高速公路收费站交通流量实时在线仿真系统及仿真方法与流程

1.本发明属于交通管控技术领域，具体涉及一种高速公路收费站交通流量实时在线仿真系统及仿真方法。


背景技术：

2.随着高速公路基础设施建设行业的发展和进步，高速公路逐渐成为出行者的重要出行途径，但是随着机动车保有量的快速增长，交通出行需求日益增加，高速收费站严重拥堵，高速收费站的服务和运营管理面临巨大压力，尤其是上下班高峰时段及重大节假日高峰期，高速收费站前拥堵状况问题突出，不但影响了高速公路网的通行效率和服务质量，同时也增加了交通事故发生的风险，极大影响了出行者的出行体验，增加了出行时间成本。目前亟需解决的问题是根据高速收费数据及时获取高速收费站运营期间的交通运行状况，从运行数据中获取相应的交通运行参数并对未来时段收费站分车道流量进行预测及收费车道的运营管理，进而对通行车辆进行收费诱导管理，改善高速收费站的交通拥堵，提升高速通行的效率。
3.随着高速公路etc门架系统的建设与发展积累了大量的实时运营数据，极大的促进了交通运行状况分析与评估技术的发展。但是现有的技术多为高速短时交通流量预测，基于etc门架系统的收费站分车道分车型的交通流量预测和交通仿真评估研究较少，现有技术不能体现收费站不同收费通道的服务水平并进行实时交通拥堵运行状况预警，仍然无法对收费站收费车道的运营管理提供直接的决策支持依据，无法有效预防高速公路高峰期出行收费站拥堵问题，不能行之有效地依据收费站未来时段预测车流进行实时运行状况研判和收费车辆诱导管理，仍然难以满足当前收费站针对拥堵状况收费的运营管理需求。因此，如何发挥现有交通数据资源的优势，缓解高峰时段收费站严重拥堵现象，提高高速收费站的通行效率和服务管理水平，是一个急需解决的技术难题。


技术实现要素：

4.本发明为解决现有技术不能够有效利用高速收费运营数据进行收费站分车道流量预测评估和实时分析的问题，提出一种高速公路收费站交通流量实时在线仿真系统及仿真方法。
5.为实现上述目的，本发明通过以下技术方案实现：一种高速公路收费站交通流量实时在线仿真系统，包括数据采集模块、数据传输模块、数据存储模块、实时分析评估模块、交通仿真模块、车道管理模块、终端模块；所述数据采集模块连接数据传输模块，所述数据传输模块连接数据存储模块，所述数据存储模块连接实时分析评估模块，所述实时分析评估模块连接交通仿真模块，所述交通仿真模块连接车道管理模块，所述车道管理模块连接终端模块；所述数据采集模块用于收集高速公路路段或者匝道etc门架实时监测车流数据以及外部气象监测数据；
所述数据传输模块用于对数据采集模块采集的数据进行传送；所述数据存储模块用于对数据传输模块传送的数据进行存储；所述实时分析评估模块用于对数据存储模块存储的数据通过机器学习方法进行综合分析和实时交通运行状况研判，进而预测未来时段的高速收费站交通流量；所述实时分析评估模块包括异常信息处理模块、数据挖掘模块、交通运行评估模块、交通量预测模块；所述交通仿真模块用于将所述实时分析评估模块预测的未来时段的高速收费站交通流量通过仿真平台完成实时在线仿真；所述车道管理模块，用于对所述交通仿真模块在线仿真结果进行高速收费站车道交通运行指标统计，并判断是否达到阈值条件进行预警；所述终端模块用于对实时分析评估模块预测的未来时段的高速收费站交通流量和交通仿真模块处理的在线仿真结果实时传输到高速收费站管理终端。
6.进一步的，所述异常信息处理模块用于标记出现异常值的数据；所述数据挖掘模块用于对实时汇总的交通运行特征数据进行数据挖掘分析；所述交通运行评估模块用于对数据挖掘模块产生的现状交通运行信息进行拥堵状况评估；所述交通量预测模块用于根据数据挖掘模块训练好的机器学习模型对未来时刻的交通流量进行预测，获得匝道收费站的分车型分收费类别分车道的车流量，生成高速收费站的第一次拥堵运行预警信息。
