一种高速公路交通异常事件影响范围预估方法

专利类型：发明专利

语言：中文

申请号：CN201510375348.3

申请日：20150701

发明人：孙棣华赵敏郑林江罗例东王玄金

申请人：重庆大学

申请人地址：400044 重庆市沙坪坝区沙正街174号

公开日：20151104

公开号：CN105023433A

代理人：

代理机构：

摘　　要：一种高速公路交通异常事件影响范围预估方法，适用于高速公路主线路段上异常事件影响范围的预估。首先，建立路段Van?Aerde交通流模型；其次，设定目标函数和极小误差阈值，预估事件持续时间和排队最长时的时间；再者，确定多因素下的事发点通行能力、基于车检器数据预测各时间间隔内事发点上游流量，并获取对应的密度；利用交通波理论计算消散波波速、对应时刻的集结波波速及影响长度；判断当前估计的排队位置与上下游匝道、车检器的位置关系；最后，判断目标函数的求解结果，确定排队最长时的时间和事件影响范围。本发明方法基于Van?Aerde模型建立，并考虑交通流变化和多种因素对波速的影响，能更好地反映实际交通流特性，适用性更强，能提高预估的准确性。

主权项：一种高速公路交通异常事件影响范围预估方法，其特征是该方法步骤如下：步骤1：选取待研究路段，获取并统计路段车检器数据，绘制速度—流量散点图、速度—密度散点图、流量—密度散点图，并拟合曲线；步骤2：根据上一步获取的曲线，获得反映所研究的高速路段的交通流特征参数：自由流速度V_f(km/h)，临界速度V_m(km/h)，通行能力Q_m(pcu/h/lane)，阻塞密度k_j(pcu/km/lane)；进而建立该高速路段的Van?Aerde交通流模型，如式(1.1)； $\{\begin{matrix} k = \frac{1}{c_{1} + \frac{c_{2}}{V_{f} - v} + c_{3} v} \\ c_{1} = \frac{V_{f} (2 V_{m} - V_{f})}{k_{j} V_{m}^{2}} \\ c_{2} = \frac{V_{f} {(V_{f} - V_{m})}^{2}}{k_{j} V_{m}^{2}} \\ c_{3} = \frac{1}{Q_{m}} - \frac{V_{f}}{k_{j} V_{m}^{2}} \end{matrix} - - - (1.1)$ 式中，k为交通流密度(pcu/km/lane)；v为交通流速度(km/h)；c₁、c₂、c₃均为中间变量；V_f为自由流速度(km/h)；V_m为临界速度(km/h)；k_j为阻塞密度(pcu/km/lane)；Q_m为道路通行能力(pcu/h/lane)；后文相同类别参数的单位与此相同，速度参量单位为：km/h，流量参量单位为：pcu/h/lane，密度参量单位：pcu/km/lane；同时，推导出流量—速度关系函数为： $q = \frac{v}{c_{1} + \frac{c_{2}}{V_{f} - v} + c_{3} v} - - - (1.2)$ 步骤3：获取事件属性等信息，并根据大车比例、占道数、恶劣天气、换道行为等对交通异常事件下道路通行能力的影响，获取事发点断面通行能力为：式中，f_HV为大车比例对交通异常事件下道路通行能力的折减(修正)系数，且有f_HV＝1/[1+P_HV(E_HV?1)](其中P_HV表示大型车比率；E_HV表示大型车折算为标准车时的折算系数)；f_zd为占道下道路通行能力的折减系数；f_bw为恶劣天气下道路通行能力的折减系数；Q_m为道路基本通行能力，也可采用道路的饱和流率Q_s；为换道对道路通行能力的折减系数；步骤4：设定表征拥挤流的低速区间，选取适当速度粒度，根据式(1.1)和式(1.2)计算相应的密度和流量，进一步拟合二者关系曲线，进而获取拥堵状态下的密度—流量关系式：k＝a·q²+b·q+c???????(1.4)由此，求取a、b、c这三个中间常量，并根据进一步求取对应的车流密度值步骤5：根据需求设定极小误差常量ε≥0，同时设定求解耗时长度阈值T_ε，以及目标函数；假设集结波波速为V_gw，事件结束由事发点产生的消散波波速为V_dw，异常事件持续时间为t_d，集结波与消散波在事发点上游相遇的时间为t_jd(其中设有Δt_(i)为单位时间间隔)，拥堵持续时间为t_jdm；根据分析则应有异常事件的最大影响长度(km)及拥堵持续时间(h)： $L_{m a x} = \int_{0}^{t_{j d}} V_{g w} d t = V_{d w} (t_{j d} - t_{d}) - - - (1.5)$ t_jdm＝t_jd+L_max/V_dw?????????