CN113034893B - 一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法 - Google Patents

一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法 Download PDF

Info

Publication number
CN113034893B
CN113034893B CN202110124522.2A CN202110124522A CN113034893B CN 113034893 B CN113034893 B CN 113034893B CN 202110124522 A CN202110124522 A CN 202110124522A CN 113034893 B CN113034893 B CN 113034893B
Authority
CN
China
Prior art keywords
headway
traffic flow
traffic
section
vehicle
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
Application number
CN202110124522.2A
Other languages
English (en)
Other versions
CN113034893A (zh
Inventor
李红伟
李巧巧
周云月
陈钰琪
许力斌
高志伟
张可贺
钟馨
袁黎
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202110124522.2A priority Critical patent/CN113034893B/zh
Publication of CN113034893A publication Critical patent/CN113034893A/zh
Application granted granted Critical
Publication of CN113034893B publication Critical patent/CN113034893B/zh
Active 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，具体包括在调查路段放置摄像机进行交通调查；对摄像机获取的交通数据信息进行预处理，剔除无效数据，确定车头时距频率分布区间；比较各统计间隔下的交通参数标准差，确定最佳的统计间隔；利用K‑means方法对速度进行聚类，选取最优的交通状态数量，并得到各交通状态的速度阈值；基于车头时距法对各状态交通流进行自由流和跟驰状态划分；利用坐标转换法得到明确的车头时距阈值；本发明可以更好地考虑微观交通流中车辆之间的相互作用，以及宏观交通流中车流的总体特征，同时保证交通流整体的拟合性，具有重要意义。

