CN114783193A - 一种考虑大型车的高速公路异常事件排队长度预测方法 - Google Patents

Abstract

本发明提供了一种考虑大型车的高速公路异常事件排队长度预测方法，属于交通数据分析及处理领域。本发明包括以下步骤：首先，在高速公路观测路段出现异常事件并有大型车混入的情况下，根据不同驾驶员对大型车的不同敏感程度以及大型车的混入率，改进观测路段动态空间占有率；然后，引入交通密度概念及Greenshields线性关系模型，分析观测路段的交通参数；然后，引入交通波波速，分析观测路段的交通波传播过程，构建交通波模型；最后，预测有大型车混入的高速公路出现异常事件的影响时间及影响范围。本发明能够准确的预测有大型车混入且发生异常事件情况下的排队长度变化趋势和交通演化趋势，为交通管制人员进行交通诱导提供参考依据，提高高速公路服务水平。

Description

一种考虑大型车的高速公路异常事件排队长度预测方法

技术领域

本发明属于交通数据分析及处理领域，具体涉及一种考虑大型车的高速公路异常事件排队长度预测方法，可适用于已部署车检器和ETC门架设备装置的高速公路中异常事件排队长度预测。

背景技术

由于高速公路上诸如交通事故、异常天气、施工等异常事件的出现，使得高速公路更易发生异常拥堵，产生排队现象。高速公路不同于普通道路，其具有快速性、封闭性的特点。异常拥堵一旦发生，蔓延速度极快，若是不能对交通拥堵演化趋势进行掌控，及时采取正确的管制措施，很容易产生二次拥堵，带来极大的经济损失。

当前对于排队长度预测的方法大体可以分为两类，分别是基于数学模型和基于数据。数学模型大都以交通波模型或排队论为主，并在此基础上进行改进。其中专利CN108765981A 公开了一种分车道实时排队长度预测方法，基于交通波理论，通过视频车检器数据获取上游实时过车数，并利用车牌数据获取从上游驶向下游的分车道车流量比例，从而对排队长度进行分车道实时预测。该方法虽然综合考虑了上下游交叉口的信号设计、路段长度以及车辆离散到达特性等因素，但是并没有考虑大型车、驾驶员差异等微观因素。

目前考虑大型车的排队长度预测方面的研究较少，有关的研究也仅仅是将大型车通过静态换算系数折算为标准当量车。然而，已有研究表明静态换算系数并无法准确地描述拥挤演化过程中车辆间的相互影响，其未充分考虑到不同交通状态下车辆相互作用导致的车辆与车辆之间以及车辆与道路之间的相互影响是动态变化的。因此，为了能够适应动态交通的演化，提出一种能够动态刻画不同交通状态下大型车影响的方法，进而准确分析异常事件排队长度变化趋势，能够为交通管理者提供决策支持，提高高速公路的服务水平。

发明内容

有鉴于此，本发明提供一种考虑大型车混入的高速公路异常事件排队长度预测方法，解决现有技术无法准确地描述高速公路拥挤演化过程中大型车与车辆及道路间相互影响的动态变化，不能为交通管理者提供决策支持，提高高速公路服务水平的问题。

为实现上述目的，本发明包括以下步骤：

1)在高速公路观测路段出现异常事件并有大型车混入的情况下，根据不同驾驶员对大型车的不同敏感程度以及大型车的混入率，改进观测路段动态空间占有率；

2)基于步骤1)改进的所述动态空间占有率，引入交通密度概念及Greenshields线性关系模型，分析有大型车混入的高速公路观测路段出现异常事件的交通参数；

3)基于步骤1)改进的所述动态空间占有率及步骤2)所述交通参数，引入交通波波速，分析有大型车混入的高速公路观测路段出现异常事件的交通波传播过程，构建交通波模型；

4)基于步骤3)所述交通波模型，预测有大型车混入的高速公路出现异常事件的影响时间及影响范围。

进一步的，所述步骤1)具体包括以下步骤：

11)有大型车混入的单车道高速公路观测路段的动态空间占有率可用下述公式表示：

式中，O_r代表观测路段动态空间占有率；L_i′代表单车道观测路段第i辆车的实际占有长度，即车长；L_i″代表单车道观测路段第i辆车的虚拟占有长度；L代表单车道观测路段长度；n代表单车道观测路段的车辆数；v₀代表观测路段第i辆车刹车时的车辆初速度，可用观测路段内该车辆在正常情况下的平均行驶速度代替；t₀代表观测路段第i辆车驾驶员反应时间；a_max代表观测路段第i辆车最大减速度；

