CN115547075A - 一种高速公路收费站区域交通状态管控方法及*** - Google Patents
一种高速公路收费站区域交通状态管控方法及*** Download PDFInfo
- Publication number
- CN115547075A CN115547075A CN202211253782.0A CN202211253782A CN115547075A CN 115547075 A CN115547075 A CN 115547075A CN 202211253782 A CN202211253782 A CN 202211253782A CN 115547075 A CN115547075 A CN 115547075A
- Authority
- CN
- China
- Prior art keywords
- traffic
- toll station
- time
- cell
- traffic flow
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000001413 cellular effect Effects 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 39
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 description 43
- 238000010586 diagram Methods 0.000 description 20
- 238000009826 distribution Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007427 paired t-test Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
-
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明属于交通管理技术领域,提供了一种高速公路收费站区域交通状态管控方法及***。该方法包括,获取收费站和上游门架的交通数据;基于收费站和上游门架的交通数据,采用LSTM神经网络模型,预测一段时间内收费站的交通需求;基于所述交通需求,采用元胞传输模型,得到一段时间内收费站的交通流运行状态,所述交通流运行状态包括车流量和交通密度;基于交通流运行状态和车道数,构建车辆在收费站区域总行驶时间的目标函数,结合约束条件,采用模型预测控制,滚动反复优化计算,得到总行驶时间最小时对应的变速限制和车道配置。本发明能显著改善收费站的交通性能,提高高速公路通行效率。
Description
技术领域
本发明属于交通管理技术领域,尤其涉及一种高速公路收费站区域交通状态管控方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
现有研究主要从车站设计的角度出发,基于收费广场运营成本优化车道开闭数量。相较于城市交通,高速公路收费站交通流虽有一定规律性,但其随机性更强,且ETC、MTC车辆比例也具有时变性,静态车道配置无法实现实时开闭管控、有效利用道路资源,应用场景有限。
Yuan等提出了一种VSL-RM综合控制策略,以提高高速公路干线通行效率。该策略协调来自干线和收费站的车流,并调整干线合流区域的交通密度。然而,这种方法的目的是提高干线的交通效率,而非收费站。因此,高速公路收费站的主动交通控制还有待进一步研究:静态车道配置无法动态适应实时交通流,不能充分利用高速公路通行能力。因此如何动态配置高速公路收费广场的车道和限速仍在研究中。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种高速公路收费站区域交通状态管控方法及***,首先,基于LSTM神经网络模型预测收费站的短期交通需求。然后,应用元胞传输模型(CTM)对收费站区域的交通演化进行预测。进一步地,利用基于MPC的控制框架优化ETC、MTC车道数和可变限速,使车辆在收费站区域的总行驶时间最小。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种高速公路收费站区域交通状态管控方法。
一种高速公路收费站区域交通状态管控方法,包括:
获取收费站和上游门架的交通数据;
基于收费站和上游门架的交通数据,采用LSTM神经网络模型,预测一段时间内收费站的交通需求;
基于所述交通需求,采用元胞传输模型,得到一段时间内收费站的交通流运行状态,所述交通流运行状态包括车流量和交通密度;
基于交通流运行状态和车道数,构建车辆在收费站区域总行驶时间的目标函数,结合约束条件,采用模型预测控制,滚动反复优化计算,得到总行驶时间最小时对应的变速限制和车道配置。
进一步地,所述元胞传输模型通过识别元胞密度变化确定车流量,其中元胞密度变化为:
其中,ρi(t)表示第t个时间间隔初始时刻元胞i的单车道车流密度;qi(t)表示第t个时间间隔内由元胞i-1进入元胞i的车流量;qi+1(t)表示第t个时间间隔内离开元胞i进入元胞i+1的车流量;Δt表示单位时间步长的时间间隔;λi(t)为第t个时间间隔内元胞i的车道数。
更进一步地,所述元胞传输模型通过第t个时间间隔内元胞i-1发出的车辆数和第t个时间间隔内元胞i接收的车辆数中的最小值,确定主路元胞的车流量;
所述元胞传输模型根据位于主线的元胞i-1和位于匝道的元胞i驶入下游合流元胞i的车流量的大小关系,确定合流元胞的车流量;
所述元胞传输模型根据下式确定分流元胞的车流量:
其中,Ror,i(t)表示出口匝道元胞i可接收的车流量。
本发明的第二个方面提供一种高速公路收费站区域交通状态管控***。
一种高速公路收费站区域交通状态管控***,包括:
数据获取模块,其被配置为:获取收费站和上游门架的交通数据;
交通需求预测模块,其被配置为:基于收费站和上游门架的交通数据,采用LSTM神经网络模型,预测一段时间内收费站的交通需求;
交通演变预测模块,其被配置为:基于所述交通需求,采用元胞传输模型,得到一段时间内收费站的交通流运行状态,所述交通流运行状态包括车流量和交通密度;
管控模块,其被配置为:基于交通流运行状态和车道数,构建车辆在收费站区域总行驶时间的目标函数,结合约束条件,采用模型预测控制,滚动反复优化计算,得到总行驶时间最小时对应的变速限制和车道配置。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的高速公路收费站区域交通状态管控方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的高速公路收费站区域交通状态管控方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明首先,基于LSTM神经网络模型预测收费站的短期交通需求。然后,应用元胞传输模型(CTM)对收费站区域的交通演化进行预测。进一步地,利用基于MPC的控制框架优化ETC、MTC车道数和可变限速,使车辆在收费站区域的总行驶时间最小。最后,在VISSIM中进行微观仿真试验,验证了所提控制方法的有效性。本发明集成了动态车道配置和可变限速控制(VSL),以缓解收费站的拥堵。仿真结果表明,该控制方法能显著改善收费站的交通性能,提高高速公路通行效率。研究结果可指导收费站主动控制的现场实施。
本发明所建立的管控方法可根据实际交通状态,动态提出合理有效的车道配置和可变限速调节方案,能够提高收费站的整体交通性能,缓解收费站的交通拥堵。
本发明采用的元胞传输模型在预测收费站交通演变时具有较高的预测精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是一种高速公路收费站区域交通状态管控方法的框架图;
图2是CTM模型示意图;
图3是仿真建模图;
图4是仿真流程图;
图5是微观仿真中的交通需求图;
图6(a1)是CTM中Cell 1和微观仿真之间的流量分布图;
图6(a2)是CTM中Cell 1和微观仿真之间的密度分布图;
图6(b1)是CTM中Cell 2和微观仿真之间的流量分布图;
图6(b2)是CTM中Cell 2和微观仿真之间的密度分布图;
图6(c1)是CTM中Cell 3和微观仿真之间的流量分布图;
图6(c2)是CTM中Cell 3和微观仿真之间的密度分布图;
图6(d1)是CTM中Cell4和微观仿真之间的流量分布图;
图6(d2)是CTM中Cell 4和微观仿真之间的密度分布图;
图6(e1)是CTM中Cell 5和微观仿真之间的流量分布图;
图6(e2)是CTM中Cell 5和微观仿真之间的密度分布图;
图6(f1)是CTM中Cell 6和微观仿真之间的流量分布图;
图6(f2)是CTM中Cell 6和微观仿真之间的密度分布图;
图6(g1)是CTM中Cell 7和微观仿真之间的流量分布图;
图6(g2)是CTM中Cell 7和微观仿真之间的密度分布图;
图6(h1)是CTM中Cell 8和微观仿真之间的流量分布图;
图6(h2)是CTM中Cell 8和微观仿真之间的密度分布图;
图7(a1)是Cell 0元胞控制前后流量变化趋势图;
图7(a2)是Cell 0元胞控制前后速度变化趋势图;
图7(a3)是Cell 0元胞控制前后密度变化趋势图;
图7(b1)是Cell 1元胞控制前后流量变化趋势图;
图7(b2)是Cell 1元胞控制前后速度变化趋势图;
图7(b3)是Cell 1元胞控制前后密度变化趋势图;
图7(c1)是Cell 2元胞控制前后流量变化趋势图;
图7(c2)是Cell 2元胞控制前后速度变化趋势图;
图7(c3)是Cell 2元胞控制前后密度变化趋势图;
图7(d1)是Cell 3元胞控制前后流量变化趋势图;
图7(d2)是Cell 3元胞控制前后速度变化趋势图;
图7(d3)是Cell 3元胞控制前后密度变化趋势图;
图7(e1)是Cell 4元胞控制前后流量变化趋势图;
图7(e2)是Cell 4元胞控制前后速度变化趋势图;