Description

一种结合宏观交通流和微观交通流信息的城市主干路阻断交 通流状态划分方法
技术领域
本发明涉及一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，属于城市道路交通规划技术领域。
背景技术
交通流状态是智能交通得以有效实施的重要信息之一，交通运行状态划分是城市道路网采取合理交通控制与管理措施的基础，对缓解道路交通运行压力，提高路网运行效率具有重要的意义。现有交通状态划分方法所用的交通参数种类单一，仅考虑宏观参数或微观参数。基于微观交通流理论的方法侧重于单个车辆之间的物理意义，但忽略了交通流整体的物理意义，基于宏观数理统计的聚类方法注重交通流整体的拟合效果，但不能解释交通流的物理意义。现有交通状态划分方法多针对高速公路、快速路等非阻断交通流进行分类，对城市道路阻断交通流的研究相对较少。
城市主干路承担城市主要交通任务，因此，有必要准确划分城市主干路阻断交通流状态，并据此正确进行交通控制和诱导，对于缓解城市道路交通压力，提高道路通行能力，具有重要意义。微观交通流理论考虑车辆之间的相互作用，宏观交通流理论考虑车流的总体特征，因此，综合微观交通流理论和宏观交通流理论，提高交通状态判别的精度，具有重要意义。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提供一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，该方法采取合理交通控制与管理措施的基础，对缓解道路交通运行压力，提高路网运行效率具有重要的意义。
为解决上述技术问题，本发明采用的技术方案是：
一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，具体包括以下步骤：
第一步，数据采集，选取城市道路主干道作为调查路段，记录调查路段的限速值，在调查路段距上游交叉口出口75m处、调查路段中点位置、调查路段距下游交叉口入口75米处分别架设摄像机，设定调查时间段，采集调查路段数据；
第二步，数据预处理，将摄像机记录的视频信息通过回放记录整个交通流中车速、车头时距信息，其中，需要剔除超速车辆的交通数据，并剔除无效数据，确定车头时距频率分布区间；
第三步，确定统计间隔，比较各统计间隔下的速度标准差，确定最优的统计间隔；
第四步，交通流状态初步划分，利用K-means方法对速度进行聚类，选取最优的聚类数量作为最优的交通状态数量，并得到初步划分的各交通状态的速度阈值；
第五步，交通流态状态再划分，基于车头时距法对各状态交通流进行自由流和跟驰状态划分；
第六步，模型结果输出以及检验，利用坐标转换法得到明确的车头时距阈值；将本方法得到的流量-密度图与常用交通状态方法得到的流量-密度图进行对比，检验本方法的有效性；
作为本发明的进一步优选，在第一步中，选取的调查路段为城市道路的主干道，无特殊的地理和几何特性，无特殊的交通管制，同时需满足道路路面平直、行车视线较佳以及行车视线良好；
作为本发明的进一步优选，在第一步中，采集的调查路段数据包括车头时距、车辆速度；
以车辆匀速行驶为判断基准，车辆顺次经过调查路段上游交叉口出口处断面、调查路段中点断面以及调查路段下游交叉口入口处断面，那么K-means中车辆速度的计算公式为：
Figure BDA0002923486880000021
其中，V为车速，X为调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面之间的距离，Δt为车辆通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间；
作为本发明的进一步优选，在第二步中，在数据预处理过程中，需剔除三类数据，第一种是车头时距为0的情况，第二种是车头时距大于25s的数据，第三种是超过调查路段限速的车辆的交通数据；其中，第一种以及第二种情况的数据剔除后确定车头时距频率分布区间；
作为本发明的进一步优选，在第三步中，选取1min-10min作为统计间隔，比较各统计间隔下的速度标准差，选择速度标准差小于5km/h所对应的车头时距作为最优的统计间隔；
作为本发明的进一步优选，在第四步中，利用K-means方法将交通流分为2-6个状态，根据簇间方差与簇内方差的比值选择最优的聚类数量，簇间方差与簇内方差的比值越大，聚类效果越好，其中簇间方差与簇内方差的比值计算公式为：
