一种车道开闭配置方法和系统

1.本发明涉及车道收费站技术领域，具体而言，涉及一种车道开闭配置方法和系统。


背景技术：

2.近年来随着后etc时代的来临，我国高速公路收费站的收费模式发生了巨大的改变。首先，etc用户规模的大幅增加导致了人工收费的主体地位被电子不停车收费取代。其次，车辆的缴费方式随着各种支付手段的出现而呈现出了多元化特点。然而，现有的车道开闭配置方法未能及时更新，无法应对高速公路时变的交通需求和这种新的收费模式，导致收费站资源分配不均，交通拥堵和车道闲置两极化现象日益严重。
3.有鉴于此，为了确保收费站的合理运营，减少车道资源分配不均衡的现象，提升广大出行者的出行体验，本说明书中提出了一种车道开闭配置方法和系统。


技术实现要素：

4.本发明的目的在于提供一种车道开闭配置方法，包括，构建输入数据集；所述输入数据集至少包括交通流结果；基于所述输入数据集，得到交通流预测结果；所述交通流预测结果至少包括车型信息；基于所述交通流预测结果，得到关键指标；所述关键指标至少包括所述车型信息和收费方式信息；基于所述关键指标，得到配置参数；基于所述配置参数，得到车道开闭配置方案。
5.进一步的，所述构建输入数据集，包括，获取基础数据；对所述基础数据进行预处理，得到预处理数据；为所述预处理数据添加离散特征，得到处理数据，将多个所述处理数据的集和作为所述输入数据集。
6.进一步的，所述得到交通流预测结果，包括，将所述输入数据集分为历史输入数据集和当前输入数据集；基于所述历史输入数据集，训练得到交通流预测模型；将所述当前输入数据集输入所述交通流预测模型，模型输出所述交通流预测结果。
7.进一步的，所述得到关键指标，包括将所述交通流预测结果输入m/g/k排队模型，模型输出所述关键指标。
8.进一步的，所述m/g/k排队模型包括etc-m/g/k模型和mtc-m/g/k模型；所述模型输出所述关键指标，包括，提取所述交通流预测结果中的etc交通流预测结果和mtc交通流预测结果；将所述etc交通流预测结果输入所述etc-m/g/k模型，模型输出etc到达率、etc车道通行能力和etc车辆服务时间均值和方差；将所述mtc交通流预测结果输入所述mtc-m/g/k模型，模型输出mtc到达率、mtc车道通行能力、mtc车辆服务时间均值和方差。
9.进一步的，所述得到配置参数，包括，获取调研参数；将所述关键指标和所述调研参数作为所述配置参数。
10.进一步的，所述得到车道开闭配置方案，包括，将所述配置参数输入车道开闭配置模型，采用粒子群算法对所述车道开闭配置模型进行求解，得到所述车道开闭配置方案。
11.进一步的，基于最小综合成本，确定所述粒子群算法的目标函数；所述综合成本与
运营成本和用户延误时间成本相关。
12.进一步的，所述目标函数为：
13.min c＝c
op
c
de
14.其中，c
op
为收费站整体运营成本，单位为，元/h；c
de
为单位时间内的用户延误时间成本，单位为，元/h。
15.本发明的目的在于提供一种车道开闭配置系统，包括构建模块、交通流预测结果获取模块、关键指标获取模块、配置参数获取模块和车道开闭配置方案获取模块；所述构建模块用于构建输入数据集；所述输入数据集至少包括交通流结果；所述交通流预测结果获取模块用于基于所述输入数据集，得到交通流预测结果；所述交通流预测结果至少包括车型信息；所述关键指标获取模块用于基于所述交通流预测结果，得到关键指标；所述关键指标至少包括所述车型信息和收费方式信息；所述配置参数获取模块用于基于所述关键指标，得到配置参数；所述车道开闭配置方案获取模块用于基于所述配置参数，得到车道开闭配置方案。
16.本发明实施例的技术方案至少具有如下优点和有益效果：
17.本发明一些实施例所提的多元收费方式m/g/k排队模型，针对后etc时代高速公路收费站出现的多元化收费特点，对传统的m/g/k模型进行了改进，完善了m/g/k模型在收费站应用方面的有关理论。