7.一种高速公路收费站交通流量实时在线仿真方法，依托于所述的一种高速公路收费站交通流量实时在线仿真系统实现，包括如下步骤：s1、实时获取etc数据，包括高速收费站etc出入口流水记录数据、高速收费站上游最近路段etc门架数据，然后对实时获取的etc数据中重复过车记录的数据按照计费车型字段进行筛选去重处理；实时获取外部天气数据信息，并进行格式化处理；s2、选择高速收费站上游路段etc门架为研究对象，提取高速收费站上游最近路段etc门架数据第i时段交通运行特征数据，包括星期、小时、车型、是否etc车辆、断面流量、上下游断面流量，对提取的交通运行特征数据进行预编码处理，得到分时段高速收费站上游路段etc门架交通运行特征数据；s3、将步骤s2得到的分时段高速收费站上游路段etc门架交通运行特征数据汇总，生成历史样本数据集，并划分为样本训练集和样本测试集，采用机器学习中的集成学习方法对样本训练集进行训练学习、建立学习模型，对样本测试集进行样本测试，对未来时段的过车流量进行预测；s4、选择高速收费站上游路段etc门架为研究对象，提取高速收费站第i时段车辆到达量数据、高速收费站上游路段etc门架过车流量数据，计算第i时段的高速收费站流量流转系数和时间分布系数，汇总后得到历史时段高速收费站流量流转系数、时间分布系数样本集，采用深度学习中的lstm方法对历史时段高速收费站流量流转系数、时间分布系数样本集进行训练学习，对未来时段的流量流转系数、未来时段的时间分布系数进行预测；s5、将步骤s3得到的未来时段的过车流量、步骤s4得到的未来时段的流量流转系数和未来时段的时间分布系数进行相乘运算，获得未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵，结合当前时段特征数据同样计算得到当前时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵；
s6、对步骤s5得到的当前时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵进行仿真还原，对步骤s5得到的未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵进行仿真推演；s7、将步骤s6得到的未来时段高速收费站的交通仿真评估指标与现有高速收费通道的指标预警阈值比较，比较的结果发送给高速收费站管理终端。
8.进一步的，步骤s2采用独热编码的方式对提取的交通运行特征数据进行预编码处理，其中时段特征采用24位状态向量编码，星期采用7位状态向量编码，是否节假日采用2位状态向量编码，是否etc采用2位状态向量编码，天气采用4位状态向量编码，其他连续型字段采用归一化方法处理为特征值，处理公式为：其中qa为当前数据，q
min
为当前数据序列的最小值，q
max
为当前数据序列的最大值，qb为归一化值。
9.进一步的，步骤s3的具体实现方法包括如下步骤：s3.1、 将分时段高速收费站上游路段etc门架交通运行特征数据汇总生成历史样本数据集s，并划分为样本训练集s1和样本测试集s2，数据划分比例为8:2；s3.2、样本训练集s1的输入特征向量xi={a1(i)，a2(i)，a3(i)，
…
，ar(i)}，输入特征向量的样本特征数r=48，xi为高速收费站上游路段etc门架第i时段的交通运行特征，样本训练集s1的输出特征向量yi={b(i 1)}，输出特征向量的维数为1，yi为第i 1时段高速收费站上游路段etc门架断面流量；s3.3、将样本训练集s1输入到极端梯度提升树算法xgboost中建立集成学习模型，所述集成学习模型以决策树中cart回归树作为基学习器，通过根节点进行输入样本，决策树采用样本方差指标衡量叶子节点属性，划分数据集的纯度，公式如下：；其中，n为样本个数，为节点属性划分数据集样本均值，为节点划分数据集的方差；依据每一个中间节点进行特征属性划分，落在对应叶子节点上时，即为模型预测值，得到模型的预测值，预测值与真实值之间的差值为残差；模型通过单个决策树学习器进行训练得到预测值与实际值的残差，通过不断迭代提升，每次迭代生成的m棵决策树模型拟合m-1棵决策树的预测残差，当将输入到第m棵决策树中进行训练时，得到第k棵决策树预测值公式为：
其中，为第m颗决策树时累加的预测结果，是前m-1颗决策树累计的结果和第m颗决策树输出的结果总和，为第m颗决策树输出的结果，为第p颗决策树输出的结果，p为m-1中的任意一个；集成学习模型的公式为：式中为损失函数，为正则化项，为最小化目标函数；s3.4、将样本测试集s2输入到步骤s3.3训练好的集成学习模型中进行样本测试，通过均方误差mse对模型参数进行测试和优化，输出测试结果，均方误差公式为：其中n为样本个数，为第g个样本的预测值，为第g个样本的实际值；s3.5、将高速收费站上游路段etc门架第i时段的交通运行特征数据作为模型的输入，第i 1时段高速收费站上游路段etc门架的预测目标值作为模型输出，对该目标值反归一化后获得未来第i 1时段的收费站上游路段etc门架断面流量。
