CN114037587A - 基于异质因果推断的城市通勤主通道多匝道网联控制方法 - Google Patents

Abstract

本发明公开了一种基于异质因果推断的城市通勤主通道多匝道网联控制方法。对于高速公路常发瓶颈路段，基于探测器探测的瓶颈交通占用率和上下游邻近进口匝道流量数据以及事故数据，构建不同交通状况下匝道输入流量对瓶颈交通状况的异质因果模型，将因果推断的结果作为匝道权重，反映相应匝道对瓶颈改善的重要性，并在瓶颈形成后以此为依据进行多匝道协同控制。匝道权重随因果推断的结果动态更新，确保控制策略与实时需求模式相匹配。本发明采用因果图框架识别控制变量和特征变量，并基于双重机器学习算法构建异质因果模型。

Description

基于异质因果推断的城市通勤主通道多匝道网联控制方法

技术领域

本发明属于道路交通安全设计、智能交通管理与控制技术领域，尤其涉及城市通勤主通道多匝道权重的异质因果模型标定与协同控制方法。

背景技术

承担较大交通需求的高速公路(城市快速路)及连接其的匝道构成了城市通勤主通道，在区域交通运输体系中起骨架作用。为保证城市通勤主通道的服务水平，当主线产生事故瓶颈或汇入瓶颈时，减少瓶颈附近匝道进口需求有助于缓解瓶颈路段的通行压力，加速瓶颈消散。若参与控制的匝道需求与瓶颈交通状况的因果性越大，则调节相应匝道需求对瓶颈改善的效果则越明显。相比于单匝道控制，多匝道协同控制可以协调控制多个匝道的进口需求，起到更强的控制效果。

匝道权重标定及协同控制方法以此出发，对于常发瓶颈路段，基于探测器获取交通、事故信息，分析在不同交通状况下各匝道进口需求对瓶颈占用率的异质因果效应。在瓶颈形成后，以相应的因果效应作为匝道权重，作为协同控制的依据。权重越大的匝道意味着其进口需求对瓶颈占用率的影响越大，相应的调节率也会越小。匝道权重随因果推断的结果动态更新，确保控制策略与实时需求模式相匹配。

发明内容

发明目的：本发明的目的是提出基于异质因果推断的城市通勤主通道多匝道网联控制方法，对于常发瓶颈路段分析在不同交通状况下各匝道进口需求对瓶颈占用率的异质因果效应。在瓶颈形成后，以相应的因果效应作为匝道权重，作为协同控制的依据。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：基于异质因果推断的城市通勤主通道多匝道网联控制方法，该方法包括以下步骤：

1)构建基于异质因果推断的城市通勤主通道多匝道网联控制***，包括进口匝道控制设备、交通数据采集设备、数据中心和异质因果推断模块。

2)交通数据采集设备可采用电磁线圈或摄像头，包括进口匝道流量探测器和瓶颈占用率探测器。进口匝道流量探测器位于进口匝道与主线接口处，采集一个控制周期T＝60s内各进口匝道的输入高速公路主线的流量(veh/h)。瓶颈占用率探测器选择位于高速公路常发瓶颈路段上游、且与常发瓶颈路段之间不存在其它进出口匝道的最近探测器，采集一个控制周期T内高速公路主线瓶颈路段的占用率(％)。路段占用率反映交通密度，当路段被机动车完全占满时对应的占用率为100％。

3)数据中心保存并整理交通数据采集设备上传的原始交通数据形成交通-事故数据集。数据集的每条样本记录了[(k-p^*)T,kT]时段内的交通-事故状况。具体地包括第k个控制周期内瓶颈路段占用率O(kT)和瓶颈路段上下游各5km范围内的所有进口匝道的输入流量，第k个控制周期结束时经过编码的O(kT)和q_ri(kT)的时间特征，第k个控制周期结束时瓶颈路段下游距离最近事故的特征(事故距离、持续时间)，第k个控制周期之前p^*个控制周期的瓶颈占用率O((k-p)T),p^*≤p≤k和所有进口匝道输入流量q_ri((k-p)T),i∈I,p^*≤p≤k。其中q_ri(kT)为控制周期k内瓶颈路段上下游各5km范围内进口匝道i的输入流量，I为瓶颈路段上下游各5km范围内的的进口匝道集合。p^*定义历史序列的阶数，为任意正整数，由研究者自定义。样本中所有的历史序列(瓶颈路段占用率序列，各进口匝道输入流量序列)的阶数相同。