Figure BDA0002923486880000022
其中，CH为簇间方差与簇内方差，m为训练集中的样本，k为簇数，Bk为类间的协方差矩阵，Wk为类别内数据的协方差矩阵，tr是矩阵的迹；
作为本发明的进一步优选，在第五步中，基于车头时距法对各状态交通流进行自由流和跟驰状态划分的具体步骤如下：
第51步，统计K-means得到的各个交通状态内的车头时距和相对速度；
第52步，对K-means得到各个交通状态绘制车头时距与相对速度绝对值的曲线，从而建立车头时距与K-means方法中速度的关系；
第53步，设定曲线横坐标为车头时距，纵坐标为各车头时距下的相对速度绝对值的平均值，在各状态中，寻找车头时距与相对速度曲线由斜线转化为水平线的曲线，斜线与水平线的转折点为自由流和跟驰状态的分界点；
作为本发明的进一步优选，在第51步中各个交通状态内的车辆相对速度的公式为：
Figure BDA0002923486880000031
公式(3)将相对速度与公式(1)的车辆速度相关联，其中，ΔV是相对速度，m/s；V前车是前车的速度，km/h；V后车是后车的速度，km/h；Δt前车是前车通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间；Δt后车是后车通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间；
作为本发明的进一步优选，在第51步中，车头时距的具体获得方法为：通过记录每一车道上行驶的车辆队列中,每个车辆车头端部通过调查路段某一断面的时间，计算每一车道上行驶的车辆队列中，两连续车辆车头端部通过调查路段某一断面的时间间隔；
作为本发明的进一步优选，在第六步中，利用坐标转换法得到明确的车头时距阈值的具体步骤如下：
第61步，建立坐标系，以车头时距为x轴，相对速度绝对值为y轴，建立车头时距与相对速度绝对值曲线坐标系，标出点A、C，点A和点C分别为车头时距为1s和车头时距频率研究区间内最大车头时距的相对速度绝对值；
第62步，建立新坐标系，点A为新坐标系的原点，直线AC的延长线x’是新坐标系的x轴，做直线AC的垂直线y’，y’为新坐标系的y轴；
第63步，计算曲线各点在新坐标下的坐标值。在车头时距与相对速度曲线上任取一点，以点B为例；画点B到新坐标系x轴和y轴的垂线，垂足分别为点E和点F，直线BE和BF的长度分别为B点在新坐标系中的y值和x值；
第64步，确定车辆跟随状态和自由流阈值，新坐标系中y值最大的点就是曲线ABC的转折点，旧坐标系与之对应的x值，即自由流与跟驰状态的车头时距阈值。
通过以上技术方案，相对于现有技术，本发明具有以下有益效果：
1、本发明提供的交通流状态划分方法适用于城市主干路，对交通流进行划分时可以避免出现误判情况；
2、本发明提供的交通流状态划分方法采用聚类分析，能够得到较为准确的划分结果，符合实际交通状态；
3、本发明提供的交通流状态划分方法符合密度与速度线性相关的实际情况，因此能够得到确切的交通流状态阈值，从而对城市主干路交通流状态进行有效的分类。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的交通流划分方法流程图；
图2是本发明提供的实施例中统计间隔与速度(流量)标准差的关系；
图3是本发明提供的实施例中CH与聚类数量关系图；
图4a-图4f是本提供的实施例中不同交通流状态下车头时距与相对速度绝对值关系图；
图5是本发明提供的实施例中坐标变换法确定自由流与跟驰状态阈值的过程图；
图6是本发明提供的实施例的地图位置显示图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。
在城市交通管理和服务智能化，信息化建设过程中，对城市交通流状态进行准确划分，是智能交通***建设的基础性和关键性工作之一，也是城市交通管理决策和交通信息服务的理论和数据支撑。基于微观交通流理论的车头时距法适用于高速公路等非阻断交通流，城市主干路应用效果较差，基于宏观数理统计的聚类方法注重交通流整体的拟合效果，但不能解释交通流的物理意义，基于此前提，本申请提出了一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，可以弥补这一领域的空白。
