CN111932873B - 一种山地城市热点区域实时交通预警管控方法及*** - Google Patents

Abstract

本发明公开了一种山地城市热点区域实时交通预警管控方法，包括：步骤1、获取山地城市交通数据；步骤2、根据所述数据确定时段在网车辆数与拥堵延时指数；步骤3、根据所述时段在网车辆数及拥堵延时指数进行预警；步骤4、根据预警等级，将所诉拥堵延时指数输入至拥堵延时指数与时刻在网车辆数的关系模型中；步骤5、根据所述关系模型输出结果确定实际控制流量，根据实时交通预警管控方法建立可以确保了重点区域流量平稳可控，关联路网流量均衡,缓解山地城市热点区域及周边路网的交通运行压力，同时可以进行预警处理，提高管控效率。

Description

一种山地城市热点区域实时交通预警管控方法及***

技术领域

本发明涉及交通管控领域，尤其涉及一种山地城市热点区域实时交通预 警管控方法及***。

背景技术

山地城市空间形态就呈现出“多中心”，“多组团”的格局，交通流量 大，道路瓶颈显著，使得热点区域的管控难度加大，无形增加了社会经济的 损失和环境的污染，目前在道路交通管控领域，管控方法多是依靠以往交通 管控经验，多采用“一刀切”的管控方法，虽然一定程度上缓解热点区域道 路交通运行压力，但缺少交通数据支撑和科学的管控方法，导致周边被严控 的关联道路交通运行情况急剧恶化。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种山地城市 热点区域实时交通预警管控方法。

本发明解决上述技术问题的技术方案如下：一种山地城市热点区域实时 交通预警管控方法，包括：

步骤1、获取山地城市交通数据；

步骤2、根据所述数据确定时段在网车辆数与拥堵延时指数；

步骤3、根据所述时段在网车辆数及拥堵延时指数进行预警；

步骤4、根据预警的等级，将所述等级对应的所述拥堵延时指数输入至 拥堵延时指数与时刻在网车辆数的关系模型中；

步骤5、根据所述关系模型输出结果确定实际控制流量。

本发明的有益效果是：根据拥堵指数与时刻在网车辆数的关系模型的建 立可以确保了重点区域流量平稳可控，关联路网流量均衡,缓解山地城市热点 区域及周边路网的交通运行压力，同时还可以起到预警作用，提高管控效率。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述拥堵指数与时刻在网车辆数的关系模型的建立具体为：

对热点区域历史数据进行趋势线拟合分布，根据趋势线拟合分布的结果 建立拥堵指数与时刻在网车辆数的关系模型。

采用上述进一步方案的有益效果是：通过拟合分布可以更为有效的提高 模型的精确度，为确定最终的控制流量做铺垫。

进一步，步骤5具体为：

根据所述关系模型输出结果计算以预设时间为单位的总流量控制阈值， 将所述总流量控制阈值与各通道进入流量比例结合得出实际控制流量。

本发明解决上述技术问题的另一种技术方案如下：一种山地城市热点区 域实时交通管控***，包括：

获取模块、用于获取山地城市交通数据；

确定模块、用于根据所述数据确定时段在网车辆数与拥堵延时指数；

预警模块、用于所述时段在网车辆数及拥堵延时指数进行预警

输入模块、用于根据预警的等级，将所述等级对应的所述拥堵延时指数 输入至拥堵延时指数与时刻在网车辆数的关系模型中；

输出模块、用于根据所述关系模型输出结果确定实际控制流量。

采用上述方案的有益效果：根据拥堵指数与时刻在网车辆数的关系模型 的建立可以确保了重点区域流量平稳可控，关联时段在网车辆数均衡,缓解山 地城市热点区域及周边路网的交通运行压力，同时还起到预警的作用，提高 管控效率。