18.本发明一些实施例所提的基于boa-lstm的交通流预测模型，针对收费站车道开闭配置方案的滞后性，从排队系统输入角度考虑，实现了收费站交通流预测，为管理人员制定车道开闭配置方案提供了数据支持。
19.本发明一些实施例所提的车道开闭配置模型，该模型综合考虑了收费站管理者和出行者的利益，并依托于交通流预测值制定车道开闭配置方案，为高速公路收费站车道开闭配置方案的实时更新和人力资源的合理分配提供了参考。
附图说明
20.图1为本发明一些实施例提供的一种车道开闭配置方法的示例性流程图；
21.图2为本发明一些实施例提供的得到交通流预测结果的示例性示意图；
22.图3为本发明一些实施例提供的得到车道开闭配置方案的示例性示意图；
23.图4为本发明一些实施例提供的一种车道开闭配置系统的示例性示意图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
25.图1为本发明一些实施例提供的一种车道开闭配置方法的示例性流程图。在一些实施例中，流程100可以由系统400执行。如图1所示，流程100可以包括以下步骤：
26.步骤110，构建输入数据集。在一些实施例中，步骤110可以由构建模块410执行。
27.输入数据集可以是指按时间信息进行分类的交通数据组成的集和。输入数据集至
少包括交通流结果。交通流结果可以是指某时间段某收费站的车流量数据。例如，交通流结果可以包括交通量、小型车比例、中型车比例和大型车比例等。交通量可以是指某时间段内经过该收费站的车辆的总量。小型车比例可以是指小型车占交通量的比例。中型车比例和大型车比例类似于小型车比例。小型车可以包括座位≦19座的客车和质量≦2t的货车。中型车可以包括座位》19座的客车和2t《载质量≦7t的货车。大型车可以包括7t《载质量≦20t的货车。
28.在一些实施例中，输入数据可以通过处理收费站获取的基础数据得到。
29.例如，获取基础数据；对基础数据进行预处理，得到预处理数据；为预处理数据添加离散特征，得到处理数据，将多个处理数据的集和作为输入数据集。
30.基础数据可以是指与收费站及通过收费站的车辆相关的各种数据。例如，基础数据可以包括收费站的几何布局、人员配置、交通数据等中的一种或多种。其中，几何布局可以包括收费站类型、路段车道数及宽度、收费车道数、收费车道布局等中的一种或多种。人员配置可以包括平均每条mtc车道安排的工作人员数、工作人员的平均月工资、每个月的工作天数、平均每天的工作时长等中的一种或多种。交通数据可以包括缴费车辆的流水号、车辆到达时间、车辆通过的车道编号、车辆的车型、车辆的车种等中的一种或多种。在一些实施例中，可以通过对收费站开展交通调查获取基础数据。例如，可以通过车辆通行日志获得已缴费车辆的流水号、车辆到达时间、经过的车道编号、车型和车种等。
31.预处理数据可以是指对基础数据进行处理后得到的数据。例如，预处理数据可以包括小型车的数量、中型车的数量、大型车的数量、实际服务时间、离去时间、服务时间、支付方式等中的一种或多种。在一些实施例中，预处理可以是指对基础数据进行统计分析。例如，可以依据缴费车辆的流水号统计得到各时段的交通量和收费方式。其中，收费方式分为电子不停车收费方式(etc)和停车半自动收费方式(mtc)。又例如，可以将所有车型统一划分为小型车、中型车和大型车，按各车型对收费站的交通量进行统计分析，得到车型比例数据。还例如，可以基于车辆到达时间和收费站的监控数据，确定车辆的服务时间。服务时间可以是指车辆到达收费站后接受收费服务需要的时间。服务时间可以包括实际服务时间和离去时间。实际服务时间可以是指车辆到达后停车开始缴费到缴费结束后发动车辆的时间。离去时间可以是指车辆缴费结束到离开收费站的这一段时间。