图1所示，是本申请提供的划分方法流程图，从图中可以看出具体包括以下步骤：
第一步，数据采集，选取城市道路主干道作为调查路段，记录调查路段的限速值，在调查路段距上游交叉口出口75m处、调查路段中点位置、调查路段距下游交叉口入口75米处分别架设摄像机，设定调查时间段为晴朗天气的工作日上午6:50-8:10，采集调查路段数据；
其中选取调查路段原则为城市道路的主干道，无特殊的地理和几何特性，无特殊的交通管制，同时需满足道路路面平直、行车视线较佳以及行车视线良好；
采集的调查路段数据包括车头时距、车辆速度；
以车辆匀速行驶为判断基准，车辆顺次经过调查路段上游交叉口出口处断面、调查路段中点断面以及调查路段下游交叉口入口处断面，那么K-means中车辆速度的计算公式为：
Figure BDA0002923486880000051
其中，V为车速，X为调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面之间的距离，Δt为车辆通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间。
第二步，数据预处理，将摄像机记录的视频信息通过回放记录整个交通流中车速、车头时距信息，其中，需要剔除超速车辆的交通数据，并剔除无效数据，确定车头时距频率分布区间；
具体的，在数据预处理过程中，需剔除三类数据，需剔除三类数据，第一种是车头时距为0的情况，第二种是车头时距大于25s的数据，第三种是超过调查路段限速的车辆的交通数据；其中，第一种以及第二种情况的数据剔除后确定车头时距频率分布区间。
第三步，确定统计间隔，比较各统计间隔下的交通参数标准差，确定最优的统计间隔；
其中，选取1min-10min作为统计间隔，比较各统计间隔下的速度标准差，选择速度标准差小于5km/h所对应的车头时距作为最优的统计间隔。
第四步，交通流状态初步划分，利用K-means方法对速度进行聚类，选取最优的聚类数量作为最优的交通状态数量，并得到初步划分的各交通状态的速度阈值；
具体的，利用K-means方法将交通流分为2-6个状态，根据簇间方差与簇内方差的比值，即CH(Calinski–Harabasz criterion)选择最优的聚类数量，簇间方差与簇内方差的比值越大，聚类效果越好，其中簇间方差与簇内方差的比值计算公式为：
Figure BDA0002923486880000052
其中，CH为簇间方差与簇内方差，m为训练集中的样本，k为簇数，Bk为类间的协方差矩阵，Wk为类别内数据的协方差矩阵，tr是矩阵的迹。
第五步，交通流态状态再划分，基于车头时距法对各状态交通流进行自由流和跟驰状态划分；
其中，计算各个交通状态内的车辆相对速度的公式为：
Figure BDA0002923486880000053
公式(3)将相对速度与公式(1)的车速相关联，其中，ΔV是相对速度，m/s；V前车是前车的速度，km/h；V后车是后车的速度，km/h；Δt前车是前车通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间；Δt后车是后车通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间；
车头时距的具体获得方法为：通过记录每一车道上行驶的车辆队列中,每个车辆车头端部通过调查路段某一断面的时间，计算每一车道上行驶的车辆队列中，两连续车辆车头端部通过调查路段某一断面的时间间隔。
第52步，对K-means得到各个交通状态绘制车头时距与相对速度绝对值的曲线，从而建立车头时距与K-means方法中速度的关系；
第53步，设定曲线横坐标为车头时距，纵坐标为各车头时距下的相对速度绝对值的平均值，在各状态中，寻找车头时距与相对速度曲线由斜线转化为水平线的曲线，斜线与水平线的转折点为自由流和跟驰状态的分界点。
第六步，模型结果输出以及检验，利用坐标转换法得到明确的车头时距阈值；将本方法得到的流量-密度图与常用交通状态方法得到的流量-密度图进行对比常用的交通状态划分方法进行对比，检验本方法的有效性。
其中，利用坐标转换法得到明确的车头时距阈值的具体步骤如下：
第61步，建立坐标系，以车头时距为x轴，相对速度绝对值为y轴，建立车头时距与相对速度绝对值曲线坐标系，标出点A、C，点A和点C分别为车头时距为1s和车头时距频率研究区间内最大车头时距的相对速度绝对值；