进一步，所述拥堵指数与时刻在网车辆数的关系模型的建立具体为：

对热点区域历史数据进行趋势线拟合分布，根据趋势线拟合分布的结果 建立拥堵指数与时刻在网车辆数的量化关系模型。

采用上述进一步方案的有益效果是：通过拟合分布可以更为有效的提高 模型的精确度，为确定最终的控制流量做铺垫。

进一步，输出模块具体用于：

根据所述关系模型输出结果计算以预设时间为单位的总流量控制阈值， 将所述总流量控制阈值与各通道进入流量比例结合得出实际控制流量。

本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的 描述中变得明显，或通过本发明实践了解到。

附图说明

图1为本发明一种山地城市热点区域实时交通预警管控方法实施例提供 的流程示意图；

图2为本发明一种山地城市热点区域实时交通预警管控***实施例提供 的结构框架图；

图3为本发明一种山地城市热点区域实时交通预警管控方法实施例提供 的对数拟合分布子区1图；

图4为本发明一种山地城市热点区域实时交通预警管控方法实施例提供 的对数拟合分布子区2图；

图5为本发明一种山地城市热点区域实时交通预警管控方法实施例提供 的三次多项式拟合分布子区1图；

图6为本发明一种山地城市热点区域实时交通预警管控方法实施例提供 的三次多项式拟合分布子区2图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释 本发明，并非用于限定本发明的范围。

如图1所示，本发明一种山地城市热点区域实时交通预警、管控方法实 施例提供的流程示意图，包括：

步骤1、获取山地城市交通数据；

步骤2、根据所述数据确定时段在网车辆数与拥堵延时指数；

步骤3、根据所述时段在网车辆数及拥堵延时指数进行预警；

步骤4、根据预警的等级，将所述等级对应的所述拥堵延时指数输入至 拥堵延时指数与时刻在网车辆数的关系模型中；

步骤5、根据所述关系模型输出结果确定实际控制流量。

根据拥堵指数与时刻在网车辆数的关系模型的建立可以确保了重点区 域流量平稳可控，关联时段在网车辆数均衡,缓解山地城市热点区域及周边路 网的交通运行压力，同时起到预警的作用，提高管控效率。

需要说明的是，本申请文件中提及的山地城市交通数据可以是：重庆市 江北区的RFID，包含城投金卡数据、高空视频、高德拥堵延时指数等多种类 型数据，对其两个月的高峰时段数据进行挖掘分析，提取出时刻在网车辆数， 路网承载能力，拥堵延时指数等数据，并建立不同类型数据之间的联系；

路网承受能力为：路网承载能力(C)是指在一定的交通状态下，一定 时间(日、小时)内，在道路网上所能服务的最大标准车辆数，可通过城投 金卡数据或者时刻在网车辆数与卡口流量等数据处理分析获得，其中城投金 卡数据内在原理如下：

以车牌为关键参数，结合各通道进出口流量，15分钟为一节点，统计分 析独立车辆数，注意，相同车牌视为同一车辆，具体见下式：

其中：P为时段在网车辆数，单位为：辆/小时；

为各通道进入区域 流量和，单位为：辆/15分钟；

为各通道离开区域流量和，单位为：辆/15 分钟；

为区域内部断面流量和，单位为：辆/15分钟；N为区域内检测的 相同车牌数；

确定路网承载能力可参考如下例子：

根据所利用的数据不同，将有不同的方法确定路网承载能力，本文采用 城投金卡、RFID卡口、高空视频等数据，具体方法如下：

(1)方法一

利用城投金卡数据，提取k个高峰时段时段在网车辆数(k≥200)依次 进行排序，其中最大者确定为路网承载能力，具体公式如下：。

C＝MAX(P)＝MAX(P₁，P₂，P₃，...，P_k)

(2)方法二

1)确定最大时刻在网车辆数

利用高空全景视频，提取m个高峰时刻时刻在网车辆数(m≥100，本文 m取200)依次进行排序，其中最大者确定为最大时刻在网车辆数，具体公 式如下：

L_MAX＝MAX(L)＝MAX(L₁，L₂，L₃，...，L_m)