图7(e3)是Cell 4元胞控制前后密度变化趋势图;
图7(f1)是Cell 5元胞控制前后流量变化趋势图;
图7(f2)是Cell 5元胞控制前后速度变化趋势图;
图7(f3)是Cell 5元胞控制前后密度变化趋势图;
图7(g1)是Cell 6元胞控制前后流量变化趋势图;
图7(g2)是Cell 6元胞控制前后速度变化趋势图;
图7(g3)是Cell 6元胞控制前后密度变化趋势图;
图7(h1)是Cell 7元胞控制前后流量变化趋势图;
图7(h2)是Cell 7元胞控制前后速度变化趋势图;
图7(h3)是Cell 7元胞控制前后密度变化趋势图;
图7(i1)是Cell 8元胞控制前后流量变化趋势图;
图7(i2)是Cell 8元胞控制前后速度变化趋势图;
图7(i3)是Cell 8元胞控制前后密度变化趋势图;
图8(a)是车道配置管控方案控制效果图;
图8(b)是可变限速控制管控方案控制效果图;
图9是MTC车道的平均排队长度变化图;
图10是服务不均衡系数变化图;
其中,图6(a1)-图6(h2)中虚线表示微观仿真,实线表示CTM;图7(a1)-图7(i3)中虚线表示控制前,实线表示控制后。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
本实施例提供了一种高速公路收费站区域交通状态管控方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和***,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
获取收费站和上游门架的交通数据;
基于收费站和上游门架的交通数据,采用LSTM神经网络模型,预测一段时间内收费站的交通需求;
基于所述交通需求,采用元胞传输模型,得到一段时间内收费站的交通流运行状态,所述交通流运行状态包括车流量和交通密度;
基于交通流运行状态和车道数,构建车辆在收费站区域总行驶时间的目标函数,结合约束条件,采用模型预测控制,滚动反复优化计算,得到总行驶时间最小时对应的变速限制和车道配置。
本实施例的具体方案可采用以下内容实现:
本实施例基于模型预测控制(MPC)设计了收费站区域拥堵管控方法,以求得最优控制策略。模型预测控制是一种基于模型的闭环优化控制策略,其核心思想是利用预测模型在每个控制周期内预测***在未来一段时间(即预测周期)的动态特性,采用滚动策略反复进行优化计算,使得由模型误差等引起的不确定性得到弥补,进而寻求当前控制周期内的有限时域最优控制策略。
具体而言,该控制方法通过采集高速公路交通流数据,预测高速公路收费站的交通演变,并采用上游可变限速和收费站动态车道配置对交通流进行控制。首先,在研究的收费站安装数据收集器记录交通数据;其次,基于收费站和上游门架的历史和实时交通数据,识别交通流运行状态,并利用LSTM神经网络模型对收费站的短期交通需求进行预测;进一步地,将预测的交通需求输入到交通状态估计模型,即元胞传输模型(CTM),得到控制状态下未来的交通演变;最后,通过求解目标函数,实现最优变速限制和车道配置,对未来交通状态进行优化。其控制流程如图1所示。
本实施例基于上游收费站、门架及所研究收费站的过车数据,构建交通需求预测模型。首先,从数据库中筛选上游收费站、门架及所研究收费站的历史过车数据,采用滑动窗口分割的方式重构数据集;在此基础上,利用处理后的历史数据对LSTM模型进行训练和检验,建立所研究收费站的交通需求预测模型。LSTM模型是具有记忆长短期信息能力的神经网络模型,在对时间序列的数据预测方面有着良好的效果,因此可应用于交通数据的预测。最后,借助交通需求预测模型,利用收费站和上游门架的实时交通数据,周期性预测(本实施例采用15min)收费站的交通需求,为后续交通状态判别提供数据基础。
如图2所示,元胞传输模型是一阶离散Godunov模型的近似。在CTM中,一条道路会离散为长度Li的路段单元(i=1,2,...,I),且每个道路单元最多包含一个出口和一个入口,同时时间会分割为间隔Δt的时间区间(t=1,2,...,T)。在本实施例,最后一个元胞I表示收费站。
交通流密度动力学模型
交通密度是识别交通状态的代表性参数之一。在CTM中,元胞密度变化可表示为:
式中,ρi(t)表示第t个时间间隔初始时刻元胞i的单车道车流密度,veh/km/ln;qi(t)表示第t个时间间隔内由元胞i-1进入元胞i的车流量,veh/h;qi+1(t)表示第t个时间间隔内离开元胞i进入元胞i+1的车流量,veh/h;Δt表示单位时间步长的时间间隔,h;λi(t)为第t个时间间隔内元胞i的车道数,ln。
边界流量动力学模型
道路主线可分为主路元胞、合流元胞以及分流元胞三类。对于主路元胞来说,元胞间的车流量qi(t)可由第t个时间间隔内元胞i-1发出的车辆数(Si-1(t))和第t个时间间隔内元胞i接收的车辆数(Ri(t))中的最小值表示,如公式(2)所示。Si-1(t)为第t个时间间隔内元胞i-1中的车辆数和元胞i-1通行能力中的较小值,如公式(3)所示。同理,Ri(t)为第t个时间间隔内元胞i的剩余通行能力数和元胞i通行能力中的较小值,如公式(4)所示。
