CN115424432B - 一种基于多源数据的高速公路异常事件下的上游分流方法 - Google Patents
一种基于多源数据的高速公路异常事件下的上游分流方法 Download PDFInfo
- Publication number
- CN115424432B CN115424432B CN202210870141.3A CN202210870141A CN115424432B CN 115424432 B CN115424432 B CN 115424432B CN 202210870141 A CN202210870141 A CN 202210870141A CN 115424432 B CN115424432 B CN 115424432B
- Authority
- CN
- China
- Prior art keywords
- road
- flow
- abnormal event
- vehicle
- upstream
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 101
- 238000011144 upstream manufacturing Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000033228 biological regulation Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 1
- 238000010079 rubber tapping Methods 0.000 abstract 1
- 230000006698 induction Effects 0.000 description 6
- 230000008520 organization Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据的高速公路异常事件下的上游分流方法,该方法包括以下步骤:1)明确方案目标函数,并制定完整的高速公路异常事件下的上游分流方案;2)选取合适的指标,定量化分析诱导分流启动条件,并制定确定诱导分流节点优先级;3)考虑异常事件的影响范围,对异常事件路段的行程时间进行估计;4)考虑到绕行路段的不确定性,确定一种通用的绕行路段行程时间估计方法,对绕行路段行程时间进行估计;5)根据异常事件路段及绕行路段原有流量,对异常事件路段最佳的分出流量进行估计;6)根据下游ETC门架数据,获取车辆的实际行程时间,根据实际行程时间与估计行程时间的误差,对上游分出流量进行更新。
Description
技术领域
本发明属于交通数据分析及处理领域,涉及一种基于多源数据的高速公路异常事件下的上游分流方法。
背景技术
随着我国城市区域间经济互动逐渐深入,高速公路行车压力也在日渐变大。尤其是节假日免费通行、差异化收费等政策的实行,导致更多车辆涌入高速公路,供需矛盾更加凸显,高速公路中车辆行驶速度较快,流量大,且路网封闭性较强。一旦出现异常事件,拥堵扩散速度极快。当高速公路发生异常事件时,如果不能制定合理的交通组织方案及时有效疏解拥堵,那么拥堵很可能会进一步扩散,严重时会对整个路网造成影响。
现有高速公路交通诱导分流多集中在高速公路入口分流。中国专利CN108665707A中,通过分析高速公路不同时刻每个出入口相邻路段内的交通需求量和通行能力,对每个路段的交通流是否达到饱和进行判断。并对交通需求大于通行能力的路段,通过电子信息板对即将进入收费站的车辆进行分流,通过核心控制策略来调节各入口最优交通量,该方法的适用于高速公路入口处的分流场景。
目前对高速公路异常事件下的交通诱导分流研究较少,同时已有研究对于诱导分流启动条件、节点选取多采取定性分析的方法,还尚未形成一套完整的诱导分流体系。因此,制定完整的高速公路异常事件下的上游分流方案可以为交通管理人员组织应急交通提供支撑,便于其及时制定有效的应急组织方案,保障高速公路快速恢复畅行,因此需要提供一种基于多源数据的高速公路异常事件下的上游分流方法。
发明内容
本发明的目的在于提供一种基于多源数据的高速公路异常事件下的上游分流方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于多源数据的高速公路异常事件下的上游分流方法,该方法包括以下五个步骤:
步骤1)明确方案目标函数,并制定完整的高速公路异常事件下的上游分流方案,具体包括以下几个子步骤:
步骤1.1:上游分流调控的目标是路网性能最优,总行程时间常被用来评价路网性能;
步骤1.2:完整的高速公路异常事件下的上游分流方案实施步骤如下;
Step1:异常事件发生后,根据异常事件影响范围预测模型来判断是否达到启动诱导分流的条件;
Step2:计算各匝道出口的分流节点优先级,确定分流节点;
Step3:根据断面ETC流量数据,统计目标时段的主线车流量;结合流量估计模型对目标时段主线流量进行估计;
Step4:根据Step3所估计流量以及异常事件影响范围预测模型,对异常事件路段行程时间进行估计,估计绕行路段行程时间,令调控方案目标函数最小,得到上游最佳分出流量;
步骤2)选取合适的指标,定量化分析诱导分流启动条件,并制定确定诱导分流节点优先级,具体包括以下几个子步骤:
步骤2.1:诱导分流是否启动与拥堵的严重程度以及对路网的影响程度有关,最大排队长度可以用来表征拥堵的严重程度,排队最短消散时间可以用来表征异常事件对路网的影响程度,选取这两个指标来对是否启动诱导分流进行判断;
步骤2.2:流量饱和度可以反映绕行国省道的通行效率及路网的整体通行能力,绕行节省时间利于驾驶员选择行程时间更少的路径,因此选取绕行国省道流量饱和度和节省时间作为诱导分流节点选取的评价指标,并通过模糊综合评价法融合两个指标。
步骤3)考虑异常事件的影响范围,对异常事件路段的行程时间进行估计,具体包括以下几个子步骤:
步骤3.1:异常事件路段行程时间T主要由几个部分构成:车辆在队尾上游的行驶时间T1、车辆通过排队路段的时间T2、车辆通过瓶颈路段的时间T3和通过异常事件发生路段下游的时间T4,且有T=T1+T2+T3+T4;
步骤3.2:在排队还未蔓延到上游时,上游路段车辆行驶速度基本是不变的,车辆通过上游路段时间T1可以用下式表示:
式中,L5为瓶颈路段上游总长度;xt0为t0时刻的排队长度;V1为车辆在自由流情况下的行驶速度;
步骤3.3:车辆通过排队路段的行驶时间T2可用下式表示:
式中,V2为车辆在排队路段的行驶速度;
步骤3.4:瓶颈路段长度一般包括因异常事件封闭车道长度和限制车辆驶入的区域长度;瓶颈路段车辆行驶速度一般不高于该路段的限速值,车辆通过该路段的行驶时间可以用下式表示:
式中,L3为瓶颈路段长度;V3为瓶颈路段限速值;
步骤3.5:下游路段不会受到异常事件影响,车辆行驶速度为自由流速度,车辆通过瓶颈路段下游的行驶时间可用下式表示:
式中,L4为瓶颈路段下游路段长度;V1为车辆在自由流情况下的行驶速度;
步骤3.6:基于上述步骤,异常事件路段行程时间T可用下式表示:
式中,L5为瓶颈路段上游总长度;xt0为t0时刻的排队长度;V1为车辆在自由流情况下的行驶速度;V2为车辆在排队路段的行驶速度;L3为瓶颈路段长度;V3为瓶颈路段限速值;L4为瓶颈路段下游路段长度;
步骤4)考虑到绕行路段的不确定性,确定一种通用的绕行路段行程时间估计方法,对绕行路段行程时间进行估计,具体包括以下几个子步骤:
步骤4.1:确定适用于各等级公路的速度与流量关系公式;
步骤4.2:根据步骤4.1可得不同流量下绕行路段的平均速度,从而可以得到不同流量下绕行路段的行程时间;
步骤5)根据异常事件路段及绕行路段原有流量,对异常事件路段最佳的分出流量进行估计,具体包括以下几个子步骤:
步骤5.1:通过一次指数平滑模型公式对异常事件路段车流量进行估计;
步骤5.2:从下道收费数据中提取出每个车辆的上道收费站信息,根据上道收费站和下道收费站的地理位置获取车辆的行车方向,进而可以得到每个方向的车流量,从而可以得到该匝道收费站的历史车流量上下行占比β;
步骤5.3:利用步骤5.1中的公式对匝道收费站车流量进行估计,根据估计得到的流量及匝道收费站历史车流量上下行占比β对正常情况下目标时段内需要从高速公路主线下道的车流量进行估计,可用下式表示:
Qz=Qt+1·β
式中,Qz代表目标时段的匝道收费站流量;β代表匝道收费站历史车流量上下行占比;
步骤5.4:路网总行程时间可用下式表示,令TTT最小,即可得到异常事件路段的最佳分出流量:
式中,q为高速公路主线流量;qy为绕行道路流量;qx为高速公路分到绕行道路的流量;Lr为绕行路段长度。
作为本发明的一种优选技术方案,所述步骤1)中分流方案的目标函数可用下述公式表示:
式中,ns为高速公路主线流量;nr为绕行道路流量;Ts为高速公路平均行程时间;Tr为绕行道路平均行程时间。
作为本发明的一种优选技术方案,所述步骤1)中的Step3的目标时段主线车流量的统计方法为:
Step3a:从互通收费站下道流量提取出车辆上道收费站信息,根据上道收费站和下道收费站的地理位置获取车辆的行车方向,以天为时间间隔统计每天上下行方向车流量及其占比;
Step3b:根据目标时段主线流量以及收费站下道流量上、下行方向占比,对正常情况下目标时段内需要从高速公路主线下道的车流量进行估计。
作为本发明的一种优选技术方案,所述步骤2.1)中的判别过程具体判别方法为:
Step1:异常事件发生后,根据异常事件影响范围预测模型得到异常事件所导致的最大排队长度xmax及异常事件发生点交通状态恢复正常的时间tn;
Step2:根据异常事件属性,获取异常事件发生点距上游最近出口匝道的距离Lx;
Step3:若xmax<Lx,则不启动诱导分流,判别过程结束;
Step4:若xmax>Lx且xmax>1.8km,则启动诱导分流,判别过程结束;
Step5:若xmax>Lx但xmax<1.8km,需要进一步考虑tn的值;若tn<0.9h,则不启动诱导分流,判别过程结束;若tn>0.9h,则启动诱导分流,判别过程结束。
其中,xmax为上游最大排队长度;Lx为异常事件发生点距上游最近出口匝道的距离;tn代表异常事件发生点恢复正常交通状态的时间。
作为本发明的一种优选技术方案,所述步骤2.1)中的模糊评价规则如下:
作为本发明的一种优选技术方案,所述步骤4.1中的各等级公路的速度与流量关系公式为:
式中,v(q)为流量为q时的车速(km/h);vs为公路设计车速(km/h);q为交通量(veq/h);c为单条车道基本通行能力(pcu/h);vf为道路自由流车速;各回归参数取值为:α2=1.88,α3=4.90(高等级公路)或7.00(一般等级公路)。
作为本发明的一种优选技术方案,所述步骤4.2中不同流量下绕行路段的形成时间的计算公式为:
式中,Tr为绕行道路平均行程时间;Lr为绕行道路路段长度;q为绕行道路流量;v(q)为流量为q时的车速(km/h)。
作为本发明的一种优选技术方案,所述步骤5.1中的一次平滑指数模型公式为:
式中,Qt+1代表目标时段的流量;Qt代表当前时段的流量;代表目标时段的平均流量;α一般在0.1~0.3之间选取。
本发明的技术效果和优点:
本发明提出一种基于多源数据的高速公路异常事件下的上游分流方法,该方法针对目前对高速公路异常事件下的交通诱导分流研究较少,同时已有研究对于诱导分流启动条件、节点选取多采取定性分析的方法,还尚未形成一套完整的诱导分流体系的现状,提出了高速公路异常事件下的上游分流调控方案,对诱导分流启动条件进行了定量化分析,并制定了确定分流节点优先级的方法,对实现分流方案所需要的交通参数进行了分析;本发明能够为交通管理者进行交通疏导提供重要的决策支持,便于其及时制定有效的应急组织方案,从而能够保障异常事件下高速公路快速恢复畅行。
附图说明
图1为本发明总体流程示意图;
图2为上游分流调控方案示意图;
图3为诱导分流启动条件判别步骤;
图4为异常事件路段行程时间组成;
图5为收费站出口匝道流量获取流程图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据图1-5所示,本发明提供了一种基于多源数据的高速公路异常事件下的上游分流方法,一种基于多源数据的高速公路异常事件下的上游分流方法,该方法包括以下五个步骤:
步骤1)明确方案目标函数,并制定完整的高速公路异常事件下的上游分流方案,具体包括以下几个子步骤:
步骤1.1:上游分流调控的目标是路网性能最优,总行程时间常被用来评价路网性能;
步骤1.2:完整的高速公路异常事件下的上游分流方案实施步骤如下:
Step1:异常事件发生后,根据异常事件影响范围预测模型来判断是否达到启动诱导分流的条件;
Step2:计算各匝道出口的分流节点优先级,确定分流节点;
Step3:根据断面ETC流量数据,统计目标时段的主线车流量;结合流量估计模型对目标时段主线流量进行估计;
Step4:根据Step3所估计流量以及异常事件影响范围预测模型,对异常事件路段行程时间进行估计,估计绕行路段行程时间,令调控方案目标函数最小,得到上游最佳分出流量。
步骤2)选取合适的指标,定量化分析诱导分流启动条件,并制定确定诱导分流节点优先级,具体包括以下几个子步骤:
步骤2.1:诱导分流是否启动与拥堵的严重程度以及对路网的影响程度有关,最大排队长度可以用来表征拥堵的严重程度,排队最短消散时间可以用来表征异常事件对路网的影响程度,选取这两个指标来对是否启动诱导分流进行判断;
步骤2.2:流量饱和度可以反映绕行国省道的通行效率及路网的整体通行能力,绕行节省时间利于驾驶员选择行程时间更少的路径,因此选取绕行国省道流量饱和度和节省时间作为诱导分流节点选取的评价指标,并通过模糊综合评价法融合两个指标。
步骤3)考虑异常事件的影响范围,对异常事件路段的行程时间进行估计,具体包括以下几个子步骤:
步骤3.1:异常事件路段行程时间T主要由几个部分构成:车辆在队尾上游的行驶时间T1、车辆通过排队路段的时间T2、车辆通过瓶颈路段的时间T3和通过异常事件发生路段下游的时间T4,且有T=T1+T2+T3+T4;
步骤3.2:在排队还未蔓延到上游时,上游路段车辆行驶速度基本是不变的,车辆通过上游路段时间T1可以用下式表示:
式中,L5为瓶颈路段上游总长度;xt0为t0时刻的排队长度;V1为车辆在自由流情况下的行驶速度。
步骤3.3:车辆通过排队路段的行驶时间T2可用下式表示:
式中,V2为车辆在排队路段的行驶速度;
步骤3.4:瓶颈路段长度一般包括因异常事件封闭车道长度和限制车辆驶入的区域长度;瓶颈路段车辆行驶速度一般不高于该路段的限速值,车辆通过该路段的行驶时间可以用下式表示:
式中,L3为瓶颈路段长度;V3为瓶颈路段限速值;
步骤3.5:下游路段不会受到异常事件影响,车辆行驶速度为自由流速度,车辆通过瓶颈路段下游的行驶时间可用下式表示:
式中,L4为瓶颈路段下游路段长度;V1为车辆在自由流情况下的行驶速度。
步骤3.6:基于上述步骤,异常事件路段行程时间T可用下式表示:
式中,L5为瓶颈路段上游总长度;xt0为t0时刻的排队长度;V1为车辆在自由流情况下的行驶速度;V2为车辆在排队路段的行驶速度;L3为瓶颈路段长度;V3为瓶颈路段限速值;L4为瓶颈路段下游路段长度。
步骤4)考虑到绕行路段的不确定性,确定一种通用的绕行路段行程时间估计方法,对绕行路段行程时间进行估计,具体包括以下几个子步骤:
步骤4.1:确定适用于各等级公路的速度与流量关系公式;
步骤4.2:根据步骤4.1可得不同流量下绕行路段的平均速度,从而可以得到不同流量下绕行路段的行程时间。
步骤5)根据异常事件路段及绕行路段原有流量,对异常事件路段最佳的分出流量进行估计,具体包括以下几个子步骤:
步骤5.1:通过一次指数平滑模型公式对异常事件路段车流量进行估计;