32.离散特征可以是指时间特征。处理数据可以是指按时间信息进行分类的交通数据。在一些实施例中，可以按时间将处理数据进行分类，得到多个时间段的交通数据。例如，可以将2020年10至12月的处理数据按15min的时间长度划分为多个时间段，然后获取每个时间段的交通量、小型车比例、中型车比例和大型车比例。当然多个时间段也可以是不连续的。例如，获取2020年10至12月9:00-11:00点的数据。多个时间段的交通数据的集和可以被认为是输入数据集。
33.步骤120，基于输入数据集，得到交通流预测结果。在一些实施例中，步骤120可以由交通流预测结果获取模块420执行。
34.交通流预测结果可以是指预测的未来时间段的交通数据。交通流预测结果可以包括交通量预测值、小型车比例预测值、中型车比例预测值和大型车比例预测值等。在一些实施例中，可以通过各种数学分析和建模的方法，对输入数据集进行处理，得到交通流预测结果。关于得到交通流预测结果的更多内容，参见图2及其相关描述。
35.步骤130，基于交通流预测结果，得到关键指标。在一些实施例中，步骤130可以由关键指标获取模块430执行。
36.关键指标可以是指能够反映收费站运营效果的指标。关键指标至少包括车型信息和收费方式信息。例如，关键指标可以包括etc、mtc到达率；etc、mtc车道通行能力；etc、mtc车辆服务时间均值和方差。到达率可以是指单位时间内到达该车道的车辆数的均值。车道通行能力可以是指单位时间内能够顺利通过该车道的最大车辆数。在一些实施例中，可以通过平均服务率来估计单位时间内车道的通行能力大小。在另一些实施例中，可以通过各种数学分析或建模的方法，对交通流预测结果进行处理，得到关键指标。关于得到关键指标的更多内容，参见图3及其相关描述。
37.步骤140，基于关键指标，得到配置参数。在一些实施例中，步骤140可以由配置参数获取模块440执行。
38.配置参数可以是指用于配置车道的各种参数。例如，配置参数可以包括指标参数和调研参数。其中，指标参数可以包括etc、mtc到达率，etc、mtc车道通行能力，车辆服务时间均值和方差等。调研参数可以包括收费站整体运营成本(元/h)、一条etc车道的运营成本(元/h)、一条mtc车道的运营成本(元/h)、收费站etc车道的开启数(条)、收费站mtc车道的开启数(条)、平均每条mtc车道安排的工作人员数(人)、工作人员的平均月工资(元)、每个月的工作天数(天)、平均每天的工作时长(小时)等中的一种或多种。在一些实施例中，调研参数可以通过调研收费站得到。得到指标参数的更多内容，参见步骤130及其相关描述。在一些实施例中，可以将关键指标和调研参数作为配置参数。
39.步骤150，基于配置参数，得到车道开闭配置方案。在一些实施例中，步骤150可以由车道开闭配置方案获取模块450执行。
40.车道开闭配置方案可以是指未来时间段开通收费站车道的方案。例如，车道开闭配置方案可以为开几条车道和开etc、mtc车道的条数等。在一些实施例中，可以通过数学分析和/或建模的方法，对配置参数进行处理，得到最小综合成本所对应的车道开闭配置方案。关于得到车道开闭配置方案、和综合成本的更多内容，参见图3及其相关描述。
41.图2为本发明一些实施例提供的得到交通流预测结果的示例性示意图。在一些实施例中，图2所示的流程200可以由交通流预测结果获取模块420执行。如图2所示，流程200可以包括以下步骤：
42.将输入数据集分为历史输入数据集和当前输入数据集。
43.历史输入数据集可以是指收费站历史上的输入数据集。例如，历史数据集可以为距离当前时间一个月以上的输入数据集。当前输入数据集可以是指收费站当前的输入数据集或之前一段时间的输入数据集。例如，当前输入数据集可以为距离当前时间一个月以内的输入数据集。在一些实施例中，可以基于时间信息划分输入数据集。
44.基于历史输入数据集，训练得到交通流预测模型。
