CN114783183B - 一种基于交通态势算法的监控方法与*** - Google Patents
一种基于交通态势算法的监控方法与*** Download PDFInfo
- Publication number
- CN114783183B CN114783183B CN202210395048.1A CN202210395048A CN114783183B CN 114783183 B CN114783183 B CN 114783183B CN 202210395048 A CN202210395048 A CN 202210395048A CN 114783183 B CN114783183 B CN 114783183B
- Authority
- CN
- China
- Prior art keywords
- congestion
- traffic
- speed
- time
- situation
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 37
- 238000010586 diagram Methods 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于交通态势算法的监控方法及***,该方法包括区域交通态势实时计算步骤,获取实时的和历史的交通数据,利用交通流模型来表征区域交通流的变化规律,并计算得到交通流模型的特征值,进而基于平均车速评估区域交通运行状态,实时监测道路运行状态变化;异常拥堵预警步骤,利用卷积神经网络和长短时记忆网络,并结合注意力机制建立基于交通态势算法的短时交通速度预测模型,并对建立的短时交通速度预测模型进行迭代训练,计算交通态势的变化情况,从而预测出未来目标路段的车速情况,进而根据预设的平均速度分级判断未来目标路段的拥堵情况,并对拥堵情况进行及时预警,便于疏解交通拥堵。
Description
技术领域
本发明涉及智慧公路技术领域,具体涉及一种基于交通态势算法的监控方法与***。
背景技术
在互联网信息产业迅猛发展的势态下,国内在智慧高速公路的研究和建设方面付出了巨大努力,步伐不断加快,智慧高速公路建设的政策制度环境及资源条件等日益成熟,智慧高速公路已进入飞速发展的新时代,其核心就是云控平台。近年来,随着我国机动车数量的急剧增多,高速公路交通拥堵已成为普遍现象,拥堵造成的时间延误和环境污染等会给社会造成巨大的经济损失。虽然目前许多省市已经加大对交通基础设施建设的投入力度,但不可能从根本上解决日益增长的交通需求与相对较低的交通利用率之间的矛盾。
在交通态势计算方面,目前已有算法是通过计算相邻线圈的占有率,并与标定的阈值进行比较,以此来判别该路段范围内是否存在交通事件。该算法中阈值的标定尤为困难,特别在大型路网中,每个独立的阈值必须根据道路几何条件的不同而分别设定,在入口匝道、交织段及上坡等路段算法无法表征其特定的交通模式,导致误警率上升。还有McMaster态势识别算法,是得出一个流量-占有率模板,该模板由四个区域组成,每个区域代表一个特别的交通状态。该算法在定义阻塞与非阻塞边界时考虑了交通流及道路几何线形的变化,因此需要对不同的地点和不同的数据集重新定义,这导致其可移植性较差,其次预定的阻塞与非阻塞边界不能在实时运行过程中随时间变化。
通过现有技术发布的当前路段的实时交通态势,未能准确展示当前的交通状况,因此研究交通态势,能对出行者路径选择、交通管理者疏导交通提供重要依据,是智慧公路技术领域的一个重要应用。
发明内容
为解决现有交通态势计算存在的交通态势实时性较低和异常拥堵预警准确率低的问题,本发明提供一种基于交通态势算法的监控方法,该方法根据实时和历时的交通数据,利用交通流模型来表征区域交通流的变化规律,计算得到道路整体交通流特征,评估道路交通运行状态,实时监测道路运行状态变化,再通过建立基于交通态势算法的短时交通速度预测模型计算交通态势的变化情况,对未来一段时间的拥堵情况进行及时预警,便于疏解交通拥堵。本发明还涉及一种基于交通态势算法的监控方法与***。
本发明的技术方案如下:
一种基于交通态势算法的监控方法,其特征在于,包括以下步骤:
区域交通态势实时计算步骤,获取实时的和历史的交通数据,利用交通流模型以散点图、曲线图的表达形式来表征区域交通流的变化规律,通过数据拟合的方式得到流量、速度、密度之间的函数关系式,并计算得到交通流模型的特征值,进而基于平均车速评估区域交通运行状态,实时监测道路运行状态变化;