qi(t)=min{Si-1(t),Ri(t)} (2)
Si-1(t)=min{vf·ρi-1(t)·λi-1(t),Qi·λi-1(t)} (3)
Ri(t)=min{ω·(ρjam-ρi(t))·λi(t),Qi·λi(t)} (4)
式中,vf表示自由流速度,km/h;Q表示元胞i的通行能力,veh/h/ln;ω表示拥堵波传播速度,km/h;ρjam表示交通流速度为0时的单车道阻塞密度,veh/km/ln。
对于合流元胞,位于主线的元胞i-1和位于匝道的元胞i驶入下游合流元胞i的交通量根据下游元胞接受能力是否充足,可根据公式(5)计算车流量。
式中,mid{·}函数表示取中值;θi表示汇入系数,通常取入口匝道元胞与上游主线元胞通行能力之比;Sor,i(t)表示由匝道元胞i发出的车流量,veh/h。
对于分流元胞,车辆以θi的比例由主线元胞i-1驶入出口匝道元胞i。此时,进入下游主线元胞i的车辆可视作:不同收费类型的车辆分别进入ETC或MTC收费站,因此可将元胞i视为分流元胞。同时可根据公式(1)计算ETC收费站的交通密度ρI(t)和MTC收费站的交通密度ρr,I(t)。
式中,Ror,i(t)表示出口匝道元胞i可接收的车流量。
考虑可变限速的模型修正
车辆在自由流状态下行驶,驾驶员的期望速度为路段的自由流速度。此时若设置可变限速,驾驶员将降低车速以遵从限速要求,同时路段最大通行能力受可变限速值的制约而降低;随着交通密度的增大,车辆速度降低,行车期望速度将低于限速值,即路段设置可变限速时车辆行驶速度为期望速度与可变限速两者中较小值。受可变限速控制的元胞i的发送能力Si(t)和接收能力Ri(t)如下:
Si(t)=min{Vi(t)·ρi(t)·λi(t),Qi,VSL(t)·λi(t)} (7)
Ri(t)=min{ω·(ρjam-ρi(t))·λi(t),Qi,VSL(t)·λi(t)} (8)
式中,Vi(t)表示可变限速时第t个时间间隔内车辆的行驶速度,km/h;Qi,VSL(t)表示可变限速时第t个时间间隔内元胞i的单车道通行能力,veh/h/ln。
本实施例基于收费站及主线区域实际微观交通状态,将主线路段划分为不同元胞,同时采集得到各元胞在拥堵期和平峰期场景下的流量、速度、密度数据进行参数标定并确定交通流三参数基本图。进一步地,通过对比标定好的CTM模型与实际交通场景中相对应的关键参数,验证参数的准确性和模型有效性。
选取平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)作为模型有效性验证指标。MAPE为模型预测和实际结果之差与实际值比值的均值,MAPE值越接近于0%,则模型越趋近完美。当MAPE值低于10%时,可以认为CTM模型预测的结果与实际交通场景相同。MAPE计算如下:
式中,表示第t个时间步长元胞i的预测密度值,veh/km/ln;ρi(t)表示第t个时间步长元胞i的实际密度值,veh/km/ln;为第t个时间步长元胞i的预测流量值,veh/h;qi(t)为第t个时间步长元胞i的实际流量值,veh/h。
目标函数
约束条件
(1)ETC和MTC车道间的服务不均衡系数
在ETC和MTC车辆到达比例相差较大的情况下,为满足最小总行程时间的控制目标,动态车道配置可能会无限制增加占比较大的车辆类型所对应的车道,导致两种类型车道服务水平差异显著。为降低运营成本同时保证收费站车道收费水平均衡性,本实施例定义服务不均衡系数ζ作为优化控制的约束条件,计算方法如下:
式中,ζmax表示服务不均衡系数的最大值(本实施例采用ζmax=10)。
(2)车道数量变化幅度
在高速公路实际运营中,ETC和MTC的实时车道转换往往涉及到高速公路收费设施和人员的配置,若每次动态车道配置变化较大,则导致收费运营成本增加,同时更重要的是运营管理难度提高。为降低车道动态控制对收费成本的影响,避免驾驶员在收费广场区域因频繁的车道类型变换而产生不安全的驾驶行为,应对每个控制周期允许变化的车道数量进行约束,车道变化数量应满足以下约束:
|λI(t)-λI(t+1)|≤Δλmax (13)
|λr,I(t+1)+λI(t+1)|=λtotal (14)
式中,Δλmax表示车道数量的最大变化幅度值(本实施例采用Δλmax=2);λtotal表示收费站的车道总数。
(3)可变限速的时空变化
为避免驾驶员在短时间内激烈的加减速行为,相邻周期的可变限速值应满足一定限制,保证驾驶员的驾驶舒适度和安全性。因此,本实施例将从时间和空间两方面约束可变限速。
|Vi(t)-Vi(t+1)|≤ΔVmax (15)
|Vi(t+1)-Vi-1(t+1)|≤ΔV′max (16)
式中,Vi(t)表示第t个时间间隔元胞i的车流限速值;ΔVmax和ΔV′max表示可变限速时空变化的最大值(本实施例采用(ΔVmax=ΔV′max=10km/h)。
