基于实时通行能力的拥堵调控策略推荐方法及系统与流程

本发明涉及智能交通工程领域，尤其涉及一种基于实时通行能力的拥堵调控策略推荐方法及系统。
背景技术：
：国内关于道路通行能力的研究主要集中在通行能力的影响因素以及这些影响因素对道路的通行能力的影响程度、不同类型道路通行能力的计算方法、道路服务水平评价等方面。而对于通过交通大数据来计算道路的通行能力，掌握路网交通运行状态方面的研究较为罕见。城市道路交通干线支撑了整个城市道路网络，而交叉口作为连接干线的关节，其畅通与否直接影响了道路网络的运行。若某交叉口通行能力不足而产生拥堵状况，造成交通流的堆积，拥堵会向周围蔓延，造成更多路口发生拥堵。现有的交通调控手段以信号配时人员凭借经验的现场调控为主，费时费力，往往快速难以解决拥堵难题。交叉口的通行能力是由不同功能的车道通行能力构成，若无法准确判断不同道路对象的实时通行能力运行情况，则制定的调控策略可能难以达到预期的效果，甚至产生负面作用。实时掌握不同道路对象的交通状况，精准分析拥堵原因，快速推荐合理有效的拥堵调控策略，是大数据时代城市交通智能控制亟待解决的难题。技术实现要素：为了克服现有技术难以实现实时通行能力计算、精准快速推荐合理有效的拥堵调控策略的不足，本发明提供一种基于实时通行能力的拥堵调控策略推荐方法及系统。本发明解决其技术问题所采用的技术方案是：基于实时通行能力的拥堵调控策略推荐方法，包括：s1、获取实时交通数据、道路基础信息，计算车道实时通行能力；s2、根据车道实时通行能力计算结果，识别车道运行状态，对符合拥堵条件的车道进行报警；s3、分析实时车道报警原因，并推荐调控策略。进一步，所述实时交通数据，包括信号周期开始时间、相位开始时间、相位时长、周期时长、饱和度、流量、日期；所述道路基础信息，包括道路空间地理位置信息、路口编号、路段等级、路段长度、路段编号、车道编号、车道功能、所属相位。进一步，所述计算车道实时通行能力的方法，包括：s1.1、数据预处理，提取饱和度和流量数据，并将流量等效转换为小时流率；s1.2、采用回归分析方法构建车道流率模型；s1.3、匹配车道流率，计算车道实时通行能力。进一步，所述采用回归分析方法构建车道流率模型，具体为采用最小二乘法拟合流率和饱和度的数据分布关系，构建车道流率模型函数表达式，并根据路段等级、车道功能确定车道流率模型参数的置信区间，建立车道标准流率模型，对车道拟合结果不理想的车道流率模型进行优化。进一步，所述对车道拟合结果不理想的车道流率模型进行优化，具体包括：根据车道流率模型参数的置信区间，对拟合结果进行评价，并将拟合结果在置信区间内的车道流率模型存入数据库；针对数据缺失、拟合结果整体异常或局部异常的车道，从数据库中匹配正常的车道流率模型，若匹配成功，调取历史车道流率模型替换当前车道流率模型；若匹配失败，则采用标准流率模型替换拟合异常的部分。进一步，所述匹配车道流率，计算车道实时通行能力，具体为：基于实时饱和度数据和车道流率模型，匹配车道饱和流率、车道最大流率和车道实际流率，其中车道饱和流率为车道在理想的道路条件和交通条件下单位时间内能够连续通过停车线的最大车辆数，车道最大流率和车道实际流率为车道在实际的道路条件和交通条件下单位时间内能够连续通过停车线的最大车辆数和实际的车辆数；基于车道流率匹配结果，采用饱和流率法，根据车道饱和流率、车道最大流率和车道实际流率分别计算车道最优通行能力、车道最大通行能力和车道实际通行能力。进一步，所述拥堵条件，具体为连续α个信号周期车道实际通行能力达到车道最大通行能力，且车道最大通行能力相较车道最优通行能力损失超过β，其中1＜α≤5且α∈n，15%≤β≤30%，α、β根据实际情况设定。