CN112185109B - 一种面向智能网联道路的承载能力概率折减表征方法 - Google Patents
一种面向智能网联道路的承载能力概率折减表征方法 Download PDFInfo
- Publication number
- CN112185109B CN112185109B CN202010959743.7A CN202010959743A CN112185109B CN 112185109 B CN112185109 B CN 112185109B CN 202010959743 A CN202010959743 A CN 202010959743A CN 112185109 B CN112185109 B CN 112185109B
- Authority
- CN
- China
- Prior art keywords
- section
- time
- vehicle
- bearing capacity
- stop
- 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.)
- Active
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
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种面向智能网联道路的承载能力概率折减表征方法,包括步骤:划分智能网联道路区段;构建智能网联道路交通特征数据库;确定智能网联道路各区段包含范围;计算各区段承载能力折减影响时间;确定不同概率下道路承载能力折减区间。本发明借助智能网联道路在采集数据方面的便利,确定面向智能网联道路承载能力的概率折减表征方法,为道路承载能力的设计提供参考,为制定高效的交通管理控制措施提供依据,能够提高道路运行效率,极具有产业利用价值。
Description
技术领域
本发明涉及一种面向道路承载能力的概率折减表征方法,特别是涉及一种面向智能网联道路的承载能力概率折减表征方法,属于智能交通管理与控制***技术领域。
背景技术
随着经济的快速发展,近年来,交通问题已成为世界各大城市关注问题之一。我国主要的交通问题之一为道路承载能力的过低设计和过度设计,造成其与实际交通量的不匹配。事实上,对于不同类型路段,其承载能力的影响因素不同,如果将一条道路按照路段特征进行划分,对不同路段采用相应的承载能力折减方法,折减到各路段包含的范围上,那么就能得到整条道路的承载能力折减方法,为道路承载能力的设计提供参考,为制定高效的交通管理控制措施提供依据,对提高道路运行效率将具有十分重要的意义。而智能网联道路在采集数据方面非常方便,为道路承载能力折减的计算提供基础。
发明内容
本发明的主要目的在于,克服现有技术中的不足,提供一种面向智能网联道路的承载能力概率折减表征方法,借助智能网联道路在采集数据方面的便利,确定面向智能网联道路的承载能力概率折减表征方法,为道路承载能力的设计提供参考,为制定高效的交通管理控制措施提供依据,能够提高道路运行效率,极具有产业利用价值。
为了达到上述目的,本发明所采用的技术方案是:
一种面向智能网联道路的承载能力概率折减表征方法,包括以下步骤:
1)划分智能网联道路区段;
将智能网联道路划分为路侧停靠站区段、港湾停靠站区段、交叉口区段、施工区段及一般区段五类,双向道路的上下行分别进行划分;
2)构建智能网联道路交通特征数据库;
于工作日高峰时段实时采集车辆交通数据,每t分钟作为一个统计时段,记为tk时段,共调查n个tk时段,构建智能网联道路车辆交通特征数据库,具体包括路侧停靠站、港湾停靠站区段、交叉口区段、施工区段及一般区段交通特征数据集;
3)确定智能网联道路各区段包含范围;
对各交通特征数据集的数据进行分析,根据车辆在区段上下游换道点的位置确定路侧停靠站区段、港湾停靠站区段、施工区段包含范围;根据交叉口有无渐变段及渐变段范围确定交叉口区段包含范围;其他区段则属于一般区段;
4)计算各区段承载能力折减影响时间;
根据车辆到达和离开路侧停靠站的时间,计算路侧停靠站区段的折减影响时间;
根据车辆到达和离开港湾停靠站的时间及港湾停靠站的泊位数,计算港湾停靠站区段的折减影响时间;
根据交叉口的信号配时方案,计算交叉口区段的折减影响时间;
根据施工区段的施工时间,计算施工区段的折减影响时间;
根据一般区段车辆运行特征,计算一般区段的折减影响时间;
5)确定不同概率下道路承载能力折减区间;
