一种降雨天气对城市道路通行影响程度的评估方法与流程

本发明属于城市交通管理技术领域，特别是涉及一种降雨天气对城市道路通行速度影响程度的评估方法。

背景技术：

现有降雨交通影响分析的方法包括线性回归模型和交通流参数模型。其中回归模型通过建立降雨量大小与速度之间的回归方程来分析降雨的影响，但模型往往只关注当前降雨量的影响，忽略降雨累积量的作用，且模型还缺乏对于道路交通环境变量的考虑。交通流参数模型主要通过构建交通流参数之间的函数关系来分析降雨的作用，但由于不同路段交通流参数之间函数关系存在较大差异，使得模型结果不适用于其他路段。

目前降雨天气交通影响的研究大多基于实时气象数据和交通流特征数据的简单相关性分析，侧重于研究当前降雨量对于交通流特征的影响，忽略降雨累积量对道路交通流的作用，这使得关于降雨对交通流特征影响的分析不够全面，导致分析结果的不准确，且模型难以推广。

因此，有必要发明一种降雨天气对城市道路通行速度影响程度的评估方法。

技术实现要素：

本发明所要解决的技术问题是：提出一种降雨天气对城市道路通行速度影响程度的评估方法，通过对出行者择路行为相关的参数进行拟合，也能够预先对交通路网变化下的交通流量变化进行预估。

本发明采用的技术方案是：包括计算机，所述计算机将数据整合和滤波，通过降雨影响分析模型，预先对气象降雨天气的城市道路通行速度影响程度进行预估；

所述降雨天气对城市道路通行速度影响程度的评估方法，如下步骤：

s10.数据整合和滤波；

根据浮动车gps数据、气象降雨数据和路网数据的时空属性进行数据匹配，以获得不同路段的5分钟时间精度的通行速度序列和降雨量序列，并采用领域滤波和中值滤波对速度序列和降雨量序列进行降噪处理；

s20.降雨影响规律分析模型；

对不同路段构建基于通行速度的多元时间序列分析模型(armax)，估算模型中降雨变量的回归系数、显著性水平和模型的拟合优度(adjustedr-square)；

s30.降雨影响等级分析模型；

根据降雨变量回归系数的显著性水平来获得初始的路段降雨影响等级序列，以路段降雨影响等级为因变量，降雨变量回归系数为自变量构建orderedprobit模型，根据模型结果修正路段降雨影响等级序列；

s40.降雨影响程度评估方法；

根据降雨变量的回归系数估算大雨(15mm/h)天气下，不同路段通行速度的下降量，对应不同路段的降雨影响等级，确定不同降雨影响等级所对应的速度下降范围；

s50.输出降雨影响程度评估方法。

本发明实施例提供的技术方案带来的有益效果是：本发明通过时间序列分析方法引入路段通行速度的时间滞后项作为控制变量，控制其它未知因素的影响，模型结果更具有一般性。其次，考虑到降雨影响的非线性作用，本发明引入降雨变量的二次项(r5^2)和三次项(r5^3)，从而更为准确的分析降雨对道路交通流速度的作用规律。再次，本发明还引入降雨累积变量(r30，r60)，从而准确评估整个降雨过程的作用，降雨的影响分析更为全面。最后本发明通过以降雨的作用因子(r5，r30，r60的回归系数)来构建排序模型来对降雨影响等级进行分析，使得降雨影响等级的评估更客观，避免人为主观分级的弊端，评估结果更可靠，相比现有的降雨影响分析方法，本发明具有以下优点：

1、降雨影响规律模型(armax模型)引入路段通行速度的时间滞后项作为控制变量，控制其它未知因素的影响，模型结果更具有一般性；

2、降雨影响规律模型(armax模型)引入降雨量的二次项和三次项，分析降雨影响的非线性过程，模型结果的准确性更高；

3、降雨影响规律模型(armax模型)引入降雨累积变量，综合考虑整个降雨过程对路段通行速度的作用，模型结果更为全面；

4、降雨影响等级评估模型(orderedprobit模型)将不同路段的降雨敏感性进行分级，避免人为主观分级的弊端，模型结果可靠性更高。

附图说明：

图1为本发明降雨天气对城市道路通行速度影响程度的评估方法流程示意图；

图2为本发明数据滤波后的路段通行速度的时序图；

图3为本发明当前时刻降雨量与路段通行速度的散点图；

图4为本发明前30分钟降雨累积量与路段通行速度的散点图；

图5为本发明前30～60分钟降雨累积量与路段通行速度的散点图。

具体实施方式

为了更充分理解本发明的技术内容，下面结合附图和具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

参见图1至图5所示，一种降雨天气对城市道路通行速度影响程度的评估方法，包括计算机，计算机将数据整合和滤波，通过降雨影响分析模型，预先对气象降雨天气的城市道路通行速度影响程度进行预估；