进一步，所述分析实时车道报警原因，并推荐调控策略，具体包括：s3.1、依据信号调控人员拥堵调控记录，构建历史车道通行能力、报警原因、调控策略关系库；s3.2、根据历史车道通行能力、报警原因，采用bp神经网络算法构建并训练车道报警原因分析模型；s3.3、根据调控策略出现的频率，统计各类报警原因中调控策略的排名；s3.4、采用训练好的车道报警原因分析模型，输入报警车道实时通行能力数据，分析报警原因，并推荐该报警原因下排名靠前的调控策略。进一步，所述步骤s3.1，具体包括：根据车道通行能力计算结果，识别车道运行状态，对符合拥堵条件的车道进行报警，信号调控人员根据报警调用路口视频监控，对报警原因进行诊断，并根据经验设置调控策略进行调控，对车道通行能力、报警原因、调控策略记录并存储，构建历史车道通行能力、报警原因、调控策略关系库，其中所述报警原因，包括交通事故、道路拥堵和路口回溢等。基于实时通行能力的拥堵调控策略推荐系统，其特征在于，包括：数据采集模块，采集实时交通数据、道路基础信息；车道流率模型拟合优化模块，基于历史交通数据和道路基础信息，针对不同等级和功能的车道构建车道流率模型并优化；通行能力计算模块，基于实时饱和度数据和车道流率模型，计算车道实时通行能力；实时通行能力运行情况监测及报警模块，实时监测车道通行能力计算结果并识别车道运行状态，符合拥堵条件则对该车道进行一次拥堵事件报警，信号调控人员可根据报警调用路口监控视频，诊断报警原因并根据经验进行调控；数据库模块，包括数据存储单元、车道流率模型存储单元、拥堵调控关系存储单元；所述数据存储单元，用于存储数据采集模块采集的数据；所述车道流率模型存储单元，用于存储车道流率模型；所述拥堵调控关系单元，用于存储车道通行能力计算结果和相应的报警原因、信号调控人员调控策略；调控策略推荐模块，对历史车道通行能力和报警原因之间的关联性进行机器学习，根据调控策略出现的频率，统计各类报警原因中调控策略的排名，实时通行能力运行情况报警时对报警原因进行分析并推荐该报警原因下排名靠前调控策略；其中，所述数据采集模块与所述数据库模块数据存储单元相连，所述车道流率模型拟合优化模块与所述数据库模块数据存储单元、所述数据库模块车道流率模型存储单元相连，所述通行能力计算模块与所述数据采集模块、所述数据库模块车道流率存储单元相连，所述实时通行能力运行情况监测及报警模块与所述通行能力计算模块所述数据库模块拥堵调控单元相连、所述调控策略推荐模块与所述实时通行能力运行情况监测及报警模块、所述数据库模块拥堵调控关系单元相连。进一步，所述车道实时通行能力，包括车道最优通行能力、车道最大通行能力、车道实际通行能力，所述车道最优通行能力，是指在理想的道路条件和交通条件下，所属相位有效绿信比下，单位时间内能够通过停车线的最大车辆数；所述车道最大通行能力和车道实际通行能力，是指在是实际的道路条件和交通条件下，所属相位有效绿信比下，单位时间内能够通过停车线的最大车辆数和实际车辆数。本发明的有益效果主要表现在：克服了传统的通行能力计算中难以实现大规模、高效率、实时性计算的问题，基于道交通大数据实现了车道通行能力的实时计算及交通运行状态识别，进而构建通行能力监测系统，实现道路拥堵事件的实时定位及报警，通过ai算法帮助交通管理部门快速分析拥堵事件的原因并推荐调控策略。同时，基于本发明提供的道路实时通行能力等信息，研究人员能够实时地掌握不同道路对象的交通状况，分析其供需关系的合理性，为交通控制策略的研究提供数据支持。附图说明图1是本发明方法的流程示意图。