一种快速路多相位交通状态辨识方法

1.本发明涉及交通信息感知技术领域，具体是一种快速路多相位交通状态辨识方法。


背景技术：

2.随着机动车保有量与道路供给失衡加剧，城市道路，尤其作为骨干路网的快速路交通拥堵日益严重。快速路交通拥堵多发生在匝道与快速路主线的交织区域，主要拥堵原因有：入口匝道交通流量较大，汇入主线时车辆频繁变道导致车流汇聚车速突变形成拥堵；出口匝道交通流量较大，下游地面路口信号配时不合理，或连接其他快速路时车道不匹配等原因形成拥堵；快速路主线交通流量过饱和导致快速路拥堵。
3.因此，如何通过固定点检测或浮动车等多渠道数据，识别快速路匝道、匝道上游和下游等多方位的交通状态，从而全面掌握快速路各路段的交通态势，识别主要堵点，调节进入堵点的交通流量，缓解交通拥堵，是我们需要解决的问题，现提供一种快速路多相位交通状态辨识方法。


技术实现要素：

4.本发明的目的在于提供一种快速路多相位交通状态辨识方法。
5.本发明的目的可以通过以下技术方案实现：一种快速路多相位交通状态辨识方法，包括以下步骤：
6.步骤一：获取多渠道数据，并根据所获取到的数据感知车辆在快速路上的车辆特征数据和路段的交通流参数数据；
7.步骤二：将快速路交织区根据上游、下游、匝道的不同位置，分别划分为若干个相位，并对每个相位进行编号；
8.步骤三：建立基于交通流基本图的交通状态相划分知识模型；
9.步骤四：设计数据驱动与状态相划分知识引导相结合的交通状态辨识算法；
10.步骤五：采用交通状态辨识算法计算和输出快速路各相位对应的交通状态。
11.进一步的，多渠道数据获取方法包括雷达、视频、互联网等，通过雷达、视频、互联网等方法获取车辆在快速路上的车辆特征数据和路段的交通流参数数据。
12.进一步的，车辆特征数据和路段的交通流参数数据的获取过程包括：
13.通过快速路交织区上游、下游和匝道入口的毫米波雷达、视频检测终端以及互联网的浮动车数据，提取车辆特征数据以及交通流参数数据；
14.将所获得的车辆特征数据汇总形成车辆特征数据的样本子集，记为a；
15.将所获得的交通流参数数据汇总形成交通流参数数据的样本子集，记为s；
16.将车辆特征数据的样本子集a和交通流参数样本子集s进行融合，获取融合后的样本数据合集，记为c；
17.从样本数据合集c中提取车辆特征与交通参数数据融合后的交通流量q和交通密
度k。
18.进一步的，所述快速路交织区的相位划分的过程包括：将快速路交织区上游、下游、匝道划分为多个相位；
19.将交织区上游标记为相位1、将交织区下游标记为相位2，将匝道标记为相位3；根据快速路上不同的位置，还存在除交织区上游、下游、匝道以外的其他相位，将其他相位标记为相位i，i＞3，且n为整数；
20.获取快速路的相位集合，并将快速路的相位集合标记为p。
21.进一步的，所述基于交通流基本图的交通状态相划分知识模型的具体过程包括：根据交通流基本图中交通流量q和交通密度k的关系图，将交通状态划分为畅通、缓行、拥堵、限制和强制五种状态相；
22.根据交通状态相划分图，建立交通状态相划分知识模型k；其中，k代表交通密度，kj代表阻塞密度。
23.进一步的，所述数据驱动与状态相划分知识引导相结合的交通状态辨识算法的设计过程具体包括：
24.步骤1：基于交通流量q和交通密度k建立q-k回归模型，记为：其中，q代表路段交通流量；k代表路段交通密度；k0代表路段交通拥堵临界密度；kj代表路段交通阻塞密度；
25.α0、α1、α2为回归系数，根据交通流量和交通密度的样本数据，采用最小二乘法计算获得；ε代表随机误差。
26.进一步的，根据快速路相位集合p和交通状态相划分知识模型k，建立交通状态辨
识算法模型k
p
，记为：
27.k
p
代表快速路相位对应的交通密度；