其中：L_MAX为最大时刻在网车辆数；

2)确定路网承载能力

提取研究区域1个月早晚高峰进入区域的RFID和卡口流量数据，共计 60个小时流量数据，确定路网承载能力，具体公式如下：

W_MAX＝MAX(Q₁，Q₂，...Q₆₀)

C＝L_MAX+W_MAX

式中：W_i为进入区域总流量，单位为：辆/小时；W_MAX为进入区域流量 最大值；为路网承载能力；

另外，步骤3可以参考如下示例，该预警处理可针对停车场、道路等地 点，预警处理的过程可以为：双指标拥堵预警阈值，具体参数可参考如下表 1所示，

表1

根据关系模型输出结果确定实际控制流量可参考如下例子：

分析城投金卡的时段在网车辆数以及拥堵延时指数等数据，参考高德拥 堵延时指数的评价体系，将管控等级分为3个级别，(一级为最高级)并确 定不同管控等级时刻在网车辆数阈值。结合TPI-L关系模型，确定以5分钟 为单位的总流量控制阈值，具体公式如下：

表2 表2为分级管控阈值及流量控制阈值表

其中：Q为路网总流量控制阈值，单位为：辆/5分钟；

统计分析不同时段、不同拥堵延时指数情况下，n个通道进入研究区域 的流量比例H。根据不同等级管控方案的进入总流量控制阈值及管控通道， 结合各通道进入流量比例，确定各通道实际控制流量q，具体公式如下：

q_i＝Q_j×H_i，(j＝三级、二级、一级；i＝1、2...n)

式中：q_i为通道实际控制流量，单位为：辆/5分钟；Q_i为路网总流量控 制阈值，单位为：辆/5分钟；H_i为通道进入流量比例；

优选地，在上述任意实施例中，拥堵指数与时刻在网车辆数的关系模型 的建立具体为：

对热点区域历史数据进行趋势线拟合分布，根据趋势线拟合分布的结果 建立拥堵指数与时刻在网车辆数的关系模型。

通过拟合分布可以更为有效的提高模型的精确度，为确定最终的控制流 量做铺垫。

需要说明的是：时刻在网车辆数(L)是指在一定的交通状态下，某一 时刻在道路网上的车辆数之和，可由高空全景视频、无人机视频以及出入量 法等方法获得，其中高空全景视频是最为直观，准确的方法，该实施例则通 过对多个高空全景视频进行处理分析，提取时刻在网车辆数数据，高德采用 拥堵延时指数(TPI)作为城市拥堵程度的评价指标，即城市居民平均一次出 行实际旅行时间(V_实际)与自由流状态下旅行时间(V_自由)的比值，具体公式 如下：评价等级标准详见表3；

表3

拥堵延时指数-时刻在网车辆数关系模型(TPI-L)

高德拥堵延时指数TPI作为自变量，路网密度K作为因变量，根据热点 区域历史数据，采用趋势线拟合分布，建立二者的量化关系模型，本实施例 采用了多种拟合分布，其中三次多项式拟合分布与对数拟合分布所得到的精 度最高(决定系数R²较大)，具体模型表达式如下：

对数拟合：

K＝a×ln(TPI)+b

上式中：K为路网密度，单位为：辆/km；a、b为固定参数(与选定的 路网长度有关)。

三次多项式拟合：

K＝ATPI³+BTPI²+CTPI+D

上式中：A、B、C、D为固定参数(与选定的路网长度有关)。

将路网划分为个子区域，路网总长度，路网子区总长度为，根据拟 合曲线的结果，如图3、4、5、6所示，子区1对数拟合的决定系数R²＝0.7491， 三次多项式拟合的决定系数R²＝0.7447；子区2对数拟合的决定系数 R²＝0.8422，三次多项式拟合的决定系数R²＝0.8421。二者的拟合程度相近， 但针对时刻在网车辆数的约束条件(L≤L_MAX)，故最终确定以对数拟合作为 高德拥堵延时指数与时刻在网车辆数的关系模型(TPI-L)，具体公式如下：