图2是本发明实施例的典型车道流率模型图。图3是本发明实施例的流率与饱和度样例数据分布关系的拟合图。图4是本发明实施例的bp神经网络模型图。图5是本发明系统的结构示意图。具体实施方式下面结合附图对本发明的具体实施方式作进一步说明。基于实时通行能力的拥堵调控策略推荐方法，包括：s1、获取实时交通数据、道路基础信息，计算车道实时通行能力；s2、根据车道实时通行能力计算结果，识别车道运行状态，对符合拥堵条件的车道进行报警；s3、分析实时车道报警原因，并推荐调控策略。进一步作为优选的实施方式，步骤s1中，实时交通数据，包括信号周期开始时间、相位开始时间、相位时长、周期时长、饱和度、流量、日期；道路基础信息，包括道路空间地理位置信息、路口编号、路段等级、路段长度、路段编号、车道编号、车道功能、所属相位。选取一条典型的直行机动车道作为本发明的优选实施例，获取该车道部分实时交通数据如表1中所示。表1车道交通数据样例获取的道路基础信息样例数据如表2所示。其中，车道类型1003001表示标准机动车道，车道功能为1表示该车道为直行车道。匹配车道基础信息是为了确定车道的功能和类型以便后续对车道模型进行优化。表2道路基础信息路口编号车道类型车道编号车道功能所属路段编号6331003001111utrss004737进一步作为优选的实施方式，步骤s1中，计算车道实时通行能力的方法，包括：s1.1、数据预处理，提取饱和度和流量数据，并将流量等效转换为小时流率；s1.2、采用回归分析方法构建车道流率模型；s1.3、匹配车道流率，计算车道实时通行能力。进一步作为优选的实施方式，步骤s1.1数据预处理中，包括数据的清洗、匹配和筛选。其中，数据清洗是指将无效的数据从选择的数据中剔除；数据匹配是指将交通数据中的车道编号和道路基础信息中的车道功能、车道类型等信息进行匹配；数据筛选是指选取合适的交通数据用于模型拟合。所述的数据筛选中，由于线性回归对异常值较为敏感，需要设计合理的数据筛选规则来提高拟合结果的准确性。根据饱和流率的定义，数据筛选的具体流程为：基于时间序列，提取近期的饱和度和流量数据。同时为了保持时间单位的一致性，将流量等效转换成小时流率，其换算公式为：其中：n为有效绿灯时间内通过车道停车线的车辆数，代表车道所属相位的绿灯时长，3600/表示一个小时的周期数。以0%为初始值，5%为步长生成等差序列，将饱和度近似替换为序列中最接近的数值。统计替换后相同饱和度下的流率并排序，筛选各饱和度下排名靠前的流率数据用于模型拟合。进一步作为优选的实施方式，步骤s1.2中，采用回归分析方法构建车道流率模型，具体为采用最小二乘法拟合流率和饱和度的数据分布关系，构建车道流率模型函数表达式，并根据路段等级、车道功能确定车道流率模型参数的置信区间，建立车道标准流率模型，对车道拟合结果不理想的车道流率模型进行优化。车道流率模型代表车道在不同饱和度状态下对应的车道流率。采用最小二乘法拟合流率和饱和度的数据分布关系中，流率和饱和度的分布特性近似三角形，典型的流率模型如图2所示。模型整体呈三角形，三角形的顶点为流率和饱和度函数关系的转折点，称之为临界点。临界点处的流率即为车道在理想交通状况下的饱和流率，对应的饱和度为临界饱和度。同时，将临界点左侧的交通流状态定义为自由流，临界点右侧的交通流状态定义为强迫流。采用分段函数的形式来拟合二者的关系曲线。具体内容为：据统计，流率和饱和度分布关系的临界点在95%~110%之间。由于临界点附近车道流率的数值波动范围较大不利于模型拟合，对饱和度在95%以下和110%以上的数据分别进行最小二乘法拟合，得到两条相交的直线。