异常拥堵预警步骤,基于计算得到的平均车速,利用卷积神经网络和长短时记忆网络,并结合注意力机制建立基于交通态势算法的短时交通速度预测模型,并对建立的短时交通速度预测模型进行迭代训练,提取每个窗口时刻目标路段实际速度的时间和空间特征,并映射输出窗口时刻目标路段的隐藏空间关联特征,计算交通态势的变化情况,从而预测出未来所述目标路段的车速情况,进而根据预设的平均速度分级判断未来目标路段的拥堵情况,并对拥堵情况进行预警。
优选地,在所述区域交通态势实时计算步骤中,计算得到交通流模型的特征值后,基于平均速度并结合计算路网饱和度和交通饱和度来综合评估区域交通运行状态。
优选地,在所述区域交通态势实时计算步骤中,还将计算得到的平均车速根据预设的平均速度分级,包括自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级,所述路网饱和度是路网内处理严重拥堵和中度拥堵的路段里程数占路网总里程的比值,所述交通饱和度是实际车流量与饱和通行能力的比值且在计算时将不同类型的车辆转化为标准车当量数。
优选地,在异常拥堵预警步骤中,计算交通态势的变化情况时,还将区域观测到拥堵的时段计数,对比所有观测时段数,得到拥堵比例,将区域划分为过度利用区域、合理利用区域和低利用区域三种类型,所述过度利用区域的高峰时段与平峰时段拥堵比例差值超过设定阈值,所述合理利用区域的高峰时段与平峰时段拥堵比例差值在设定阈值范围内,所述低利用区域的高峰时段与平峰时段拥堵比例差值低于设定阈值。
优选地,在异常拥堵预警步骤中,预设的平均速度分级分为自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级,根据预设的平均速度分级判断未来目标路段的拥堵指数进而得到未来目标路段的拥堵情况。
优选地,在异常拥堵预警步骤中,对拥堵情况进行预警,还预测未来的路网运行指数、拥堵长度、拥堵时间;预测未来的拥堵长度的计算直接采用拥堵路段长度求和的方式。
一种基于交通态势算法的监控***,其特征在于,包括相互连接的区域交通态势实时计算模块和异常拥堵预警模块,
区域交通态势实时计算模块,获取实时的和历史的交通数据,利用交通流模型以散点图、曲线图的表达形式来表征区域交通流的变化规律,通过数据拟合的方式得到流量、速度、密度之间的函数关系式,并计算得到交通流模型的特征值,进而基于平均车速评估区域交通运行状态,实时监测道路运行状态变化;
异常拥堵预警模块,基于计算得到的平均车速,利用卷积神经网络和长短时记忆网络,并结合注意力机制建立基于交通态势算法的短时交通速度预测模型,并对建立的短时交通速度预测模型进行迭代训练,提取每个窗口时刻目标路段实际速度的时间和空间特征,并映射输出窗口时刻目标路段的隐藏空间关联特征,计算交通态势的变化情况,从而预测出未来所述目标路段的车速情况,进而根据预设的平均速度分级判断未来目标路段的拥堵情况,并对拥堵情况进行预警。
优选地,在所述区域交通态势实时计算模块中,还将计算得到的平均车速根据预设的平均速度分级,包括自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级,基于平均速度并结合计算路网饱和度和交通饱和度来综合评估区域交通运行状态;所述路网饱和度是路网内处理严重拥堵和中度拥堵的路段里程数占路网总里程的比值,所述交通饱和度是实际车流量与饱和通行能力的比值且在计算时将不同类型的车辆转化为标准车当量数。
优选地,在异常拥堵预警模块中,计算交通态势的变化情况时,还将区域观测到拥堵的时段计数,对比所有观测时段数,得到拥堵比例,将区域划分为过度利用区域、合理利用区域和低利用区域三种类型,所述过度利用区域的高峰时段与平峰时段拥堵比例差值超过设定阈值,所述合理利用区域的高峰时段与平峰时段拥堵比例差值在设定阈值范围内,所述低利用区域的高峰时段与平峰时段拥堵比例差值低于设定阈值。
优选地,在异常拥堵预警模块中,对拥堵情况进行预警,还预测未来的路网运行指数、拥堵长度、拥堵时间;预测未来的拥堵长度的计算直接采用拥堵路段长度求和的方式。
本发明的有益效果为:
本发明提供的一种基于交通态势算法的监控方法,该方法根据实时和历时的交通数据,利用交通流模型来表征区域交通流的变化规律,计算得到交通流模型的特征值,即通过算法计算得到道路整体交通流特征,评估道路交通运行状态,实时监测道路运行状态变化;同时,根据实时交通信息,通过建立基于交通态势算法的短时交通速度预测模型计算未来交通态势的变化情况,预测出未来所述目标路段的车速情况,进而根据预设的平均速度分级判断未来目标路段的拥堵情况,对未来一段时间的拥堵情况进行及时预警,还可进一步预测可能造成的拥堵指数、拥堵长度、拥堵时间,便于疏解交通拥堵。具有实时性,根据实时交通信息,利用交通图模型计算得到实时交通态势,交通态势实时计算算法,算法输出延时小于5秒;实时路况更新时间小于2分钟。短时交通路况预测算法,算法输出延时小于5秒;以15min、1h为时间间隔,预测短时路段内车流量和行驶速度。