参照图1，为本发明一种降雨天气对城市道路通行速度影响程度的评估方法的流程图。

如图1所示，在本发明流程中，该降雨天气对城市道路通行速度影响程度的评估方法包括如下步骤：

s10，数据整合和滤波，根据浮动车gps数据、气象降雨数据和路网数据的时空属性进行数据匹配，以获得不同路段的5分钟时间精度的通行速度序列和降雨量序列。并采用领域滤波和中值滤波对速度序列和降雨量序列进行降噪处理。

具体地，在步骤s10中，数据整合和滤波的过程如下：

s11，浮动车gps数据和气象降雨数据导入postgresql数据库；

s12，通过postgis地理信息系统将浮动车gps数据、气象降雨数据与深圳路网数据进行时空属性匹配；

s13，根据路段id提取特定路段的5分钟时间精度的速度序列；

s14，通过邻域滤波和中值滤波去除速度序列的数据噪声，路段通行速度滤波后时序图如图2所示；

s15，根据气象监测站id提取降雨量序列；

s16，根据降雨数据时间属性，获取5分钟降雨量、前30分钟及前30～60分钟降雨累积量序列。

其中步骤s20，降雨影响规律分析，通过对不同路段构建基于通行速度序列的多元时间序列分析模型(armax)，估算模型中降雨变量的回归系数、显著性水平和模型的拟合优度(adjustedr-square)。

具体地，在步骤s20中，降雨影响规律分析的过程如下：

s21，确定模型变量，因变量序列为路段通行速度序列，路段通行速度受降雨影响过程如图3、图4和图5所示；自变量序列包括：当前时刻降雨量序列、降雨累积量序列、早晚高峰序列，非工作日序列、降雨与早晚高峰交互项序列，具体模型变量如下所示：

表1armax模型变量选取其定义

s22，路段通行速度序列相关性分析，确定arma(p,q)模型的参数p和q。

s23，通过最小二乘法(ols)计算不同路段模型的降雨相关变量的回归系数、显著性水平和模型的拟合优度。

其中s30步骤中，降雨影响等级评估，根据降雨影响变量的显著性水平来获得初始的路段降雨影响等级序列，以降雨影响等级为因变量，降雨变量回归系数为自变量构建orderedprobit模型，根据模型结果修正路段降雨影响等级序列。

具体地，在步骤s30中，降雨影响等级评估的过程如下：

s31，根据armax模型结果，降雨相关变量(r5,r30,r60)的回归系数统计上全部显著，则降雨影响等级为3，都不显著，则降雨影响等级为0，以此类推，得到离散形式的路段降雨影响等级序列。

s32，以初始路段降雨影响等级为因变量，回归系数值为自变量，构建orderedprobit模型，模型变量描述如下：

表2排序模型变量定义

s33，通过极大似然估计(mle)计算模型参数的值，并修正初始降雨影响等级序列，降雨影响等级修正模型如下：

s40，降雨影响程度评估，根据降雨变量的回归系数估算大雨(15mm/h)天气下，不同路段通行速度的下降量，对应不同路段的降雨影响等级，确定不同降雨影响等级所对应的速度下降范围。

具体地，在步骤s40中，降雨影响程度评估的过程如下：

s41，根据不同路段的armax模型的降雨相关变量回归系数，计算不同气象降雨等级的速度下降量。

s42，计算不同降雨影响等级路段的速度下降范围，结果如下：

表4大雨(15mm/h)条件下，不同降雨影响等级速度下降量

s43，根据不同降雨影响等级的速度下降范围，排除首尾极端值的影响，取整标定后形成降雨影响程度评价方法，结果如下：

本发明在构建降雨交通影响分析模型时，考虑到不同交通路况下路段速度的变化规律以及其他未知因素的作用，通过时间序列分析方法引入路段通行速度的时间滞后项作为控制变量，控制其它未知因素的影响，模型结果更具有一般性。其次，考虑到降雨影响的非线性作用，本发明引入降雨变量的二次项(r5^2)和三次项(r5^3)，从而更为准确的分析降雨对道路交通流速度的作用规律。再次，本发明还引入降雨累积变量(r30，r60)，从而准确评估整个降雨过程的作用，降雨的影响分析更为全面。最后本发明通过以降雨的作用因子(r5，r30，r60的回归系数)来构建排序模型来对降雨影响等级进行分析，使得降雨影响等级的评估更客观，避免人为主观分级的弊端，评估结果更可靠。

相比现有的降雨影响分析方法，本发明具有以下优点：

1、降雨影响规律模型(armax模型)引入路段通行速度的时间滞后项作为控制变量，控制其它未知因素的影响，模型结果更具有一般性；

2、降雨影响规律模型(armax模型)引入降雨量的二次项和三次项，分析降雨影响的非线性过程，模型结果的准确性更高；

3、降雨影响规律模型(armax模型)引入降雨累积变量，综合考虑整个降雨过程对路段通行速度的作用，模型结果更为全面；

4、降雨影响等级评估模型(orderedprobit模型)将不同路段的降雨敏感性进行分级，避免人为主观分级的弊端，模型结果可靠性更高。

以上所述仅为本专利优选实施方式，并非限制本专利范围，凡是利用说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其它相关的技术领域，均属于本专利保护范围。