4)基于数据中心保存的交通-事故数据集，针对进口匝道i构建相应的异质因果推断模型θ_i(X)，对于特定X即可得到相应的异质因果效应θ_i＝θ_i(X)，其物理意义为在特定交通状况X下进口匝道i流量q_ri(kT)每增加一个单位引起的瓶颈路段占用率O(kT)的变化。

5)当第k+1个控制周期内瓶颈路段交通状况恶化至一定程度(超过设定占用率阈值)后激活控制***。以异质因果效应作为相应匝道的权重w_i((veh/h)^-1)，并基于匝道权重w_i更新匝道调节率γ_ri(veh/h)。匝道调节率γ_ri表示一个控制周期内允许通过进口匝道i汇入高速公路主线的车辆数。

6)由进口匝道控制设备实现匝道控制。该设备布设于进口匝道末端，为红绿灯信号控制器，绿灯表示允许匝道车辆进入高速公路。基于步骤5)的匝道调节率γ_ri更新绿灯时长g_ri，控制从进口匝道进入高速公路的车辆数，实现多匝道协同控制。

进一步的，所述步骤3)中，数据集每条样本中，历史序列的阶数p^*由赤池信息量准则(Akaike Information Criterion,AIC)确定。AIC表示模型的拟合误差，越小则拟合效果越好。取使得AIC收敛的p^*作为用于因果建模的历史序列的阶数。

进一步的，所述步骤3)中，数据集中每条样本的未编码时间特征指相应第k个控制周期结束时所处时间(星期几+小时)。采用CatBoost编码器对时间特征进行编码，编码时先后以O(kT)和q_ri(k)作为标签，编码后的结果分别为O(kT)和q_ri(kT)的时间特征，分别反映O(kT)和q_ri(kT)于一周7天内以小时为精度的变化趋势。

进一步的，所述步骤3)中，数据中心保存的数据集中以O(kT)为模型的结果变量Y，q_ri(kT)为处理变量Z，而其它变量则作为控制变量W和特征变量X。

进一步的，所述步骤4)中，因果建模前基于因果图框架理论识别控制变量W和特征变量X。因果图由研究者确定，通过有向无环图描述模型中各变量的因果关系。当变量A与变量B之间存在直接因果关系时，则图中存在从A到B的连边。控制变量W为因果图中同时影响处理变量Z和结果变量Y的变量，而特征变量X为因果图中只影响结果变量Y而不影响处理变量Z的变量。因果图模型包括三个部分：第一部分表示瓶颈历史占用率对当前占用率的影响，即存在从样本中O((k-p)T)组成的时间序列和O(kT)的时间特征到O(kT)的连边；第二部分表示瓶颈附近进口匝道输入流量对占用率的影响，一方面包括从样本中q_ri((k-p)T)组成的时间序列和q_ri(kT)的时间特征到q_ri(kT)的连边，另一方面包括从样本中q_ri((k-p)T)组成的时间序列和q_ri(kT)到O(kT)的连边；第三部分则表示事故的位置和持续时间对瓶颈占用率的影响。

进一步的，所述步骤4)中，基于双重机器学习算法构建异质因果推断模型。双重机器学习算法包括两部：第一步基于任意机器学习算法，构建预测模型y(X,W),z(X,W)，分别表示基于控制变量W和特征变量X分别预测结果变量Y和处理变量Z；第二步计算预测结果和实际结果的残差Y-y(X,W),Z-z(X,W)，通过优化下式求解异质因果推断模型θ(X)：