12)根据不同驾驶员对大型车的不同敏感程度，因此单车道观测路段第i辆车的虚拟占有长度可用下述公式表示：

式中，b代表驾驶员特性因子，且0<b≤1；

13)有大型车混入的m条车道高速公路观测路段的动态空间占有率可用下述公式表示：

式中，n_m代表第m条车道上的车辆数；L_im′代表第m条车道上第i辆车的实际占有长度，即车长；L_im″代表第m条车道上第i辆车的虚拟占有长度；

14)设定高速公路观测路段第m条车道大型车占有比例为λ_m，动态空间占有率可用下述公式表示：

式中，λ_m代表第m条车道大型车占有比例；

代表第m条车道大型车实际与虚拟占有长度的平均值；

代表第m条车道小型车实际与虚拟占有长度的平均值；

15)进一步地，不考虑各车道的差异性，观测路段动态空间占有率可用下述公式表示：

式中，

代表观测路段各车道大型车占有比例的平均值，即观测路段大型车混入率；

代表观测路段大型车实际与虚拟占有长度的平均值；

代表观测路段小型车实际与虚拟占有长度的平均值。

进一步的，所述步骤2)具体包括以下步骤：

21)引入交通密度的概念

代入步骤15)得到的动态空间占有率可用下述公式表示：

可得到交通密度和动态空间占有率之间的关系为：

式中，k代表观测路段交通密度；

22)当交通密度达到阻塞密度时，观测路段被车辆完全占用，此时动态空间占有率O_r＝1，车辆对观测路段的占有长度为车辆实际车长，即：

式中，L′_h代表单车道观测路段大型车实际占有长度；L′_c代表单车道观测路段小型车实际占有长度；

由此，阻塞密度k_j可用下述公式表示：

式中，k_j代表观测路段阻塞密度；

23)引入Greenshields线性关系模型公式

可得到下述公式：

式中，q代表交通流量；k代表交通密度；v代表车辆速度；v_f代表自由流车速，当 k→0时，v_f＝v。

进一步的，所述步骤3)具体包括以下：

31)将步骤23)获得的交通流量q，交通密度k代入交通波波速公式，可得到交通波波速为：

式中，O_1r代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下的动态空间占有率；O_2r代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下的动态空间占有率；

代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下大型车占有总长度的平均值；

代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下大型车占有总长度的平均值；

代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下小型车占有总长度的平均值；

代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下小型车占有总长度的平均值；

32)在异常事件发生过程中，高速公路观测路段交通流形成集结波、启动波以及消散波；基于步骤1)的动态空间占有率，根据步骤3.1)计算出集结波、启动波及消散波的波速；通过计算得到的各交通波波速，在原有的交通波模型基础上构建新的交通波模型。

进一步的，所述步骤4)具体包括：基于步骤3)构建的所述交通波模型以及步骤2)改进的所述动态空间占有率，根据高速公路异常事件交通波消散、集结的过程，可以得到高速公路异常事件持续时间t_m、最大排队长度x_m以及交通状态恢复正常的时间t_n，可以用如下公式表示：

式中，t_e为异常事件结束时间，即车道封闭解除时间；x_m表示异常事件发生期间上游最大排队长度；t_m表示在异常事件发生位置x＝0处的启动波赶上集结波的时间，也即异常事件影响开始消散的时间；t_n表示异常事件发生位置x＝0恢复到正常交通状态的时间，也即异常事件影响完全结束时间。