各统计时段内,将计算的各区段承载能力折减总影响时间放在不同的时间区段内,画出时间区段占比图,确定各区段占比最高的时间区段及其占比大小,根据该占比最及其上下游的占比大小,确定不同概率下各区段承载能力折减区间的上、下限值,对各区段包含的路段范围进行折减,最后得到道路的承载能力折减区间。
本发明进一步设置为:所述步骤2)中构建智能网联道路交通特征数据库,具体为,
2-1)构建路侧停靠站区段交通特征数据集
2-2)构建港湾停靠站区段交通特征数据集
2-3)构建交叉口区段交通特征数据集
2-4)构建施工区段交通特征数据集
2-5)构建一般区段交通特征数据集
一般区段上事故的发生具有随机性,无需构建该数据集。
本发明进一步设置为:所述步骤3)中确定智能网联道路各区段包含范围,具体为,
3-1)确定路侧停靠站区段包含范围
3-2)确定港湾停靠站区段包含范围
3-3)确定交叉口区段包含范围
3-4)确定施工区段包含范围
3-5)确定一般区段包含范围
介于上述各区段之间的区段属于一般区段。
本发明进一步设置为:所述步骤4)中计算路侧停靠站区段承载能力折减影响时间,具体为,
4-1a)换算车辆的到站和离站时间
将车辆的到站和离站时间以秒为单位进行换算,即t(Ri)=H(Ri)×3600+M(Ri)×60+S(Ri),其中, 分别为第i辆车在路侧停靠站的到站、离站时间,H(Ri)、M(Ri)、S(Ri)分别为各换算时刻的时、分、秒数;
4-2a)判断车辆是否停靠在站
4-3a)计算路侧停靠站区段承载能力折减影响时间
本发明进一步设置为:所述步骤4)中计算港湾停靠站区段承载能力折减影响时间,具体为,
4-1b)换算车辆的到站时间和离站时间
将车辆的到站和离站时间及统计时段中的每个时刻以秒为单位进行换算,即t(Bi)=H(Bi)×3600+M(Bi)×60+S(Bi),其中, 分别为第i辆车在港湾停靠站的到站、离站时间,ti为统计时段中的每个时刻,H(Bi)、M(Bi)、S(Bi)分别为各换算时刻的时、分、秒数;
4-2b)判断每个时刻车辆是否在站
4-3b)计算每个时刻在站车辆数
4-4b)确定停靠站有无车辆排队溢出
当停靠站同时在站车辆数大于停靠站泊位数,即b(Bi)>b时,该停靠站有车辆排队溢出;当b(Bi)≤b时,该停靠站没有车辆排队溢出;
4-5b)计算停靠站每次排队溢出时间
4-6b)计算港湾停靠站区段折减影响时间
本发明进一步设置为:所述步骤4)中计算交叉口区段承载能力折减影响时间,具体为,
4-1c)计算各流向相位红灯时长
各相位显示绿灯时间为其中,f为流向类型,f={L,T,R},L为左转相位,T为直行相位,R为右转相位,为各流向相位有效绿灯时间,A、Ls分别为黄灯时长和车辆启动损失时间,则各流向相位红灯时间为tc为周期时长;
4-2c)计算交叉口区段承载能力折减影响时间
本发明进一步设置为:所述步骤4)中计算施工区段承载能力折减影响时间,具体为,
4-1d)判断施工区段是否仍在施工
4-2d)计算施工区段承载能力折减影响时间
tk时段内,施工区段的总折减影响时间为每个施工时刻之和,若该时刻则在施工区段总的承载能力折减影响时间里加1秒,否则加0秒,对tk时段中的每个时刻进行判断,其中,为车辆在施工区段上游换道位置距该区段起点的距离,超过施工区段起点取负值,的初始值为0秒。
本发明进一步设置为:所述步骤4)中计算一般区段承载能力折减影响时间,具体为,
本发明进一步设置为:所述步骤5)中确定不同概率下道路承载能力折减区间,具体为,
5-1)将各区段的总影响时间放入时间区段内
tk时段内,各区段共有n个总折减影响时间其中,m为区段类型,m={R,B,I,C,O},其中,R表示路侧停靠站区段,B表示港湾停靠站区段,I表示交叉口区段,C表示施工区段,O表示一般区段,将总影响时间放入相应的时间区段内,各区段第i个时间区段包含的总影响时间个数为
5-2)确定各区段占比最高时间区段及其占比
5-3)确定占比最高时间区段上下游的总占比
tk时段内,各区段占比最高时间区段的上、下游包含的总影响时间个数分别记为当第i个时间区段((i-1)t1,it1]在占比最高的时间区段的上游,即(i-1)t1≥tM2时, 的初始值为0;(i-1)t1<tM2时, 的初始值为0;则占比最高时间区段上、下游的总占比分别为
5-4)确定各区段承载能力折减区间