取其交点为函数的分段点，流率模型的函数表达为：其中，f代表流率，ds为饱和度，dsc为饱和度临界点，k1为饱和度不高于分段饱和度时的线段斜率，k2为饱和度高于分段饱和度时的线段斜率。确定不同等级和功能车道流率拟合结果k1、k2和的置信区间，针对不同等级和功能的车道建立车道标准流率模型。进一步作为优选的实施方式，对车道拟合结果不理想的车道流率模型进行优化，具体包括：根据k1、k2和的置信区间对拟合结果进行评价，并将拟合结果在置信区间内的流率模型存入数据库中。针对数据缺失、拟合结果整体异常或局部异常的车道，从数据库中匹配正常的车道流率模型，若匹配成功，调取历史车道流率模型替换当前车道流率模型；若匹配失败，则采用标准流率模型替换拟合异常的部分。进一步作为优选的实施方式，匹配车道流率，计算车道实时通行能力，具体为：基于实时饱和度数据和车道流率模型，匹配车道饱和流率、车道最大流率和车道实际流率，其中车道饱和流率为车道在理想的道路条件和交通条件下单位时间内能够连续通过停车线的最大车辆数，车道最大流率和车道实际流率为车道在实际的道路条件和交通条件下单位时间内能够连续通过停车线的最大车辆数和实际的车辆数；基于车道流率匹配结果，采用饱和流率法，根据车道饱和流率、车道最大流率和车道实际流率分别计算车道最优通行能力、车道最大通行能力和车道实际通行能力。基于实时饱和度数据和流率模型，计算车道的饱和流率（sfr）、最大流率（mfr）以及实际流率（ofr）。饱和流率为流率模型临界点处的流率值，即。最大流率与饱和度的关系函数表达式为：实际流率与饱和度的关系表达式为：dsdsc时，车道处于自由流状态。该状态下车道的最大流率等于饱和流率，为，实际流率为；dsdsc时，车辆行驶的速度变得缓慢，车道进入强迫流状态，车道过饱和造成了最大流率不同程度地降低。该状态下，最大流率和实际流率相等且为。样例数据最小二乘法拟合的结果如图3所示。其中，图表的横坐标为饱和度（%），纵坐标为流率（veh/h）。数据点为原始流率数据，两条线段为车道流率模型的拟合结果。拟合结果的模型参数均在置信区间内，无需进行模型优化。拟合结果的模型函数表达为：根据该车道流率模型可得，车道的饱和流率（sfr）约为1426（veh/h）。基于车道流率模型和车道饱和度ds，匹配车道的最大流率（mfr）和实际流率（ofr）。其函数表达为：饱和流率法是美国的hcm中推荐的方法，该方法基于车道组定义，通过确定饱和流率和有效绿信比这2个参数，计算给定车道组的通行能力。通过实时交通数据中的相位时长除以周期时长获取车道所属相位的绿信比，进而计算车道的通行能力，其公式为：;;;其中，blc、olc、mlc分别代表车道最优通行能力、车道实际通行能力、车道最大通行能力；为车道所属相位的绿信比。blc为在理想的道路条件、交通条件、交通信号设计条件下，车道单位时间内能够通过停车线的最大车辆数；mlc为在实际的道路条件、交通条件、交通信号设计条件下，车道单位时间内能够通过停车线的最大车辆数；olc为在实际的道路条件、交通条件、交通信号设计条件下，车道单位时间内实际通过停车线的车辆数。绿信比由相位时长除以周期时长得到。样例数据的通行能力计算结果如表3所示。表3车道通行能力计算结果根据车道通行能力计算结果可识别该车道8:30-9:00期间均为未饱和状态。其中，08:49:00开始的信号周期内，车道最大通行能力发生了较大的损失，但附近周期车道均未饱和，可判断为偶然因素导致的通行能力降低。根据车道运行状态对试点区域内车道实际通行能力进行分类求和，可发现7:30~10:00期间以及17:00~19:00期间，试点区域内出现了较高比例的车道临界饱和及过饱和现象。