有益效果

本发明提供了一种考虑大型车混入的高速公路异常事件排队长度预测方法，通过在现有动态空间占有率的基础上考虑大型车混入以及驾驶员微观因素，进而表征不同交通状态下的大型车影响，并借助交通波理论建立排队长度预测模型，准确分析大车混入情况下异常事件排队长度变化趋势。本发明能够准确的预测有大型车混入情况下的排队长度变化趋势，且对高速公路异常事件下的交通演化趋势进行预测，从而为交通管制人员进行交通诱导提供参考依据，提高高速公路服务水平。

附图说明

图1为本发明流程示意图；

图2为本发明动态空间占有率说明示意图；

图3为本发明异常事件下交通波集结、消散过程示意图。

具体实施方式

为使本发明的技术方案、优点和目的更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。

下面结合附图和实施例对本发明作进一步说明。

实施例1

如图1至图3所示，本实施例提供了一种考虑大型车的高速公路异常事件排队长度预测方法，包括以下步骤：

步骤1)在高速公路观测路段出现异常事件并有大型车混入的情况下，根据不同驾驶员对大型车的不同敏感程度以及大型车的混入率，改进观测路段动态空间占有率。

具体包括以下步骤：

步骤1.1)动态空间占有率的定义是在某个区域中，所有车辆对该区域的实际占有面积与虚拟占有面积之和占该区域总面积的比例，而车辆对道路的占用面积可用长度来表示，因此有大型车混入的单车道高速公路观测路段的动态空间占有率可用下述公式表示：

式中，O_r代表观测路段的动态空间占有率；L_i′代表单车道观测路段第i辆车的实际占有长度，即车长；L_i″代表单车道观测路段第i辆车的虚拟占有长度，具体指当驾驶员注意到道路前方突然出现障碍物时，及时刹车以避免碰撞，在整个过程中车辆行驶的距离；L代表单车道观测路段长度；n代表单车道观测路段的车辆数；v₀代表观测路段第i辆车刹车时的车辆初速度，可用观测路段内该车辆在正常情况下的平均行驶速度代替；t₀代表观测路段第 i辆车驾驶员反应时间；a_max代表观测路段第i辆车最大减速度。

步骤1.2)考虑不同驾驶员对大型车有不同的敏感程度，在减速时并不是都以最大减速度a_max减速，因此单车道观测路段第i辆车的虚拟占有长度可用下述公式表示：

式中，b代表驾驶员特性因子，且0<b≤1。

步骤1.3)有大型车混入的m条车道高速公路观测路段的动态空间占有率可用下述公式表示：

式中，n_m代表第m条车道上的车辆数；L_im′代表第m条车道上第i辆车的实际占有长度，即车长；L_im″代表第m条车道上第i辆车的虚拟占有长度。

步骤1.4)设定高速公路观测路段第m条车道大型车占有比例为λ_m，观测路段动态空间占有率可用下述公式表示：

且有，

L_h＝L′_h+L″_h

L_c＝L′_c+L″_c

式中，λ_m代表第m条车道大型车占有比例；

代表第m条车道大型车实际与虚拟占有长度的平均值；

代表第m条车道小型车实际与虚拟占有长度的平均值；L_h代表单车道观测路段大型车实际与虚拟占有总长度；L′_h代表单车道观测路段大型车实际占有长度；L″_h代表单车道观测路段大型车虚拟占有长度；L_c代表单车道观测路段小型车实际与虚拟占有总长度；L′_c代表单车道观测路段小型车实际占有长度；L″_c代表单车道观测路段小型车虚拟占有长度。

步骤1.5)进一步地，不考虑各车道的差异性，动态空间占有率可用下述公式表示：

式中，

代表观测路段各车道大型车占有比例的平均值，即观测路段大型车混入率；

代表观测路段大型车实际与虚拟占有长度的平均值；

代表观测路段小型车实际与虚拟占有长度的平均值。

步骤1.5中的

由以下步骤可得：

步骤1.5.1)在观测路段交通流是均匀的，各种车型以及各类型驾驶员均匀分布在观测路段的前提下，

通过求数学期望的方式得到，可用下述公式表示：

式中，a_hmax代表观测路段第i辆大型车的最大减速度，取6m/s；a_cmax代表观测路段第i辆小型车的最大减速度，取5m/s；p_i代表观测路段第i种风格驾驶员在人群中所占的比例；b_i代表观测路段第i种风格驾驶员对应的驾驶员特性因子。