tk时段内,可接受折减概率为设定的p%时,距占比最高时间区段上游的时间区段的中间值记为B(mk),则该区段承载能力折减区间的上限值为距占比最高时间区段下游的时间区段的中间值记为A(mk),则该区段承载能力折减区间的下限值为则tk时段内,各区段承载能力折减区间为
5-5)确定道路承载能力折减区间
tk时段内,将各区段的承载能力折减区间分别折减到各区段包含范围上,得tk时段内道路的承载能力折减区间。
与现有技术相比,本发明具有的有益效果是:
本发明提供的一种面向智能网联道路的承载能力概率折减表征方法,将智能网联道路划分为路侧停靠站区段、港湾停靠站区段、交叉口区段、施工区段及一般区段五类,借助实时采集的车辆交通数据,计算不同路段的承载能力折减区间,进而计算整条道路的承载能力折减区间,对提高道路运行效率将具有十分重要的意义。
上述内容仅是本发明技术方案的概述,为了更清楚的了解本发明的技术手段,下面结合附图对本发明作进一步的描述。
附图说明
图1是本发明的流程图;
图2是本发明步骤1)中道路区段划分示意图;
图3是本发明步骤4)中公交停靠站单元公交车辆排队溢出情况示意图。
具体实施方式
下面结合说明书附图,对本发明作进一步的说明。
一种面向智能网联道路的承载能力概率折减表征方法,如图1所示,包括以下步骤:
1)划分智能网联道路区段;
将智能网联道路划分为路侧停靠站区段、港湾停靠站区段、交叉口区段、施工区段及一般区段五类,双向道路的上下行分别进行划分。
2)构建智能网联道路交通特征数据库;
于工作日高峰时段(7:00-9:00,17:00-19:00)实时采集车辆交通数据,每t分钟作为一个统计时段,记为tk时段,共调查n个tk时段,构建智能网联道路车辆交通特征数据库,具体包括路侧停靠站、港湾停靠站区段、交叉口区段、施工区段及一般区段交通特征数据集;
具体为,
2-1)构建路侧停靠站区段交通特征数据集
2-2)构建港湾停靠站区段交通特征数据集
2-3)构建交叉口区段交通特征数据集
2-4)构建施工区段交通特征数据集
2-5)构建一般区段交通特征数据集
由于一般区段上事故发生具有随机性,因此无需构建该数据集。
3)确定智能网联道路各区段包含范围;
对各数据集的数据进行分析,根据车辆在区段上下游换道点的位置确定路侧停靠站区段、港湾停靠站区段、施工区段包含范围;根据交叉口有无渐变段及渐变段范围确定交叉口区段包含范围;其他区段则属于一般区段;
具体为,
3-1)确定路侧停靠站区段包含范围
3-2)确定港湾停靠站区段包含范围
3-3)确定交叉口区段包含范围
3-4)确定施工区段包含范围
3-5)确定一般区段包含范围
介于上述各区段之间的区段属于一般区段。
4)计算路侧停靠站区段承载能力折减影响时间;
根据车辆到达和离开路侧停靠站的时间,计算路侧停靠站区段的折减影响时间;
具体为,
4-1a)换算车辆的到站和离站时间
将车辆的到站和离站时间以秒为单位进行换算,即t(Ri)=H(Ri)×3600+M(Ri)×60+S(Ri),其中, 分别为第i辆车在路侧停靠站的到站、离站时间,H(Ri)、M(Ri)、S(Ri)分别为各换算时刻的时、分、秒数;
4-2a)判断车辆是否停靠在站
4-3a)计算路侧停靠站区段承载能力折减影响时间
5)计算港湾停靠站区段承载能力折减影响时间;
根据车辆到达和离开港湾停靠站的时间及港湾停靠站的泊位数,计算港湾停靠站区段的折减影响时间;
具体为,
4-1b)换算车辆的到站时间和离站时间
将车辆的到站和离站时间及统计时段中的每个时刻以秒为单位进行换算,即t(Bi)=H(Bi)×3600+M(Bi)×60+S(Bi),其中, 分别为第i辆车在港湾停靠站的到站、离站时间,ti为统计时段中的每个时刻,H(Bi)、M(Bi)、S(Bi)分别为各换算时刻的时、分、秒数;
4-2b)判断每个时刻车辆是否在站
4-3b)计算每个时刻在站车辆数
4-4b)确定停靠站有无车辆排队溢出
当停靠站同时在站车辆数大于停靠站泊位数,即b(Bi)>b时,该停靠站有车辆排队溢出;当b(Bi)≤b时,该停靠站没有车辆排队溢出;
4-5b)计算停靠站每次排队溢出时间
4-6b)计算港湾停靠站区段折减影响时间
6)计算交叉口区段承载能力折减影响时间;
根据交叉口的信号配时方案,计算交叉口区段的折减影响时间;
具体为,
4-1c)计算各流向相位红灯时长
各相位显示绿灯时间为其中,f为流向类型,f={L,T,R},L为左转相位,T为直行相位,R为右转相位,为各流向相位有效绿灯时间,A、Ls分别为黄灯时长和车辆启动损失时间,则各流向相位红灯时间为tc为周期时长;
4-2c)计算交叉口区段承载能力折减影响时间