Y-y(X,W)＝θ(X)·[Z-z(X,W)]+∈

其中∈为随机误差；θ(X)为特征变量X的函数，物理意义为在特征X的环境下处理变量Z(进口匝道流量)增加一个单位引起的预测结果变量Y(瓶颈占用率)的变化程度。

进一步的，所述步骤5)中，以瓶颈路段占用率O决定是否激活控制***，当占用率O超过预设的阈值O_thr时即认为瓶颈形成。此时有ΔO表示需要消除的瓶颈占用率：

ΔO＝O-O_thre。

进一步的，所述步骤5)中，得到匝道权重w_i后匝道调节率γ_ri的更新方法如下。其中Δq_ri表示进口匝道i需要减少的进口流量(veh/h)；q_ri表示进口匝道i当前的进口流量(veh/h)

进一步的，所述步骤6)中，得到匝道调节率γ_ri后绿灯时长g_ri的更新方法如下。其中γ_ri,max表示进口匝道i的最大调节率(veh/h)，由研究者自行设定。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

1、将交通数据分析的结果直接作为控制策略的依据，确保了控制策略的可解释性。近年来，基于交通大数据和机器学习等方法在交通特征提取、机理解析等方面开展了大量研究工作。然而，上述数据分析的结果较少直接应用于控制策略的设计，交通分析与控制的过程仍存在明显脱节，无法保证控制策略与分析的结果相适应。本发明直接以交通数据因果推断的异质因果效应作为协同控制策略的依据，保证了控制策略的可解释性。

2、基于因果推断量化匝道权重，绕过了获取需求模式的过程。多匝道协同控制旨在协调那些需求与瓶颈存在强因果关系的进口匝道，因此往往需要获取网络的需求模式。然而大规模需求模式数据较少，更常见的数据是网络中各处探测器捕捉的断面或区间数据。而因果推断基本原理指出只要满足特定假设，即可基于充分多的观察性数据观察出某一处理变量对于结果变量的因果效应。以匝道进口流量作为处理变量、瓶颈占用率作为结果变量，则可绕过需求模式数据设计协同控制策略。

3、可以得到随特征变化的动态匝道权重，确保控制策略与实时交通状况匹配。不同于量化总体的平均因果效应，异质因果效应体现了因果效应随不同个体不同特征的变化。应用于匝道控制，基于异质因果效应的匝道权重可以随交通状态的变化动态更新，从而确保随实时交通状况动态调整控制策略。

附图说明

图1是本发明的控制***组成与决策机制示意图；

图2是本发明的控制路段示意图；

图3是本发明的因果图框架示意图；

图4是本发明的协同控制流程图。

具体实施方式

图1为本发明的控制***组成与决策机制示意图，并以图2所示路段为例，路段中包括两个进口匝道，常发瓶颈路段位于两进口匝道之间，包括以下步骤：

步骤一，选择电磁线圈或摄像头作为交通数据采集设备。

步骤二，数据中心保存并整理交通数据采集设备上传的原始交通数据形成交通-事故数据集。。具体变量如表1所示。

表1数据集样本变量

步骤二中，数据集每条样本中，历史序列的阶数p^*由赤池信息量准则(AkaikeInformation Criterion,AIC)确定。AIC表示模型的拟合误差，越小则拟合效果越好。取使得AIC收敛的p^*作为用于因果建模的历史序列的阶数。

步骤二中，数据集中每条样本的未编码时间特征指相应第k个控制周期结束时所处时间(星期几+小时)。假设第k个控制周期结束时所处时间为星期二的17:05，则该样本的未编码时间特征为“Tue+17”。采用CatBoost编码器对时间特征进行编码，编码时先后以O(kT)和q_ri(kT)作为标签，编码后的结果分别为O(kT)和q_ri(kT)的时间特征，分别反映O(kT)和q_ri(kT)于一周内以小时为精度的变化趋势。