本实施例为了验证所提管控方法的有效性,进行了仿真试验,令收费站区域长400m,共有15条车道,其中入口设置6条车道,出口设置9条车道。收费岗亭长40m,上方设置可变信息板,可动态显示车道类型。此外,收费站区域还设置有微波雷达和摄像头,用以追踪车辆轨迹,识别道路交通状态,同时预测收费站的车流量和车辆构成。2021年8月的数据显示,工作日的上午和傍晚交通高峰由8:00和17:00开始,周末为10:00和17:00开始,93.1%的车辆为小汽车,71.4%的车辆为ETC车辆。
应用VISSIM软件,本实施例对全长2.7公里的高速公路进行了建模。根据现场调查,仿真设置ETC车道静态限速20km/h,上游干线静态限速60km/h。依据道路几何特征将整条高速公路从Cell 0到Cell 10分割为11个Cell,元胞长度设置为50m到500m,时间间隔Δt设为6s,确保车辆在所有元胞内连续运行。
为实施可变限速控制,选取Cell1、3、5作为可变限速的控制细胞,分别位于收费站上游1km、1.8km和2.5km处。实施可变限速时,由Cell5处优化可变限速,并在Cell1和Cell3处逐级限速。同时,可变限速值上限设置为60km/h,下限设置为20km/h,且可变限速控制元胞间的速度变化不超过10km/h。
在现场应用之前,本实施例对提出的管控方法进行了微观仿真试验。首先,基于道路几何特征和采集的交通数据,利用VISSIM软件建立微观仿真模型;在微观仿真中,将Cell0的实地测量数据作为道路网络的实际流量需求;CTM模型将基于历史数据和LSTM模型的20分钟流量预测作为交通需求。然后,仿真车辆从上游干线和入口匝道出发,进入高速公路试验路段,在收费亭支付通行费,流入下游高速公路。为真实反映交通流运行情况,本实施例在相应的路段定义了合流和分流行为。进一步地,在收费亭设置车道间的硬分隔,配备ETC的车辆和未配备ETC的车辆只能在各自的ETC或MTC车道上行驶。依据实地调查,设定ETC车道限速20km/h,不停车通过收费亭;而MTC车道需停车缴费,服务时间设置为23秒。最后,使用实地交通数据校准微观仿真模型,提高模型的准确率。
在仿真过程中,为更改限速值和收费车道类型,需调用VISSIM组件对象模型(COM)应用程序编程接口(API),整体流程如图4所示。首先,使用Python程序调用VISSIMAPI加载交通网络,启动仿真并优化控制变量u。然后,利用API收集交通数据,将数据传递给Python优化程序,同时将返回的最优控制输入VISSIM,循环迭代。当车道配置发生变化时,Python程序通过VISSIMAPI删除原有的收费类型,并在相应车道上修改收费类型。同时,更新相应车道的可行驶车辆类型。当限速发生变化时,Python程序会在特定路段添加所需速度决策点,并通过VISSIMAPI更新限速。
车流输入方面,根据晚高峰时段的历史数据,确定仿真路网中各时段的交通需求(见图5),总仿真周期为135分钟。仿真周期的前15分钟(图5中的-15分钟到0分钟),车流逐渐输入,填满道路网。在随后120分钟的仿真中,对控制前后场景进行比较,评价综合控制方法的控制性能。
最后,在预测时间范围(Np=15min)内,车道配置与限速序列通过最小化目标函数求解。利用遗传算法求解可变限速值和最佳车道配置,同时每5分钟更新一次可变限速值,10分钟更新一次车道配置。
在将CTM作为MPC框架的预测模型之前,本实施例首先对CTM中的参数进行了校准。交通数据收集器被放置在微观仿真的每个单元的开始。对模型参数自由流动速度v_f、通行能力Q_i、激波速度ω、堵塞密度ρ_jam进行校正,使CTM结果与仿真数据的差异最小化。然后,本研究验证了校正后的CTM,得到了9.2%的MAPE。MAPE的值以及图6(a1)-图6(h2)中的流量和密度剖面表明,校正后的CTM准确预测了自由流量和拥堵情况下的交通评估,可以进行主动控制。
在将CTM作为MPC框架的预测模型之前,本实施例首先对CTM中的参数进行了校准。通过在每个元胞的起始位置设置数据采集点,得到各元胞交通量、速度和密度等交通数据。同时,对自由流速度vf,交通通行能力Qi,拥堵波速度ω,堵塞密度ρjam等模型参数进行校正,使CTM的预测结果与仿真数据的差异最小化。本实施例验证了校正后的CTM模型,得到平均绝对百分比误差(MAPE)为9.8%。结果表明,校正后的CTM模型能够准确预测拥堵情况和自由流情况下的交通状态,可应用于主动交通控制。
通过微观仿真实现控制方法并采集无控制方案和基于MPC的拥堵管控方案条件下的交通流特性变化,评估控制方法的实际效果。图7(a1)-图7(i3)展示了控制前后流量、速度和密度方面的交通流特性变化。图8(a)为车道配置的控制效果图、图8(b)为变速限速的控制效果图。由图7(a1)-图7(i3)可知,Cell0-Cell4位于主线上游控制前后受瓶颈拥堵影响较小,控制前后流量变化趋势差异较小;Cell 5-Cell 8在车流变化平缓时段控制前后流量差异不大,在车流变化明显时段,控制措施可以显著提高瓶颈路段流量(Cell 7、Cell8),减少对主线车辆的影响(Cell 5、Cell 6)。