7)计算施工区段承载能力折减影响时间;
根据施工区段的施工时间,计算施工区段的折减影响时间;
具体为,
4-1d)判断施工区段是否仍在施工
4-2d)计算施工区段承载能力折减影响时间
tk时段内,施工区段的总折减影响时间为每个施工时刻之和,若该时刻则在施工区段总的承载能力折减影响时间里加1秒,否则加0秒,对tk时段中的每个时刻进行判断,其中,为车辆在施工区段上游换道位置距该区段起点的距离,超过施工区段起点取负值,的初始值为0秒。
8)计算一般区段承载能力折减影响时间;
根据一般区段车辆运行特征,计算一般区段的折减影响时间;
具体为,
9)确定不同概率下道路承载能力折减区间;
各统计时段内,将计算的各区段承载能力折减总影响时间放在不同的时间区段内,画出时间区段占比图,确定各区段占比最高的时间区段及其占比大小,根据该占比最及其上下游的占比大小,确定不同概率下各区段承载能力折减区间的上、下限值,对各区段包含的路段范围进行折减,最后得到道路的承载能力折减区间;
具体为,
5-1)将各区段的总影响时间放入时间区段内
tk时段内,各区段共有n个总折减影响时间其中,m为区段类型,m={R,B,I,C,O},其中,R表示路侧停靠站区段,B表示港湾停靠站区段,I表示交叉口区段,C表示施工区段,O表示一般区段,将总影响时间放入相应的时间区段内,各区段第i个时间区段包含的总影响时间个数为
5-2)确定各区段占比最高时间区段及其占比
5-3)确定占比最高时间区段上下游的总占比
tk时段内,各区段占比最高时间区段的上、下游包含的总影响时间个数分别记为当第i个时间区段((i-1)t1,it1]在占比最高的时间区段的上游,即(i-1)t1≥tM2时, 的初始值为0;(i-1)t1<tM2时, 的初始值为0;则占比最高时间区段上、下游的总占比分别为
5-4)确定各区段承载能力折减区间
tk时段内,可接受折减概率为设定的p%时,距占比最高时间区段上游的时间区段的中间值记为B(mk),则该区段承载能力折减区间的上限值为距占比最高时间区段下游的时间区段的中间值记为A(mk),则该区段承载能力折减区间的下限值为则tk时段内,各区段承载能力折减区间为
5-5)确定道路承载能力折减区间
tk时段内,将各区段的承载能力折减区间分别折减到各区段包含范围上,得tk时段内道路的承载能力折减区间。
实施例:
通过一个实例对本发明一种面向智能网联道路的承载能力概率折减表征方法给出进一步说明,如图2所示为智能网联道路区段划分示意图。下面根据本发明一种面向智能网联道路的承载能力概率折减表征方法的具体步骤,计算智能网联道路的承载能力概率折减区间。
S1:划分智能网联道路区段。
S11:如图2所示,将该道路划分为11个区段,1个交叉口区段、2个路侧停靠站区段、2个港湾停靠站区段、1个施工区段和5个一般区段。
S2:构建智能网联道路交通特征数据库。
于工作日高峰时段(7:00-9:00,17:00-19:00)实时采集车辆交通数据,每15分钟作为一个统计时段,共调查80个时段,构建智能网联道路车辆交通特征数据库,具体包括路侧停靠站、港湾停靠站区段、交叉口区段、施工区段及一般区段交通特征数据集。
S21:借助调研数据,构建构建路侧停靠站区段交通特征数据集,具体为,分别为第i辆车在路侧停靠站的到站、离站时间,分别为车辆在路侧停靠站上、下游换道位置距区段起点的距离,如表1、表2所示(列举部分数据)。
表1
表2
S22:借助调研数据,构建港湾停靠站区段交通特征数据集,具体为,分别为第i辆车在港湾停靠站的到站、离站时间, 分别为车辆在港湾停靠站上、下游换道位置距区段起点的距离,b为港湾停靠站泊位数,如表3、表4所示(列举部分数据)。
表3
表4
表5
表6
S3:确定各区段包含范围。
S31:确定路侧停靠站区段包含范围;
表7
S32:确定港湾停靠站区段包含范围;
表8
S33:确定交叉口区段包含范围;
S34:确定施工区段包含范围;
表9
S35:介于上述特殊区段之间的区段属于一般区段。
S4:计算路侧停靠站区段承载能力折减影响时间。
S41:如图3所示,将车辆的到站和离站时间以秒为单位进行换算,即t(Ri)=H(Ri)×3600+M(Ri)×60+S(Ri),其中, 分别为第i辆车在路侧停靠站的到站、离站时间,H(Ri)、M(Ri)、S(Ri)分别为各换算时刻的时、分、秒数。并判断车辆是否停靠在站,时,第i辆车停靠在该停靠站;时,第i辆车未停靠在该停靠站,如表10所示(列举部分数据)。
