一种基于路口流量的城市道路交通拥堵报警评估方法

1.本发明属于智能交通技术领域，涉及一种基于路口流量的城市道路交通拥堵报警评估方法。


背景技术：

2.我国各城市的交通结构日益复杂，路网不畅、设施不足、畅行不易等问题却越来越突出，对城市交通管理部门提出了更高的要求。交通管理部门需要一种更加高效的自动化拥堵报警评估方法，实时估计道路拥堵情况以及所处的拥堵发展阶段，减少工作量、提高管理效率。目前，国内外采用路段速度、道路交通密度、交通流量等多种指标评价道路拥堵情况，但是这些指标很难反应拥堵所处的发展阶段以及拥堵发生的原因，无法帮助交通管理部门快速的形成拥堵的解决策略和措施。本发明提出了一种基于路口流量的城市道路交通拥堵报警评估方法，可以实时评估道路拥堵所处的阶段以及拥堵发生的原因。拥堵阶段包括没有拥堵、即将拥堵、已经拥堵等3个阶段。拥堵原因包括自发大流量、车流拥堵等。
3.本发明数据源简单，只需要采用交通传感器收集的路口车流量数据，可以采用卡口摄像头、地感线圈、红外等交通传感器作为数据采集设备；方法效率高，可以很好的融入现有的智能交通系统；设备异常、即将拥堵、已经拥堵、车流涌入、自发大流量等报警类型，直观明了，更有利于交通管理部门快速制订应对策略。
4.路口流量为在单位时间段内通过路段出口的车流数量，可以通过卡口摄像头、电感线圈、微波雷达等多种方式检测获得。设备离线为设备本身、通信网络故障、电源故障等原因引起的系统无法准确检测到路口过车的情况，通常路口流量数据为零。即将拥堵为当前路段在一段短时间后将会发生拥堵，表现为路段在当前时间段内没有发生拥堵，在数个时间段以后发生拥堵。已经拥堵为当前路段在当前时间段内发生拥堵。车流涌入为大量车流从上游路段涌入当前路段。自发大流量为当前路段车流量增大到路段的承受极限又不是车辆涌入引起的情况。