具有便捷性,只需使用高速公路现有的交通数据:如高速公路出入口数据、ETC门架数据、互联网交通数据等,无需增加新设备。预测某路段未来的拥堵状况首先需要预测未来该路段的车速情况,并根据车速进而判断路网的拥堵情况,具有先进性,未来车速的预测采用基于交通态势算法的短时交通速度预测模型GCN-LSTM来完成,将卷积神经网络GCN和长短期记忆网络LSTM相结合,通过对高速公路网络进行建模,利用GCN神经网络提取每个窗口时刻目标路段实际速度的空间特征,并映射输出窗口时刻目标路段的隐藏空间关联特征,速度在时间维度存在时间相关性,LSTM作为时间序列特征提取的常用模型,用来作为时间特征提取关键方法,计算交通态势的变化情况,从而预测出未来所述目标路段的车速情况,进而根据预设的平均速度分级判断未来目标路段的拥堵情况。具有准确性,实时路况及异常拥堵预警准确率达到80%;预测15分钟内道路路况预测准确率80%;预测一小时内道路拥堵准确率达90%。本发明根据道路信息和多维度互联网数据进行融合,从全局视角提升对交通拥堵的发现识别、理解分析、响应处置能力,同时算法计算的结果可以实时展示给管理人员方便其及时做决策。
本发明还涉及一种基于交通态势算法的监控***,该***与上述的基于交通态势算法的监控方法相对应,可理解为是一种实现上述基于交通态势算法的监控方法的***,包括区域交通态势实时计算模块和异常拥堵预警模块,各模块相互协同工作,通过交通流模型进行区域交通态势实时计算,实时监测道路运行状态变化,并结合基于交通态势算法的短时交通速度预测模型GCN-LSTM预测未来车速,进而能够预测某路段未来的拥堵状况,该交通态势算法会得到详细的交通运行情况数据,便于道路管理员对交通状况的实时监控,预测出的路段未来交通状况可以为出行者的路径选择提供依据,缓解交通拥堵,提升了预测精度,且使用方便。
附图说明
图1是本发明基于交通态势算法的监控方法的流程图。
图2是本发明基于交通态势算法的监控方法的优选流程图。
图3是本发明短时交通速度预测模型GCN-LSTM的工作流程图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种基于交通态势算法的监控方法,该方法的流程图如图1所示,包括:
区域交通态势实时计算步骤,将高速路网划分为数个网格区域,获取实时的和历史的交通数据,利用交通流模型以散点图、曲线图的表达形式来表征区域交通流的变化规律,通过数据拟合的方式得到流量、速度、密度之间的函数关系式,并计算得到交通流模型的特征值,进而基于平均车速评估区域交通运行状态,实时监测道路运行状态变化。交通数据主要包括高速公路出口流水表、高速公路入口流水表、ETC门架牌识数据、互联网动态路况数据、交通事件数据、交通堵点预警、天气数据等。
在高速公路交通流运行过程中,交通状态始终在发生变化,能够表征交通状态的参数有很多,包括流量、速度、密度、占有率、时距、行程时间等。本发明基于统计学的交通流基本图模型(即交通流模型,Van-Aerde模型)对区域交通流进行计算,刻画流量、速度、密度三个交通要素之间的关系,以散点图、曲线图的表达形式,来表征交通流的状态和变化规律,并且通过数据拟合的方式得到流量、速度、密度之间的函数关系式。
本发明实时采集车辆速度、通行方向并利用Van-Aerde模型对区域交通流进行描述,模型公式如下:
式中:s表示车头间距(km);v表示运行速度(km/h);vf表示自由流速度(km/h);c1表示车头间距参数(km);c2表示可变跟车参数(km2/h);c3表示车头时距参数(h-1)。
参数c1、c2、c3的计算方法如下:
c1=vf(2vm-vf)/(kjvm 2) (2)
c2=vf(vf-vm)/(kjvm 2) (3)
式中:qm为最大流率(veh/h);vm为流率最大时对应的速度(km/h);vf为自由流速度(km/h);kj为阻塞密度(veh/km)。
密度k为车头间距的倒数:
流量q可由速度、密度得出:
q=kv (6)
通过实时采集高速公路车辆数据对模型参数进行标定,得到函数,进而获得流率-速度曲线、流率-密度曲线和速度-密度曲线。
在得到区域整体交通流特征后,评估区域交通运行状态,对交通流的运行是否顺畅、是否产生交通拥堵进行分析。其中平均速度是最能表征车辆运行状态的指标,平均车速选取路网平均行程速度,是指道路或路网内所有车辆的总行驶里程与总的行程时间的比值,其中行程时间包括中间停车和排队时间。速度较高,说明交通流的运行比较自由,没有受到环境和道路交通条件的影响;速度较低,说明交通流的运行受到了阻碍,无法保持较高速度运行。
通行状况,换言之就是拥堵状况,根据不同的限速(km/h),将拥堵状况根据平均速度划分为5个等级,如表1所示平均速度分级表。