10.进一步的，步骤s4的具体实现方法包括如下步骤：s4.1、选择高速收费站上游路段etc门架为研究对象，提取高速收费站第i时段车辆到达量数据、高速收费站上游路段etc门架过车流量数据，计算第i时段的高速收费站流量流转系数、时间分布系数，公式如下：其中，为高速收费站上游路段etc门架第i时段的断面流量大小；为第i时段高速收费站上游路段etc门架流量进入匝道收费站第j类收费车道第l类车型的流量流转系数；为高速收费站第j类收费车道第l类车型的到达流量；为高速收费站第j类收费车道第l类车型的到达流量；为第i时段第k个时间片的时间分布系数，为第i时段第k个时间片的收费站到达流量，n为样本个数；s4.2、将高速收费站流量流转系数汇总构造样本数据集，包含30维的第i时段的输入特征 {}和第i 1时段的输出特征{}，将样本数据集划分为训练集和测试集,划分比例按照8:2进行分割；将高速收费站时间分
布系数汇总构造样本数据集，包含12维的第i时段的输入特征{}和第i 1时段的输出特征{}，将样本数据集划分为训练集和测试集，划分比例按照8:2进行分割；s4.3、采用深度学习中基于编码器-解码器框架的长短期记忆网络ed-lstm方法对训练集进行训练学习，预测输出包含未来时段3类收费车道与10类车型交叉分类得到的30个分收费车道分车型流量流转系数大小；s4.4、采用深度学习中基于编码器-解码器框架的长短期记忆网络ed-lstm方法对训练集进行训练学习，预测输出包含未来时段12个时间片的流量分布系数大小。
11.进一步的，步骤s4中采用均方误差mse和平均绝对百分比误差mape作为模型评价指标：指标：其中n为样本个数，为第g个样本的预测值，为第g个样本的实际值。
12.进一步的，步骤s5中未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵公式为：其中，为第i 1时段第j类收费车道第k个时间片下第l类车型的od流量；同样地，针对第i时段计算得到当前时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵。
13.进一步的，步骤s6对未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵进行仿真推演，输出值包括高速收费站通道的流量、平均排队长度、服务水平，依据实时收费流水记录数据计算预测时段收费站不同收费通道实际到达的流量，与预测时段的交通仿真输出值比较偏差是否满足阈值条件，若不满足则返回步骤s3-步骤s6。
14.进一步的，步骤s7中未来时段高速收费站的交通仿真评估指标包括高速收费站通道的流量、平均排队长度、服务水平。
15.进一步的，步骤s1中实时获取的数据还可以获取高速收费站mtc出入口流水记录数据。
16.本发明的有益效果为：本发明所述的一种高速公路收费站交通流量实时在线仿真方法，本发明利用收费
站不同收费通道（含etc、mtc车道）的实时出入口流水数据和上游路段的etc门架实时过车记录数据，然后根据构建的机器学习模型充分训练学习收费站上下游路段的车辆连续通行特征，包含车流周期性、车辆类型、外部环境、收费站流量流转、时间分布等特征，预测未来时段由收费站上游路段出发到达收费站的分时间片的动态od分布特征，不局限于收费站的到达流量预测，而是进一步预测了收费站不同收费通道不同车型的车流路径选择；本发明所述的一种高速公路收费站交通流量实时在线仿真方法，选择了机器学习算法中主流的集成学习方法对高速路段流量预测，相比传统的机器学习算法存在计算成本大、算法训练过拟合、特征提取盲目性和精度较低等众多问题，大大提高了计算和收敛效率，选择基于编码器-解码器框架的lstm长短记忆网络方法对收费站车流的时间序列特征进行了挖掘，预测出收费站上游主线路段etc门架到匝道收费站的分车型分收费车道类别的流量流转系数及时间分布系数，进而得到收费站分车型分收费车道分时间片的交通流量预测，有效获取了收费站分车道分车型的车流时序性特征，为收费站路段实时车流仿真提供了基础，本发明所述的一种高速公路收费站交通流量实时在线仿真方法，通过交通仿真技术对当前时段收费站交通运行状况进行仿真还原和对未来时段收费站所预测的交通需求进行交通仿真推演，实现收费站车流的实时在线仿真和未来短时的收费站分车道分车型车流量预测，并输出包括流量、平均排队长度、服务水平等交通仿真评估指标，根据现行收费车道的服务水平指标阈值进行实时监测拥堵预警，为收费站运营管理人员提供收费通道资源合理开闭使用、动态收费诱导和站前广场主动型交通管控的科学决策支撑。