第62步，建立新坐标系，点A为新坐标系的原点，直线AC的延长线x’是新坐标系的x轴，做直线AC的垂直线y’，y’为新坐标系的y轴；
第63步，计算曲线各点在新坐标下的坐标值。在车头时距与相对速度曲线上任取一点，以点B为例；画点B到新坐标系x轴和y轴的垂线，垂足分别为点E和点F，直线BE和BF的长度分别为B点在新坐标系中的y值和x值；
第64步，确定车辆跟随状态和自由流阈值，新坐标系中y值最大的点就是曲线ABC的转折点，旧坐标系与之对应的x值，即自由流与跟驰状态的车头时距阈值。
实施例：
现针对本申请上述阐述的交通流划分方法，做一个实施例陈述，以对本申请计算方法的进行一个验证。
首先实施例基于调查路段选取原则，选择图6所示的两个调查路段，同时选择晴朗天气的工作日上午6:50-8:10作为调查时间段，调查路段性质如表1所示，
表1调查路段属性
Figure BDA0002923486880000061
Figure BDA0002923486880000071
接着对数据进行预处理，将摄像机获取的视频信息通过回放记录交通流中车速及车头时距等交通信息，并剔除车头时距为0的数据，确定车头时距频率研究区间，剔除超速车辆的交通数据；
接着确定统计时间间隔，由附图2可知，北京西路和中山北路在1min-10min的各统计间隔内流量的标准差均大于5veh/period，速度标准差在1-3min统计间隔内大于5km/h，在4min以后逐渐趋于稳定且小于5km/h，当速度标准差在5min时达到最小，因此选择5min作为统计间隔；基于5min的车速数据，利用K-means聚类将交通流划分为2至6个状态，根据CH(Calinski–Harabasz criterion)选择最优的聚类数量。图3所示为实施例中CH值与交通状态种类数量曲线，从图3中可以知道，当K为3时，两条道路上的CH均为最大值，因此，交通流分为三种状态：畅通、缓慢和拥堵，具体阈值如表2所示，
表2基于K-means的交通状态划分结果
Figure BDA0002923486880000072
实施例给出了车头时距与相对速度绝对值的曲线图，图4a-图4f所示，由此可以得出以下结论，⑴畅通状态和拥堵状态下，车头时距与相对速度关系未发生改变；
畅通交通流状态下，随着车头时距的增加，交通流为自由流；拥堵状态下，相对速度与车头时距线性正相关，交通流为跟驰状态；
⑵缓慢状态下，车头时距与相对速度曲线的关系发生变化；
随着车头时距的增加，相对速度先线性增加，然后在某一数值范围内水平波动；缓慢状态存在自由流和跟驰两种交通状态。
最后利用图5所示的坐标变换法得到确切阈值，坐标转换结果如表3所示，
表3坐标转换结果
Figure BDA0002923486880000073
Figure BDA0002923486880000081
表3可以得知，不可跨线路段跟驰临界值均为5s，可跨线路段跟驰临界值均为8s；当车头时距大于跟驰临界值时，为自由流，车头时距小于跟驰临界值时，为跟驰状态；在同区域相同时间段内，可跨线路段比不可跨线路段更早的出现跟驰行为；
最终，聚类方法将交通流如表4所示分为四个状态，分别为畅通自由流、缓慢自由流、缓慢跟驰、拥堵跟驰。
表4主干路状态分类
Figure BDA0002923486880000082
本申请还提到了对上述模型的验证，在对模型的验证过程中，本申请得到的流量-密度图与常用交通状态方法得到的流量-密度图进行对比常用的交通状态划分方法进行对比，常用的交通状态划分方法通常有：基于微观交通流理论的车头时距方法，基于宏观统计理论的聚类方法，以及基于宏观交通流理论的三相流方法。
在经过验证后，发现，基于微观交通流理论的车头时距方法，其适用于高速公路等非阻断交通流，城市主干路应用效果较差；基于宏观统计理论的聚类方法，当交通状态数量大于3时，自由流均被分为两个状态，两个状态数据交替分布在两条夹角很小的直线上，无法达到聚类对同簇数据差异最小的要求，而基于实际的交通情况，密度随着流量的增大而增大，交通流状态应一次性过渡到另外一个状态中，不应出现交通状态近似周期***替的现象；基于宏观交通流理论的三相流方法，与实际交通流中密度与速度线性相关，不应出现同一速度对应两个交通状态的情况有出入。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (4)