步骤5.2:从下道收费数据中提取出每个车辆的上道收费站信息,根据上道收费站和下道收费站的地理位置获取车辆的行车方向,进而可以得到每个方向的车流量,从而可以得到该匝道收费站的历史车流量上下行占比β。
步骤5.3:利用步骤5.1中的公式对匝道收费站车流量进行估计,根据估计得到的流量及匝道收费站历史车流量上下行占比β对正常情况下目标时段内需要从高速公路主线下道的车流量进行估计,可用下式表示:
Qz=Qt+1·β
式中,Qz代表目标时段的匝道收费站流量;β代表匝道收费站历史车流量上下行占比。
步骤5.4:路网总行程时间可用下式表示,令TTT最小,即可得到异常事件路段的最佳分出流量:
式中,q为高速公路主线流量;qy为绕行道路流量;qx为高速公路分到绕行道路的流量;Lr为绕行路段长度。
作为本发明的一种优选实施例,所述步骤1)中分流方案的目标函数可用下述公式表示:
式中,ns为高速公路主线流量;nr为绕行道路流量;Ts为高速公路平均行程时间;Tr为绕行道路平均行程时间。
进一步地,所述步骤1)中的Step3的目标时段主线车流量的统计方法为:
Step3a:从互通收费站下道流量提取出车辆上道收费站信息,根据上道收费站和下道收费站的地理位置获取车辆的行车方向,以天为时间间隔统计每天上下行方向车流量及其占比;
Step3b:根据目标时段主线流量以及收费站下道流量上、下行方向占比,对正常情况下目标时段内需要从高速公路主线下道的车流量进行估计。
作为本发明的一种优选实施例,所述步骤2.1)中的判别过程具体判别方法为:
Step1:异常事件发生后,根据异常事件影响范围预测模型得到异常事件所导致的最大排队长度xmax及异常事件发生点交通状态恢复正常的时间tn;
Step2:根据异常事件属性,获取异常事件发生点距上游最近出口匝道的距离Lx;
Step3:若xmax<Lx,则不启动诱导分流,判别过程结束;
Step4:若xmax>Lx且xmax>1.8km,则启动诱导分流,判别过程结束;
Step5:若xmax>Lx但xmax<1.8km,需要进一步考虑tn的值;若tn<0.9h,则不启动诱导分流,判别过程结束;若tn>0.9h,则启动诱导分流,判别过程结束。
其中,xmax为上游最大排队长度;Lx为异常事件发生点距上游最近出口匝道的距离;tn代表异常事件发生点恢复正常交通状态的时间。
进一步地,所述步骤2.1)中的模糊评价规则如下:
作为本发明的一种优选实施例,所述步骤4.1中的各等级公路的速度与流量关系公式为:
式中,v(q)为流量为q时的车速(km/h);vs为公路设计车速(km/h);q为交通量(veq/h);c为单条车道基本通行能力(pcu/h);vf为道路自由流车速;各回归参数取值为:α2=1.88,α3=4.90(高等级公路)或7.00(一般等级公路)。
进一步地,所述步骤4.2中不同流量下绕行路段的形成时间的计算公式为:
式中,Tr为绕行道路平均行程时间;Lr为绕行道路路段长度;q为绕行道路流量;v(q)为流量为q时的车速(km/h)。
作为本发明的另一种优选实施例,所述步骤5.1中的一次平滑指数模型公式为:式中,Qt+1代表目标时段的流量;Qt代表当前时段的流量;/>代表目标时段的平均流量;α一般在0.1~0.3之间选取。
综上所述,本发明的方法针对目前对高速公路异常事件下的交通诱导分流研究较少,同时已有研究对于诱导分流启动条件、节点选取多采取定性分析的方法,还尚未形成一套完整的诱导分流体系的现状,提出了高速公路异常事件下的上游分流调控方案,对诱导分流启动条件进行了定量化分析,并制定了确定分流节点优先级的方法,对实现分流方案所需要的交通参数进行了分析;本发明能够为交通管理者进行交通疏导提供重要的决策支持,便于其及时制定有效的应急组织方案,从而能够保障异常事件下高速公路快速恢复畅行。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于多源数据的高速公路异常事件下的上游分流方法,其特征在于,该方法包括以下五个步骤:
步骤1)明确方案目标函数,并制定完整的高速公路异常事件下的上游分流方案,具体包括以下几个子步骤:
步骤1.1:上游分流调控的目标是路网性能最优,总行程时间常被用来评价路网性能;
步骤1.2:完整的高速公路异常事件下的上游分流方案实施步骤如下:
Step1:异常事件发生后,根据异常事件影响范围预测模型来判断是否达到启动诱导分流的条件;
Step2:计算各匝道出口的分流节点优先级,确定分流节点;
Step3:根据断面ETC流量数据,统计目标时段的主线车流量;结合流量估计模型对目标时段主线流量进行估计;
Step4:根据Step3所估计流量以及异常事件影响范围预测模型,对异常事件路段行程时间进行估计,估计绕行路段行程时间,令调控方案目标函数最小,得到上游最佳分出流量;
步骤2)选取合适的指标,定量化分析诱导分流启动条件,并制定确定诱导分流节点优先级,具体包括以下几个子步骤:
步骤2.1:诱导分流是否启动与拥堵的严重程度以及对路网的影响程度有关,最大排队长度可以用来表征拥堵的严重程度,排队最短消散时间可以用来表征异常事件对路网的影响程度,选取这两个指标来对是否启动诱导分流进行判断;
所述步骤2.1)中的判别过程具体判别方法为:
Step1:异常事件发生后,根据异常事件影响范围预测模型得到异常事件所导致的最大排队长度xmax及异常事件发生点交通状态恢复正常的时间tn;
Step2:根据异常事件属性,获取异常事件发生点距上游最近出口匝道的距离Lx;
Step3:若xmax<Lx,则不启动诱导分流,判别过程结束;
Step4:若xmax>Lx且xmax>1.8km,则启动诱导分流,判别过程结束;
Step5:若xmax>Lx但xmax<1.8km,需要进一步考虑tn的值;若tn<0.9h,则不启动诱导分流,判别过程结束;若tn>0.9h,则启动诱导分流,判别过程结束;
其中,xmax为上游最大排队长度;Lx为异常事件发生点距上游最近出口匝道的距离;tn代表异常事件发生点恢复正常交通状态的时间;
步骤2.2:流量饱和度可以反映绕行国省道的通行效率及路网的整体通行能力,绕行节省时间利于驾驶员选择行程时间更少的路径,因此选取绕行国省道流量饱和度和节省时间作为诱导分流节点选取的评价指标,并通过模糊综合评价法融合两个指标;
步骤3)考虑异常事件的影响范围,对异常事件路段的行程时间进行估计,具体包括以下几个子步骤:
步骤3.1:异常事件路段行程时间T主要由几个部分构成:车辆在队尾上游的行驶时间T1、车辆通过排队路段的时间T2、车辆通过瓶颈路段的时间T3和通过异常事件发生路段下游的时间T4,且有T=T1+T2+T3+T4;
步骤3.2:在排队还未蔓延到上游时,上游路段车辆行驶速度基本是不变的,车辆通过上游路段时间T1可以用下式表示:
式中,L5为瓶颈路段上游总长度;为t0时刻的排队长度;V1为车辆在自由流情况下的行驶速度;
步骤3.3:车辆通过排队路段的行驶时间T2可用下式表示:
式中,V2为车辆在排队路段的行驶速度;
步骤3.4:瓶颈路段长度一般包括因异常事件封闭车道长度和限制车辆驶入的区域长度;瓶颈路段车辆行驶速度一般不高于该路段的限速值,车辆通过该路段的行驶时间可以用下式表示:
式中,L3为瓶颈路段长度;V3为瓶颈路段限速值;
步骤3.5:下游路段不会受到异常事件影响,车辆行驶速度为自由流速度,车辆通过瓶颈路段下游的行驶时间可用下式表示:
式中,L4为瓶颈路段下游路段长度;V1为车辆在自由流情况下的行驶速度;
步骤3.6:基于上述步骤,异常事件路段行程时间T可用下式表示:
式中,L5为瓶颈路段上游总长度;为t0时刻的排队长度;V1为车辆在自由流情况下的行驶速度;V2为车辆在排队路段的行驶速度;L3为瓶颈路段长度;V3为瓶颈路段限速值;L4为瓶颈路段下游路段长度;
步骤4)考虑到绕行路段的不确定性,确定一种通用的绕行路段行程时间估计方法,对绕行路段行程时间进行估计,具体包括以下几个子步骤:
步骤4.1:确定适用于各等级公路的速度与流量关系公式;
所述步骤4.1中的各等级公路的速度与流量关系公式为:
式中,v(q)为流量为q时的车速km/h;vs为公路设计车速km/h;q为交通量veq/h;c为单条车道基本通行能力pcu/h;vf为道路自由流车速;各回归参数取值为:α2=1.88,α3=4.90高等级公路或7.00一般等级公路;β2是修正系数,是q/c的非线性函数;
步骤4.2:根据步骤4.1可得不同流量下绕行路段的平均速度,从而可以得到不同流量下绕行路段的行程时间;
步骤5)根据异常事件路段及绕行路段原有流量,对异常事件路段最佳的分出流量进行估计,具体包括以下几个子步骤:
步骤5.1:通过一次指数平滑模型公式对异常事件路段车流量进行估计;
步骤5.2:从下道收费数据中提取出每个车辆的上道收费站信息,根据上道收费站和下道收费站的地理位置获取车辆的行车方向,进而可以得到每个方向的车流量,从而可以得到该匝道收费站的历史车流量上下行占比β1;
步骤5.3:利用步骤5.1中的公式对匝道收费站车流量进行估计,根据估计得到的流量及匝道收费站历史车流量上下行占比β1对正常情况下目标时段内需要从高速公路主线下道的车流量进行估计,可用下式表示:
Qz=Qt+1·β1
式中,Qz代表目标时段的匝道收费站流量;β1代表匝道收费站历史车流量上下行占比;
步骤5.4:路网总行程时间可用下式表示,令TTT最小,即可得到异常事件路段的最佳分出流量:
式中,q为高速公路主线流量;qy为绕行道路流量;qx为高速公路分到绕行道路的流量;Lr为绕行路段长度。
2.根据权利要求1所述的一种基于多源数据的高速公路异常事件下的上游分流方法,其特征在于,所述步骤1)中分流方案的目标函数可用下述公式表示:
式中,ns为高速公路主线流量;nr为绕行道路流量;Ts为高速公路平均行程时间;Tr为绕行道路平均行程时间。
3.根据权利要求1所述的一种基于多源数据的高速公路异常事件下的上游分流方法,其特征在于,所述步骤1)中的Step3的目标时段主线车流量的统计方法为:
Step3a:从互通收费站下道流量提取出车辆上道收费站信息,根据上道收费站和下道收费站的地理位置获取车辆的行车方向,以天为时间间隔统计每天上下行方向车流量及其占比;
Step3b:根据目标时段主线流量以及收费站下道流量上、下行方向占比,对正常情况下目标时段内需要从高速公路主线下道的车流量进行估计。
4.根据权利要求1所述的一种基于多源数据的高速公路异常事件下的上游分流方法,其特征在于,所述步骤2.1)中的模糊评价规则如下:
5.根据权利要求1所述的一种基于多源数据的高速公路异常事件下的上游分流方法,其特征在于,所述步骤4.2中不同流量下绕行路段的形成时间的计算公式为:
式中,Tr为绕行道路平均行程时间;Lr为绕行道路路段长度;q为绕行道路流量;v(q)为流量为q时的车速km/h。
6.根据权利要求1所述的一种基于多源数据的高速公路异常事件下的上游分流方法,其特征在于,所述步骤5.1中的一次平滑指数模型公式为:
式中,Qt+1代表目标时段的流量;Qt代表当前时段的流量;代表目标时段的平均流量;α一般在0.1~0.3之间选取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870141.3A CN115424432B (zh) | 2022-07-22 | 2022-07-22 | 一种基于多源数据的高速公路异常事件下的上游分流方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870141.3A CN115424432B (zh) | 2022-07-22 | 2022-07-22 | 一种基于多源数据的高速公路异常事件下的上游分流方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115424432A CN115424432A (zh) | 2022-12-02 |
CN115424432B true CN115424432B (zh) | 2024-05-28 |
Family
ID=84196148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210870141.3A Active CN115424432B (zh) | 2022-07-22 | 2022-07-22 | 一种基于多源数据的高速公路异常事件下的上游分流方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424432B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662145B (zh) * | 2022-12-26 | 2023-03-10 | 广东汇通信息科技股份有限公司 | 一种基于大数据的事故路段车辆应急分流方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001167381A (ja) * | 1999-12-07 | 2001-06-22 | Sumitomo Electric Ind Ltd | 出口渋滞検出方法、出口渋滞検出システム、出口渋滞検出装置、及び記録媒体 |
JP2003044975A (ja) * | 2001-07-31 | 2003-02-14 | I Transport Lab Co Ltd | シミュレーション装置およびシミュレーション方法、シミュレーションプログラム |
WO2010042973A1 (en) * | 2008-10-15 | 2010-04-22 | National Ict Australia Limited | Tracking the number of vehicles in a queue |
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 |
CN108665707A (zh) * | 2018-05-24 | 2018-10-16 | 金陵科技学院 | 一种预防局部交通拥堵的高速公路入口分流及流量协同控制方法 |
CN109410599A (zh) * | 2017-08-17 | 2019-03-01 | 南京洛普股份有限公司 | 一种交通事件下高速公路匝道的协调诱控方法 |
CN111161537A (zh) * | 2019-12-25 | 2020-05-15 | 北京交通大学 | 考虑拥堵叠加效应的公路拥堵态势预测方法 |
CN111724590A (zh) * | 2020-06-03 | 2020-09-29 | 重庆大学 | 基于行程时间修正的高速公路异常事件发生时间估计方法 |
CN111724589A (zh) * | 2020-06-03 | 2020-09-29 | 重庆大学 | 一种基于多源数据的高速公路断面流量估计方法 |
CN111724595A (zh) * | 2020-06-23 | 2020-09-29 | 重庆大学 | 一种基于收费数据的高速公路断面流量估计方法 |
CN111882858A (zh) * | 2020-06-01 | 2020-11-03 | 重庆大学 | 一种基于多源数据的高速公路异常事件排队长度预测方法 |
CN111915880A (zh) * | 2020-06-05 | 2020-11-10 | 重庆首讯科技股份有限公司 | 一种高速公路异常事件事发点有效通行能力估计方法 |
CN112542047A (zh) * | 2020-12-07 | 2021-03-23 | 东南大学 | 一种快速道路交通事故应急诱导分流判别方法 |
CN112581774A (zh) * | 2020-12-08 | 2021-03-30 | 重庆大学 | 一种基于etc数据的高速公路服务区驶入车流量估计方法 |
