一种考虑出口转向的城市道路行程时间的估计方法与流程
本发明属于智能交通领域，具体涉及一种考虑出口转向的城市道路行程时间的估计方法。
背景技术：
行程时间是智能交通系统的主要参数之一，是衡量路网交通拥堵状况、出行效率的重要指标。在城市路网中，行程时间是指从路段上游点到下游点所需时间总和。由于城市道路交叉口信号控制、交通流自身的不守恒性，造成不同出口转向之间行程时间差别很大，准确估计城市路网行程时间仍然面临着挑战。行程时间的预测通常采用的方法包括时间序列法、人工神经网络模型、卡尔曼滤波等，这些方法虽然都具有一定的准确性，但存在基础数据多计算量大求解不易的问题。
技术实现要素：
为解决上述问题，本发明提供一种考虑出口转向的城市道路行程时间的估计方法，该方法包括：
步骤一、建立累计直方图修正模型；
步骤二、对车辆不同出口转向的上游累计车辆数进行估算；
步骤三、利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的平均行程时间。
进一步地，所述累计直方图修正模型为：
式中：UA(t)为上游路段累计车辆数；Um(t)为车辆不同的出口转向的上游累计车辆数；ε为误差参数；用字母m表示车辆不同的出口转向，m代表T、L、R，其中T表示直行，L表示左转，R表示右转。
进一步地，所述对车辆不同出口转向的上游累计车辆数估算方法为：
(1)计算UA(t)和Dm(t)；
所述UA(t)和Dm(t)通过布设在停车线处的检测器数据求出，其中，Dm(t)表示下游路段累计车辆数；
(2)垂直缩放UA(t)，估计Um(t)；
定义变量Vm,p为有效比例因子，表示一天中p时间间隔内m出口转向的比例因子；ts,p和te,p分别表示p时间间隔车辆行程的起点时刻和终点时刻(本文Vm,p的取值可以根据路段各出口转向的流量比例设置各出口转向对应的比例因子值，如果Vm,p＝1，则Um(t)＝UA(t))；
在p时间间隔的起始时刻ts,p对上游m出口转向的初始累积车辆数Um(ts,p)进行估计，然后运用公式(2)对各时间间隔UA(t)以相应比例因子进行垂直缩放，得出Um(t)的估计值；
式中：Y(t)为ts,p到t时间间隔m转向的车辆数；UA(t)-UA(ts,p)为ts,p到t时间间隔内累积车辆数；Um(t)为t时刻进行m转向的累计车辆数；
(3)利用探测车数据，计算Um′(t)；
引入探测车是为了使其在交叉口提供时间标记，将探测车采集到的数据定义为D′m(t)，现定义有n辆探测车，探测车位于上游和下游的时间点分别为tu和td，对Um(t)曲线所经过的点进行定义，步骤如下：
a、将td的数据列表按照数据值的升序(即到达的先后顺序)进行排序；
b、将tu的数据列表按照数据值的升序(即出发的先后顺序)进行排序；
c、则将Um(t)经过的点定义为(tuj,D′(tdj))，其中tuj和tdj分别是tu、td数据列表中第j辆探测车的数据；
道路上车流量较少处于自由流状态时，此时将累积直方图数据进行初始化处理，定义初始参考点P0(Um(t0)＝D′m(t0)＝0)，选取道路上交通流量从自由流逐渐向缓行状态过渡的时刻作为tr，定义Pr(tr,Um(tr))为累积直方图中的一个参考点，对于直方图中其他点Pj，以前一点Pj-1作为参考进行重新计算，则重新计算得到的Um′(t)所经过的点(tp,Yp)的计算公式如下：
Um′(t)＝Um(t)+C (3)
其中，
式中：Um′(t)为重新计算Um(t)得到的m出口转向的上游累积车辆数；C为修正变量；s为缩放因子。
进一步地，所述比例因子Vm,p，是将前一天各固定时间间隔的Um′(t)和UA(t)进行整合，用于对未来时刻路网交通状态进行预测，Vm,p的计算公式如下：
其中：
式中：te,p、ts,p分别为p时间间隔开始和结束时刻；YA,p、Ym,p分别为UA(t)和Um′(t)在p时间间隔内的累积计数。