1.一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，其特征在于：具体包括以下步骤：
第一步，数据采集，选取城市道路主干道作为调查路段，记录调查路段的限速值，在调查路段距上游交叉口出口75m处、调查路段中点位置、调查路段距下游交叉口入口75米处分别架设摄像机，设定调查时间段，采集调查路段数据；
在第一步中，采集的调查路段数据包括车头时距、车辆速度；
以车辆匀速行驶为判断基准，车辆顺次经过调查路段上游交叉口出口处断面、调查路段中点断面以及调查路段下游交叉口入口处断面，那么K-means中车辆速度的计算公式为：
Figure FDA0003545909630000011
其中，V为车速，X为调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面之间的距离，Δt为车辆通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间；
第二步，数据预处理，将摄像机记录的视频信息通过回放记录整个交通流中车速、车头时距信息，其中，需要剔除超速车辆的交通数据，并剔除无效数据，确定车头时距频率分布区间；
第三步，确定统计间隔，比较各统计间隔下的速度标准差，确定最优的统计间隔；
第四步，交通流状态初步划分，利用K-means方法对速度进行聚类，选取最优的聚类数量作为最优的交通状态数量，并得到初步划分的各交通状态的速度阈值；
在第四步中，利用K-means方法将交通流分为2-6个状态，根据簇间方差与簇内方差的比值选择最优的聚类数量，簇间方差与簇内方差的比值越大，聚类效果越好，其中簇间方差与簇内方差的比值计算公式为：
Figure FDA0003545909630000012
其中，CH为簇间方差与簇内方差，m为训练集中的样本，k为簇数，Bk为类间的协方差矩阵，Wk为类别内数据的协方差矩阵，tr是矩阵的迹；
第五步，交通流态状态再划分，基于车头时距法对各状态交通流进行自由流和跟驰状态划分；
在第五步中，基于车头时距法对各状态交通流进行自由流和跟驰状态划分的具体步骤如下：
第51步，统计K-means得到的各个交通状态内的车头时距和相对速度；
在第51步中各个交通状态内的车辆相对速度的公式为：
Figure FDA0003545909630000021
公式(3)将相对速度与公式(1)的车辆速度相关联，其中，ΔV是相对速度，m/s；V前车是前车的速度，km/h；V后车是后车的速度，km/h；Δt前车是前车通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间；Δt后车是后车通过调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面的时间，X为调查路段上游交叉口出口处断面与调查路段下游交叉口入口处断面之间的距离；
车头时距的具体获得方法为：通过记录每一车道上行驶的车辆队列中,每个车辆车头端部通过调查路段某一断面的时间，计算每一车道上行驶的车辆队列中，两连续车辆车头端部通过调查路段某一断面的时间间隔；
第52步，对K-means得到各个交通状态绘制车头时距与相对速度绝对值的曲线，从而建立车头时距与K-means方法中速度的关系；
第53步，设定曲线横坐标为车头时距，纵坐标为各车头时距下的相对速度绝对值的平均值，在各状态中，寻找车头时距与相对速度曲线由斜线转化为水平线的曲线，斜线与水平线的转折点为自由流和跟驰状态的分界点；
第六步，模型结果输出以及检验，利用坐标转换法得到明确的车头时距阈值；将本方法得到的流量-密度图与常用交通状态方法得到的流量-密度图进行对比，检验本方法的有效性；
利用坐标转换法得到明确的车头时距阈值的具体步骤如下：
第61步，建立坐标系，以车头时距为x轴，相对速度绝对值为y轴，建立车头时距与相对速度绝对值曲线坐标系，标出点A、C，点A和点C分别为车头时距为1s和车头时距频率研究区间内最大车头时距的相对速度绝对值；
第62步，建立新坐标系，点A为新坐标系的原点，直线AC的延长线x’是新坐标系的x轴，做直线AC的垂直线y’，y’为新坐标系的y轴；
第63步，计算曲线各点在新坐标下的坐标值，在车头时距与相对速度曲线上任取一点B；画点B到新坐标系x轴和y轴的垂线，垂足分别为点E和点F，直线BE和BF的长度分别为B点在新坐标系中的y值和x值；
第64步，确定车辆跟随状态和自由流阈值，新坐标系中y值最大的点就是曲线ABC的转折点，旧坐标系与之对应的x值，即自由流与跟驰状态的车头时距阈值。
2.根据权利要求1所述的结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，其特征在于：在第一步中，选取的调查路段为城市道路的主干道，无特殊的地理和几何特性，无特殊的交通管制，同时需满足道路路面平直、行车视线较佳以及行车视线良好。
3.根据权利要求1所述的结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，其特征在于：在第二步中，在数据预处理过程中，需剔除三类数据，第一种是车头时距为0的情况，第二种是车头时距大于25s的数据，第三种是超过调查路段限速的车辆的交通数据；其中，第一种以及第二种情况的数据剔除后确定车头时距频率分布区间。
4.根据权利要求1所述的结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法，其特征在于：在第三步中，选取1min-10min作为统计间隔，比较各统计间隔下的速度标准差，选择速度标准差小于5km/h所对应的车头时距作为最优的统计间隔。
CN202110124522.2A 2021-01-29 2021-01-29 一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法 Active CN113034893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110124522.2A CN113034893B (zh) 2021-01-29 2021-01-29 一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110124522.2A CN113034893B (zh) 2021-01-29 2021-01-29 一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法