进一步作为优选的实施方式，步骤2中，拥堵条件，具体为连续α个信号周期车道实际通行能力达到车道最大通行能力，且车道最大通行能力相较车道最优通行能力损失超过β，其中1＜α≤5且α∈n，15%≤β≤30%，α、β根据实际情况设定。具体地，以时间序列地方式对通行能力计算结果进行搜索，若某车道连续3个信号周期实际通行能力达到饱和且最大通行能力损失超过20%，则对该车道进行一次拥堵事件报警，具体的报警阈值可根据需求进行调整。进一步作为优选的实施方式，分析实时车道报警原因，并推荐调控策略，具体包括：s3.1、依据信号调控人员拥堵调控记录，构建历史车道通行能力、报警原因、调控策略关系库；s3.2、根据历史车道通行能力、报警原因，采用bp神经网络算法构建并训练车道报警原因分析模型；s3.3、根据调控策略出现的频率，统计各类报警原因中调控策略的排名；s3.4、采用训练好的车道报警原因分析模型，输入报警车道实时通行能力数据，分析报警原因，并推荐该报警原因下排名靠前的调控策略。步骤s3.1，依据信号调控人员拥堵调控记录，构建历史车道通行能力、报警原因、调控策略关系库，具体包括：根据车道通行能力计算结果，识别车道运行状态，对符合拥堵条件的车道进行报警，信号调控人员根据报警调用路口视频监控，对报警原因进行诊断，并根据经验设置调控策略进行调控，对车道通行能力、报警原因、调控策略记录并存储，构建历史车道通行能力、报警原因、调控策略关系库，其中所述报警原因，包括交通事故、道路拥堵和路口回溢等。当路口发生较为严重的交通事故时，为避让事故区域车辆通过路口的速度明显下降，造成最大通行能力的降低。道路拥堵时，车辆在车道上逐渐堆积且间距被压缩，车辆启动时间增加的同时降低了通过路口的速度，导致最大通行能力的损失。路口回溢时，车辆因为前车阻挡难以在绿灯时间内通过路口，该情况下最大通行能力损失一般最为严重。步骤s3.2，根据历史车道通行能力、报警原因，采用bp神经网络算法构建并训练车道报警原因分析模型。具体内容包括：从数据库中筛选1000条数据质量较好的报警记录，随机抽取900条作为训练样本，剩余100条作为测试样本。对报警发生前5个周期的通行能力数据进行归一化处理，令：构造通行能力时间序列数据，令：x=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]其中，x1~x5为报警前5个周期的最大通行能力归一化后的值，x6~x10为报警前5个周期的实际通行能力归一化后的值。根据各类报警原因，构造独热序列来表示对应的事件标签，令：y=[y1,y2,y3],其中，y中只有一位数值为1，其他均为0。三类事件的事件标签分别为：s={[1,0,0],[0,1,0],[0,0,1]}其中，s代表各类报警事件输出结果的集合。采用bp神经网络算法构建并训练车道报警原因分析模型的具体步骤为：1）构建神经网络模型，进行数据前向传播；2）检验bp神经网络模型的预测精度是否达到要求；3）若未达到，进行反向传播，回到第一步；4）若达到，则结束训练。根据输入输出数据建立对应维度的bp神经网络架构，采用sigmod函数引入非线性，交叉熵损失作为损失函数，并应用梯度下降算法对模型的连接权和偏置项进行优化，使得模型能够根据输入的数据准确地预测事件标签。构建的bp神经网络模型如图4所示。bp神经网络包含输入层、隐含层和输出层；输入层设有10个节点分别对应x中的x1~x10，输出层设有3个节点，分别对用y中的y1~y3。