步骤1.5.2)根据现有研究可得，当从驾驶员风格、对大型车敏感程度两个角度分析驾驶员特性时，可将驾驶员分为四类：保守且敏感，不保守但敏感，保守但不敏感，不保守且不敏感，四种风格驾驶员所占比例可以通过聚类分析得到。四种风格驾驶员所对应的驾驶员特性因子分别设定为b₁、b₂、b₃、b₄，通过采集驾驶模拟器实验数据对其取值进行标定，标定结果如下：

式中，b₁是保守且对大型车敏感风格驾驶员特性因子；b₂是不保守但对大型车敏感风格驾驶员特性因子；b₃是保守但对大型车不敏感风格驾驶员特性因子；b₄是不保守且对大型车不敏感风格驾驶员特性因子。

则步骤1.5.1的公式可以用如下公式代替：

式中，p₁是保守且对大型车敏感风格驾驶员所占的比例；p₂是不保守但对大型车敏感风格驾驶员所占的比例；p₃是保守但对大型车不敏感风格驾驶员所占的比例；p₄是不保守且对大型车不敏感风格驾驶员所占的比例；p₅是保守风格驾驶员所占的比例；p₆是不保守风格驾驶员所占的比例。

其中，p₁、p₂、p₃、p₄、p₅、p₆之间应满足以下关系：

步骤1.5.3)将步骤1.5.2中

的计算公式简化，可以得到如下公式：

进一步简化为：

式中，ρ表示引入的中间变量，设定

步骤2)基于步骤1)改进的所述动态空间占有率，引入交通密度概念及Greenshields 线性关系模型，分析有大型车混入的高速公路观测路段出现异常事件的交通参数。具体包括以下步骤：

步骤2.1)引入交通密度的概念

代入步骤1.5)得到的动态空间占有率，可用下述公式表示：

式中，k代表观测路段交通密度；

可得到交通密度与动态空间占有率之间的关系为：

步骤2.2)当观测路段交通密度达到阻塞密度时，观测路段被车辆完全占用，此时观测路段动态空间占有率O_r＝1，车辆对观测路段的占有长度为车辆车长，即：

由此，阻塞密度可用下述公式表示：

式中，k_j代表观测路段阻塞密度。

步骤2.3)引入Greenshields线性关系模型公式

可得到下述公式：

式中，q代表观测路段交通流量；k代表观测路段交通密度；v代表观测路段车辆速度； q、k、v构成观测路段交通流三要素；v_f代表观测路段自由流车速，当k→0时，v_f＝v。

步骤3)基于步骤1)改进的所述动态空间占有率及步骤2)所述交通参数，引入交通波波速，分析有大型车混入的高速公路观测路段出现异常事件的交通波传播过程，构建交通波模型。

具体包括以下步骤：

步骤3.1)将步骤2.3)获得的观测路段交通流量q、交通密度k代入交通波波速公式，可得到交通波波速为：

式中，O_1r代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下的动态空间占有率；O_2r代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下的动态空间占有率；

代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下大型车占有总长度的平均值；

代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下大型车占有总长度的平均值；

代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下小型车占有总长度的平均值；

代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下小型车占有总长度的平均值。

步骤3.2)在异常事件发生过程中，高速公路观测路段交通流形成集结波、启动波以及消散波。基于步骤1)的动态空间占有率，根据步骤3.1)计算出集结波、启动波及消散波的波速。通过计算得到的各交通波波速，在原有的交通波模型基础上构建新的交通波模型。

集结波、启动波及消散波的波速计算步骤如下：

步骤3.2.1)设定异常事件发生位置为x＝0，异常事件发生时刻为t₀＝0。集结波波速可用下述公式表示：

且有：

0<t<t_m

其中：

q₁＝0.35q₀

式中，q₀代表观测路段正常情况下的实际交通流量；q₁代表观测路段发生异常事件情况下的交通流量；k₀代表观测路段正常情况下的实际交通密度；k₁代表观测路段发生异常事件情况下的交通密度；t_m表示观测路段在异常事件发生位置x＝0处的启动波赶上集结波的时间，即异常事件持续时间。