(1.6)建立如下目标函数： $J = \int_{0}^{t_{j d}} V_{g w} d t - V_{d w} (t_{j d} - t_{d}) - - - (1.7)$ 上式可进一步表示为： $J = Σ_{i = 1}^{k} Δ L (i) - V_{d w} (t_{j d} - t_{d}) - - - (1.8)$ 步骤6：采用决策树方法预测交通异常事件持续时间t_d(单位：h)；步骤7：考虑到t_jd＞t_d的必然性，并且异常事件本身属性等会影响t_jd，进而，结合经验和异常事件的严重程度、事发时间等属性，根据t_d预估一个t_jd；步骤8：获取事发点位置信息(如事发点桩号)、事件持续时间，并判断事发点位置与上下游断面车检器之间的位置关系，比较相互间的距离；步骤9：判别事发点或当前估计的排队位置与上下游车检器之间的匝道情况；若事发点或当前估计的排队位置与上下游车检器之间无匝道，则转至步骤10；若有匝道，则转至步骤24；步骤10：获取距离事发点最近的断面车检器的历史及当前流量数据；步骤11：预测当前时间间隔Δt_(i)内事发点上游车流量q_u；预测q_u的方法是采用基于云模型的交通流量预测方法，其步骤如下：11.1：构建交通流量预测云模型，云模型构建步骤为：1)搜索获取相似历史流量序列，相似序列搜索步骤为：(1):取定相似度测度函数S(·,·)，并设定相似阈值ε_S∈[0,1]、可接受的最低相似阈值ε_smin、搜索时间长度阈值t_max、相似历史流量序列需求数n_s(n_s≥1)；(2):由当前时刻t₀开始向前推移多个时刻(如m个5分钟)，获得数据个数为m的待匹配测度的交通流量序列x，同时获得查询的基准时间区间[t_s，t₀]；(3):设流量数据周期为T(如一周)，时间区间[t_s+kT，t₀+kT],k＝0,…,n中的数据即可取为历史流量序列y；(4):对序列x和y求取相似度S(x,y)；(5):判断S(x,y)≥ε，若是，则获取相似历史流量数据序列，再转至(6)；否则，暂存该历史流量序列，并转至(7)；(6)：判断搜索时长是否达到t_max，若为否，则k+1并返回(3)继续搜索；若为是，判断若所获取的满足条件的相似序列数量大于等于n_s，则取S(x,y)较大的前n_s条，并输出所需的相似历史流量数据序列；否则，取S(x,y)≥ε_smin的所有序列或对应S(x,y)较大的前n_s条，并输出；(7)：判断搜索时长是否达到t_max，若为否，则k+1并返回(3)继续搜索；若为是，判断若所获取的相似序列数量大于等于n_s，则取S(x,y)较大的前n_s条，并输出所需的相似历史流量数据序列；若小于n_s，判断若S(x,y)≥ε_smin的序列数大于0，取S(x,y)≥ε_smin的所有序列或对应S(x,y)较大的前n_s条并输出相关的相似历史流量数据序列；否则，选取各查询序列中S(x,y)最大值对应的序列或相似度值较大的前n_s′(n_s′≤n_s)多个所对应的序列集作为相似历史流量序列；不同类型的车辆对交通流以及异常事件影响范围的影响不同，为反映其影响的差异性，各流量数据均转换为标准车车流量；2)根据相似历史流量序列，分析构建时间云模型T_i、历史流量云模型A_i；3)输入待预测时间参数t_i，通过时间云T_i、历史云A_i的前件云发生器，生成云滴(t_i,μ_i)；4)根据上一步获取的确定度值μ_i，利用极大判定法获取后件云B_i为历史流量云模型(Ex_t,En_t,He_t)；5)获取当前预测的时间，根据要求构造当前趋势下流量序列查询条件，获取当前流量序列，并构建当前云模型I_t(Ex_t,En_t,He_t)；6)利用I_t和B_i构建预测云模型S_t；11.2：构造新的预测规则进行交通流量预测；输出单位时间间隔内预测结果时，若t_jd＝k₁Δt，k₁＝1,2,…，输出预测结果q_i作为事发后第i个时间间隔Δt内到达事发点的车流量，其中i＝1,2,…k₁；否则，认为最后一个预测单元时间存在t_jd?