一种道路通行能力影响因素识别方法技术

本发明专利技术公开了一种道路通行能力影响因素识别方法，旨在提高通行能力估计模型回归的准确性，更加科学地识别通行能力显著影响因素。该方法包含以下步骤：1）交通流数据采集；2）道路参数与环境参数采集；3）确定实测通行能力；4）数据准备；5）建立通行能力多层统计分析模型，确定通行能力影响因素。该方法综合考虑影响道路通行能力的快慢变量因素，且考虑了各个通行能力检测点之间的差异性，能弥补传统回归方法因数据稀缺带来的回归误差，因此，能够更加科学、准确地预测通行能力，分析通行能力影响因素。

【技术实现步骤摘要】
一种道路通行能力影响因素识别方法
本专利技术涉及一种用于道路通行能力影响因素识别的方法，更具体的说，本专利技术涉及一种基于多层统计分析模型的道路通行能力影响因素识别方法，属于交通规划设计领域的关键技术。
技术介绍
随着经济的发展，我国汽车保有量持续增加，道路系统面临着巨大的交通压力。伴随着机动化进程的加快，尤其是城市道路，交通拥堵频发。经常发生的交通拥堵导致道路功能不能正常发挥，并且其拥堵范围呈现扩大化趋势。通行能力作为交通系统规划、设计和运行管理的核心参数，其影响因素识别一直是交通工程领域的关键问题。现有通行能力影响因素的研究方法有回归分析与方差分析，涉及到的影响因素包含道路条件、交通条件及环境条件等，其中以美国2010版通行能力手册（HCM2010）成果最为全面，该手册汇集了百家之长，融汇众多通行能力影响因素研究成果，囊括所有可能影响通行能力影响因素。道路条件包含车道数、车道宽度、侧向净空、坡度、平面线型等，一般为静态的慢变量因素；交通条件和环境条件包括天气、时段、日期、车型比例等，一般为动态的快变量因素。但是，目前尚缺乏一种综合考虑道路条件、交通条件与环境条件等快慢变量相结合的通行能力影响因素识别方法。基于此，本专利技术针对影响道路通行能力的各种因素特性，建立道路通行能力多层统计分析模型，识别快慢变量不同影响因素及其权重，为道路通行能力的估计与道路的规划、设计、管理及控制提供更为准确的技术支撑。
技术实现思路
本专利技术的目的在于提供一种道路通行能力影响因素识别方法。本专利技术提出的道路通行能力影响因素识别方法，具体步骤如下：（1）交通流数据采集：采用交通流自动检测数据或者人工调查方法，获取车辆流量、速度、占有率、车型、车道与检测时间等动态快变量因素数据；（2）道路参数与环境参数采集：采集车道数、车道宽度、侧向净空、坡度和平面线型等静态慢变量因素数据；（3）确定实测通行能力：根据步骤（1）得到的动态快变量因素数据绘制速度-流量曲线图，判断交通流状态是否达到通行能力状态，若达到，则确定该道路检测点通行能力，否则，舍弃该天数据；（4）数据准备，根据步骤（3）获得的交通流达状态达到通行能力状态的时间段，收集该时间段所有可能影响因素得到的检测点数据，包含交通参数（例如车型比例、汇入比等），道路参数（例如车道宽度、侧向净空等），环境参数（例如天气等）；（5）根据步骤（4）得到的基于多个通行能力检测点数据，结合步骤（1）得到的动态快变量因素数据和步骤（2）得到的静态慢变量因素数据建立通行能力多层统计分析模型，确定通行能力显著影响因素，具体为：（5..1）把通行能力影响因素分为两层，水平1为动态快变量因素，水平2为静态慢变量因素；（5.2）建立多层统计分析模型一个基本的两水平多层模型中包括一个水平1解释变量（静态慢变量）和一个水平2解释变量（动态快变量），并求解多层统计分析模型；（5.2.1）运行空模型，空模型方程为：计算组内相关系数ICC，，判断是否组间异质。当ICC值趋于1时，组间方差相对于组内方差非常大，组间方差统计显著，需进行多层模型分析。