CN112767684A (zh) * | 2020-12-22 | 2021-05-07 | 重庆大学 | 一种基于收费数据的高速公路交通拥堵检测方法 |
CN112927503A (zh) * | 2021-01-25 | 2021-06-08 | 河北上元智能科技股份有限公司 | 一种雨天高速公路主线速度限制和匝道融合协调控制方法 |
CN112991724A (zh) * | 2021-02-09 | 2021-06-18 | 重庆大学 | 一种高速公路异常事件发生位置与事发时间的估计方法及装置 |
CN113781815A (zh) * | 2021-08-31 | 2021-12-10 | 湖南湘旭交安光电高科技股份有限公司 | 车路协同环境下交叉路口动态绕行诱导控制方法、装置及存储介质 |
CN114141030A (zh) * | 2021-12-27 | 2022-03-04 | 吉林大学 | 一种异质行驶需求下的事故后高速公路车流诱导方法 |
CN114333305A (zh) * | 2021-12-21 | 2022-04-12 | 北京掌行通信息技术有限公司 | 一种高速公路拥堵时车辆诱导通行方法、装置、存储介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2343435C (en) * | 2001-04-06 | 2006-12-05 | International Road Dynamics Inc. | Dynamic work zone safety system |
-
2022
- 2022-07-22 CN CN202210870141.3A patent/CN115424432B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001167381A (ja) * | 1999-12-07 | 2001-06-22 | Sumitomo Electric Ind Ltd | 出口渋滞検出方法、出口渋滞検出システム、出口渋滞検出装置、及び記録媒体 |
JP2003044975A (ja) * | 2001-07-31 | 2003-02-14 | I Transport Lab Co Ltd | シミュレーション装置およびシミュレーション方法、シミュレーションプログラム |
WO2010042973A1 (en) * | 2008-10-15 | 2010-04-22 | National Ict Australia Limited | Tracking the number of vehicles in a queue |
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 |
CN109410599A (zh) * | 2017-08-17 | 2019-03-01 | 南京洛普股份有限公司 | 一种交通事件下高速公路匝道的协调诱控方法 |
CN108665707A (zh) * | 2018-05-24 | 2018-10-16 | 金陵科技学院 | 一种预防局部交通拥堵的高速公路入口分流及流量协同控制方法 |
CN111161537A (zh) * | 2019-12-25 | 2020-05-15 | 北京交通大学 | 考虑拥堵叠加效应的公路拥堵态势预测方法 |
CN111882858A (zh) * | 2020-06-01 | 2020-11-03 | 重庆大学 | 一种基于多源数据的高速公路异常事件排队长度预测方法 |
CN111724589A (zh) * | 2020-06-03 | 2020-09-29 | 重庆大学 | 一种基于多源数据的高速公路断面流量估计方法 |
CN111724590A (zh) * | 2020-06-03 | 2020-09-29 | 重庆大学 | 基于行程时间修正的高速公路异常事件发生时间估计方法 |
CN111915880A (zh) * | 2020-06-05 | 2020-11-10 | 重庆首讯科技股份有限公司 | 一种高速公路异常事件事发点有效通行能力估计方法 |
CN111724595A (zh) * | 2020-06-23 | 2020-09-29 | 重庆大学 | 一种基于收费数据的高速公路断面流量估计方法 |
CN112542047A (zh) * | 2020-12-07 | 2021-03-23 | 东南大学 | 一种快速道路交通事故应急诱导分流判别方法 |
CN112581774A (zh) * | 2020-12-08 | 2021-03-30 | 重庆大学 | 一种基于etc数据的高速公路服务区驶入车流量估计方法 |
CN112767684A (zh) * | 2020-12-22 | 2021-05-07 | 重庆大学 | 一种基于收费数据的高速公路交通拥堵检测方法 |
CN112927503A (zh) * | 2021-01-25 | 2021-06-08 | 河北上元智能科技股份有限公司 | 一种雨天高速公路主线速度限制和匝道融合协调控制方法 |
