一种快速路拥堵风险分级实时预测方法与流程

本发明涉及快速路交通运行状态预测
技术领域：
，尤其是涉及一种快速路拥堵风险分级实时预测方法。
背景技术：
：城市快速路是现代化交通体系的重要组成部分，承担着绝大多数的中、远距离交通和过境交通。其一旦发生交通拥堵，常常表现为拥堵强度高、拥堵路段多、拥堵时间长并且极易波及地面道路。在降低快速路拥堵影响的各类措施中，主动交通管控是关键所在，而精准的拥堵风险预测则是主动交通管控的前提。拥堵风险预测结果可作为主动交通管控的输入，从而确定主动交通管控措施的类型与等级。拥堵风险实时预测技术在近年来飞速发展，取得了喜人的成果，但仍存在着一定缺陷，具体包括以下两点：一、现有的预测技术不考虑各个拥堵等级之间的序列性关系，将其当作4种彼此没有关系的结果，导致预测精度偏低；二、现有预测技术中输入数据仅考虑了交通流参数，对于天气、路段几何特征等因素并未纳入考虑范围，考虑不够全面。三、现有预测技术多关注于预测精度，对于拥堵成因及其影响程度的分析有所欠缺，无法有效地为交通管控提供合适的管控方向。技术实现要素：本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速路拥堵风险分级实时预测方法。本发明的目的可以通过以下技术方案来实现：一种快速路拥堵风险分级实时预测方法，包括以下步骤：1)根据目标快速路的道路几何数据划分目标快速路的路段单元；2)根据各路段单元的交通流历史数据获取目标路段的自由流速度；3)根据各路段单元的自由流速度以及实时获取的各路段单元的空间平均速度，计算道路交通指数，并据此划分各路段单元的拥堵等级；4)根据拥堵等级、道路几何数据、交通流数据和天气数据进行变量筛选后构建拥堵风险实时预测模型，并进行拥堵风险概率预测；5)根据拥堵风险概率预测结果判断是否需要采取交通管控措施，若是则采取相应管控措施，实现动态调节，否则返回步骤4)。所述的步骤1)中，划分路段单元的具体过程为：根据检测器布设位置和匝道汇入位置信息，人工确认路段单元起讫点。所述的步骤2)中，以密度趋向于0时的快速路平均车速作为目标路段的自由流速度。所述的步骤3)中，道路交通指数的计算式为：其中，tsi为道路交通指数，vf为自由流速度，vi为空间平均速度。根据道路交通指数tsi划分各路段单元的拥堵等级，所述的拥堵等级包括畅通、比较畅通、拥堵和严重拥堵4个等级，具体的对应划分关系如下：道路交通指数[0，30)[30，50)[50，70)[70，100]道路交通指数分级1级2级3级4级交通运行状态等级畅通比较畅通拥堵严重拥堵。所述的步骤4)中，道路几何数据包括车道变化情况、匝道布设数量、快速路车道数量和路段长度，天气数据包括能见度情况和降水量，交通流数据包括空间平均速度、流量及其变化情况。所述的步骤4)中，拥堵风险实时预测模型具体为有序logit模型，其表达式为：p1 p2 p3 p4＝1其中，speed为目标路段在第一预设时间内的空间平均速度，speed_diff_abs_ratio为目标路段在第一预设时间和第二预设时间内的空间平均速度的变化比例的绝对值，vol_1为目标路段上游第一个检测器在第一预设时间内的流量，vol_diff_1为目标路段上游第一个检测器在第一预设时间和第二预设时间内的流量的变化，vol_diff_2为目标路段下游第一个检测器在第一预设时间和第二预设时间内的流量的变化，lane_drop为目标路段上出现车道数量的减少，mist为快速路的能见度情况，p1、p2、p3、p4分别为对应拥堵等级的预测概率，a1、…、a10均为训练参数，以上7个参数均为筛选后的参数。在拥堵风险实时预测模型训练时，样本数据包含拥堵等级、道路几何数据、交通流数据和天气数据，对该样本数据进行随机抽样、数据清洗和自变量筛选后进行训练。所述的天气数据根据预设的时间粒度进行更新，天气数据对应的时间粒度为5min，所述的交通流数据基于视频卡口实时获取并根据预设的时间粒度进行更新，交通流数据对应的时间粒度为5min，拥堵风险预测模型根据预设的时间间隔实时更新拥堵风险预测结果，预设的时间间隔为5min。所述的步骤5)中，交通管控措施包括路侧管控措施和车载管控措施，所述的路侧管控措施包括可变限速控制和匝道控制，车载管控措施包括速度协调控制，若导致拥堵风险预测值上升的原因为交通量大、占有率高，则采用可变限速控制和匝道控制，减少短期交通量；若导致拥堵风险预测值上升的原因为车辆速度差大，则采取车载管控措施。与现有技术相比，本发明具有以下优点：一、本发明考虑了快速路拥堵等级的序列性，解析各个拥堵等级之间的内在联系，以此建立拥堵风险预测模型，从而显著提高模型的预测精度与模型可用性。二、本发明在交通流参数的基础上，还考虑了路段几何特征、天气特征对于拥堵形成机理的影响，提高了预测模型的可解释性，通过增加输入变量类型的方式，提高了预测模型预测性能的稳定性，方便管理人员进行实时管控，提高系统服务质量。三、本发明基于统计学解析方法开展相关研究，有助于确定拥堵的显著致因及其影响程度，提供模型解释性，为交通管控系统提供合适的管控方向。附图说明图1为本发明的流程示意图。图2为预测模型输入变量的选取流程图。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。