进一步地，所述利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的平均行程时间方法为：将Um′(t)和检测器数据Dm(t)代入公式(8)中，计算路段具体出口转向的平均行程时间
其中：
N＝U′m(t2)-U′m(t1)＝Dm(t4)-Dm(t3) (9)
式中：Um′(t)为重新计算得出的上游m出口转向的累计车辆数；S为全部行程时间；N为时间t1-t2(t3-t4)内到达上游点(离开下游点)的累积车流量；
本发明的有益效果：通过将定点检测器和探测车采集的数据与传统累积直方图模型相结合，重新建立考虑不同出口转向的行程时间累积直方图模型并进行实例分析，新建累积直方图模型的估计值与探测车实测值的误差在10％左右，且只需要少量交通流数据就能够得出不同出口转向的行程时间数据，能够简单有效地判断路口各个方向是否处于交通饱和状态，对后续控制策略的制定及防止交通拥挤的加剧具有较高的应用价值。
附图说明
图1为本发明垂直缩放UA(t)示意图；
图2为本发明累积直方图修正模型建立流程图；
图3为本发明利用探测车数据计算Um′(t)示意图；
图4为本发明平均行程时间计算示意图；
图5为本发明实施例研究区域图；
图6为本发明实施例的左转行程时间图；
图7为本发明实施例的左转行程时间误差分析图；
图8为本发明实施例的直行行程时间图；
图9为本发明实施例的直行行程时间误差分析图；
图10为本发明实施例的右转行程时间图；
图11为本发明实施例的右转行程时间误差分析图；
图12为本发明实施例的相同交通流情况下方法准确率对比图；
具体实施方式
以下结合附图对本发明的优选实施案例进行说明，应当理解，此处所描述的优选实施案例仅用于解释和说明本发明方案，并不用于限制本发明。
具体实施例：请参见图1、2、3，一种考虑出口转向的城市道路行程时间的估计方法，该方法包括：
步骤一、建立累计直方图修正模型：
式中：UA(t)为上游路段累计车辆数；Um(t)为车辆不同的出口转向的上游累计车辆数；ε为误差参数；用字母m表示车辆不同的出口转向，m代表T、L、R，其中T表示直行，L表示左转，R表示右转。
步骤二、对车辆不同出口转向的上游累计车辆数进行估算，该估算方法为：
(1)计算UA(t)和Dm(t)；
所述UA(t)和Dm(t)通过布设在停车线处的检测器数据求出，其中，Dm(t)表示下游路段累计车辆数；
(2)垂直缩放UA(t)，估计Um(t)，请参见图1；
定义变量Vm,p为有效比例因子，表示一天中p时间间隔内m出口转向的比例因子；ts,p和te,p分别表示p时间间隔车辆行程的起点时刻和终点时刻(本文Vm,p的取值可以根据路段各出口转向的流量比例设置各出口转向对应的比例因子值，如果Vm,p＝1，则Um(t)＝UA(t))；
在p时间间隔的起始时刻ts,p对上游m出口转向的初始累积车辆数Um(ts,p)进行估计，然后运用公式(2)对各时间间隔UA(t)以相应比例因子进行垂直缩放，得出Um(t)的估计值；
式中：Y(t)为ts,p到t时间间隔m转向的车辆数；UA(t)-UA(ts,p)为ts,p到t时间间隔内累积车辆数；Um(t)为t时刻进行m转向的累计车辆数；
(3)利用探测车数据，计算Um′(t)，请参见图2、图3；
引入探测车是为了使其在交叉口提供时间标记，将探测车采集到的数据定义为D′m(t)，现定义有n辆探测车，探测车位于上游和下游的时间点分别为tu和td，对Um(t)曲线所经过的点进行定义，步骤如下：
a、将td的数据列表按照数据值的升序(即到达的先后顺序)进行排序；
b、将tu的数据列表按照数据值的升序(即出发的先后顺序)进行排序；
c、则将Um(t)经过的点定义为(tuj,D′(tdj))，其中tuj和tdj分别是tu、td数据列表中第j辆探测车的数据；