附图说明
17.图1为本发明所述的一种高速公路收费站交通流量实时在线仿真系统的结构示意图；图2为本发明所述的一种高速公路收费站交通流量实时在线仿真方法的流程图；图3为本发明所述的所述的一种高速公路收费站交通流量实时在线仿真方法的步骤s3训练后的均方误差的迭代优化曲线。
具体实施方式
18.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
19.因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
20.为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1-3详细说明如下 ：具体实施方式一：
一种高速公路收费站交通流量实时在线仿真系统，包括数据采集模块1、数据传输模块2、数据存储模块3、实时分析评估模块4、交通仿真模块5、车道管理模块6、终端模块7，结构示意图如图1所示；所述数据采集模块1连接数据传输模块2，所述数据传输模块2连接数据存储模块3，所述数据存储模块3连接实时分析评估模块4，所述实时分析评估模块4连接交通仿真模块5，所述交通仿真模块5连接车道管理模块6，所述车道管理模块6连接终端模块7；所述数据采集模块1用于收集高速公路路段或者匝道etc门架实时监测车流数据以及外部气象监测数据；所述数据传输模块2用于对数据采集模块1采集的数据进行传送；所述数据存储模块3用于对数据传输模块2传送的数据进行存储；所述实时分析评估模块4用于对数据存储模块3存储的数据通过机器学习方法进行综合分析和实时交通运行状况研判，进而预测未来时段的高速收费站交通流量；所述实时分析评估模块4包括异常信息处理模块4-1、数据挖掘模块4-2、交通运行评估模块4-3、交通量预测模块4-4；所述交通仿真模块5用于将所述实时分析评估模块4预测的未来时段的高速收费站交通流量通过仿真平台完成实时在线仿真；所述车道管理模块6，用于对所述交通仿真模块5在线仿真结果进行高速收费站车道交通运行指标统计，并判断是否达到阈值条件进行预警；所述终端模块7用于对实时分析评估模块4预测的未来时段的高速收费站交通流量和交通仿真模块5处理的在线仿真结果实时传输到高速收费站管理终端。
21.进一步的，所述异常信息处理模块4-1用于标记出现异常值的数据；所述数据挖掘模块4-2用于对实时汇总的交通运行特征数据进行数据挖掘分析；所述交通运行评估模块4-3用于对数据挖掘模块产生的现状交通运行信息进行拥堵状况评估；所述交通量预测模块4-4用于根据数据挖掘模块4-2训练好的机器学习模型对未来时刻的交通流量进行预测，获得匝道收费站的分车型分收费类别分车道的车流量，生成高速收费站的第一次拥堵运行预警信息。
22.进一步的，所述数据采集模块1和数据传输模块2、数据存储模块3、实时分析评估模块4、交通仿真模块5通过线缆物理方式连接，所述数据传输模块2和数据存储模块3通过gsm无线传输，所述实时分析评估模块4、交通仿真模块5、收费车道管理模块6与终端模块7通过gsm、互联网方式连接进行无线传输。
23.进一步地，所述数据采集模块1包含etc门架监测系统，所述etc门架监测系统用于采集高速行驶车辆的过车记录信息；外部气象监测系统，所述外部气象监测系统用于采集外部天气数据信息。
24.更进一步的，所述车道管理模块6，用于根据预测时段收费站交通仿真推演结果统计etc车道、mtc车道的预测流量大小、平均排队长度、服务水平等指标，并结合所在收费站收费车道的交通运行阈值进行第二次预警，为收费站运营管理人员提供收费通道资源合理开启和关闭使用的科学决策支持。
25.更进一步的，所述终端模块7，用于对实时分析和评估的收费站交通运行状况信息进行结果信息传送和展示，对收费站交通运行状况进行实时监控，并将流量预警信息通过
短信或者邮件的形式发送到收费站管理人员终端。