28.代表快速路相位pi对应的交通密度；
29.代表快速路相位pi对应的阻塞密度。
30.进一步的，采用交通状态辨识算法计算和输出快速路各相位对应的交通状态的过程包括：
31.将样本数据与快速路相位p进行匹配，获得集合c
p
；
32.将集合c
p
中提取的各相位交通流量样本数据q
p
和交通密度样本数据k
p
输入q-k回归模型，用数据驱动模型，计算快速路各相位对应的回归系数和阻塞密度k
pij
；
33.采用交通状态辨识算法，计算、输出和存储快速路各相位交通状态。
34.与现有技术相比，本发明的有益效果是：采用基于交通流基本图的交通状态相划分知识模型，将交通状态细分为五种交通状态，弥补人工经验值粗略划分交通状态的不足，提高交通状态划分的科学性和准确性；采用数据驱动与状态相划分知识引导相结合的交通状态辨识算法，将样本数据与快速路相位自动匹配，驱动模型，自学习获得阻塞密度，自动判别快速路主线上下游、匝道等多相位交通状态，提高快速路交通状态划分的粒度和计算的精度。
附图说明
35.图1为本发明的流程图。
具体实施方式
36.现有的交通状态辨识方法主要有：基于互联网浮动车或固定点检测器的数据，分析路段平均车速和道路交通运行指数tpi，根据国标《城市交通运行状况评价规范》(gb/t 33171-2016)中经验阈值，划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵五种交通运行状态。
37.现有交通状态辨识方法主要根据互联网浮动车的平均车速等数据，计算交通运行指数等指标，依据国标中的人工经验阈值，划分路段、道路及路网的交通运行状态。该方法
受限于路段长度及区域范围，针对快速路交织区，主要输出包含快速路交织区上、下游路段及匝道路段一体的整体交通运行状态，在精细划分交织区上游、下游及匝道每个路段的交通状态方面存在不足。此外，浮动车的数据时间更新间隔约1分钟，实时性不高，达不到精细化、实时管控快速路交通流的需求。
38.如图1所示，本发明公开了一种快速路多相位交通状态辨识方法，包括以下步骤：
39.步骤一：获取多渠道数据，并根据所获取到的数据感知车辆在快速路上的车辆特征数据和路段的交通流参数数据；
40.步骤二：将快速路交织区根据上游、下游、匝道的不同位置，分别划分为若干个相位，并对每个相位进行编号；
41.步骤三：建立基于交通流基本图的交通状态相划分知识模型；
42.步骤四：设计数据驱动与状态相划分知识引导相结合的交通状态辨识算法；
43.步骤五：采用交通状态辨识算法计算和输出快速路各相位对应的交通状态。
44.需要进一步说明的是，在具体实施过程中，多渠道数据获取方法包括雷达、视频、互联网等，通过雷达、视频、互联网等方法获取车辆在快速路上的车辆特征数据和路段的交通流参数数据；
45.需要进一步说明的是，在具体实施过程中，车辆特征数据和路段的交通流参数数据的获取过程包括：
46.通过快速路交织区上游、下游和匝道入口的毫米波雷达、视频检测终端以及互联网的浮动车数据，提取车辆的车牌号码、行驶轨迹以及速度，并将所提取到的数据标记为车辆特征数据；
47.获取快速路交织区上游、下游和匝道入口对应的路段的车辆平均车速、排队长度和路段交通流量，并将所获取到的数据标记为交通流参数数据；
48.将所获得的车辆特征数据汇总形成车辆特征数据的样本子集，记为a；
49.将所获得的交通流参数数据汇总形成交通流参数数据的样本子集，记为s；
50.将车辆特征数据的样本子集a和交通流参数样本子集s进行融合，获取融合后的样本数据合集，记为c；
51.从样本数据合集c中提取车辆特征与交通参数数据融合后的交通流量q和交通密度k。
52.所述快速路交织区的相位划分的过程具体包括：将快速路交织区上游、下游、匝道划分为多个相位；