步骤3.2.2)设定t_e为异常事件结束时间，即观测路段车道封闭解除时间。异常事件结束后，高速公路通行能力逐渐恢复，此时在异常事件发生位置x＝0处产生启动波，启动波波速可用下述公式表示：

并有：

t_e<t<t_m

式中，q₂代表观测路段异常事件结束后的交通流量，取观测路段在当前服务水平下允许通过的最大交通流量；k₂代表异常事件结束后的交通密度，取观测路段在当前服务水平下允许通过的最大交通密度。

步骤3.2.3)在时间t_m之后，异常事件发生位置x＝0上游形成的冲击波开始向前传播，表示观测路段交通开始向正常恢复，此时在启动波和集结波的综合作用下产生消散波。消散波波速可用下述公式表示：

并有：

t_m<t

步骤4)基于步骤3)所述交通波模型，预测有大型车混入的高速公路出现异常事件的影响时间及影响范围。具体包括以下步骤：

步骤4.1)根据步骤3)分析的高速公路观测路段发生异常事件情况下的交通波传播过程，可得到下述关系式：

u₁(t_m-t_e)＝u₀(t_m-0)

进一步化简，可得：

将集结波及启动波的波速计算公式代入上式可得：

步骤4.2)异常事件发生在x＝0位置，则排队车辆均累积在异常事件发生位置x＝0的上游，位置为负值，且在t＝t_m时，上游车辆排队长度达到最大，可用下述公式表示：

x_m＝u₀t_m

式中，x_m表示观测路段上游车辆排队的最大长度；

将集结波波速计算公式代入上式可得：

步骤4.3)在时间t_m之后，异常事件发生位置x＝0的上游形成的冲击波开始向前传播，设定异常事件发生位置x＝0处交通恢复到正常状态的时间为t_n。

位置函数x_t可用下述公式表示：

x_t＝x_m+u₂(t_n-t_m)

令位置函数x_t＝0，则上式变形为：

综上所述，本发明提供了一种考虑大型车混入的高速公路异常事件排队长度预测方法，通过在现有动态空间占有率的基础上考虑大型车以及驾驶员微观因素，进而表征不同交通状态下的大型车影响，并借助交通波理论建立排队长度预测模型，准确分析大车混入情况下异常事件排队长度变化趋势。本发明能够准确的预测大车混入情况下的排队长度变化趋势，且对高速公路异常事件下的交通演化趋势进行预测，从而为交通管制人员进行交通诱导提供参考依据，提高高速公路服务水平。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (5)

1.一种考虑大型车的高速公路异常事件排队长度预测方法，其特征在于：包括以下步骤：

1)在高速公路观测路段出现异常事件并有大型车混入的情况下，根据不同驾驶员对大型车的不同敏感程度以及大型车的混入率，改进观测路段动态空间占有率；

2)基于步骤1)改进的所述动态空间占有率，引入交通密度概念及Greenshields线性关系模型，分析有大型车混入的高速公路观测路段出现异常事件的交通参数；

3)基于步骤1)改进的所述动态空间占有率及步骤2)所述交通参数，引入交通波波速，分析有大型车混入的高速公路观测路段出现异常事件的交通波传播过程，构建交通波模型；

4)基于步骤3)所述交通波模型，预测有大型车混入的高速公路出现异常事件的影响时间及影响范围。

2.根据权利要求1所述的考虑大型车的高速公路异常事件排队长度预测方法，其特征在于：所述步骤1)具体包括以下步骤：

11)有大型车混入的单车道高速公路观测路段的动态空间占有率可用下述公式表示：

式中，O_r代表观测路段动态空间占有率；L_i′代表单车道观测路段第i辆车的实际占有长度，即车长；L_i″代表单车道观测路段第i辆车的虚拟占有长度；L代表单车道观测路段长度；n代表单车道观测路段的车辆数；v₀代表观测路段第i辆车刹车时的车辆初速度，可用观测路段内该车辆在正常情况下的平均行驶速度代替；t₀代表观测路段第i辆车驾驶员反应时间；a_max代表观测路段第i辆车最大减速度；