式中：T_i为路网子区长度，单位为：km；T为路网总长度，单位为：km； a_i、b_i为固定参数(与划分的路网子区长度有关)。

优选地，在上述任意实施例中，步骤4具体为：

根据关系模型输出结果计算以预设时间为单位的总流量控制阈值，将总 流量控制阈值与各通道进入流量比例结合得出实际控制流量。

需要说明的是：下述为本发明的一个完整实施例，重庆市观音桥商圈为 重庆江北区的热点区域之一，以观音桥环道为核心区域。将观音桥环道划分 为3个子区，子区1：观音桥环道(东环)，长度1.073km；子区2：观音桥 环道(西环)，长度0.559km；子区3：观音桥环道(建新西路-建新东路段)， 长度0.368km。

按照公式，将二者取均值处理，最终得到观音桥的路网承载能力为8000 辆/小时。根据公式(10)，确定观音桥环道的TPI-L关系模型为：

L＝L_子区1+L_子区2+L_子区3

L_子区1＝1.073×(130.45×ln(TPI_子区1)+44.779)

L_子区2＝0.559×(208.74×ln(TPI_子区2)+71.406)

L_子区3＝0.368×(223.55×ln(TPI_子区3)+15.54)

同时根据公式确定观音桥环道的分级管控阈值以及管控以及总流量控 制阈值，具体见表5分级管控阈值及流量控制阈值表。

表5

利用多组数据，对日常建新南北路等7个通道的流量比例进行统 计分析，将多组数据结果平均化处理，最终结果如表6所示。最终按 照“先建新东路、西路，后建新南路、北路，确保通道”的总体控制 策略，利用公式确定各个通道实际进入环道的流量，并对各个通道进 行信号或者警力调控，确保观音桥环道通行畅通，表6为各个通道的 流量比例表

表6

应用结果显示：环道全日拥堵时长较2018年减少2小时，减少警力18 人次，确保了重点区域流量平稳可控，关联时段在网车辆数均衡。

如图2所示，一种山地城市热点区域实时交通预警、管控***实施例提 供的结构框架图，包括：

获取模块100、用于获取山地城市交通数据；

确定模块200、用于根据所述数据确定时段在网车辆数与拥堵延时指数； 预警模块300、用于所述时段在网车辆数及拥堵延时指数进行预警

输入模块400、用于根据预警的等级，将所述等级对应的所述拥堵延时 指数输入至拥堵延时指数与时刻在网车辆数的关系模型中；

输出模块500、用于根据所述关系模型输出结果确定实际控制流量。

根据拥堵指数与时刻在网车辆数的关系模型的建立可以确保了重点区 域流量平稳可控，关联时段在网车辆数均衡,缓解山地城市热点区域及周边路 网的交通运行压力，提高管控效率。

优选地，在上述任意实施例中，拥堵指数与时刻在网车辆数的关系模型 的建立具体为：

对热点区域历史数据进行趋势线拟合分布，根据趋势线拟合分布的结果 建立拥堵指数与时刻在网车辆数的量化关系模型。

通过拟合分布可以更为有效的提高模型的精确度，为确定最终的控制流 量做铺垫。

优选地，在上述任意实施例中，输出模块400具体用于：

根据关系模型输出结果计算以预设时间为单位的总流量控制阈值，将总 流量控制阈值与各通道进入流量比例结合得出实际控制流量。

可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部 可选实施方式。

需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例， 对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的 对应说明，在此不再赘述。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些 实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该 实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一 个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是 相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在 任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不 同实施例或示例的特征进行结合和组合。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各 种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。 因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种山地城市热点区域实时交通预警管控方法，其特征在于，包括：

