一种基于门架数据的高速公路路段实时流量估计方法

1.本发明属于交通工程技术领域，具体涉及一种基于门架数据的高速公路路段实时流量估计方法和系统。


背景技术：

2.近年来，随着我国国民经济水平的不断提升，高速公路的建设和运营一直处于快速发展的状态，高速公路车流量也在逐年递增，特别是在节假日期间，高速公路拥堵现象频发。因此，及时直观地反映高速公路的交通状态，实时准确地估计高速公路路段流量，并在此前提下对高速公路进行科学有效地管控，成为高速公路智能交通管理、为高速公路使用者提供更优质的服务并缓解高速公路拥堵的关键。
3.目前，高速公路流量主要通过人工采集、各类检测器自动采集和挖掘高速公路收费站数据获得。由于高速公路自身的特点，高速公路路段上的车流量在很大程度上受到进出口车流量的影响。因此，想要对高速公路路段上的车流量进行准确计算，需要考虑进出口匝道车流量对路段车流量的影响。但由于高速公路车辆检测器布设有限，在很多进出口匝道都没有布设车辆检测器，从而导致匝道进出口车流量获取困难，严重影响高速公路路段车流量估计的精度。


技术实现要素：

4.本发明提供一种基于门架数据的高速公路路段实时流量估计方法，实时反映任意时刻高速公路路段流量情况，通过门架的空间位置对高速公路进行路段划分；采集高速公路门架数据构建路段流量估计历史数据库；根据路段历史数据确定路段实时流量估计的统计时段并构建路段出入口流量预测模型，进行路段实时流量估计，本发明通过关联匝道上下游门架所检测的车流量情况对匝道流量进行计算，进而提升高速公路路段流量估计的精度。
5.为实现上述目的，本发明技术方案如下：
6.一种基于门架数据的高速公路路段实时流量估计方法，具体包括如下步骤：
7.s1，根据高速公路etc门架的空间位置划分路段，相邻两个门架之间的路段即为实时流量估计路段；
8.s2，确定路段实时流量估计所需数据源，以1min为采样周期采集路段历史交通流数据，结合路段的设计车速、门架以及出入口位置等静态数据构建路段历史数据库；
9.s3，由于门架数据采集过程中存在许多不可控因素，特别是车辆同时被多个门架检测、数据传输异常等情况会使门架数据存在异常情况，因此，采用阈值控制法对数据进行质量控制；
10.s4，以质量控制之后的数据作为输入，确定当前时刻路段流量估计统计时段，设当前时刻为t，根据路段设计车速v和路段长度l计算路段的自由流状态通行时间t1＝l/v，根据上下游门架数据中的通过时间字段计算t-t1至t时间段的平均行程速度v1；
11.s5，若v1接近于v，则该路段当前时刻车流量为t-t1至t时间段内上游门架记录车辆数与出入口净流入车辆数之和；
12.若v1不接近于v，则根据路段长度和t-t1至t时间段内的平均行程速度v1，计算v1速度下的路段通行时间t2＝l/v1，再根据上下游门架数据中的通过时间字段计算t-t2至t时间段的平均行程速度v2；
13.s6，若v2接近于v1，则该路段当前时刻车流量为t-t2至t时间段内上游门架记录车辆数与出入口净流入车辆数之和；
14.若v2不接近于v1，则根据路段长度和过去t2时间段内的平均行程速度v2，计算v2速度下的路段通行时间t3＝l/v2，再根据上下游门架数据中的通过时间字段计算t-t3至t时间段的平均行程速度v3；
15.s7，若v3接近于v2，则该路段当前时刻车流量为t-t3至t时间段内上游门架记录车辆数与出入口净流入车辆数之和；
16.若v3不接近于v2，则重复步骤s5、s6的步骤直到vn接近于v
n-1
，则该路段当前时刻车流量为t-tn至t时间段内上游门架记录车辆数与出入口净流入车流量之和。
17.进一步地，步骤s3阈值控制法是指速度应在0-130km/h以内，且流量应与通行能力相匹配，即流量不得超过该路段所能通过的车辆的极限值。