实施控制方案后,由于车辆必须在Cell7和Cell8上停止或减速,因此两个元胞平均速度与控制前基本相同,实施控制方案对这两个元胞的影响有限。Cell5和Cell6控制后的交通速度明显高于控制前的交通速度,这表明控制方法能有效缓解瓶颈区拥堵向上游传播的现象。此外,由于可变限速的影响,上游元胞(Cell3和Cell4)在实施控制后的30分钟内,速度较低,但由于避免了拥堵现象的产出,因此整体的平均速度高于控制前。与之相同,控制后的Cell1和Cell2的交通速度略低于控制前。在仿真期间,研究区域整体路段密度均值由无控制场景的79.30veh/km/ln降低到38.50veh/km/ln,元胞密度最大值由192.40veh/km/ln降低至187.37weh/km/ln。
此外,对控制前后的队列长度进行测量,得到如图9所示的MTC车道平均排列长度变化。由图可知,所提出的控制方法使仿真过程中的平均排列长度缩短了40.1%(有69.68m缩短至41.72m)。
根据公式(12)计算控制前后的不均衡系数,如图10所示。在仿真过程中,控制后的不均衡系数始终小于控制前,且即使发生短暂拥堵,不均衡系数也保持稳定,没有明显增长。进一步地,为量化不均衡系数的波段,引入变异系数(标准差与平均值之比)。结果显示,控制前后的不均衡系数的标准差分别为33.17和8.67,平均值分别为19.41和7.16,变异系数分别为1.71和1.21。综上所述,实施控制方案后,ETC和MTC车道间的服务水平更加平衡
根据式(12),图10为实验前后不平衡系数的变化情况。控制后的不平衡系数始终小于控制前的不平衡系数。即使触发拥塞,不平衡系数也保持稳定,没有明显增长。为了测量不平衡系数的波动,使用了变异系数,即其标准差与平均值之比。仿真结果表明,控制前后的不平衡系数标准差分别为33.17和8.67,平均值分别为19.41和7.16。因此,控制前变异系数为1.71,控制后变异系数为1.21。综上所述,实施控制后,车道间的不均衡系数显著降低且波动更加平稳,ETC和MTC车道之间的服务水平更加平衡。
4.5统计检验
为了进一步证明所提出的控制方法的有效性,本研究变换随机种子数运行了10次仿真。表1展示了所有10次仿真结果的配对t检验结果。假设仿真结果服从正态分布,显著性水平为0.05。表1的结果证明,本实施例提出的控制方法显著降低了TTT,平均速度,从而降低了收费广场的拥堵。
表1 t检验结果
实施例二
本实施例提供了一种高速公路收费站区域交通状态管控***。
一种高速公路收费站区域交通状态管控***,包括:
数据获取模块,其被配置为:获取收费站和上游门架的交通数据;
交通需求预测模块,其被配置为:基于收费站和上游门架的交通数据,采用LSTM神经网络模型,预测一段时间内收费站的交通需求;
基于所述交通需求,采用元胞传输模型,得到一段时间内收费站的交通流运行状态,所述交通流运行状态包括车流量和交通密度;
管控模块,其被配置为:基于交通流运行状态和车道数,构建车辆在收费站区域总行驶时间的目标函数,结合约束条件,采用模型预测控制,滚动反复优化计算,得到总行驶时间最小时对应的变速限制和车道配置。
此处需要说明的是,上述数据获取模块、交通需求预测模块、交通演变预测模块和管控模块与对应于实施例一中的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的高速公路收费站区域交通状态管控方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的高速公路收费站区域交通状态管控方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高速公路收费站区域交通状态管控方法,其特征在于,包括:
获取收费站和上游门架的交通数据;
基于收费站和上游门架的交通数据,采用LSTM神经网络模型,预测一段时间内收费站的交通需求;
基于所述交通需求,采用元胞传输模型,得到一段时间内收费站的交通流运行状态,所述交通流运行状态包括车流量和交通密度;
基于交通流运行状态和车道数,构建车辆在收费站区域总行驶时间的目标函数,结合约束条件,采用模型预测控制,滚动反复优化计算,得到总行驶时间最小时对应的变速限制和车道配置。
6.根据权利要求1所示的高速公路收费站区域交通状态管控方法,其特征在于,所述约束条件包括,车道变化数量:
|λI(t)-λI(t+1)|≤Δλmax
|λr,I(t+1)+λI(t+1)|=λtotal
其中,Δλmax表示车道数量的最大变化幅度值;λtotal表示收费站的车道总数。
7.根据权利要求1所示的高速公路收费站区域交通状态管控方法,其特征在于,所述约束条件包括,可变限速的时空变化:
|Vi(t)-Vi(t+1)|≤ΔVmax
|Vi(t+1)-Vi-1(t+1)|≤ΔV'max
其中,Vi(t)表示第t个时间间隔元胞i的车流限速值;ΔVmax表示可变限速时间变化的最大值;ΔV'max表示可变限速空间变化的最大值。
8.一种高速公路收费站区域交通状态管控***,其特征在于,包括:
数据获取模块,其被配置为:获取收费站和上游门架的交通数据;
交通需求预测模块,其被配置为:基于收费站和上游门架的交通数据,采用LSTM神经网络模型,预测一段时间内收费站的交通需求;
交通演变预测模块,其被配置为:基于所述交通需求,采用元胞传输模型,得到一段时间内收费站的交通流运行状态,所述交通流运行状态包括车流量和交通密度;
管控模块,其被配置为:基于交通流运行状态和车道数,构建车辆在收费站区域总行驶时间的目标函数,结合约束条件,采用模型预测控制,滚动反复优化计算,得到总行驶时间最小时对应的变速限制和车道配置。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的高速公路收费站区域交通状态管控方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的高速公路收费站区域交通状态管控方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211253782.0A CN115547075A (zh) | 2022-10-13 | 2022-10-13 | 一种高速公路收费站区域交通状态管控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211253782.0A CN115547075A (zh) | 2022-10-13 | 2022-10-13 | 一种高速公路收费站区域交通状态管控方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115547075A true CN115547075A (zh) | 2022-12-30 |
Family
ID=84733123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211253782.0A Pending CN115547075A (zh) | 2022-10-13 | 2022-10-13 | 一种高速公路收费站区域交通状态管控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115547075A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403407A (zh) * | 2023-05-31 | 2023-07-07 | 山东高速信息集团有限公司 | 一种公路收费站的车道动态配置与诱导方法、设备及介质 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
CN117854287A (zh) * | 2024-03-08 | 2024-04-09 | 山东高速股份有限公司 | 一种高速公路的效率与效益平衡方法及*** |
-
2022
- 2022-10-13 CN CN202211253782.0A patent/CN115547075A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403407A (zh) * | 2023-05-31 | 2023-07-07 | 山东高速信息集团有限公司 | 一种公路收费站的车道动态配置与诱导方法、设备及介质 |
CN116403407B (zh) * | 2023-05-31 | 2023-09-01 | 山东高速信息集团有限公司 | 一种公路收费站的车道动态配置与诱导方法、设备及介质 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
CN117854287A (zh) * | 2024-03-08 | 2024-04-09 | 山东高速股份有限公司 | 一种高速公路的效率与效益平衡方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115547075A (zh) | 一种高速公路收费站区域交通状态管控方法及*** | |
Guo et al. | Joint optimization of vehicle trajectories and intersection controllers with connected automated vehicles: Combined dynamic programming and shooting heuristic approach | |
Roncoli et al. | Hierarchical model predictive control for multi-lane motorways in presence of vehicle automation and communication systems | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