步骤1、获取山地城市交通数据；

步骤2、根据所述数据确定时段在网车辆数与拥堵延时指数；

步骤3、根据所述时段在网车辆数及拥堵延时指数进行预警；

步骤4、根据预警的等级，将所述等级对应的所述拥堵延时指数输入至拥堵延时指数与时刻在网车辆数的关系模型中；

步骤5、根据所述关系模型输出结果确定实际控制流量；

其中，所述山地城市交通数据包括：时刻在网车辆数、路网承载能力以及拥堵延时指数；

所述时刻在网车辆数通过第一公式计算，所述路网承载能力通过第二方法计算；

所述第一公式具体为：

；

为各通道进入区域流量和；

为各通道离开区域流量和；

为区域内部断面流量和；N为区域内检测的相同车牌数；

所述第二方法为：

利用高空全景视频，提取m个高峰时刻时刻在网车辆数

，本文m取200，依次进行排序，其中最大者确定为最大时刻在网车辆数；具体公式如下：

其中：

为最大时刻在网车辆数；

提取研究区域1个月早晚高峰进入区域的RFID和卡口流量数据，共计60个小时流量数据，确定路网承载能力，具体公式如下：

，i=1,2...60

（

，

，...

）

式中：

为进入区域总流量；

为进入区域流量最大值；C为路网承载能力。

2.根据权利要求1所述的一种山地城市热点区域实时交通预警管控方法，其特征在于，所述拥堵延时指数与时刻在网车辆数的关系模型的建立具体为：

对热点区域历史数据进行趋势线拟合分布，根据趋势线拟合分布的结果建立拥堵指数与时刻在网车辆数的关系模型。

3.根据权利要求1所述的一种山地城市热点区域实时交通预警管控方法，其特征在于，步骤5具体为：

根据所述关系模型输出结果计算以预设时间为单位的总流量控制阈值，将所述总流量控制阈值与各通道进入流量比例结合得出实际控制流量。

4.一种山地城市热点区域实时交通预警管控***，其特征在于，包括：

获取模块、用于获取山地城市交通数据；

确定模块、用于根据所述数据确定时段在网车辆数与拥堵延时指数；

预警模块、用于所述时段在网车辆数及拥堵延时指数进行预警

输入模块、用于根据预警的等级，将所述等级对应的所述拥堵延时指数输入至拥堵延时指数与时刻在网车辆数的关系模型中；

输出模块、用于根据所述关系模型输出结果确定实际控制流量；

其中，所述山地城市交通数据包括：时刻在网车辆数、路网承载能力以及拥堵延时指数；

所述时刻在网车辆数通过第一公式计算，所述路网承载能力通过第二方法计算；

所述第一公式具体为：

；

为各通道进入区域流量和；

为各通道离开区域流量和；

为区域内部断面流量和；N为区域内检测的相同车牌数；

所述第二方法为：

利用高空全景视频，提取m个高峰时刻时刻在网车辆数

，本文m取200，依次进行排序，其中最大者确定为最大时刻在网车辆数；具体公式如下：

其中：

为最大时刻在网车辆数；

提取研究区域1个月早晚高峰进入区域的RFID和卡口流量数据，共计60个小时流量数据，确定路网承载能力，具体公式如下：

，i=1,2...60

（

，

，...

）

式中：

为进入区域总流量；

为进入区域流量最大值；C为路网承载能力。

5.根据权利要求4所述的一种山地城市热点区域实时交通预警管控***，其特征在于，所述拥堵延时指数与时刻在网车辆数的关系模型的建立具体为：

对热点区域历史数据进行趋势线拟合分布，根据趋势线拟合分布的结果建立拥堵延时指数与时刻在网车辆数的量化关系模型。

6.根据权利要求4所述的一种山地城市热点区域实时交通预警管控***，其特征在于，输出模块具体用于：

根据所述关系模型输出结果计算以预设时间为单位的总流量控制阈值，将所述总流量控制阈值与各通道进入流量比例结合得出实际控制流量。

Images