26.更进一步地，所述交通仿真模块用于将交通量预测模块得到的未来时刻收费站分车型分收费类别分时间片的动态估计交通量输入到交通仿真平台中，对未来时段的收费站交通运行状况进行仿真推演可视化，同时对仿真输出结果与实时采集到仿真时刻的收费站车流量进行偏差估计，判断是否满足阈值条件，如否则返回校核机器学习模型和仿真模型参数，进一步优化迭代新一轮模型。在每个时段下，收费站车流交通仿真可持续稳定地运行下去。
27.具体实施方式二：一种高速公路收费站交通流量实时在线仿真方法，依托于具体实施方式一所述的一种高速公路收费站交通流量实时在线仿真系统实现，包括如下步骤：s1、实时获取etc数据，包括高速收费站etc出入口流水记录数据、高速收费站上游最近路段etc门架数据，然后对实时获取的etc数据中重复过车记录的数据按照计费车型字段进行筛选去重处理；实时获取外部天气数据信息，并进行格式化处理；进一步的，步骤s1实时获取某高速收费站etc/mtc出入口流水记录数据，选择至少包含车牌号、入口时间、出口时间、计费车型、是否etc、交易所属收费站字段信息；实时获取收费站上游最近路段etc门架数据，选择至少包含车牌号、交易时间、计费车型、是否etc等字段信息；实时获取外部气象数据信息，包含当天的天气信息；s2、选择高速收费站上游路段etc门架为研究对象，提取高速收费站上游最近路段etc门架数据第i时段交通运行特征数据，包括星期、小时、车型、是否etc车辆、断面流量、上下游断面流量，对提取的交通运行特征数据进行预编码处理，得到分时段高速收费站上游路段etc门架交通运行特征数据；进一步的，步骤s2采用独热编码的方式对提取的交通运行特征数据进行预编码处理，其中时段特征采用24位状态向量编码，星期采用7位状态向量编码，是否节假日采用2位状态向量编码，是否etc采用2位状态向量编码，天气采用4位状态向量编码，其他连续型字段采用归一化方法处理为特征值，处理公式为：其中qa为当前数据，q
min
为当前数据序列的最小值，q
max
为当前数据序列的最大值，qb为归一化值；表1为高速收费站上游最近路段etc门架数据举例：表 1 高速收费站上游最近路段etc门架数据表2为分时段高速收费站上游路段etc门架交通运行特征数据举例表 2 分时段高速收费站上游路段etc门架交通运行特征数据
s3、将步骤s2得到的分时段高速收费站上游路段etc门架交通运行特征数据汇总，生成历史样本数据集，并划分为样本训练集和样本测试集，采用机器学习中的集成学习方法对样本训练集进行训练学习、建立学习模型，对样本测试集进行样本测试，对未来时段的过车流量进行预测；进一步的，步骤s3的具体实现方法包括如下步骤：s3.1、将分时段高速收费站上游路段etc门架交通运行特征数据汇总生成历史样本数据集s，并划分为样本训练集s1和样本测试集s2，数据划分比例为8:2；进一步的，样本训练集s1举例为：表 3 样本训练集s1其中w1~w7为星期数据，h1~h24为一天24小时数据，v1-v2为是否节假日数据，type1~type10为车型数据，etc1~etc2为是否etc数据，onflow为第i时段当前etc门架上游断面流量数据，t1为第i时段外部天气数据，offflow为第i时段当前etc门架下游断面流量数据，flow为第i时段当前etc门架断面流量数据，flow_pre为第i 1时段当前etc门架断面的预测流量数据；s3.2、样本训练集s1的输入特征向量xi={a1(i)，a2(i)，a3(i)，
…
，ar(i)}，输入特征向量的样本特征数r=48，xi为高速收费站上游路段etc门架第i时段的交通运行特征，样本训练集s1的输出特征向量yi={b(i 1)}，输出特征向量的维数为1，yi为第i 1时段高速收费站上游路段etc门架断面流量；s3.3、将样本训练集s1输入到极端梯度提升树算法xgboost中建立集成学习模型，所述集成学习模型以决策树中cart回归树作为基学习器，通过根节点进行输入样本，决策树采用样本方差指标衡量叶子节点属性，划分数据集的纯度，公式如下：