步骤二中，数据中心保存的数据集中以O(kT)为模型的结果变量Y，所有进口匝道i的输入流量q_ri(kT)均为处理变量Z，而其它变量则作为控制变量W和特征变量X。

步骤三，基于数据中心保存的交通-事故数据集，针对每一进口匝道i构建相应的异质因果推断模型θ_i(X)。

步骤三中，因果建模前基于因果图框架理论识别控制变量W和特征变量X。因果图由研究者确定，通过有向无环图描述模型中各变量的因果关系。当变量A与变量B之间存在直接因果关系时，则图中存在从A到B的连边。控制变量W为因果图中同时影响处理变量Z和结果变量Y的变量，而特征变量X为因果图中只影响结果变量Y而不影响处理变量Z的变量。假设历史序列的阶数p^*＝3，则与图2所示路段相匹配的因果图模型见图3。图中标记了因果图的四个支以及选定的结果变量和处理变量。因果图包括三个部分：第一部分表示瓶颈历史占用率对当前占用率的影响，即存在从样本中O((k-p)T)组成的时间序列和O(kT)的时间特征到O(kT)的连边(图3左支)；第二部分表示瓶颈附近进口匝道输入流量对占用率的影响，一方面包括从样本中q_ri((k-p)T)组成的时间序列和q_ri(kT)的时间特征到q_ri(kT)的连边，另一方面包括从样本中q_ri((k-p)T)组成的时间序列和q_ri(kT)到O(kT)的连边，因为图2所示路段包括两个进口匝道，则该部分包括图3右支和上支完全相同的两部分；第三部分则表示事故的位置和持续时间对瓶颈占用率的影响(图3下支)。

步骤三中，基于双重机器学习算法构建异质因果模型。。

步骤四，当瓶颈路段交通状况恶化至一定程度后激活控制***，协同控制流程如图4所示。每隔一个控制周期T基于数据中心提供的最新样本按步骤三更新针对每一进口匝道i的异质因果效应θ_i(X)。以异质因果效应作为相应匝道的权重w_i((veh/h)^-1)，并基于匝道权重w_i更新匝道调节率γ_ri(veh/h)。匝道调节率γ_ri表示一个控制周期内允许通过进口匝道i汇入高速公路主线的车辆数。

步骤四中，以瓶颈路段占用率O决定是否激活控制***，当占用率O超过预设的阈值O_thre时即认为瓶颈形成。此时有ΔO表示需要消除的瓶颈占用率

ΔO＝O-O_thre。

步骤四中，得到匝道权重w_i后匝道调节率γ_ri的更新方法如下。其中Δq_ri表示进口匝道i需要减少的进口流量(veh/h)；q_ri表示进口匝道i当前的进口流量(veh/h)

步骤五，由进口匝道控制设备实现匝道控制。设备布设于进口匝道末端，为红绿灯信号控制器，绿灯表示允许匝道车辆进入高速公路。每隔一个控制周期T基于步骤四的匝道调节率γ_ri更新绿灯时长g_ri，控制从进口匝道进入高速公路的车辆数，实现多匝道协同控制。

步骤五中，得到匝道调节率γ_ri后绿灯时长g_ri的更新方法如下。其中γ_ri,max表示进口匝道i的最大调节率(veh/h)，由研究者自行设定。

本方法将因果模型推断的异质因果效应作为动态匝道权重并直接基于此设计多匝道协同控制策略，确保了控制策略的可解释性。又因为可以得到随特征变化的动态匝道权重，确保控制策略与实时交通状况匹配。另外本发明中通过因果推断绕过了获取需求模式的过程，降低了数据采集的技术成本。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，该方法包括以下步骤：

1)构建交通-事故数据集，包括控制周期k内瓶颈路段占用率O(kT)和瓶颈路段上下游设定范围内的所有进口匝道的输入流量，控制周期k结束时经过编码的O(kT)和q_ri(kT)的时间特征，控制周期k结束时瓶颈路段下游距离最近的事故特征，控制周期k之前p^*个控制周期的瓶颈占用率和瓶颈路段上下游设定范围内所有进口匝道的输入流量，其中q_ri(kT)为控制周期k内瓶颈路段上下游设定范围内进口匝道i的输入流量，i∈I，I为瓶颈路段上下游各设定范围内的进口匝道集合，p^*为设定的阶数，T为控制周期长度；