隐含层神经元的数量没有具体的规定，根据经验公式，本发明中优先选择5个。即图5中n=10,m=3,q=5。令输入层到隐含层的权重为，隐含层到输出层的权重为，输入层到隐含层的偏置为，隐含层到输出层的偏置为。学习速率为，隐含层传递函数为sigmoid函数，其公式为：以上述x作为网络的输入层参数，则隐含层的输出为：输出层的网络输入为：输出层传递函数选择多分类任务中常用的softmax型，则输出层的输出为：为避免模型学习速率过慢的问题，损失函数选择交叉熵误差，其公式为：若误差大于设定的阈值，则通过误差反向传播更新隐含层和输出层权重和偏置项的数值，令,则权重和偏置项的更新公式为：其中，设定为0.01。由于采用了交叉熵函数作为损失函数，bp神经网络参数的调整速率与输出误差正相关。越大，则上述权值和偏置项的调整幅度越大，极大地提升了bp神经网络的初始训练速度。将多组测试样本作为bp神经网络预测模型的输入，得到对应的报警原因预测值。将得到的预测值与实际的报警原因进行对比，计算模型预测结果的正确率，即为模型的精度。根据调控策略出现的频率，统计各类报警原因中调控策略的排名；采用训练好的采用训练好的车道报警原因分析模型，输入报警车道实时通行能力数据，分析报警原因，并推荐该报警原因下排名前三的调控策略，信号调控人员根据调控策略推荐结果择一进行调控。基于实时通行能力的拥堵调控策略推荐系统，其特征在于，包括：数据采集模块，采集实时交通数据、道路基础信息；车道流率模型拟合优化模块，基于历史交通数据和道路基础信息，针对不同等级和功能的车道构建车道流率模型并优化。通行能力计算模块，基于实时饱和度数据和车道流率模型，计算车道实时通行能力；实时通行能力运行情况监测及报警模块，实时监测车道通行能力计算结果并识别车道运行状态，符合拥堵条件则对该车道进行一次拥堵事件报警，信号调控人员可根据报警调用路口监控视频，诊断报警原因并根据经验进行调控；数据库模块，包括数据存储单元、车道流率模型存储单元、拥堵调控关系存储单元；所述数据存储单元，用于存储数据采集模块采集的数据；所述车道流率模型存储单元，用于存储车道流率模型；所述拥堵调控关系单元，用于存储车道通行能力计算结果和相应的报警原因、信号调控人员调控策略；调控策略推荐模块，对历史车道通行能力和报警原因之间的关联性进行机器学习，根据调控策略出现的频率，统计各类报警原因中调控策略的排名，实时通行能力运行情况报警时对报警原因进行分析并推荐该报警原因下排名靠前调控策略。其中，所述数据采集模块与所述数据库模块数据存储单元相连，所述车道流率模型拟合优化模块与所述数据库模块数据存储单元、所述数据库模块车道流率模型存储单元相连，所述通行能力计算模块与所述数据采集模块、所述数据库模块车道流率存储单元相连，所述实时通行能力运行情况监测及报警模块与所述通行能力计算模块所述数据库模块拥堵调控单元相连、所述调控策略推荐模块与所述实时通行能力运行情况监测及报警模块、所述数据库模块拥堵调控关系单元相连。进一步作为优选的实施方式，所述车道实时通行能力，包括车道最优通行能力、车道最大通行能力、车道实际通行能力，所述车道最优通行能力，是指在理想的道路条件和交通条件下，所属相位有效绿信比下，单位时间内能够通过停车线的最大车辆数；所述车道最大通行能力和车道实际通行能力，是指在是实际的道路条件和交通条件下，所属相位有效绿信比下，单位时间内能够通过停车线的最大车辆数和实际车辆数。以上是对本发明的较佳实施进行了具体说明，但本发明不限于所述的实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。当前第1页12