表1
平均速度采用路段平均行程速度,主要依据高速公路出口流水表进行计算,同时区分车型,并剔除坏值数据。主要流程如下:
(1)选择相应区间和相应时间段(实时)的数据;
(2)根据车辆出入口收费站的序号匹配每辆车的行驶路段长度si,并计算每辆车的行驶时间ti=出站时间-入站时间;
(3)设置行驶时间ti范围为0~24h,超出该范围的数据剔除;
(4)根据计算每辆车的平均速度,设置平均速度的范围为0~150km/h,超出该范围的数据剔除;
(5)根据计算每条路段对应的平均速度。其中,n为该路段该时段内的车辆数。
进一步地,如图2所示,计算得到交通流模型的特征值后,基于平均速度并结合计算路网饱和度和交通饱和度来综合评估区域交通运行状态。交通流量主要依据ETC门架牌识数据进行计算,同时区分车型和上下行,直接对某时段内的车牌号求和即可。将计算得到的平均车速根据预设的平均速度分级,包括自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级。
路网饱和度通常又称为路段负荷度、路网能力适应度,是路网内处于严重拥堵和中度拥堵状态的路段里程数占路网总里程的比值,计算公式如下:
其中,M为路网饱和度;P为路网内处于严重拥堵和中度拥堵状态的路段里程数(km);X为路网总里程数(km)。
交通饱和度,是实际车流量与饱和通行能力的比值且在计算时将不同类型的车辆转化为标准车当量数,即VC比,计算公式如下:
其中,V是实际车流量(pcu);C是饱和通行能力(pcu),与高速公路设计车速和车道数有关,C=单车道通行能力*车道数,单车道的通行能力可参考相关设计规范,如表2所示。
表2
设计速度(km/h) | 通行能力(pcu/h/ln) |
120 | 2200 |
100 | 2100 |
80 | 2000 |
60 | 1800 |
在上述计算中,需要将不同类型的车辆转化为标准车当量数(pcu),参考相关标准如表3所示。
表3
具体地,车型分类如下:01-一型客车2-二型客车3-三型客车4-四型客车11-一型货车12-二型货车13-三型货车14-四型货车15-五型货车16-六型货车21-一型专项作业车22-二型专项作业车23-三型专项作业车24-四型专项作业车25-五型专项作业车26-六型专项作业车。将每个车型对应的折算系数设置如表4所示。
表4
车型 | 折算系数 | Vehicleclass编号 |
小客/货车 | 1.0 | 0,1,2,11,21 |
大客车/中型货车 | 1.5 | 3,4,12,13,22,23 |
大型货车 | 2.0 | 14,24 |
特大型货车 | 3.0 | 15,16,25,26 |
异常拥堵预警步骤,基于计算得到的平均车速,利用卷积神经网络和长短时记忆网络,并结合注意力机制建立基于交通态势算法的短时交通速度预测模型,并对建立的短时交通速度预测模型进行迭代训练,提取每个窗口时刻目标路段实际速度的时间和空间特征,并映射输出窗口时刻目标路段的隐藏空间关联特征,计算交通态势的变化情况,从而预测出未来所述目标路段的车速情况,进而根据预设的平均速度分级判断未来目标路段的拥堵情况,并对拥堵情况进行预警。
预测某路段未来的拥堵状况首先需要预测未来该路段的车速情况,并根据车速进而判断路网的拥堵情况。未来车速的预测采用基于图卷积神经网络的短时交通速度预测模型GCN-LSTM来完成,流程图如图3所示,将实时交通数据和历史交通据预处理后,加入测试数据进行模型训练、测试,得到交通速度实时预测。模型的总体框架主要分为5个模块:输入层、空间关联特征提取模块、时间关联特征提取模块、注意力机制模块和预测模块。该模型利用GCN卷积神经网络提取每个窗口时刻目标路段实际速度的空间特征,并映射输出窗口时刻目标路段的隐藏空间关联特征。速度在时间维度存在时间相关性,LSTM长短时记忆网络作为时间序列特征提取的常用模型,用来作为时间特征提取关键方法。
GCN-LSTM模型的参数主要包括:批量大小、学习率、迭代次数、忘记偏置和LSTM单元数,通过不断的参数调试得到预测精度最高的参数配置。对于模型输入层,训练集(80%)作为训练过程的输入,剩余数据(20%)作为测试集。GCN-LSTM模型可使用Adam优化器进行训练。在训练过程中,最终目的是将道路上的实际交通速度与预测速度之间的差值降到最低,使用Vt和分别代表实际速度和预测速度,GCN-LSTM模型的损失函数如下所示:
式中,Lreg是L2正则项,防止过拟合,λ是超参数。
评估指标是为了评估模型的预测性能,使用如下三个指标来评价实际速度(Vt)和预测速度之间的误差。
(1)均方根误差(RMSE)
(2)平均绝对误差(MAE)
(3)决定系数(R2)