技术实现要素：

5.本发明的目的就是提供一种基于路口流量的城市道路交通拥堵报警评估方法，采用交通传感器收集的车流量数据，估计设备异常和路段拥堵异常发生的可能性。同时估计即将拥堵报警、已经拥堵报警、车流涌入以及流量突发等路段拥堵异常。基于车流异常在统计量上的不同表现，从长期过程来看，交通流量在各种维度的量的变化服从正态分布，异常情况往往出现在正态分布的末端。
6.本发明具体包括如下步骤：
7.步骤1、历史流量统计：
8.对于观测路段r，假设第d天的第k个时间段内设备采集到的车流量为计算历史流量的各类统计量，估计流量分布的合理范围；
9.具体为：
10.步骤1.1、采集过去n天路段r在第k个时间段内的车流量数据，输出计算这n天车流量的均值μ
l
和方差σ
l
。
11.步骤1.2、计算路段r过去n天最大历史流量，
12.步骤1.3、计算第d天车流量的取值范围f(μ
l
,σ
l
)＝[μ
l-mσ
l
,μ
l
mσ
l
]，其中m是置信范围。比如常规置信度为99％时，取值m＝2.58。这样就获得了当前时段路段车流量正常情况下的取值范围。
[0013]
步骤1.4、计算流量差值满足同时计算过去n天流量差值的均值μ
dl
和方差σ
dl
以及第d天流量差值的取值范围f(μ
dl
,σ
dl
)＝[μ
dl-mσ
dl
,μ
dl
mσ
dl
]。
[0014]
步骤1.5、采集路段r的上游路段r
′
在k时刻的流量计算上游流量比值满足同时计算过去n天上游流量比值的均值μ
rl
和方差σ
rl
以及第d天上游流量比值的取值范围f(μ
rl
,σ
rl
)＝[μ
rl-mσ
rl
,μ
rl
mσ
rl
]。
[0015]
步骤2、预示类型估计：
[0016]
判断路段r在第d
′
天的第k个时间段的预示类型，分为6种类型：零流量预示wzr、大流量预示wmr、导数流量向上预示wdur、导数流量向下预示wddr、上下游流量向上预示wrur以及上下游流量向下预示wrdr。预示类型是对于异常情况的估计，是报警类型评估的基础。一个时间段内一条路段可能发生多种类型的预示。
[0017]
具体为：
[0018]
步骤2.1：当时，路段r在k时刻车流量为零，输出零流量预示wzr。
[0019]
步骤2.2：当时，路段r在k时刻车流量超过了历史最大值，输出大流量预示wmr。
[0020]
步骤2.3：当时，流量增速范围大大超过历史增速的可信范围，输出导数流量向上预示wdur；当时，流量减速范围大大超过历史减速的可信范围，输出导数流量向下预示wddr。
[0021]
步骤2.4：当时，当前路段流量远大于上游路段出口流量，输出上下游流量向上预示wrur；当时，当前路段流量远小于上游路段流量，输出上下游流量向下预示wrdr。
[0022]
步骤3：报警类型评估：
[0023]
根据不同的预示状态以及预示状态的组合获得报警类型。一条路可能存在多种报警。本发明的报警类型分为设备异常报警和道路异常报警，道路异常报警又分为即将拥堵报警、已经拥堵报警、车流涌入报警和自发大流量报警。具体步骤如下：
[0024]
步骤3.1：评估设备异常报警。设备离线时，系统无法通过设备获取路段车流量，对应的路段车流量长时间为零。对于当前路段设备，在高峰期连续x个周期存在零流量预示wzr，输出设备异常报警；在平峰期连续2*x个周期存在零流量预示wzr，并且下游路段在这时段内都不存在零流量预示wzr，输出设备异常报警。其中，x＝30分钟/时段时间长度。
[0025]
步骤3.2：评估道路异常报警，具体为：
[0026]
步骤3.2.1：评估即将拥堵报警。即将拥堵报警发出情况为路段r在第k-1个时间段内车流量未达到最大值，而在第k个时间段内车流量达到最大值。因此若路段r在第k-1个时间段内不存在大流量预示wmr，而在第k个时间段存在大流量预示wmr，输出即将拥堵报警。
[0027]
步骤3.2.2：评估已经拥堵报警。已经拥堵报警发出情况为路段r在前{k-x|x＝1,2,3,
…
,n}个时间段车流量一直很大，并且第k个时间段的车流量比上游路段的车流量大很多。因此若路段r前x个周期存在即将拥堵报警或者已经拥堵报警，并且在第k个时间段存在上下游流量向上预示wrur，输出已经拥堵报警。
[0028]
步骤3.2.3：评估车流涌入报警。车流涌入报警发出情况为路段r在第k个时间段内车流量突然增大，且路段r的上游路段r
′
在第k个时间段内车流量也突然增大。因此若路段r第k个时间段内存在导数流量向上预示wdur，并且上游路段r
′
第k个时间段内也存在导数流量向上预示wdur，输出车流涌入报警。
[0029]
步骤3.2.4：评估自发大流量报警。自发大流量报警发出情况为路段r在第k个时间段内车流量突然增大，下游路段r
″
在第k个时间段内车流量也突然增大，但是上游路段r
′
