一种考虑诱导服从率的高速公路分流诱导策略的制作方法

本发明涉及智慧高速，具体为一种考虑诱导服从率的高速公路分流诱导策略。

背景技术：

1、随着高速公路流量的不断增长，其交通拥堵、事故问题日益突出。因此，设置合理的高速公路分流诱导策略对于高速公路拥堵以及事故的应急处理至关重要。随着人口城市化和汽车保有量的不断增加，高速公路的交通拥堵问题日益突出。现有的分流策略可以通过引导车辆绕行事故点、限制收费站主线车流、设置动态限速等方式，将拥堵车辆分散到其他道路上，有效减少拥堵，提高道路通行能力，缩短行车时间。此外，分流诱导策略还可以帮助事故处理单位和应急车辆更快地到达现场，进行救援和处理工作，减少人员伤亡和道路交通受阻的时间。因此，研究和设计高效的分流诱导策略对于现代城市交通管理具有重要意义。

2、然而，现有的高速公路分流策略往往缺乏对受影响出行者的诱导服从率的考虑。诱导服从率是指受影响出行者遵循分流策略的程度。在分流策略实施过程中，人们可能会由于诸多因素，如个人的行为偏好、态度、习惯等个人特征，以及缺乏信任、绕行的时间与金钱等行程因素，而选择不遵循诱导。缺乏考虑诱导服从率的预案设计将导致分流策略在实际情况下的应用无法达到预期效果，甚至进一步加剧交通拥堵问题。

3、综上所述，考虑诱导服从率的高速公路分流诱导策略方法对于解决交通拥堵问题具有重要的理论和实际意义。通过深入研究受影响出行者在不同条件下的诱导服从率，针对性地进行诱导策略设计和优化，可以提高分流策略的可操作性和可行性，实现交通拥堵的有效缓解，因此，针对上述问题提出一种考虑诱导服从率的高速公路分流诱导策略。

技术实现思路

1、本发明的目的在于提供一种考虑诱导服从率的高速公路分流诱导策略，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种考虑诱导服从率的高速公路分流诱导策略，包括以下步骤：

4、步骤一：事故场景设计：事故场景设计包括设计高速公路分流诱导场景；

5、步骤二：诱导服从率调查：诱导服从率调查选取参照事故场景与影响诱导服从率的因素，设计受影响出行者的选择项，开展sp问卷调查设计与发放；

6、步骤三：智能体设计：智能体设计标定诱导服从率模型，根据历史客流od与调查样本数据生成受影响出行者智能体；

7、步骤四：事故仿真：事故仿真进行事故流程仿真，输入分流诱导策略，计算受影响出行者个体的诱导服从率；

8、步骤五：方案比选：方案比选具体操作为：设计方案评价指标，生成最优策略方案。

9、优选的，步骤一中，设计高速公路分流诱导场景具体为：结合事故类型、事故持续时间、事故影响车道数等特征，设计高速事故场景案例。

10、优选的，步骤二中，开展sp问卷调查设计与发放具体为：

11、基于步骤s1中事故场景的周边信息，考虑绕行距离、绕行潜在费用、绕行舒适度、延误时间、目的地距离五大因素，构建正交设计模型；

12、设计受影响出行者的选择项；

13、形成一项关于在高速公路事故场景下，受影响出行者选择的sp调查；

14、发放问卷，获得受影响出行者选择的sp调查数据集，后进行数据清洗，选择离散型变量进行0-1编码，创建编码变量，并将每个选项映射到相应的二元变量，并最终将原始问卷数据转换为0-1编码的数据。

15、优选的，步骤三具体操作为：利用受影响出行者选择的sp调查数据集，利用多项logit模型对于受影响出行者在事故场景下的行为进行建模研究，比选最优的变量组合，根据历史客流od与调查样本数据生成受影响出行者智能体。

16、优选的，建模研究具体步骤为：

17、多项logit模型中，令表示受影响出行者在场景下选择选择项的效用函数，为表示效用函数中受影响出行者个人属性的向量，为表示效用函数中受影响出行者出行特征的向量，为表示效用函数中事故场景的周边信息的变量，、、为表示效用函数中各个变量系数的向量，为服从独立相同的gumbel分布的误差项，的计算公式为：