18.进一步地，步骤s4至s7中的两个速度接近是指前者与后者差值的绝对值与后者的比值小于5％，不接近于则是指该比值大于等于5％。
19.进一步地，步骤s4至s7中的出入口净流入车辆数的计算包括如下步骤：
20.s1，确定出入口位置与下游门架之间的距离d，据出入口位置与下游门架之间的距离d和s7确定的vn计算出入口到下游门架的通行时间t；
21.s2，根据门架数据的通过时间字段和车牌字段结合历史数据预测t-t至t时间段的出入口流量，使用支持向量机(svm)、bp神经网络和随机森林(rf)模型对t-t至t时间段从收费站驶入和驶出该路段的车辆数进行预测，然后分别使用测试集出入口流量预测值与真实值进行路段实时流量估计，以平均绝对误差mae、均方根误差rmse和平均绝对百分比误差mape为流量估计评价指标得到最佳出入口流量预测模型，由此得到出入口净流入车辆数。
22.本发明与现有技术相比，具有以下优势和积极效果：
23.本发明立足于高速公路路段实时流量的内涵，使用新的高速公路数据采集方式，根据高速公路路段实时运行情况对路段流量进行计算，选择易于实际应用的统计和计算方法，进一步提出路段实时流量发布应用措施，构建面向出行者和管理者的高速公路路段实时流量估计方法，支撑高速公路数字化应用实践，更好地满足高速公路管理者的运营管理需求，为出行者安全、畅通的高速公路出行服务提供保障。
附图说明
24.图1为本发明的流程图；
25.图2为路段划分示意图；
26.图3为本发明数据质量控制流程图；
27.图4为本发明路段实时流量估计统计时段确定流程图；
28.图5为本发明中路段实时流量估计及实际流量对比图。
具体实施方式
29.为了使本发明的目的、技术方案和效果更加清楚，以下结合具体实施例和说明书附图对本发明作进一步详细介绍。
30.实施例1
31.一种基于门架数据的高速公路路段实时流量估计方法，如图1所示，包括如下步骤：
32.(1)路段划分
33.以云南省某高速公路门架2021年1月采集的数据为例进行分析，以高速公路门架作为基本的路段划分单元，相邻两个门架之间的路段即为研究路段，如图2，观测路段中的出入口可能为收费站或立交；
34.(2)数据质量控制
35.确定路段实时流量估计所需数据源，以1min为采样周期，采集路段交通流数据，结合路段的设计车速、门架以及出入口位置构建路段数据库；
36.由于门架数据采集过程中存在许多不可控因素，特别是车辆同时被多个门架检测、数据传输异常等情况会使门架数据存在异常情况，因此，采用阈值控制法对数据进行质量控制；
37.门架数据质量的影响因素主要包括硬件故障、运行环境和传输稳定性，一般地，门架数据质量问题主要有数据丢失、数据错误两种，为避免错误值、异常值和重复记录对计算结果的影响，提高路段平均车速计算的准确率，如图3所示，此处利用4条规则删除异常值、错误数据、信息缺失和重复数据：
38.①
车辆在路段起点被检测的时间需小于车辆在路段终点被检测的时间，否则删除该条数据；
39.②
设定最小行驶速度0km/h和最大行驶速度130km/h，车辆平均行程车速若大于设定的最大车速则删除该条数据；
40.③
当出现多条起始时间戳相同但终点时间戳不同的数据，则以多条数据的行程时间平均值作为该车辆通过连续两个门架的时间；
41.④
删除通行时间为空的数据；且流量不得超过该路段所能通过的车辆的极限值；
42.(3)计算路段实时流量估计统计时段及车流估算：
43.根据图4的步骤，选取高速公路上相邻两个门架计算2021年1月3日8:01-8:30每一分钟的路段实时流量，以8:01为例计算路段实时流量估计统计时段及车流估算，具体包括以下步骤：
44.①
结合路段长度(55km)和路段的设计车速(120km/h)可知，该路段在设计车速下的通行时间为27分钟；
45.②