表10
S42:计算路侧停靠站区段承载能力折减影响时间,路侧停靠站第i辆车的承载能力折减影响时间为其中,分别为第i辆车的到站和离站时间;则tk时段该区段的总折减影响时间为其中VR为该统计时段内到达该路侧停靠站的总车辆数,如表11所示(列举部分数据)。
表11
S5:计算港湾停靠站区段承载能力折减影响时间。
S51:将车辆的到站和离站时间及统计时段中的每个时刻以秒为单位进行换算,即t(Bi)=H(Bi)×3600+M(Bi)×60+S(Bi),其中, 分别为第i辆车在港湾停靠站的到站、离站时间,ti为统计时段中的每个时刻,H(Bi)、M(Bi)、S(Bi)分别为各换算时刻的时、分、秒数。并判断每个时刻车辆是否在站,将每个时刻和车辆的到站、离站时刻进行比对,时,表示第i辆车在ti时刻停靠在站;或时,表示第i辆车在ti时刻未停靠在站,如表12所示(列举部分数据)。
表12
S52:计算每个时刻在站车辆数,ti时刻在站车辆数其中,分别为第i辆车的到站、离站时间,b(Bi)的初始值为0。并确定停靠站有无车辆排队溢出,当停靠站同时在站车辆数大于停靠站泊位数,即b(Bi)>b时,该停靠站有车辆排队溢出;当b(Bi)≤b时,该停靠站没有车辆排队溢出,如表13所示(列举部分数据)。
表13
表14
S6:计算交叉口区段承载能力折减影响时间;
S61:计算各流向相位红灯时长;
各相位显示绿灯时间为其中,f为流向类型,f={L,T,R},L为左转相位,T为直行相位,R为右转相位,为各流向相位有效绿灯时间,A、Ls分别为黄灯时长和车辆启动损失时间,则各流向相位红灯时间为tc为周期时长,如表15所示。
表15
S62:计算交叉口区段承载能力折减影响时间,该区段在一个周期内的折减影响时间为其中,分别为交叉口左转、直行、右转相位的红灯时间;一个统计时段共有个周期,其中,t为每个统计时段的时间,则交叉口区段的总折减影响时间为如表16所示。
表16
S7:计算施工区段承载能力折减影响时间;
S71:对一个统计时段中的每个时刻进行判断,时,表示该时刻车辆在施工区段起点上游换道,说明该时刻施工区段仍在施工;时,表示该时刻车辆已驶过施工区段起点,说明该时刻施工区段已取消施工,如表17所示(列举部分数据)。
表17
S72:计算一个时段内施工区段的总折减影响时间,为每个施工时刻之和,若该时刻则在施工区段总的承载能力折减影响时间里加1秒,否则加0秒,对tk时段中的每个时刻进行判断,其中,为车辆在施工区段上游换道位置距该区段起点的距离,超过施工区段起点取负值,的初始值为0秒,如表18所示(列举部分数据)。
表18
S9:确定不同概率下道路承载能力折减区间;
S91:将各区段的总影响时间放入时间区段内;
以60s为时间间隔划分时间区段,各时间区段分别为[0,60],(60,120],...,共有15个时间区段;
各区段共有80个总折减影响时间其中,m为区段类型,m={R,B,I,C,O},其中,R表示路侧停靠站区段,B表示港湾停靠站区段,I表示交叉口区段,C表示施工区段,O表示一般区段,将总影响时间放入相应的时间区段内,如表19所示(列举部分数据)。
表19
S92:确定各区段占比最高时间区段及其占比;
表20
S93:确定占比最高时间区段上下游的总占比;
tk时段内,各区段占比最高时间区段的上、下游包含的总影响时间个数分别记为当第i个时间区段((i-1)t1,it1]在占比最高的时间区段的上游,即(i-1)t1≥tM2时, 的初始值为0;(i-1)t1<tM2时, 的初始值为0;则占比最高时间区段上、下游的总占比分别为如表21所示(列举部分数据)。
表21
S94:确定各区段承载能力折减区间;
tk时段内,可接受折减概率为设定的p%时,距占比最高时间区段上游的时间区段的中间值记为B(mk),则该区段承载能力折减区间的上限值为距占比最高时间区段下游的时间区段的中间值记为A(mk),则该区段承载能力折减区间的下限值为则tk时段内,各区段承载能力折减区间为如表22所示(列举部分数据)。
表22
S95:确定道路承载能力折减区间;
tk时段内,将各区段的承载能力折减区间分别折减到各区段包含范围上,得tk时段内道路的承载能力折减区间。
Claims (1)
1.一种面向智能网联道路的承载能力概率折减表征方法,其特征在于,包括以下步骤:
1)划分智能网联道路区段;
将智能网联道路划分为路侧停靠站区段、港湾停靠站区段、交叉口区段、施工区段及一般区段五类,双向道路的上下行分别进行划分;