18、

19、令为总的分支数量，每一个受影响出行者将根据其最大的选择效用选择对应的选择项，计算选择项被选择的概率为：

20、

21、令为一个0-1变量，当受影响出行者选择选择项时，为1，c为受影响出行者的总数量，否则为0，对数似然函数如下：

22、<mi>ll</mi><mi>=</mi><mstyle displaystyle="false"><munderover><mo>∑</mo><mrow><mi>c</mi><mi>=1</mi></mrow><mi>c</mi></munderover></mstyle><mstyle displaystyle="false"><munderover><mo>∑</mo><mi>j=1</mi><mi>j</mi></munderover></mstyle><msub><mi>t</mi><mrow><mi>c</mi><mi>j</mi></mrow></msub><mi>log</mi><mi>[</mi><mfrac><mrow><mi>exp(</mi><msubsup><mi>β</mi><mi>x</mi><mi>'</mi></msubsup><msub><mi>x</mi><mi>j</mi></msub><mo>+</mo><msubsup><mi>β</mi><mi>y</mi><mi>'</mi></msubsup><msub><mi>y</mi><mi>j</mi></msub><mo>+</mo><msubsup><mi>β</mi><mi>z</mi><mi>'</mi></msubsup><msub><mi>z</mi><mi>j</mi></msub><mi>)</mi></mrow><mstyle><msubsup><mo>∑</mo><mi>i=1</mi><mi>j</mi></msubsup><mrow><mi>exp(</mi><msubsup><mi>β</mi><mi>x</mi><mi>'</mi></msubsup><msub><mi>x</mi><mi>i</mi></msub><mo>+</mo><msubsup><mi>β</mi><mi>y</mi><mi>'</mi></msubsup><msub><mi>y</mi><mi>i</mi></msub><mo>+</mo><msubsup><mi>β</mi><mi>z</mi><mi>'</mi></msubsup><msub><mi>z</mi><mi>i</mi></msub><mi>)</mi></mrow></mstyle></mfrac><mi>]</mi>

23、采用极大似然估计法求解对数似然函数，获得参数的估计值以及t检验参数：第一，计算负对数似然函数值对各参数的梯度；第二，利用牛顿法估计参数的值；第三，采用hessian矩阵计算参数的标准误差；第四，开展t检验，计算t检验参数；第五，计算模型伪r方；

24、其中，比选最优的变量组合具体为：综合测试不同的变量组合，以t检验参数以及伪r方选取最优的模型。

25、优选的，步骤四中，计算受影响出行者个体的诱导服从率计算具体操作为：

26、a、场景初始化，基于步骤一中事故场景，设定分流诱导启动时间，具体操作为：令正常情况下的道路通行能力为，根据事故类型确定道路剩余通行能力，根据日常经验设定应急预案启动时间；

27、b、智能体生成，根据历史客流od与调查样本数据生成受影响出行者智能体，计算时刻的延误时间，具体操作为：根据历史客流od数据，以研究区段范围内的互通立交门架、收费站作为起终点，生成客流出行的历史od矩阵；根据调查获得的乘客个人属性信息，按照客流出行的历史od的占比以及个人属性构成，设置随机数种子，生成每个智能体的od以及个人属性；

28、c、诱导服从率计算，按仿真步长循环更新仿真时间，并在系统中加入受影响出行者智能体，根据延误时间，计算受影响出行者的诱导服从率；

29、d、生成道路排队系统，根据受影响出行者的诱导服从率选择选择项，随后将智能体信息传入道路排队系统；

30、e、排队系统进行服务，确定受影响人群离开系统的时间，根据排队长度，生成新的延误时间；

31、f、循环步骤c、d、e直到仿真时间大于仿真时间上界。

32、优选的，生成每个智能体的od以及个人属性具体为：假定随机数种子为0-1之间的某个随机数，针对数值型变量，假设其分布函数为，其分布函数的逆函数为，则分类型变量的取值为：

33、

34、针对分类型变量，假设变量包含有个类别，每个类别的概率分别为，概率之和为1，则分类型变量的取值为：

35、, 。

36、优选的，步骤五中，生成最优策略方案具体为：输入不同的策略方案，包括不同的分流诱导策略启动时间等参数，设计方案评价指标，以评价指标为标准生成最优策略方案；其中：

37、设计方案评价指标具体为：令乘客的等待时间为，乘客平均等待时间、乘客最长等待时间的计算公式如下：

38、=

39、=

40、生成最优策略方案具体为：按照乘客平均等待时间与乘客最长等待时间最短的标准选择分流诱导策略方案。

41、与现有技术相比，本发明的有益效果是：将多项logit模型用于诱导服从率的标定，利用智能体对于分流诱导策略进行仿真评价，相较于传统的分流诱导策略设计方法具有更广泛的适用性。