45.交通流预测模型可以是指用于预测交通流预测结果的机器学习模型。在一些实施例中，可以将历史输入数据集划分为训练集和测试集。通过python中的pytorch框架构建lstm模型，并选取adam作为梯度下降算法，在已构建的lstm模型基础上采用贝叶斯优化算法(boa)进行超参数寻优，得到boa-lstm组合模型。然后根据搭建好的训练集与测试集对模型进行训练，得到训练好的boa-lstm组合模型。例如，lstm神经网络的输入门和输出门分别
负责参数的接收和输出，遗忘门负责决定当前信息的保存和删除。adam算法依据梯度的一阶矩与二阶矩估计值来实现各参数学习率的动态更新，梯度的一阶矩估计值和二阶矩估计值计算公式包括：m
t
＝β1m
t-1
(1-β1)g
t
、其中：m
t
为有偏置的梯度一阶矩估计值；v
t
为有偏置的梯度二阶矩估计值；g
t
为t时刻的梯度；β1,β2为指数衰减速率，取值范围为[0,1]。
[0046]
在一些实施例中，为了控制学习率的波动范围以保证参数的稳定计算，还包括对梯度的一阶矩估计值和二阶矩估计值计算公式进行偏置修正，偏置修正公式包括最终得到adam算法的更新规则公式其中：η为学习率；ε为极小的常数。
[0047]
其中，对于采用贝叶斯优化算法(boa)进行超参数寻优，包括，利用hyperopt库实现贝叶斯算法优化超参数的过程，选用tpe作为概率代理模型，ei为采集函数。以均方误差(mse)作为目标函数，对超参数中的学习率η和隐藏层神经元个数hs进行寻优。以均方根误差(rmse)和平均绝对百分比误差(mape)作为预测效果的评价指标。
[0048]
将当前输入数据集输入交通流预测模型，模型输出交通流预测结果。输入的当前数据集可以包括多个时间段的输入数据。例如，t
0-t1、t
2-t3、t
4-t5等多个时间段的交通量、小型车比例值、中型车比例值和大型车比例值。输出的交通流预测结果可以包括多个时间段的预测数据。例如，t0’‑
t1’
、t2’‑
t3’
、t4’‑
t5’
等多个时间段的交通流预测值、小型车比例预测值、中型车比例预测值和大型车比例预测值。其中，t0’
、t1’
、t2’
、t3’
、t4’
、t5’
均为时间点t5后的时间。
[0049]
例如，可以将当前输入数据集输入训练好的boa-lstm组合模型，得到交通量预测值、小型车比例预测值、中型车比例预测值、大型车比例预测值。
[0050]
在一些实施例中，为了提高预测效果，对于某一种车型占比极大的收费站，可以将其他车型的预测值采用均值替代。例如，当小型车的比例预测值超过95％时，将中型车和大型车的比例预测值用均值替代。
[0051]
本说明书中的一些实施例通过交通流预测模型针对收费站车道开闭配置方案的滞后性，从排队系统输入角度考虑，实现了收费站交通流预测，为管理人员制定车道开闭配置方案提供了数据支持。
[0052]
图3为本发明一些实施例提供的得到车道开闭配置方案的示例性示意图。在一些实施例中，图3所示的流程300可以由关键指标获取模块430、配置参数获取模块440和车道开闭配置方案获取模块450执行。如图3所示，流程300可以包括以下内容：
[0053]
将交通流预测结果输入m/g/k排队模型。
[0054]
m/g/k排队模型可以是指用于处理交通流预测结果，得到关键指标的机器学习模型。在一些实施例中，m/g/k排队模型可以通过改进现有的模型得到。改进包括将m/g/k排队模型分为etc-m/g/k模型和mtc-m/g/k模型。
[0055]
m/g/k排队模型提取交通流预测结果中的etc交通流预测结果和mtc交通流预测结果。可以通过各种可行的方式提取etc交通流预测结果和mtc交通流预测结果。
[0056]
将etc交通流预测结果输入etc-m/g/k模型，模型输出etc关键指标。其中，etc关键