Publications (2)

Publication Number Publication Date
CN113034893A CN113034893A (zh) 2021-06-25
CN113034893B true CN113034893B (zh) 2022-04-22

Family

ID=76459805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110124522.2A Active CN113034893B (zh) 2021-01-29 2021-01-29 一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法

Country Status (1)

Country Link
CN (1) CN113034893B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643531B (zh) * 2021-07-20 2022-09-20 东北大学 一种基于细小时区划分统计的交叉口车道饱和流率计算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444442A (en) * 1992-11-05 1995-08-22 Matsushita Electric Industrial Co., Ltd. Method for predicting traffic space mean speed and traffic flow rate, and method and apparatus for controlling isolated traffic light signaling system through predicted traffic flow rate
CN101710449A (zh) * 2009-12-04 2010-05-19 吉林大学 基于公交车gps数据的交通流运行状态识别方法
CN110718060A (zh) * 2019-10-11 2020-01-21 云南师范大学 一种高速公路计算车间距的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444442A (en) * 1992-11-05 1995-08-22 Matsushita Electric Industrial Co., Ltd. Method for predicting traffic space mean speed and traffic flow rate, and method and apparatus for controlling isolated traffic light signaling system through predicted traffic flow rate
CN101710449A (zh) * 2009-12-04 2010-05-19 吉林大学 基于公交车gps数据的交通流运行状态识别方法
CN110718060A (zh) * 2019-10-11 2020-01-21 云南师范大学 一种高速公路计算车间距的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An Improved Mixed Distribution Model of Time Headway for Urban Roads Based on a New Traffic State Classification Method;HONGWEI LI et al;《IEEE ACCESS》;20210113;12635-12646 *

Also Published As

Publication number Publication date
CN113034893A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
Castro et al. Urban traffic modelling and prediction using large scale taxi GPS traces
CN108596202B (zh) 基于移动终端gps定位数据计算个人通勤时间的方法
CN106355907B (zh) 基于车辆轨迹的信号控制交叉口排队长度实时估计方法
CN108961758B (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN111815948B (zh) 基于工况特征的车辆行驶工况预测方法
Ma et al. Estimating maximum queue length for traffic lane groups using travel times from video-imaging data
CN104331422A (zh) 一种路段类型推测方法
CN111341095B (zh) 一种基于边缘侧在线计算的交通信号控制***及方法
CN107784084A (zh) 基于车辆定位数据的路网生成方法及***
CN111931317B (zh) 基于车载gps数据的区域拥堵路网边界控制方法
CN104778834A (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN111932898A (zh) 一种基于etc门架***的短时流量预测方法
CN111260933B (zh) 用于高分辨率机动车动态排放清单的小时交通量测算方法
CN107818332B (zh) 高速公路互通立交服务范围分析方法及装置
CN104574968A (zh) 一种临界交通状态参数的确定方法
CN113034893B (zh) 一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法
CN102867406B (zh) 一种应用车辆探测资料的交通路网生成方法
CN109979198A (zh) 基于大规模浮动车数据的城市快速道路车速离散辨识方法
CN114078322B (zh) 一种公交运行状态评价方法、装置、设备及存储介质
CN105931463A (zh) 基于交通场面雷达的路段交通运行指数计算方法
CN113903174B (zh) 考虑横向偏移的交织区多车交互换道模型及其构建方法
CN204680215U (zh) 一种车辆定位***
CN107590998B (zh) 一种基于浮动车数据的道路节点运行状态识别***
CN114170057B (zh) 基于轨迹大数据的立体交叉口精细道路信息获取方法及装置
CN109993972A (zh) 道路交通管控时间的计算方法

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