(k?1)Δt＜Δt，此时若i为最后一个预测单元时间，则输出预测结果为：此处认为在较短时间间隔内(如5分钟)流量是均匀变化的；步骤12：由q_u根据式(1.2)计算事发点上游车辆行车速度；步骤13：在步骤11和步骤12的基础上根据式(1.1)计算事发点上游车流密度k_u；步骤14：根据下式(1.9)或式(1.10)计算当前时间间隔内对应的集结波波速，其中，c₁、c₂、c₃等参数计算参考式(1.11)； $V_{g w} = \frac{q_{u} - q_{r}^{e}}{k_{u} - k_{r}^{e}} = \frac{q_{u} - q_{r}^{e}}{\frac{1}{c_{1} + \frac{c_{2}}{V_{f} - v_{u}} + c_{3} \cdot v_{u}} - [a \cdot {(q_{r}^{e})}^{2} + b \cdot q_{r}^{e} + c]} - - - (1.9)$ 进一步整理可得： $V_{g w} = \frac{q_{u} - q_{r}^{e}}{k_{u} - k_{r}^{e}} = \frac{(q_{u} - q_{r}^{e}) \cdot (c_{1} + \frac{c_{2}}{V_{f} - v_{u}} + c_{3} \cdot v_{u})}{1 - [a \cdot {(q_{r}^{e})}^{2} + b \cdot q_{r}^{e} + c] \cdot (c_{1} + \frac{c_{2}}{V_{f} - v_{u}} + c_{3} \cdot v_{u})} - - - (1.10)$ 其中：若异常事件导致道路完全阻塞，则有：3·vu-kj=qu·(c1+c2Vf-vu+c3·vu)1-kj·(c1+c2Vf-vu+c3·vu)---(1.12)式中：V_gw为异常事件下集结波波速，为负数，表示其方向由事发点向上游；q_u为事发点上游车流到达量；为事发点断面通行车流量，即事发点拥挤车流量；为事发点处拥挤交通流密度；k_u为事发点上游交通流密度；v_u为事发点上游车流速度；步骤15：根据式(1.13)计算当前时间间隔Δt_(i)内的排队长度(拥堵传播距离)； $Δ L (i) = \int_{0}^{Δ t} V_{g w} d t = V_{g w} (i) \cdot Δ t - - - (1.13)$ 步骤16：按式(1.14)计算当前时刻的排队长度值，当前时刻是指在前一预估时刻基础上再经过时间Δt_(i)后的时刻；式(1.14)可计算t_d内的任意时刻排队长度或t_jd内任意时刻的影响长度： $L (k) = L (k - 1) + Δ L (k) = L (k - 1) + \int_{0}^{Δ t} V_{g w} d t = L (k - 1) + V_{g w} (k) \cdot Δ t - - - (1.14)$ 式中，Δt为单位时间间隔；L(k)、L(k?1)分别为经历k(k＝1,2,3,…)个、k?1个时间间隔后(即kΔt时、(k?1)Δt时)的排队长度；ΔL(k)为第k个Δt内的排队长度增量；V_gw(k)为第k个Δt内的集结波波速，设其符号为正；利用第i个Δt内的ΔL(i)、V_gw(i)可进一步表示为： $L = L (k) = Σ_{i = 1}^{k} Δ L (i) = Σ_{i = 1}^{k} (V_{g w} (i) \cdot Δ t) - - - (1.15)$ 将波速公式(1.10)带入式(1.15)则有：3·vu(k))1-[a·(qre)2+b·qre+c]·(c1+c2Vf-vu(k)+c3·vu(k))·Δt=L(k-1)+|(qu(k)-qre)·(c1+c2Vf-vu(k)+c3·vu(k))1-[a·(qre)2+b·qre+c]·(c1+c2Vf-vu(k)+c3·vu(k))|·Δt---(1.16)对异常事件导致道路完全阻塞的情况，对式(1.15)带入波速公式(1.12)则有： $L (k) = L (k - 1) - \frac{q_{u} (k) \cdot (c_{1} + \frac{c_{2}}{V_{f} - v_{u} (k)} + c_{3} \cdot v_{u} (k))}{1 - k_{j} \cdot (c_{1} + \frac{c_{2}}{V_{f} - v_{u} (k)} + c_{3} \cdot v_{u} (k))} \cdot Δ t - - - (1.17)$ 如果求取t_d时刻对应的最大排队长度，若存在t_d＝kΔt，则按上述方法计算；若存在t_d＜kΔt，即t_d?