指标可以包括etc到达率、etc车道通行能力和etc车辆服务时间均值和方差。
[0057]
将mtc交通流预测结果输入mtc-m/g/k模型，模型输出mtc关键指标。其中，mtc关键指标可以包括mtc到达率、mtc车道通行能力、mtc车辆服务时间均值和方差。
[0058]
在一些实施例中，关键指标的计算公式如下：
[0059][0060][0061]ws
＝e wqꢀꢀ
(3)
[0062][0063]
其中：lq为平均排队长度；wq为平均等待时间；ws为平均逗留时间；ρ为单个服务台的服务强度，服务强度可以是指单位时间内收费车道的平均负荷；d为服务时间方差(s)；e为服务时间均值(s)；k为收费车道数(条)；λ为平均来车强度(pcu)，平均来车强度可以是指单位时间内到达收费站的车辆数均值。
[0064]
对于etc收费系统，服务时间的均值和方差以及收费车道的通行能力计算公式如下：
[0065][0066][0067][0068][0069][0070]
其中：ee为etc服务时间均值(s)；de为etc服务时间方差(s)；e1为etc小型车服务时间调研均值(s)，调研均值可以是指通过交通调查得到的etc小型车服务时间的平均值；d1为etc小型车服务时间调研方差(s)；β'j为各车型服务时间均值换算系数，换算系数可以是指第j种车型的服务时间调研均值与第1种车型的服务时间调研均值的比值；β”j
为各车型服务时间方差换算系数；θj为各车型比例；m为车型种类数；t'j为各车型的服务时间调研均值(s)；t”j
为各车型的服务时间调研方差(s)；μe为单条etc车道的平均服务率。
[0071]
对于mtc收费系统，服务时间的均值和方差以及收费车道的通行能力计算公式如
下：
[0072][0073][0074][0075][0076][0077]
其中：em为mtc服务时间均值(s)；dm为mtc服务时间方差(s)；e
i1
为第i种收费方式小型车服务时间调研均值(s)，第i种收费方式调研均值可以是指在交通调查中，使用第i种收费方式的小型车服务时间的平均值；d
i1
为第i种收费方式小型车服务时间调研方差(s)；β
′
ij
为第i种收费方式第j种车型的服务时间均值换算系数；β
″
ij
为第i种收费方式第j种车型的服务时间方差换算系数；α
ij
为第i种收费方式第j种车型的比例；li为收费方式占比；m为车辆类型数；n为收费方式种类数；t
′
ij
为第i种收费方式第j种车型的服务时间调研均值(s)；t
″
ij
为第i种收费方式第j种车型的服务时间调研方差(s)；μm为单条mtc车道的平均服务率。
[0078]
将关键指标和调研参数作为配置参数。关于配置参数的更多内容，参见图1及其相关描述。
[0079]
将配置参数输入车道开闭配置模型，采用粒子群算法对车道开闭配置模型进行求解，得到车道开闭配置方案。
[0080]
车道开闭配置模型可以是指基于配置参数获取车道开闭配置方案的机器学习模型。在一些实施例中，粒子群优化算法(pso)可以通过个体间协作和群体信息共享来寻找最优解。例如，随机初始化每个粒子、评估每个粒子得到全局最优、判断是否满足结束条件、更新每个粒子的速度和位置、评估每个粒子的函数适应值、更新每个粒子的历史最优位置、更新群体的全局最优位置。
[0081]
在一些实施例中，可以基于最小综合成本，确定粒子群算法的目标函数；以得到每个粒子的函数适应值。其中，综合成本与运营成本和用户延误时间成本相关。在一些实施例中，目标函数为：
[0082]
min c＝c
op
c
de
[0083]
其中，c
op
为收费站整体运营成本(元/h)；c
de
为单位时间内的用户延误时间成本(元/h)。收费站整体运营成本c
op
是指收费站建成投入运营后维持正常运转需要的费用，包括工作人员的工资、水电费、设备维修费等。用户延误时间成本c