CN112991724A (zh) * | 2021-02-09 | 2021-06-18 | 重庆大学 | 一种高速公路异常事件发生位置与事发时间的估计方法及装置 |
CN113781815A (zh) * | 2021-08-31 | 2021-12-10 | 湖南湘旭交安光电高科技股份有限公司 | 车路协同环境下交叉路口动态绕行诱导控制方法、装置及存储介质 |
CN114333305A (zh) * | 2021-12-21 | 2022-04-12 | 北京掌行通信息技术有限公司 | 一种高速公路拥堵时车辆诱导通行方法、装置、存储介质及终端 |
CN114141030A (zh) * | 2021-12-27 | 2022-03-04 | 吉林大学 | 一种异质行驶需求下的事故后高速公路车流诱导方法 |
Non-Patent Citations (4)
Title |
---|
Disscussion on Emergency Traffic Organization Programs of Expressway Traffic Accident under Circumstance of Road Network;Chang Zhenwen等;2009 Second International Conference on Intelligent Computation Technology and Automation;20091016;全文 * |
分车型的高速公路短时交通流量预测方法;周桐等;计算机应用研究;20150731(第07期);全文 * |
高速公路事故持续时间及影响范围研究;王伟;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;20180215(第02期);全文 * |
高速公路异常事件下考虑上游匝道流量的排队长度预测;黄启亮;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;20220415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115424432A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730922B (zh) | 一种单向干线绿波协调控制自适应调整方法 | |
CN102419905B (zh) | 基于交通波理论的高速公路事故的交通影响范围确定方法 | |
CN105913661B (zh) | 一种基于收费数据的高速公路路段交通状态判别方法 | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及*** | |
CN106327871B (zh) | 一种融合历史数据和预约数据的高速公路拥挤预测方法 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
McLean | Two-lane highway traffic operations: Theory and practice | |
CN108986509B (zh) | 一种基于车路协同的城市区域路径实时规划方法 | |
CN113160582B (zh) | 一种高速公路流量管控方法及*** | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN111581538B (zh) | 一种基于高速公路收费数据的高速交通流状态推断方法 | |
CN110633558B (zh) | 一种城市交通***建模*** | |
CN109931941B (zh) | 基于路段状态相关性的路径规划方法 | |
CN115424432B (zh) | 一种基于多源数据的高速公路异常事件下的上游分流方法 | |
CN108985539B (zh) | 一种评价停车场道路规划的方法及装置 | |
CN110211405B (zh) | 一种基于交通信息素模型的出行路径规划方法 | |
CN103150894B (zh) | 消除交通拥堵的高速公路主线收费站通过流量控制方法 | |
CN110889967B (zh) | 一种基于干道分割的溢流风险平衡信号控制优化方法 | |
CN112435473A (zh) | 一种结合历史数据的快速路交通流溯源及匝道调控方法 | |
CN113112789B (zh) | 城市快速路突发事件的影响预测及管控方法 | |
CN112885089A (zh) | 一种基于多维指标的干线绿波智能诊断模型 | |
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 | |
CN105046983A (zh) | 一种基于车路协同的交通流量预测***及方法 | |
CN111127679A (zh) | 一种基于竞价的城市交通拥堵解决方法 | |
CN109584546B (zh) | 一种快速-常规公交共享车道发车流量阈值的确定方法 |
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 |