2)构建智能网联道路交通特征数据库;
于工作日高峰时段实时采集车辆交通数据,每t分钟作为一个统计时段,记为tk时段,共调查n个tk时段,构建智能网联道路车辆交通特征数据库,具体包括路侧停靠站、港湾停靠站区段、交叉口区段、施工区段及一般区段交通特征数据集;
3)确定智能网联道路各区段包含范围;
对各交通特征数据集的数据进行分析,根据车辆在区段上下游换道点的位置确定路侧停靠站区段、港湾停靠站区段、施工区段包含范围;根据交叉口有无渐变段及渐变段范围确定交叉口区段包含范围;其他区段则属于一般区段;
4)计算各区段承载能力折减影响时间;
根据车辆到达和离开路侧停靠站的时间,计算路侧停靠站区段的折减影响时间;
根据车辆到达和离开港湾停靠站的时间及港湾停靠站的泊位数,计算港湾停靠站区段的折减影响时间;
根据交叉口的信号配时方案,计算交叉口区段的折减影响时间;
根据施工区段的施工时间,计算施工区段的折减影响时间;
根据一般区段车辆运行特征,计算一般区段的折减影响时间;
5)确定不同概率下道路承载能力折减区间;
各统计时段内,将计算的各区段承载能力折减总影响时间放在不同的时间区段内,画出时间区段占比图,确定各区段占比最高的时间区段及其占比大小,根据该占比最及其上下游的占比大小,确定不同概率下各区段承载能力折减区间的上、下限值,对各区段包含的路段范围进行折减,最后得到道路的承载能力折减区间;
所述步骤2)中构建智能网联道路交通特征数据库,具体为,
2-1)构建路侧停靠站区段交通特征数据集
2-2)构建港湾停靠站区段交通特征数据集
2-3)构建交叉口区段交通特征数据集
2-4)构建施工区段交通特征数据集
2-5)构建一般区段交通特征数据集
一般区段上事故的发生具有随机性,无需构建该数据集;
所述步骤3)中确定智能网联道路各区段包含范围,具体为,
3-1)确定路侧停靠站区段包含范围
3-2)确定港湾停靠站区段包含范围
3-3)确定交叉口区段包含范围
3-4)确定施工区段包含范围
3-5)确定一般区段包含范围
介于上述各区段之间的区段属于一般区段;
所述步骤4)中计算路侧停靠站区段承载能力折减影响时间,具体为,
4-1a)换算车辆的到站和离站时间
将车辆的到站和离站时间以秒为单位进行换算,即t(Ri)=H(Ri)×3600+M(Ri)×60+S(Ri),其中, 分别为第i辆车在路侧停靠站的到站、离站时间,H(Ri)、M(Ri)、S(Ri)分别为各换算时刻的时、分、秒数;
4-2a)判断车辆是否停靠在站
4-3a)计算路侧停靠站区段承载能力折减影响时间
所述步骤4)中计算港湾停靠站区段承载能力折减影响时间,具体为,
4-1b)换算车辆的到站时间和离站时间
将车辆的到站和离站时间及统计时段中的每个时刻以秒为单位进行换算,即t(Bi)=H(Bi)×3600+M(Bi)×60+S(Bi),其中, 分别为第i辆车在港湾停靠站的到站、离站时间,ti为统计时段中的每个时刻,H(Bi)、M(Bi)、S(Bi)分别为各换算时刻的时、分、秒数;
4-2b)判断每个时刻车辆是否在站
4-3b)计算每个时刻在站车辆数
4-4b)确定停靠站有无车辆排队溢出
当停靠站同时在站车辆数大于停靠站泊位数,即b(Bi)>b时,该停靠站有车辆排队溢出;当b(Bi)≤b时,该停靠站没有车辆排队溢出;
4-5b)计算停靠站每次排队溢出时间
4-6b)计算港湾停靠站区段折减影响时间
所述步骤4)中计算交叉口区段承载能力折减影响时间,具体为,
4-1c)计算各流向相位红灯时长
各相位显示绿灯时间为其中,f为流向类型,f={L,T,R},L为左转相位,T为直行相位,R为右转相位,为各流向相位有效绿灯时间,A、Ls分别为黄灯时长和车辆启动损失时间,则各流向相位红灯时间为tc为周期时长;
4-2c)计算交叉口区段承载能力折减影响时间
所述步骤4)中计算施工区段承载能力折减影响时间,具体为,
4-1d)判断施工区段是否仍在施工
4-2d)计算施工区段承载能力折减影响时间
tk时段内,施工区段的总折减影响时间为每个施工时刻之和,若该时刻则在施工区段总的承载能力折减影响时间里加1秒,否则加0秒,对tk时段中的每个时刻进行判断,其中,为车辆在施工区段上游换道位置距该区段起点的距离,超过施工区段起点取负值,的初始值为0秒;
所述步骤4)中计算一般区段承载能力折减影响时间,具体为,
所述步骤5)中确定不同概率下道路承载能力折减区间,具体为,
5-1)将各区段的总影响时间放入时间区段内