(k?1)Δt＜Δt，设Δt′＝t_d?(k?1)Δt，则可按下式计算： $\begin{matrix} L = L (k) = L (k - 1) + V_{g w} (k) \cdot {Δt}^{'} = Σ_{i = 1}^{k - 1} (V_{g w} (i) \cdot Δ t) + V_{g w} (k) \cdot {Δt}^{'} \\ = Σ_{i = 1}^{k - 1} Δ L (i) + Δ L (k) = Σ_{i = 1}^{k} Δ L (i) \end{matrix} - - - (1.18)$ 步骤17：根据上一步的预估计算结果，记下第i个时间间隔后的拥堵排队位置，即当前位置，同时计算下一预估时刻计数值i＝i+1；步骤18：判断累积预测时长t≥t_jd，其中：t＝kΔt,k＝1,2,…，若是，则结束而转至步骤19；否则，转至步骤22；步骤19：求取消散波波速V_dw(V_dw为负，表示波的传播方向为沿事发点上游传播)； $V_{d w} = \frac{Q_{s} - q_{r}^{e}}{k - k_{r}^{e}} - - - (1.19)$ 式中，k可以直接取值k_m，也可以根据历史拥挤情况下的交通流数据统计分析，获取车辆驶离事发点的车速，根据车速求取k；步骤20：计算 $J = Σ_{i = 1}^{k} Δ L (i) - V_{d w} (t_{j d} - t_{d});$ 步骤21：判断|J|≤ε，若成立，则输出转至步骤31；若不成立，同时判断求解耗时t_sh≥T_ε，若t_sh＜T_ε，则返回步骤7继续估计t_jd直到满足要求；若t_sh≥T_ε，则返回步骤5重新设定ε、T_ε，此时可设定T_ε比上一次的T_ε小，ε大于上一次的设定值；步骤22：根据步骤18的否定结果，判断当前估计的排队位置与上下游断面车检器之间的位置关系，比较相互间的距离；步骤23：若当前估计的排队位置未超过上游车检器，则提取距离当前估计的排队位置最近的断面车检器的历史及当前流量数据，返回步骤11；否则，判断当前估计的排队位置与当前位置所在区段内上下游断面车检器之间的位置关系，比较相互间的距离，并转至步骤9；步骤24：根据步骤9的判断结果为有匝道时，进一步判断事发点或当前估计的排队位置与上游车检器之间是否有进出口匝道，若是，则转至步骤25；否则，转至步骤29；步骤25：判断事发点或当前估计的排队位置与下游车检器之间是否有进出口匝道，若是，转至步骤28；否则，转至步骤26；步骤26：同时选取上下游断面车检器数据使用，转至步骤30，分别预测上下游断面处车流量，并采用同样的方法预测相关匝道流量；步骤27：基于步骤26，对下游断面流量预测值和上游断面流量预测值与各匝道流量预测值的代数和求平均值作为第i个时间间隔预测结果，获得预测结果后若需继续预测则转至步骤30继续下次预测；步骤28：选用上游断面车检器数据，转至步骤30，预测上游断面处车流量，并采用同样的方法预测相关匝道流量，以上游断面流量与各匝道流量预测值的代数和作为第i个时间间隔预测结果，获得预测结果后若需继续预测则转至步骤30继续下次预测；步骤29：直接选取上游断面车检器数据使用，转至步骤30，获得预测结果后若需继续预测则转至步骤30继续下次预测；步骤30：执行步骤11至步骤23；在预测过程中，在判断当前估计的排队位置与事发点上游匝道之间的位置关系(即比较相互间的距离)时，若当前估计的排队位置超过上游某匝道，则该匝道流量下次预测时将不参与计算，否则，该匝道流量下次预测继续使用；此外，如果排队长度在某一个时刻超过上游车检器位置，将启用上上游车检器，上游车检器的动态选择依此类推；步骤31：获取了则根据式(1.5)计算获取当前异常事件的影响范围，即最大影响长度估计值，并进一步根据式(1.6)计算获取当前异常事件下的拥堵持续时间t_jdm。

关键词：

法律状态：公开

IPC专利分类号：G08G1/01(2006.01)I