相反，当ICC值趋于0时，组内各个体间趋于相互独立，表示没有组群效应，组间方差统计不显著，可对该数据集进行多元回归模型分析；式中，为组内方差；为组间方差；为总方差；ICC为组间方差与总方差之比，或组间方差占总方差的比例；(5.2.2)将水平2解释变量（静态慢变量）纳入步骤(5.3.1)空模型中，得到截距模型，所述截距模型方程为：(5.2.3)将水平1解释变量（动态快变量）纳入步骤(5.3.2)截距模型中，得到随机截距模型，随机截距模型方程为：其中：为第j个检测点中的第i个通行能力值；为第j个检测点水平2影响因素（静态慢变量影响因素）；为第j个检测点第i个通行能力值对应的水平1影响因素（动态快变量影响因素）；水平1随机截距；为水平2误差项；为水平1误差项；,,为系数。相对于已有的研究方法相比，本专利技术更加全面地分析了通行能力及其影响因素。本专利技术的有益效果在于：（1）本专利技术综合考虑了交通条件、道路条件与环境条件，既包含了短时间内保持不变的静态慢变量因素（例如车道宽度、车道数等），又包含了时刻变化的动态快变量因素（例如天气、车型比例等）；（2）本专利技术采用的多层统计分析模型，考虑了各个检测点之间的差异性；（3）本专利技术弥补了传统回归方法因稀缺数据不足带来的不准确性，提高回归模型的可信度。附图说明图1为通行能力状态识别。图2为实施例通行能力计算流程图。图3为实施例多层统计分析模型建模流程图。具体实施方式下面通过实施例结合附图进一步描述本专利技术。实施例1：本实施例以上海市城市快速路合流区通行能力影响因素识别为例，需要注意的是，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。所述步骤（1）交通流数据采集，本实施例采用的是上海市城市快速路交通流线圈检测数据，时间间隔为5分钟，包含速度、流量、占有率、车型、车道与检测时间等数据；所述步骤（2）道路参数主要通过人工采集结合高精度地图等，采集的数据有汇入长度、车道数、车道宽度、侧向净空、匝道密度、平曲线曲率。环境参数通过气象部门获取，精确到小时天气信息，分为晴、雨、雾、雪四种天气；所述步骤（3）通行能力确定，上海市城市快速路属于连续流交通设施，采用15分钟最大小时流率估计检测点通行能力。如图2所示，首先将交通流数据集计成15分钟数据，取每天15分钟流量最大值换算成最大小时流率，然后绘制5分钟速度-流量散点图，判断交通流是否达到通行能力状态，即是否出现图1中阴影标识区域的散点数据，若达到通行能力状态，则取该15分钟最大小时流率作为通行能力，否则舍弃该天数据；所述步骤（4）根据步骤（3）瓶颈点取得通行能力的时段收集所有可能影响因素，包含的静态慢变量因素有汇入长度、车道数、车道宽度、侧向净空、匝道密度、平曲线曲率，动态快变量因素有天气、工作日、时段、车型比例、汇入比；所述步骤（5）为建立通行能力多层统计分析模型，确定通行能力显著影响因素。其步骤包括：（1）把通行能力影响因素分为两层，水平1为动态快变量因素，水平2为静态慢变量因素；（2）建立多层统计分析模型为了简便起见，下述模型是在一个两水平多层模型中包括一个水平1解释变量和一个水平2解释变量。多层统计分析模型为：式中，为第j个检测点中的第i个通行能力值；为第j个检测点水平2影响因素（静态慢变量影响因素）；为第j个检测点第i个通行能力值对应的水平1影响因素（动态快变量影响因素）；水平1随机截距；为水平2误差项；为水平1误差项；,,为系数。（3）利用SAS统计软件求解多层统计分析模型，如图3所示，其步骤如下：1.运行空模型，空模型方程为：计算组内相关系数（Intra-classcorrelationcoefficient,ICC），，判断是否组间异质。当ICC值趋于1时，组间方差相对于组内方差非常大，组间方差统计显著，需进行多层模型分析。相反，当ICC值趋于0时，组内各个体间趋于相互独立，表示没有组群效应，组间方差统计不显著，可对该数据集进行多元回归模型分析。式中，为组内方差；为组间方差；为总方差；ICC为组间方差与总方差之比，或组间方差占总本文档来自技高网...