tk时段内,各区段共有n个总折减影响时间其中,m为区段类型,m={R,B,I,C,O},其中,R表示路侧停靠站区段,B表示港湾停靠站区段,I表示交叉口区段,C表示施工区段,O表示一般区段,将总影响时间放入相应的时间区段内,各区段第i个时间区段包含的总影响时间个数为
5-2)确定各区段占比最高时间区段及其占比
5-3)确定占比最高时间区段上下游的总占比
tk时段内,各区段占比最高时间区段的上、下游包含的总影响时间个数分别记为当第i个时间区段((i-1)t1,it1]在占比最高的时间区段的上游,即(i-1)t1≥tM2时, 的初始值为0;(i-1)t1<tM2时, 的初始值为0;则占比最高时间区段上、下游的总占比分别为
5-4)确定各区段承载能力折减区间
tk时段内,可接受折减概率为设定的p%时,距占比最高时间区段上游的时间区段的中间值记为B(mk),则该区段承载能力折减区间的上限值为距占比最高时间区段下游的时间区段的中间值记为A(mk),则该区段承载能力折减区间的下限值为则tk时段内,各区段承载能力折减区间为
5-5)确定道路承载能力折减区间
tk时段内,将各区段的承载能力折减区间分别折减到各区段包含范围上,得tk时段内道路的承载能力折减区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959743.7A CN112185109B (zh) | 2020-09-14 | 2020-09-14 | 一种面向智能网联道路的承载能力概率折减表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959743.7A CN112185109B (zh) | 2020-09-14 | 2020-09-14 | 一种面向智能网联道路的承载能力概率折减表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112185109A CN112185109A (zh) | 2021-01-05 |
CN112185109B true CN112185109B (zh) | 2021-04-09 |
Family
ID=73920853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959743.7A Active CN112185109B (zh) | 2020-09-14 | 2020-09-14 | 一种面向智能网联道路的承载能力概率折减表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112185109B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101074294B1 (ko) * | 2010-07-13 | 2011-10-18 | 주식회사 서영엔지니어링 | 유턴 대기 및 회전 전용공간을 이용한 2현시 4지 교차로 시스템 |
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN109872537A (zh) * | 2019-04-11 | 2019-06-11 | 吉林大学 | 一种考虑量化分级的公交停靠站优化设置方法 |
CN109887267A (zh) * | 2019-03-21 | 2019-06-14 | 华侨大学 | 一种轨道交通共线段常规公交调整方法 |
CN110232821A (zh) * | 2019-06-19 | 2019-09-13 | 河海大学 | 一种高峰时段港湾公交停靠站临近车道通行能力计算方法 |
CN110288828A (zh) * | 2019-06-19 | 2019-09-27 | 河海大学 | 上游港湾停靠站影响下交叉口进口道通行能力计算方法 |
-
2020
- 2020-09-14 CN CN202010959743.7A patent/CN112185109B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101074294B1 (ko) * | 2010-07-13 | 2011-10-18 | 주식회사 서영엔지니어링 | 유턴 대기 및 회전 전용공간을 이용한 2현시 4지 교차로 시스템 |