53.将交织区上游标记为相位1、将交织区下游标记为相位2，将匝道标记为相位3；
54.需要进一步说明的是，在具体实施过程中，根据快速路上不同的位置，还存在除交织区上游、下游、匝道以外的其他相位，将其他相位标记为相位n，n＞3，且n为整数；
55.获取快速路的相位集合，并将快速路的相位集合标记为i；
56.p＝{p|p＝p1，p2，p3，
……
，pi}
57.其中，
58.p代表快速路相位集；
59.p1代表快速路上游相位1；
60.p2代表快速路下游相位2；
61.p3代表快速路匝道相位3；
62.pi代表快速路上的相位i。
63.所述基于交通流基本图的交通状态相划分知识模型的具体过程包括：
64.根据交通流基本图中交通流量q和交通密度k的关系图，将交通状态划分为畅通、缓行、拥堵、限制和强制五种状态相；
65.根据交通状态相划分图，建立交通状态相划分知识模型k，如下所示：
[0066][0067]
其中，
[0068]
k代表交通密度；
[0069]
kj代表阻塞密度。
[0070]
所述数据驱动与状态相划分知识引导相结合的交通状态辨识算法的设计过程具体包括：
[0071]
步骤1：基于交通流量q和交通密度k建立q-k回归模型，记为：
[0072][0073]
其中，
[0074]
q代表路段交通流量；
[0075]
k代表路段交通密度；
[0076]
k0代表路段交通拥堵临界密度；
[0077]
kj代表路段交通阻塞密度；
[0078]
α0，α1和α2是回归系数，根据交通流量和交通密度的样本数据，采用最小二乘法计算获得；
[0079]
ε代表随机误差。
[0080]
根据快速路相位集合p和交通状态相划分知识模型k，建立交通状态辨识算法模型k
p
，记为：
[0081][0082]kp
代表快速路相位对应的交通密度；
[0083]
代表快速路相位pi对应的交通密度；
[0084]
代表快速路相位pi对应的阻塞密度。
[0085]
通过采用数据驱动与状态相划分知识引导相结合的交通状态辨识算法，将样本数据与快速路相位自动匹配，驱动模型，自学习获得阻塞密度，自动判别快速路主线上下游、匝道等多相位交通状态，提高快速路交通状态划分的粒度和计算的精度。
[0086]
采用交通状态辨识算法计算和输出快速路各相位对应的交通状态的具体过程包括：
[0087]
将样本数据与快速路相位p进行匹配，获得集合c
p
；
[0088]
将集合c
p
中提取的各相位交通流量样本数据q
p
和交通密度样本数据k
p
输入q-k回归模型，用数据驱动模型，计算快速路各相位对应的回归系数和阻塞密度
[0089]
采用交通状态辨识算法，计算、输出和存储快速路各相位交通状态。
[0090]
通过采用基于交通流基本图的交通状态相划分知识模型，将交通状态细分为五种交通状态，弥补人工经验值粗略划分交通状态的不足，提高交通状态划分的科学性和准确性。
[0091]
通过基于雷达、视频和互联网采集的车辆特征数据和交通参数数据，采用数据驱动下微观交通流多渠信息交换的快速路多相位交通状态辨识技术，利用交通流基本图的交通状态相划分知识模型和数据驱动与状态相划分知识引导相结合的交通状态辨识算法，提取交通流量和密度样本数据，与快速路相位匹配，计算快速路多相位交通状态，为分析瓶颈路段微观交通流与宏观交通演变特性，判别快速路匝道和交织区的交通流运行状态，制定匝道限行控制策略提供技术支撑。
[0092]
以上实施例仅用以说明本发明的技术方法而非限制，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法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。