；其中，n为样本个数，为节点属性划分数据集样本均值，为节点划分数据集的方差；依据每一个中间节点进行特征属性划分，落在对应叶子节点上时，即为模型预测值，得到模型的预测值，预测值与真实值之间的差值为残差；模型通过单个决策树学习器进行训练得到预测值与实际值的残差，通过不断迭代提升，每次迭代生成的m棵决策树模型拟合m-1棵决策树的预测残差，当将输入到第m棵决策树中进行训练时，得到第k棵决策树预测值公式为：其中，为第m颗决策树时累加的预测结果，是前m-1颗决策树累计的结果和第m颗决策树输出的结果总和，为第m颗决策树输出的结果，为第j颗决策树输出的结果，p为m-1中的任意一个；集成学习模型的公式为：式中为损失函数，为正则化项，为最小化目标函数；进一步的，极端梯度提升树模型训练参数经过多轮超参数调整试验，最终确定收缩步长即学习率为0.08，cart决策树的数量为150，树的高度为8，叶子节点最小权重和为4，最小损失函数下降值为0.2，权重的l2正则系数为2，其他参数按照默认取值选择。以叶子节点最小权重和参数为例，迭代优化曲线如图3所示，从图3能够看出随着迭代次数的增加，模型的损失不断收敛到极限值；s3.4、将样本测试集s2输入到步骤s3.3训练好的集成学习模型中进行样本测试，通过均方误差mse对模型参数进行测试和优化，输出测试结果，均方误差公式为：其中n为样本个数，为第g个样本的预测值，为第g个样本的实际值；s3.5、将高速收费站上游路段etc门架第i时段的交通运行特征数据作为模型的输入，第i 1时段高速收费站上游路段etc门架的预测目标值作为模型输出，对该目标值反归一化后获得未来第i 1时段的收费站上游路段etc门架断面流量；s4、选择高速收费站上游路段etc门架为研究对象，提取高速收费站第i时段车辆到达量数据、高速收费站上游路段etc门架过车流量数据，计算第i时段的高速收费站流量
流转系数和时间分布系数，汇总后得到历史时段高速收费站流量流转系数、时间分布系数样本集，采用深度学习中的lstm方法对历史时段高速收费站流量流转系数、时间分布系数样本集进行训练学习，对未来时段的流量流转系数、未来时段的时间分布系数进行预测；进一步的，步骤s4的具体实现方法包括如下步骤：s4.1、选择高速收费站上游路段etc门架为研究对象，提取高速收费站第i时段车辆到达量数据、高速收费站上游路段etc门架过车流量数据，计算第i时段的高速收费站流量流转系数、时间分布系数，公式如下：其中，为高速收费站上游路段etc门架第i时段的断面流量大小；为第i时段高速收费站上游路段etc门架流量进入匝道收费站第j类收费车道第l类车型的流量流转系数；为高速收费站第j类收费车道第l类车型的到达流量；为高速收费站第j类收费车道第l类车型的到达流量；为第i时段第k个时间片的时间分布系数，为第i时段第k个时间片的收费站到达流量，n为样本个数；s4.2、将高速收费站流量流转系数汇总构造样本数据集，包含30维的第i时段的输入特征 {,,
…
,}和第i 1时段的输出特征{,,
…
,}，将样本数据集划分为训练集和测试集,划分比例按照8:2进行分割；将高速收费站时间分布系数汇总构造样本数据集，包含12维的第i时段的输入特征{,,
…
,}和第i 1时段的输出特征{,,
…
,}，将样本数据集划分为训练集和测试集，划分比例按照8:2进行分割；进一步的，高速收费站流量流转系数举例如表4所示，高速收费站时间分布系数举例如表5所示：表 4 高速收费站流量流转系数
表 5 高速收费站时间分布系数s4.3、采用深度学习中基于编码器-解码器框架的长短期记忆网络ed-lstm方法对训练集进行训练学习，预测输出包含未来时段3类收费车道与10类车型交叉分类得到的30个分收费车道分车型流量流转系数大小；s4.4、采用深度学习中基于编码器-解码器框架的长短期记忆网络ed-lstm方法对训练集进行训练学习，预测输出包含未来时段12个时间片的流量分布系数大小；进一步的，步骤s4中采用均方误差mse和平均绝对百分比误差mape作为模型评价指标：指标：其中n为样本个数，为第g个样本的预测值，为第g个样本的实际值；进一步的，通过ed-lstm预测收费站上游主线路段etc门架到匝道收费站的分车型分收费车道类别的流量流转系数及时间分布系数，目的就是获得收费站分车型（客车/货车）分收费车道（etc/mtc）分时间片（5分钟）的交通流量预测。s5、将步骤s3得到的未来时段的过车流量、步骤s4得到的未来时段的流量流转系数和未来时段的时间分布系数进行相乘运算，获得未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵，结合当前时段特征数据同样计算得到当前时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵；步骤s5中未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵公式为：其中，为第i 1时段第j类收费车道通道第k个时间片下第l类车型的od流量；同样地，针对第i时段计算得到当前时段由上游etc门架位置出发到达高速收费站