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN109887267A (zh) * | 2019-03-21 | 2019-06-14 | 华侨大学 | 一种轨道交通共线段常规公交调整方法 |
CN109872537A (zh) * | 2019-04-11 | 2019-06-11 | 吉林大学 | 一种考虑量化分级的公交停靠站优化设置方法 |
CN110232821A (zh) * | 2019-06-19 | 2019-09-13 | 河海大学 | 一种高峰时段港湾公交停靠站临近车道通行能力计算方法 |
CN110288828A (zh) * | 2019-06-19 | 2019-09-27 | 河海大学 | 上游港湾停靠站影响下交叉口进口道通行能力计算方法 |
Non-Patent Citations (3)
Title |
---|
Capacity approximations for near- and far-side bus stops in dedicated bus lanes;Minyu Shen Et al.;《Transportation Research Part B: Methodological》;20190630;第125卷;第94-120页 * |
上游停靠站公交溢出影响下交叉口公交优先配时优化;郑锐等;《大连交通大学学报》;20180430;第39卷(第2期);第1-6页 * |
公交停靠站对道路通行能力的影响分析;袁静;《中国优秀硕士学位论文全文数据库工程科技II辑》;20131115(第11期);C034-275 * |
Also Published As
Publication number | Publication date |
---|---|
CN112185109A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN104217605B (zh) | 一种公交车到站时间测算方法和装置 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN111341095B (zh) | 一种基于边缘侧在线计算的交通信号控制***及方法 | |
CN110232821B (zh) | 一种高峰时段港湾公交停靠站临近车道通行能力计算方法 | |
CN106816009A (zh) | 高速公路实时交通拥堵路况检测方法及其*** | |
CN113506013B (zh) | 基于多源数据的中运量公共交通***综合效益评价方法 | |
CN106971546B (zh) | 基于公交车gps数据的路段公交车渗透率估计方法 | |
CN104851287A (zh) | 基于视频检测器的城市道路路段行程时间检测方法 | |
CN110288827B (zh) | 一种考虑停靠站排队溢出影响的公交车辆运行调度方法 | |
CN107085956A (zh) | 一种绿波速度计算提示*** | |
CN109147319A (zh) | 一种基于多交通数据指标的道路突发事件判别方法 | |
CN104778839A (zh) | 基于视频检测器的城市道路下游分方向交通状态判别方法 | |
CN111402613A (zh) | 一种自动驾驶车辆收费站车道选择方法 | |
CN115063990A (zh) | 一种混合交通流环境高速公路瓶颈路段动态限速控制方法 | |
CN106548628A (zh) | 一种基于视觉空间转换网格化的路况分析方法 | |
CN112185109B (zh) | 一种面向智能网联道路的承载能力概率折减表征方法 | |
CN104966404A (zh) | 一种基于阵列雷达的单点自优化信号控制方法及装置 | |
CN110070720A (zh) | 提高交叉口占道施工区通行能力模型拟合度的计算方法 | |
CN114530046A (zh) | 一种交叉口设置右转信号灯的需求判定方法和装置 | |
CN106600030A (zh) | 一种基于路网行程时间可靠性的出行预留时间计算方法 | |
CN111292535B (zh) | 车路协同环境下面向乘客出行的路网交通状态评价方法 | |
CN111239857B (zh) | 一种特殊地形强风预报方法 |
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 |