08 本田技研工业株式会社 堵车预测显示方法
US10749807B2 (en) * 2016-08-30 2020-08-18 Here Global B.V. Wireless network optimization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015188186A (ja) * 2014-03-27 2015-10-29 富士通株式会社 制御装置、および、通信方法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和***
CN105788249A (zh) * 2014-12-16 2016-07-20 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
WO2018103313A1 (zh) * 2016-12-06 2018-06-14 杭州海康威视数字技术股份有限公司 发生交通事故的风险预测方法、装置及***
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***
CN107832866A (zh) * 2017-09-26 2018-03-23 晶赞广告（上海）有限公司 一种流量预测方法及装置、存储介质、终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
城市突发事件下应急交通分配研究;韩旭;《中国优秀硕士学位论文全文数据库（电子期刊） 工程科技Ⅱ辑》;20150115;C034-328 *
面向车载导航应用的短时交通预测关键技术研究;翁剑成;《中国博士学位论文全文数据库（电子期刊） 工程科技Ⅱ辑》;20071215;C039-19 *

Also Published As

Publication number Publication date
CN109615852A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109615852B (zh) 一种突发事故下路段交通流分配快速预测的方法
CN109690646B (zh) 分析和调整道路状况的***和方法
CN110160550B (zh) 一种基于道路积水预测的城市路线引导方法
CN107085943B (zh) 一种道路旅行时间短期预测方法和***
EP2006818B1 (en) Traffic information providing system and method for generating traffic information
CN105741549B (zh) 一种基于空间copula理论的交通流量预测方法
CN105046956A (zh) 一种基于转向系数的交通流模拟及预测方法
CN104900057B (zh) 一种城市快速路主辅道的浮动车地图匹配方法
CN105740643A (zh) 一种基于城市区域网格自适应的pm2.5浓度推测方法
CN104794895A (zh) 一种面向高速公路的多源交通信息融合方法
CN103870890A (zh) 高速公路网交通流量分布的预测方法
CN106529765A (zh) 采集作业的绩效评估方法和装置
WO2020253338A1 (zh) 一种基于交通大数据的道路通行能力提取方法
CN104268415A (zh) 出行拥堵概率的估计方法
CN112215416B (zh) 智能规划巡检航线***及方法
CN104200082A (zh) 台风登陆预测方法
Bae et al. Multicontextual machine-learning approach to modeling traffic impact of urban highway work zones
CN114333298B (zh) 一种基于交通雷达的车辆归属车道估计方法
CN108417030B (zh) 基于交通参数组合的路***通状态强度计算方法
CN109035754A (zh) 路况分析方法、装置、服务器和计算机可读存储介质
CN102122004A (zh) 铁路防灾风预测方法
CN116643328A (zh) 一种基于网络预报的城市内涝预报方法
Fu et al. An adaptive model for real-time estimation of overflow queues on congested arterials
Eisele et al. Developing and applying models for estimating arterial corridor travel time index for transportation planning in small to medium-sized communities
CN109408604B (zh) 输电线路关联天气因素数据网格化处理方法、装置及***

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
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: 20210330

Termination date: 20211120