具体地,RMSE和MAE用于衡量预测误差,值越小越好,代表误差越小;而R2越大越好,当预测模型不犯任何错误时,R2的值可以为1,但在现实中往往是不存在的。
通过细分路段进行行驶速度的预测,再由表1(平均速度分级表)判断未来该路段的拥堵指数,同样分为5个等级:自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵。对于未来可能造成的拥堵情况,本发明采用先预测未来路段的速度,再通过速度判断拥堵情况,拥堵长度的计算直接采用拥堵路段相加求和的方式。交通态势算法会得到详细的交通运行情况数据,便于道路管理员对交通状况的实时监控,预测出的路段未来交通状况可以为出行者的路径选择提供依据,缓解交通拥堵。
根据交通实时交通信息,计算交通态势的变化情况,对拥堵情况进行及时预警,并预测路网运行指数、拥堵长度、拥堵时间。在时间上以2分钟为单位对每个区域进行描述,得到区域运行状态在时间上的变化趋势。再对每个区域出现拥堵的规律进行研究,对常发性、偶发性拥堵进行分析,可以得到区域通行性质。将区域观测到拥堵的时段计数,对比所有观测时段数,得到拥堵比例,将区域划分为三种类型,如表5所示。
表5
区域类型 | 描述: |
过度利用区域 | 高峰时段与平峰时段拥堵比例差值较大 |
合理利用区域 | 高峰时段与平峰时段拥堵比例差值在合理范围内 |
低利用区域 | 高峰时段的拥堵比例相较于平峰时段几乎没有增加 |
本发明还涉及一种基于交通态势算法的监控***,该***与上述的基于交通态势算法的监控方法相对应,可理解为是一种实现上述基于交通态势算法的监控方法的***,包括区域交通态势实时计算模块和异常拥堵预警模块,
区域交通态势实时计算模块,获取实时的和历史的交通数据,利用交通流模型以散点图、曲线图的表达形式来表征区域交通流的变化规律,通过数据拟合的方式得到流量、速度、密度之间的函数关系式,并计算得到交通流模型的特征值,进而基于平均车速评估区域交通运行状态,实时监测道路运行状态变化。优选地,还将计算得到的平均车速根据预设的平均速度分级,包括自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级,基于平均速度并结合计算路网饱和度和交通饱和度来综合评估区域交通运行状态;所述路网饱和度是路网内处理严重拥堵和中度拥堵的路段里程数占路网总里程的比值,所述交通饱和度是实际车流量与饱和通行能力的比值且在计算时将不同类型的车辆转化为标准车当量数。
异常拥堵预警模块,基于计算得到的平均车速,利用卷积神经网络和长短时记忆网络,并结合注意力机制建立基于交通态势算法的短时交通速度预测模型,并对建立的短时交通速度预测模型进行迭代训练,提取每个窗口时刻目标路段实际速度的时间和空间特征,并映射输出窗口时刻目标路段的隐藏空间关联特征,计算交通态势的变化情况,从而预测出未来所述目标路段的车速情况,进而根据预设的平均速度分级判断未来目标路段的拥堵情况,并对拥堵情况进行预警。
进一步地,在异常拥堵预警模块中,计算交通态势的变化情况时,还将区域观测到拥堵的时段计数,对比所有观测时段数,得到拥堵比例,将区域划分为过度利用区域、合理利用区域和低利用区域三种类型,所述过度利用区域的高峰时段与平峰时段拥堵比例差值超过设定阈值,所述合理利用区域的高峰时段与平峰时段拥堵比例差值在设定阈值范围内,所述低利用区域的高峰时段与平峰时段拥堵比例差值低于设定阈值。
进一步地,在异常拥堵预警模块中,预设的平均速度分级分为自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级,根据预设的平均速度分级判断未来目标路段的拥堵指数进而得到未来目标路段的拥堵情况。还可预测路网运行指数、拥堵长度、拥堵时间;未来拥堵长度的计算直接采用拥堵路段长度求和的方式。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换,总之,一切不脱离本发明创造的精神和范围的技术方案及其改进,其均应涵盖在本发明创造专利的保护范围当中。
Claims (9)
1.一种基于交通态势算法的监控方法,其特征在于,包括以下步骤:
区域交通态势实时计算步骤,获取实时的和历史的交通数据,利用交通流模型以散点图、曲线图的表达形式来表征区域交通流的变化规律,通过数据拟合的方式得到流量、速度、密度之间的函数关系式,并计算得到交通流模型的特征值,进而基于平均车速并结合计算路网饱和度和交通饱和度来综合评估区域交通运行状态,实时监测道路运行状态变化,所述路网饱和度是路网内处理严重拥堵和中度拥堵的路段里程数占路网总里程的比值,所述交通饱和度是实际车流量与饱和通行能力的比值且在计算时将不同类型的车辆依据各自对应的折算系数转化为标准车当量数;所述交通流模型公式如下:
式中:s表示车头间距;v表示运行速度;vf表示自由流速度;c1表示车头间距参数;c2表示可变跟车参数;c3表示车头时距参数;
参数c1、c2、c3的计算方法如下:
c1=vf(2vm-vf)/(kjvm 2)
c2=vf(vf-vm)/(kjvm 2)
式中:qm为最大流率;vm为流率最大时对应的速度;vf为自由流速度;kj为阻塞密度;
异常拥堵预警步骤,基于计算得到的平均车速,利用卷积神经网络和长短时记忆网络,并结合注意力机制建立基于交通态势算法的短时交通速度预测模型,所述短时交通速度预测模型的参数包括:批量大小、学***均速度分级判断未来目标路段的拥堵情况,并对拥堵情况进行预警。
2.根据权利要求1所述的基于交通态势算法的监控方法,其特征在于,在所述区域交通态势实时计算步骤中,还将计算得到的平均车速根据预设的平均速度分级,包括自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级。
3.根据权利要求1或2所述的基于交通态势算法的监控方法,其特征在于,在异常拥堵预警步骤中,计算交通态势的变化情况时,还将区域观测到拥堵的时段计数,对比所有观测时段数,得到拥堵比例,将区域划分为过度利用区域、合理利用区域和低利用区域三种类型,所述过度利用区域的高峰时段与平峰时段拥堵比例差值超过设定阈值,所述合理利用区域的高峰时段与平峰时段拥堵比例差值在设定阈值范围内,所述低利用区域的高峰时段与平峰时段拥堵比例差值低于设定阈值。
4.根据权利要求1所述的基于交通态势算法的监控方法,其特征在于,在异常拥堵预警步骤中,预设的平均速度分级分为自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级,根据预设的平均速度分级判断未来目标路段的拥堵指数进而得到未来目标路段的拥堵情况。
5.根据权利要求4所述的基于交通态势算法的监控方法,其特征在于,在异常拥堵预警步骤中,对拥堵情况进行预警,还预测未来的路网运行指数、拥堵长度、拥堵时间;预测未来的拥堵长度的计算直接采用拥堵路段长度求和的方式。
6.一种基于交通态势算法的监控***,其特征在于,包括相互连接的区域交通态势实时计算模块和异常拥堵预警模块,
区域交通态势实时计算模块,获取实时的和历史的交通数据,利用交通流模型以散点图、曲线图的表达形式来表征区域交通流的变化规律,通过数据拟合的方式得到流量、速度、密度之间的函数关系式,并计算得到交通流模型的特征值,进而基于平均车速并结合计算路网饱和度和交通饱和度来综合评估区域交通运行状态,实时监测道路运行状态变化,所述路网饱和度是路网内处理严重拥堵和中度拥堵的路段里程数占路网总里程的比值,所述交通饱和度是实际车流量与饱和通行能力的比值且在计算时将不同类型的车辆依据各自对应的折算系数转化为标准车当量数;所述交通流模型公式如下:
式中:s表示车头间距;v表示运行速度;vf表示自由流速度;c1表示车头间距参数;c2表示可变跟车参数;c3表示车头时距参数;
参数c1、c2、c3的计算方法如下:
c1=vf(2vm-vf)/(kjvm 2)
c2=vf(vf-vm)/(kjvm 2)
式中:qm为最大流率;vm为流率最大时对应的速度;vf为自由流速度;kj为阻塞密度;
异常拥堵预警模块,基于计算得到的平均车速,利用卷积神经网络和长短时记忆网络,并结合注意力机制建立基于交通态势算法的短时交通速度预测模型,所述短时交通速度预测模型的参数包括:批量大小、学***均速度分级判断未来目标路段的拥堵情况,并对拥堵情况进行预警。
7.根据权利要求6所述的基于交通态势算法的监控***,其特征在于,在所述区域交通态势实时计算模块中,还将计算得到的平均车速根据预设的平均速度分级,包括自由流、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级。
8.根据权利要求6或7所述的基于交通态势算法的监控***,其特征在于,在异常拥堵预警模块中,计算交通态势的变化情况时,还将区域观测到拥堵的时段计数,对比所有观测时段数,得到拥堵比例,将区域划分为过度利用区域、合理利用区域和低利用区域三种类型,所述过度利用区域的高峰时段与平峰时段拥堵比例差值超过设定阈值,所述合理利用区域的高峰时段与平峰时段拥堵比例差值在设定阈值范围内,所述低利用区域的高峰时段与平峰时段拥堵比例差值低于设定阈值。