2)基于步骤1)中的交通-事故数据集，针对I中的每一进口匝道构建异质因果推断模型，得到控制周期(k+1)内每一进口匝道的异质因果效应；

3)若控制周期(k+1)内瓶颈路段占用率超过设定占用率阈值，则以控制周期(k+1)内的异质因果效应作为相应进口匝道的权重，进而更新相应进口匝道的调节率；

4)基于步骤3)中更新后的匝道调节率更新相应进口匝道末端红路灯的绿灯时长，控制从该进口匝道进入的车辆数，实现多匝道协同控制。

2.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤1)中事故特征包括事故距离、持续时间。

3.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤1)中，阶数p^*由赤池信息量准则AIC确定。

4.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤1)中，采用CatBoost编码器对时间特征进行编码。

5.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤2)中，具体为：

2.1)以交通-事故数据集中的O(kT)作为异质因果推断模型的结果变量Y，q_ri(kT)作为异质因果推断模型的处理变量Z，其余能同时影响处理变量和结果变量的作为控制变量W、只影响结果变量而不影响处理变量的作为特征变量X；

2.2)基于机器学习算法，构建结果变量预测模型y(X，W)，表示基于特征变量X和控制变量W预测结果变量Y；

2.3)基于机器学习算法，构建处理变量预测模型z(X，W)，表示基于特征变量X和控制变量W预测处理变量Z；

2.4)构建异质因果推断模型Y-y(X，W)＝θ(X)·[Z-z(X，W)]+∈，优化求解得到异质因果效应θ(X)，其中∈为随机误差。

6.根据权利要求5所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤2.1)中，基于因果图框架理论识别控制变量W和特征变量X。

7.根据权利要求5所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤2.2)和2.3)中，机器学习算法的训练集包括前一个控制周期的瓶颈路段占用率和瓶颈路段上下游设定范围内的所有进口匝道的输入流量，前一个控制周期结束时经过编码的瓶颈路段占用率和瓶颈路段上下游设定范围内的所有进口匝道的输入流量的时间特征，前一个控制周期之前p^*个控制周期的瓶颈占用率和瓶颈路段上下游设定范围内所有进口匝道的输入流量。

8.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤3)中，瓶颈路段上下游设定范围内进口匝道i更新后的调节率γ_ri为：

式中Δq_ri表示进口匝道i需要减少的进口流量；q_ri表示进口匝道i当前的进口流量，ΔO表示需要消除的瓶颈占用率，ΔO＝O-O_thre，O_thre表示设定占用率阈值，O表示当前控制周期内瓶颈路段占用率，w_i表示进口匝道i的权重。

9.根据权利要求8所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤4)中，，瓶颈路段上下游设定范围内进口匝道i更新后的绿灯时长g_ri为：

式中γ_ri，max表示进口匝道i的设定最大调节率。

10.基于异质因果推断的城市通勤主通道多匝道网联控制***，其特征在于，包括进口匝道控制设备、交通数据采集设备、数据中心和异质因果推断模块；

交通数据采集设备包括进口匝道流量探测器和瓶颈占用率探测器；进口匝道流量探测器位于进口匝道与主线接口处，周期采集各进口匝道的输入流量；瓶颈占用率探测器位于高速公路常发瓶颈路段上游、且与常发瓶颈路段之间不存在其它进出口匝道，周期采集高速公路主线瓶颈路段的占用率；

数据中心保存并整理交通数据采集设备上传的数据，形成如权利要求1中步骤1)所述的交通-事故数据集；

异质因果推断模块根据数据中心形成的交通-事故数据集，针对每一进口匝道构建异质因果推断模型，得到每一进口匝道的异质因果效应；

进口匝道控制设备采用如权利要求1中3)和4)所述方法进行多匝道协同控制。

Images