【技术保护点】
一种道路通行能力影响因素识别方法，其特征在于具体步骤如下：（1）交通流数据采集：采用交通流自动检测数据或者人工调查方法，获取车辆流量、速度、占有率、车型、车道与检测时间动态快变量因素数据；（2）道路参数与环境参数采集：采集车道数、车道宽度、侧向净空、坡度和平面线型静态慢变量因素数据；（3）确定实测通行能力：根据步骤（1）得到的动态快变量因素数据绘制速度‑流量曲线图，判断交通流状态是否达到通行能力状态，若达到，则确定该道路检测点通行能力，否则，舍弃该天数据；（4）数据准备，根据步骤（3）获得的交通流状态达到通行能力状态的时间段，收集该时间段所有可能影响因素得到的检测点数据，包含交通参数，道路参数和环境参数；（5）根据步骤（4）得到的基于多个通行能力检测点数据，结合步骤（1）得到的动态快变量因素数据和步骤（2）得到的静态慢变量因素数据建立通行能力多层统计分析模型，确定通行能力显著影响因素，具体为：（5.1）把通行能力影响因素分为两层，水平1为动态快变量因素，水平2为静态慢变量因素；（5.2）建立多层统计分析模型一个基本的两水平多层模型中包括一个水平1解释变量（动态快变量）和一个水平2解释变量（静态慢变量），并求解多层统计分析模型；（5.2.1）运行空模型，空模型方程为：计算组内相关系数ICC，，判断是否组间异质；当ICC值趋于1时，组间方差相对于组内方差非常大，组间方差统计显著，需进行多层模型分析；相反，当ICC值趋于0时，组内各个体间趋于相互独立，表示没有组群效应，组间方差统计不显著，可对该数据集进行多元回归模型分析；式中，为组内方差；为组间方差；为总方差；ICC为组间方差与总方差之比，或组间方差占总方差的比例；(5.2.2)将水平2解释变量（静态慢变量）纳入步骤(5.3.1)空模型中，得到截距模型，所述截距模型方程为：(5.2.3)将水平1解释变量（动态快变量）纳入步骤(5.3.2)截距模型中，得到随机截距模型，随机截距模型方程为：其中：为第j个检测点中的第i个通行能力值；为第j个检测点水平2影响因素（静态慢变量影响因素）；为第j个检测点第i个通行能力值对应的水平1影响因素（动态快变量影响因素）；水平1随机截距；为水平2误差项；为水平1误差项；,,为系数。...

【技术特征摘要】
1.一种道路通行能力影响因素识别方法，其特征在于具体步骤如下：（1）交通流数据采集：采用交通流自动检测数据或者人工调查方法，获取车辆流量、速度、占有率、车型、车道与检测时间动态快变量因素数据；（2）道路参数与环境参数采集：采集车道数、车道宽度、侧向净空、坡度和平面线型静态慢变量因素数据；（3）确定实测通行能力：根据步骤（1）得到的动态快变量因素数据绘制速度-流量曲线图，判断交通流状态是否达到通行能力状态，若达到，则确定该道路检测点通行能力，否则，舍弃该天数据；（4）数据准备，根据步骤（3）获得的交通流状态达到通行能力状态的时间段，收集该时间段所有影响因素得到的检测点数据，包含交通参数，道路参数和环境参数；（5）根据步骤（4）得到的基于多个通行能力检测点数据，结合步骤（1）得到的动态快变量因素数据和步骤（2）得到的静态慢变量因素数据建立通行能力多层统计分析模型，确定通行能力显著影响因素，具体为：（5.1）把通行能力影响因素分为两层，水平1为动态快变量因素，水平2为静态慢变量因素；（5.2）建立多层统计分析模型一个基本的两水平多层模型...

【专利技术属性】
技术研发人员：孙剑，郑进炫，李峰，陈长，李莉，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31