根据路段长度和门架数据中的通行时间字段统计过去27分钟内该路段的实际平均速度为112km/h，其与路段设计车速(120km/h)差值的绝对值与设计车速(120km/h)的比值为6.67％，大于5％；
46.③
结合路段长度(55km)，平均速度为112km/h，计算得到平均通行时间为29分钟，根据门架历史数据统计过去29分钟内，该路段的实际平均速度为104km/h，其与过去27分钟内该路段的平均速度(112km/h)差值的绝对值与过去27分钟内该路段的平均速度(112km/
h)的比值为7.14％，大于5％；
47.④
结合路段长度(55km)，平均速度为104km/h，计算得到平均通行时间为32分钟，根据门架历史数据统计过去32分钟内，该路段的实际平均速度为103km/h，其与过去32分钟内该路段的平均速度(104km/h)差值的绝对值与过去32分钟内该路段的平均速度(104km/h)的比值为0.96％，小于5％，则8:01该路段实时流量估计的统计时段为7:29-8:00，统计该时段内上游门架通过的车辆数为230辆；
48.(4)出入口车流量估算：
49.根据路段中收费站与下游门架的距离(22km)和路段的实际平均速度(103km/h)可知，车辆从收费站开行至下游门架的时间约为12分钟(7:49-8:00)，以12分钟为统计间隔，统计历史数据中被上游门架检测而未被下游门架检测和被下游门架检测而未被上游门架检测的车辆数，将数据集划分为训练集和测试集，分别使用支持向量机(svm)、bp神经网络和随机森林(rf)模型对当前统计时段中从收费站驶入和驶出的车辆数进行预测；其中支持向量机的预测步骤如下：
①
输入数据集并进行数据预处理，
②
确定核函数，
③
参数寻优；bp神经网络的预测步骤如下：
①
读取数据、确定自回归阶数，
②
划分训练集、测试集，
③
数据归一化，
④
获取输入层输出层节点的个数，
⑤
确定网络的传递函数与训练算法，
⑥
训练网络，
⑦
网络测试，
⑧
对bp的预测值与实际值进行误差分析；随机森林模型的预测步骤如下：
①
在给定的样本中有放回地随机抽取k条数据，重复α次得到α个子训练集，
②
基于划分好的子训练集建立相应的决策树并进行训练，得到α棵决策树组成随机森林，
③
最后采用投票策略集成各决策树预测结果，最终的预测结果为所有决策树预测结果的均值；
50.基于以上步骤通过三种方法分别得到从收费站驶入和驶出的车辆数，两者取差值得到该路段7:49-8:00收费站出入口净流入车辆数，基于支持向量机的预测值为5辆，基于bp神经网络的预测值为9辆，基于随机森林的预测值为7辆；
51.综上，基于支持向量机预测的该路段8:01该路段的实时流量估计值为235辆，基于bp神经网络预测的该路段8:01该路段的实时流量估计值为239辆，基于随机森林预测的该路段8:01该路段的实时流量估计值为237辆。
52.根据以上方法得到8:01-8:30的所有相关数据，分别使用测试集出入口流量预测值与真实值进行路段实时流量估计，以平均绝对误差mae、均方根误差rmse和平均绝对百分比误差mape为流量估计评价指标得到最佳出入口流量预测模型(表1)。
53.表1
54.入口流量预测模型maemape(％)rmse支持向量机4.97623.96586.7852bp神经网络5.00894.23426.3054随机森林5.11612.03875.9572
55.由表1可知，基于随机森林的出入口流量预测模型得到的路段实时流量估计平均绝对误差为5.1161，平均绝对百分比误差为2.0387％，均方根误差为5.9572，相较于支持向量机和bp神经网络模型，随机森林的评估指标总体较优，选定随机森林的方法为出入口流量预测模型。
56.基于实施例1的方法进行的路段实时流量估计结果见图5，估算值与真实值非常接近，说明实施例1利用门架数据实现了高速公路路段实时流量的估计方法，具有较好的精度。