在第k个时间段内车流量无明显变化。因此若路段r第k个时间段内存在导数流量向上预示wdur，并且下游路段r
″
在第k个时间段内也存在导数流量向上预示wdur″
，但是上游路段r
′
第k个时间段内不存在导数流量向上预示wdur′
以及导数流量向下预示wddr′
，输出自发大流量报警。
[0030]
本发明适用于各种道路模型，可以降低预测结果的误差；只需要使用交通传感器采集路口流量数据就可以实现报警类型评估；可以实时对多种交通拥堵报警类型进行评估并反馈给交通管理部门帮助实时改变解决策略。
附图说明
[0031]
图1为本发明流程图。
具体实施方式
[0032]
下面结合附图对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
[0033]
本实施例在2017年3月至6月第72个时间段对杭州市某地区共10条道路采用卡口摄像头来采集数据进行城市道路交通报警类型估计，其中一天共分为144个时间段，每10分钟为一个时间段，举例对编号为5713301101的路段进行分析，如图1所示，一种基于路口流量的城市道路交通拥堵报警评估方法，具体包括如下步骤：
[0034]
步骤1、历史流量统计：对于观测到的编号为5713301101路段，第45天的第72个时间段内设备采集到的车流量为653辆。
[0035]
步骤1.1、采集路段5713301101在第72个时间段内的历史车流量数据，数据来自10天，分别为{197，309，278，321，428，547，493，159，166，214}，计算这10天车流量的均值为311.2，方差为130.47。
[0036]
步骤1.2、计算路段5713301101在第72个时间段的最大历史流量为547辆。
[0037]
步骤1.3、计算第45天车流量的取值范围[0,647.8]，其中常规置信度为99％时，取值m＝2.58。
[0038]
步骤1.4、采集路段5713301101第45天第71个时间段的车流量数据为497辆，计算
第72与第71个时间段的流量差值为156辆；同时计算历史10天的流量差值分别为{4，11，15，23，46，-12，-15，19，7，-1}，其均值为9.7，方差为16.9。历史车流量差值的取值范围为[-33.9,53.3]。
[0039]
步骤1.5、采集路段5713301101的上游路段5713301102在第45天第72个时间段的车流量为331辆，上游流量比值为1.97，同时计算历史10天的均值上游流量比值为{1.13，1.56，0.9，1.15，1.33，1.28，0.9，0.32，1.04，1.29}，因此均值为1.09，方差为0.32，历史上游流量比值范围为[0.26,1.92]。
[0040]
步骤2、预示类型估计，具体为：
[0041]
步骤2.1、发现路段5713301101第45天第72个时间段车流量为653辆大于历史最大值547辆，因此出现大流量预示。
[0042]
步骤2.2、发现路段5713301101第45天第72个时间段车流量比第71个时间段多了156辆，超过了历史范围的53辆，因此存在导数流量向上预示。
[0043]
步骤2.3、发现路段5713301101和上游路段5713301102在第45天第72个时间段的上游流量比值1.97》1.92，因此出现上下游流量向上预示。
[0044]
3、报警类型评估：根据路段5713301101在第54天第71个时间段车流量数据发现其未达最大值而在第72个时间段车流量超过了最大值，因此该路段输出“路段即将拥堵”报警；根据计算发现该路段上游路段未发生导数流量向上预示和导数流量向下预示，而下游路段也发生了导数流量向上预示，因此输出“自发大流量”报警。
[0045]
此外，本项目还对采集数据的10条路段进行报警类型评估并统计，将计算结果与真实数据相比较，计算出本项目设计方法的检出率和错误率。检出率计算方法为(检出次数-错误次数)/真实次数,错误率为错误次数/检出次数。计算结果如下：
[0046]
经过项目组成员对10条道路实地观察，在2017年3月至6月第72个时间段杭州市某地区10条道路真实设备异常共5次，真实拥堵共49次，其中，属于即将拥堵的共21次，属于已经拥堵的共13次，属于车流涌入的共14次，属于自发大流量的共9次。根据本项目设计方法检出设备异常报警次数为5次，其中1次为错误检测；路段已经拥堵共12次，其中1次为错误检测；路段车流涌入共12次，其中2次为错误检测。因此本项目设计方法的设备异常检出率为80％，错误率为20％；路段已经拥堵的检出率为84.6％，错误率为8.3％；路段车流涌入的检出率为71.4％，错误率为16.7％。
[0047]
以上所述为本发明的具体实施案例，若因本发明构思所做的改变仍未超出说明书所涵盖的精神时，仍应属于本发明的保护范围。