实施例快速路交通拥堵的发生是交通流状态、道路几何因素、天气条件联合作用的结果，同时，不同拥堵等级之间也存在序列性关系，为了充分考虑拥堵等级之间的序列性关系，提高该领域技术的准确度与可用性，如图1所示，本发明提供一种快速路拥堵风险分级实时预测方法，具体包括以下步骤：步骤s1：获取目标快速路的道路几何数据，根据道路几何数据划分目标快速路的路段单元，基于各个路段单元开展拥堵机理解析；步骤s2：获取各个路段单元的交通流历史数据，选择密度趋向于0时的快速路平均车速作为目标路段的自由流速度；步骤s3：基于各路段单元的自由流速度，实时获取各路段单元的空间平均速度，以此计算道路交通指数，划分各路段单元的拥堵等级；步骤s4：基于各路段单元的拥堵等级建立拥堵风险实时预测模型，实时获取目标快速路的交通流数据和天气数据，道路几何数据、交通流数据和天气数据输入拥堵风险预测模型，输出获得拥堵风险预测结果，道路几何数据包括车道变化情况、匝道布设数量、快速路车道数量和路段长度；天气数据包括能见度情况、降水量；交通流数据包括空间平均速度、流量及其变化情况；步骤s5：根据拥堵风险预测结果，判断是否需要采取交通管控措施，若是则采取相应合适的管控措施，实现动态调节，否则返回步骤s4。步骤s1中，目标快速路的道路几何数据通过arcgis软件收集得到，划分路段单元的具体过程为：根据检测器布设位置、匝道汇入位置等数据，人工确认路段单元起讫点，其中，路段单元长度应保持在合适范围内，不宜过长或过短。步骤s3中，道路交通指数的计算具体表达式如下：其中，tsi为道路交通指数，vf为自由流速度，vi为路段i的空间平均速度。拥堵等级包括畅通、比较畅通、拥堵和严重拥堵4个等级，不同tsi取值对应的快速路拥堵程度如表1所示：表1拥堵等级划分表道路交通指数[0，30)[30，50)[50，70)[70，100]道路交通指数分级1级2级3级4级交通运行状态等级畅通比较畅通拥堵严重拥堵步骤s4具体包括以下步骤：步骤s41：按照案例组：对照组＝1：5的比例进行数据抽取；步骤s42：进行数据清洗；步骤s43：基于时空相关性进行变量重构造；步骤s44：选取与因变量显著相关、且能提供最佳预测性能的自变量；步骤s45：利用筛选的结果建立基于有序logit理论的拥堵风险预测模型，其有序logit模型的具体表达如下：p1 p2 p3 p4＝1其中，p1、p2、p3、p4分别为对应拥堵等级的预测概率，speed为目标路段在第一预设时间内的空间平均速度，speed_diff_abs_ratio为目标路段在第一预设时间和第二预设时间内的空间平均速度的变化比例的绝对值，vol_1为目标路段上游第一个检测器在第一预设时间内的流量，vol_diff_1为目标路段上游第一个检测器在第一预设时间和第二预设时间内的流量的变化，vol_diff_2为目标路段下游第一个检测器在第一预设时间和第二预设时间内的流量的变化，lane_drop为目标路段上出现车道数量的减少，mist为快速路的能见度情况。本实施例中，第一预设时间为0-5min，第二预设时间为5-10min，lane_drop对应的路段车道数变化取值为1表示车道数减少，取值为0表示车道数不发生变化。mist对应的能见度情况取值为1表示天气有雾且能见度受限，取值为0表示无雾且能见度良好。步骤s41中采用随机抽样的方式进行对照组数据的抽取，即无需控制对照组的样本采样空间。步骤s42中数据清洗操作包括无效样本的剔除、缺失值检测与填补、异常值检测与填补。步骤s43中在现有变量的基础上构造了能够反映交通流状态在时间上差异、在空间上差异的变量。步骤s45中如图2所示，选取与因变量显著相关、且能提供最佳预测性能的自变量，该步骤既克服了模型中多重共线性的问题，又克服了建模过程中的维数较多的问题，在本实施例中，筛选并保留了7个建模变量，即speed、speed_diff_abs_ratio、vol_1、vol_diff_1、vol_diff_2、lane_drop和mist。基于有序logit理论的预测模型中的自变量在相关性分析结果、有序logistic回归结果与随机森林算法结果中筛选获得。天气数据包括能见度，基于多种数据源实时获取，根据预设的时间粒度进行更新，本实施例中，天气数据对应的时间粒度为5min。交通流数据基于视频卡口实时获取，并进行变量构造，得到模型输入所需变量信息，根据预设的时间粒度进行更新，发送到拥堵风险预测模型，本实施例中，交通流数据对应的时间粒度为5min。拥堵风险预测模型根据预设的时间间隔实时更新拥堵风险预测结果，本实施例中，预设的时间间隔为5min。步骤s5中，交通管控措施包括路侧管控措施和车载管控措施，路侧管控措施包括可变限速控制和匝道控制，车载管控措施包括速度协调控制，若导致拥堵风险预测值上升的原因主要是交通量大、占有率高，则采用可变限速控制和匝道控制，减少短期交通量；若导致拥堵风险预测值上升的原因主要是车辆速度差大，则采取基于车载的交通管控措施，给予每个智能网联车辆(cav)相对应的建议速度，对智能网联车辆进行速度协调控制。对于多种场景，结合路侧管控措施和车载管控措施来有效降低拥堵风险。在新的拥堵情况出现后，拥堵风险预测模型根据新的拥堵情况进行更新。此外，需要说明的是，本说明书中所描述的具体实施例子，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属
技术领域：
的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。当前第1页12