不同收费通道分时间片的动态od矩阵；进一步的，为第i 1时段第j收费通道第k个时间片下第l车型的od流量，i为以小时为间隔的时段数量，j为收费通道类别（j=1为etc通道、j=2为mtc通道、j=3为etcmtc混合通道），k为单个小时内以5min为间隔的时间片数量（k=1~12），l为车型（按照车型分类包含4类客车车型和6类货车车型，由l=0~10依次表示）。同样地，针对第i时段（当前时段），按照所述公式可得到当前时段监测得到的动态od矩阵；未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵估计如表6所示：表6 未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵s6、对步骤s5得到的当前时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵进行仿真还原，对步骤s5得到的未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵进行仿真推演；进一步的，步骤s6对未来时段由上游etc门架位置出发到达高速收费站不同收费通道分时间片的动态od矩阵进行仿真推演，输出值包括高速收费站通道的流量、平均排队长度、服务水平，依据实时收费流水记录数据计算预测时段收费站不同收费通道实际到达的流量，与预测时段的交通仿真输出值比较偏差是否满足阈值条件，若不满足则返回步骤s3-步骤s6；进一步的，步骤s6的具体实现方法包括如下步骤：
步骤6.1、采用收费站交通仿真平台transmodeler仿真模型参数进行本地化设置，包括高速公路和高速匝道路段通行能力、期望速度路网属性参数、车辆跟驰换道、车头时距等驾驶行为参数、收费站各通道的服务时间参数，其中通行能力参数通过公路通行能力手册和实际运行情况获取，期望速度结合浮动车数据或者参考相应道路等级的自由流速度参数获取，车辆跟驰参数和车头时距参数结合etc门架视频数据进行统计获取，收费站各收费通道的服务时间参数结合收费站自身的停车或不停车收费的服务时间进行实际获取，其余仿真参数可按默认设置或者结合本地实际情况选取；步骤6.2、将步骤s5得到的历史收费站od矩阵输入到交通仿真平台中对收费站现状交通运行状况进行仿真还原，直观展示现状交通运行特征；步骤6.3、将步骤s5得到的未来时段动态od矩阵输入到收费站交通仿真平台中对收费站未来时段交通运行状况进行仿真推演，研判即将到达车辆收费通道路径选择，预测收费站未来短时交通运行状况，提供动态收费诱导决策支持和实时监测拥堵预警，并以仿真视角进行直观可视化展示，输出包含收费站通道的流量、平均排队长度、服务水平等仿真评估指标；步骤6.4、依据实时收费流水记录数据计算预测时段收费站不同收费通道实际到达的流量，与该时段的交通仿真输出值比较偏差是否满足阈值条件，若不满足则返回动态校核收费站上游etc门架断面交通运行特征预测模型参数，进一步提高下一时段的交通流量预测的准确性；s7、将步骤s6得到的未来时段高速收费站的交通仿真评估指标与现有高速收费通道的指标预警阈值比较，比较的结果发送给高速收费站管理终端。
28.进一步的，步骤s7中未来时段高速收费站的交通仿真评估指标包括高速收费站通道的流量、平均排队长度、服务水平；进一步的，如收费通道仿真输出超过预警值，收费站运营管理人员需及时做好车道管理服务准备，如增开etc通道或者提高人工通道的收费服务时间，提前发布收费通道开闭的诱导信息；收费站的实时在线仿真推演可对未来短时收费通道资源合理使用和站前广场主动型交通管控提供科学决策支撑。
29.需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
30.虽然在上文中已经参考具体实施方式对本技术进行了描述，然而在不脱离本技术的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本技术所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本技术并不局限于文中公开的特定具体实施方式，而是包括落入权利
要求的范围内的所有技术方案。