9.根据权利要求8所述的基于交通态势算法的监控***,其特征在于,在异常拥堵预警模块中,对拥堵情况进行预警,还预测未来的路网运行指数、拥堵长度、拥堵时间;预测未来的拥堵长度的计算直接采用拥堵路段长度求和的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210395048.1A CN114783183B (zh) | 2022-04-15 | 2022-04-15 | 一种基于交通态势算法的监控方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210395048.1A CN114783183B (zh) | 2022-04-15 | 2022-04-15 | 一种基于交通态势算法的监控方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114783183A CN114783183A (zh) | 2022-07-22 |
CN114783183B true CN114783183B (zh) | 2024-05-24 |
Family
ID=82429538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210395048.1A Active CN114783183B (zh) | 2022-04-15 | 2022-04-15 | 一种基于交通态势算法的监控方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783183B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394083B (zh) * | 2022-08-29 | 2023-06-06 | 合肥工业大学 | 一种基于深度学习的高速公路交通拥堵预测方法 |
CN115410369B (zh) * | 2022-08-30 | 2024-02-20 | 合肥工业大学 | 一种实时道路通行速度区间构建方法 |
CN116013083B (zh) * | 2023-01-10 | 2024-03-12 | 合肥工业大学 | 一种基于电子地图数据的路网常发***通状态识别方法 |
CN115830874B (zh) * | 2023-02-10 | 2023-05-12 | 西南交通大学 | 一种交通流基本图的拟合性能评价方法及*** |
CN116631196B (zh) * | 2023-07-25 | 2023-11-28 | 南京农业大学 | 一种基于大数据的交通路况预测方法及装置 |
CN117196153A (zh) * | 2023-09-25 | 2023-12-08 | 广东汇通信息科技股份有限公司 | 一种基于交通大数据的智慧交通综合管理*** |
CN117292551B (zh) * | 2023-11-27 | 2024-02-23 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节***与方法 |
CN117831287B (zh) * | 2023-12-29 | 2024-05-31 | 北京大唐高鸿数据网络技术有限公司 | 高速公路拥堵指数的确定方法、装置、设备和存储介质 |
CN117533356B (zh) * | 2024-01-09 | 2024-03-29 | 北京市北太机电设备工贸有限公司 | 一种智能驾驶辅助***及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0714093A (ja) * | 1993-04-28 | 1995-01-17 | Hitachi Ltd | 交通信号制御方法 |
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 |
WO2017166474A1 (zh) * | 2016-03-29 | 2017-10-05 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及*** |
CN108305468A (zh) * | 2017-01-13 | 2018-07-20 | 普天信息技术有限公司 | 一种基于多策略的交通控制方法和*** |
CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、***、电子装置和存储介质 |
CN112820105A (zh) * | 2020-12-31 | 2021-05-18 | 银江股份有限公司 | 路网异常区域处理的方法及*** |
CN113643539A (zh) * | 2021-08-12 | 2021-11-12 | 合肥永信科翔智能技术有限公司 | 一种基于大数据的智慧交通管控*** |