12)根据不同驾驶员对大型车的不同敏感程度，因此单车道观测路段第i辆车的虚拟占有长度可用下述公式表示：

式中，b代表驾驶员特性因子，且0<b≤1；

13)有大型车混入的m条车道高速公路观测路段的动态空间占有率可用下述公式表示：

式中，n_m代表第m条车道上的车辆数；L_im′代表第m条车道上第i辆车的实际占有长度，即车长；L_im″代表第m条车道上第i辆车的虚拟占有长度；

14)设定高速公路观测路段第m条车道大型车占有比例为λ_m，动态空间占有率可用下述公式表示：

式中，λ_m代表第m条车道大型车占有比例；

代表第m条车道大型车实际与虚拟占有长度的平均值；

代表第m条车道小型车实际与虚拟占有长度的平均值；

15)进一步地，不考虑各车道的差异性，观测路段动态空间占有率可用下述公式表示：

式中，

代表观测路段各车道大型车占有比例的平均值，即观测路段大型车混入率；

代表观测路段大型车实际与虚拟占有长度的平均值；

代表观测路段小型车实际与虚拟占有长度的平均值。

3.根据权利要求2所述的考虑大型车的高速公路异常事件排队长度预测方法，其特征在于：所述步骤2)具体包括以下步骤：

21)引入交通密度的概念

代入步骤15)得到的动态空间占有率可用下述公式表示：

可得到交通密度和动态空间占有率之间的关系为：

式中，k代表观测路段交通密度；

22)当交通密度达到阻塞密度时，观测路段被车辆完全占用，此时动态空间占有率O_r＝1，车辆对观测路段的占有长度为车辆实际车长，即：

式中，L′_h代表单车道观测路段大型车实际占有长度；L′_c代表单车道观测路段小型车实际占有长度；

由此，阻塞密度k_j可用下述公式表示：

式中，k_j代表观测路段阻塞密度；

23)引入Greenshields线性关系模型公式

可得到下述公式：

式中，q代表交通流量；k代表交通密度；v代表车辆速度；v_f代表自由流车速，当k→0时，v_f＝v。

4.根据权利要求3所述的考虑大型车的高速公路异常事件排队长度预测方法，其特征在于：所述步骤3)具体包括以下：

31)将步骤23)获得的交通流量q，交通密度k代入交通波波速公式，可得到交通波波速为：

式中，O_1r代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下的动态空间占有率；O_2r代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下的动态空间占有率；

代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下大型车占有总长度的平均值；

代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下大型车占有总长度的平均值；

代表在交通流量为q₁、交通密度为k₁、车辆速度为v₁的交通状态下小型车占有总长度的平均值；

代表在交通流量为q₂、交通密度为k₂、车辆速度为v₂的交通状态下小型车占有总长度的平均值；

32)在异常事件发生过程中，高速公路观测路段交通流形成集结波、启动波以及消散波；基于步骤1)的动态空间占有率，根据步骤3.1)计算出集结波、启动波及消散波的波速；通过计算得到的各交通波波速，在原有的交通波模型基础上构建新的交通波模型。

5.根据权利要求4所述的考虑大型车的高速公路异常事件排队长度预测方法，其特征在于：所述步骤4)具体包括：基于步骤3)构建的所述交通波模型以及步骤2)改进的所述动态空间占有率，根据高速公路异常事件交通波消散、集结的过程，可以得到高速公路异常事件持续时间t_m、最大排队长度x_m以及交通状态恢复正常的时间t_n，可以用如下公式表示：

式中，t_e为异常事件结束时间，即车道封闭解除时间；x_m表示异常事件发生期间上游最大排队长度；t_m表示在异常事件发生位置x＝0处的启动波赶上集结波的时间，也即异常事件影响开始消散的时间；t_n表示异常事件发生位置x＝0恢复到正常交通状态的时间，也即异常事件影响完全结束时间。

Images