Zheng et al. | On the distribution of urban road space for multimodal congested networks | |
Müller et al. | Microsimulation analysis of practical aspects of traffic control with variable speed limits | |
Varga et al. | Optimally combined headway and timetable reliable public transport system | |
Mahut et al. | Calibration and application of a simulation-based dynamic traffic assignment model | |
Wismans et al. | Real time traffic models, decision support for traffic management | |
Pasquale et al. | Ramp metering control for two vehicle classes to reduce traffic emissions in freeway systems | |
Mao et al. | A variable speed limit control based on variable cell transmission model in the connecting traffic environment | |
Roncoli et al. | Model predictive control for multi-lane motorways in presence of VACS | |
Emami et al. | Network-wide traffic state estimation and rolling horizon-based signal control optimization in a connected vehicle environment | |
Vrbanić et al. | Reinforcement learning based variable speed limit control for mixed traffic flows | |
Du et al. | Dynamic capacity estimation of mixed traffic flows with application in adaptive traffic signal control | |
Xiang et al. | A weighted mean velocity feedback strategy in intelligent two-route traffic systems | |
Perraki et al. | Evaluation of an MPC strategy for motorway traffic comprising connected and automated vehicles | |
Chu et al. | Development of a simulation laboratory for evaluating ramp metering algorithms | |
CN115170006B (zh) | 发车调度方法、装置、设备和存储介质 | |
Ioannou et al. | Integrated roadway/adaptive cruise control system: Safety, performance, environmental and near term deployment considerations | |
Stoilova et al. | Extensions to traffic control modeling store-and-forward | |
Xin et al. | Modeling bus bunching and anti-bunching control accounting for signal control and passenger swapping behavior | |
Ki et al. | Travel time prediction-based routing algorithms for automated highway systems | |
Zhou et al. | Proactive integrated traffic control to mitigate congestion at toll plazas | |
CN114049770B (zh) | 多模式交通***断路后流量预测方法及*** |
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 |