CN113704956A (zh) * | 2021-06-15 | 2021-11-26 | 深圳市综合交通设计研究院有限公司 | 一种基于数字孪生技术的城市道路在线微观仿真方法及*** |
CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及*** |
-
2022
- 2022-04-15 CN CN202210395048.1A patent/CN114783183B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0714093A (ja) * | 1993-04-28 | 1995-01-17 | Hitachi Ltd | 交通信号制御方法 |
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 |
WO2017166474A1 (zh) * | 2016-03-29 | 2017-10-05 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及*** |
CN108305468A (zh) * | 2017-01-13 | 2018-07-20 | 普天信息技术有限公司 | 一种基于多策略的交通控制方法和*** |
CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、***、电子装置和存储介质 |
CN112820105A (zh) * | 2020-12-31 | 2021-05-18 | 银江股份有限公司 | 路网异常区域处理的方法及*** |
CN113704956A (zh) * | 2021-06-15 | 2021-11-26 | 深圳市综合交通设计研究院有限公司 | 一种基于数字孪生技术的城市道路在线微观仿真方法及*** |
CN113643539A (zh) * | 2021-08-12 | 2021-11-12 | 合肥永信科翔智能技术有限公司 | 一种基于大数据的智慧交通管控*** |
CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114783183A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114783183B (zh) | 一种基于交通态势算法的监控方法与*** | |
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和*** | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN109002622B (zh) | 一种随机车流作用下大跨径桥梁总体荷载响应估算方法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN108648445B (zh) | 基于交通大数据的动态交通态势预测方法 | |
CN113177657B (zh) | 轨道交通客流预测方法及装置 | |
CN113436433B (zh) | 一种高效的城市交通离群值检测方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN114187766B (zh) | 一种基于饱和率的道路服务水平评价方法 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
CN114596700A (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及*** | |
CN110867075B (zh) | 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法 | |
CN117746626A (zh) | 基于车流量的智慧交通管理方法及*** | |
CN112183597B (zh) | 一种基于谱聚类的非均衡交通事故严重程度分析方法 | |
CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
CN110956808B (zh) | 一种基于非全样定位数据的重型货车交通流量预测方法 | |
CN110120154B (zh) | 大规模路网下利用检测器数据的交通路况预测方法 | |
CN112349098A (zh) | 高速公路出口匝道区域环境要素对事故严重程度估计方法 |
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 |