道路上车流量较少处于自由流状态时，此时将累积直方图数据进行初始化处理，定义初始参考点P0(Um(t0)＝D′m(t0)＝0)，选取道路上交通流量从自由流逐渐向缓行状态过渡的时刻作为tr，定义Pr(tr,Um(tr))为累积直方图中的一个参考点，对于直方图中其他点Pj，以前一点Pj-1作为参考进行重新计算，则重新计算得到的Um′(t)所经过的点(tp,Yp)的计算公式如下：
Um′(t)＝Um(t)+C (3)
其中，
式中：Um′(t)为重新计算Um(t)得到的m出口转向的上游累积车辆数；C为修正变量；s为缩放因子。
如图3所示，在时间tr之前不对原有直方图进行缩放，在tr-tp时间间隔对直方图进行垂直缩放，超过tp之后由于修正变量C为定值，对其进行垂直转换，从而使得Um′(t)是连续的，且在时刻tp平行于原有Um(t)。最后利用Um′(t)与Dm(t)计算考虑出口转向的城市路段行程时间平均行程时间。
进一步地，所述比例因子Vm,p，是将前一天各固定时间间隔的Um′(t)和UA(t)进行整合，用于对未来时刻路网交通状态进行预测，Vm,p的计算公式如下：
其中：
式中：te,p、ts,p分别为p时间间隔开始和结束时刻；YA,p、Ym,p分别为UA(t)和Um′(t)在p时间间隔内的累积计数。
请参见图4，步骤三、利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的平均行程时间：将Um′(t)和检测器数据Dm(t)代入公式(8)中，计算路段具体出口转向的平均行程时间
其中：
N＝U′m(t2)-U′m(t1)＝Dm(t4)-Dm(t3) (9)
式中：Um′(t)为重新计算得出的上游m出口转向的累计车辆数；S为全部行程时间；N为时间t1-t2(t3-t4)内到达上游点(离开下游点)的累积车流量；
需要说明的是，为验证本发明可行性，申请人以青岛香江路从江山南路至武夷山路一段为实验区域，请参见图5。这是一段由西向东的城市主干道，路段全长2.1km，双向四车道，交通检测器布设在停车线附近，选用2015年7月20日由探测车在上述区间采集到的数据代入神经网络模型和累积直方图修正模型进行实验模拟，分别模拟从S点到L、T、R三点进行左转、直行、右转的车辆。将探测车采集的时间数据定义为实际行程时间ta，利用上述两种模型仿真所得出口转向行程时间定义为预测行程时间te，评价指标如下：
AM＝(1-MAPE) (12)
式中：APE为行程时间绝对百分率误差；MAEP为行程时间平均百分率误差；AM为行程时间估计有效性百分率。
利用上述公式对路段运用上述两种模型进行左转、直行、右转三个方向行程时间误差分析。从图6、图8、图10行程时间预测结果可以看出，累积直方图曲线总体上与实际行程时间曲线的契合度较高，能够对行程时间进行估计；从图7、图9、图11的误差分析可知，运用累积直方图方法进行预测时，误差一般情况下控制在10％以内，并且相对神经网络模型而言准确度稍高，能够较准确的对行程时间进行预测。
另外，为了证明该方法与神经网络模型相比具有简单易行的优势，申请人利用公式(10)-(12)分别对累积直方图模型和神经网络模型在不同交通流量时单位时间间隔内的百分率误差进行分析，请参见图12，从图中可以发现：
(1)采用累积直方图模型进行道路行程时间估计时，估计精度能够达到90％左右，并且随着交通流数据的增加估计精度会有所提高。
(2)本文所提出方法只需要少量探测车数据就可以做出相对准确的预测，但是神经网络模型只有在交通流量较大时检测精度才会相对准确。所以运用累积直方图模型预测行程时间更为简单易行。
最后应说明的是：以上所述仅为本发明的较佳实施方式，并不用于限定本发明，凡在依据本发明的技术实质所作的简单的任何修改、等同替换、修饰等，均应包括在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！