de
是指车辆在收费站缴费过
程中，由于减速、停车和排队所造成的成本，通常用延误时间和时间价值来衡量。
[0084]
例如，可以构建一种以综合成本最小为目标的车道开闭配置模型。在一些实施例中，车道开闭配置模型的约束条件可以包括，收费站提供的服务能力必须满足到达的交通流、各类型车道至少有1条在全时段开启、etc和mtc车道数之和不能超过已建成的车道总数、车道数均为正整数。其中，满足到达的交通流可以是指etc车道和mtc车道的服务强度均不超过1，且服务强度不为负数；
[0085]
整合各项条件后车道开闭配置模型的目标函数如下：
[0086][0087][0088]
其中：λ
e-pred
、λ
m-pred
为单位时间内etc和mtc车辆到达率预测值(pcu)；d
e-pred
、d
m-pred
为预测交通流对应的etc和mtc服务时间均值(s)；e
e-pred
、e
m-pred
为预测交通流对应的etc和mtc服务时间方差(s)；ρ
e-pred
、ρ
m-pred
为预测交通流对应的etc和mtc服务强度；ae、am为一条etc或mtc车道的运营成本(元/h)；ne、nm为收费站etc或mtc车道的开启数(条)；b为平均每条mtc车道安排的工作人员数(人)；c
sa
为工作人员的平均月工资(元)；d为每个月的工作天数(天)；t为平均每天的工作时长(小时)；hi为i车型的平均载人数(人)；αi为i车型的比例；a为人均时间价值(元/h)；n为已建成的车道总数。
[0089]
本说明书中的一些实施例所提的车道开闭配置模型综合考虑了收费站管理者和出行者的利益，并依托于交通流预测值制定车道开闭配置方案，为高速公路收费站车道开闭配置方案的实时更新和人力资源的合理分配提供了更好的参考。
[0090]
图4为本发明一些实施例提供的一种车道开闭配置系统的示例性示意图。如图4所示，系统400可以包括构建模块410、交通流预测结果获取模块420、关键指标获取模块430、配置参数获取模块440和车道开闭配置方案获取模块450。
[0091]
构建模块410可以用于构建输入数据集；输入数据集至少包括交通流结果。关于构建模块410的更多内容，参见图1及其相关描述。
[0092]
交通流预测结果获取模块420用于基于输入数据集，得到交通流预测结果；交通流预测结果至少包括车型信息。关于交通流预测结果获取模块420的更多内容，参见图1及其相关描述。
[0093]
关键指标获取模块430用于基于交通流预测结果，得到关键指标；关键指标至少包括车型信息和收费方式信息。关于关键指标获取模块430的更多内容，参见图1及其相关描述。
[0094]
配置参数获取模块440用于基于关键指标，得到配置参数。关于配置参数获取模块440的更多内容，参见图1及其相关描述。
[0095]
车道开闭配置方案获取模块450用于基于配置参数，得到车道开闭配置方案。关于车道开闭配置方案获取模块450的更多内容，参见图1及其相关描述。
[0096]
本发明提出的基于多元收费方式m/g/k排队模型分别确定etc收费车道和mtc收费车道的服务时间均值和方差计算的方法和使用多元收费方式下的平均服务率计算收费车道通行能力的方法。在交通流预测方面，能够取得良好的预测效果，其中交通量和车型比例的均方根误差(rmse)分别为16.24和0.03，平均绝对百分比误差(mape)分别为13.32％和1.77％。在车道开闭配置方面，所提的车道开闭配置模型相比于现有方案，能够在保证一定服务水平的前提下，具备更高的时效性和更低的综合成本，其中工作日平均每天的综合成本能够减少175.92元，降低了2.30％，休息日平均每天的综合成本能够减少605.52元，降低了5.14％。
[0097]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。