一种高速公路交通异常事件影响范围预估方法技术

一种高速公路交通异常事件影响范围预估方法，适用于高速公路主线路段上异常事件影响范围的预估。首先，建立路段Van Aerde交通流模型；其次，设定目标函数和极小误差阈值，预估事件持续时间和排队最长时的时间；再者，确定多因素下的事发点通行能力、基于车检器数据预测各时间间隔内事发点上游流量，并获取对应的密度；利用交通波理论计算消散波波速、对应时刻的集结波波速及影响长度；判断当前估计的排队位置与上下游匝道、车检器的位置关系；最后，判断目标函数的求解结果，确定排队最长时的时间和事件影响范围。本发明专利技术方法基于Van Aerde模型建立，并考虑交通流变化和多种因素对波速的影响，能更好地反映实际交通流特性，适用性更强，能提高预估的准确性。

【技术实现步骤摘要】

本专利技术属于智能交通
，特别涉及一种高速公路交通异常事件影响范围预 估方法。
技术介绍
高速公路异常事件会对道路的通行产生较大影响，容易引发交通拥堵，并沿事发 点上游迅速蔓延，使得道路资源得不到充分利用，因此，高速公路交通异常事件及其引发的 交通拥挤已经成为交通系统运行管控的重要问题。由于高速公路的高封闭性和车辆的高速 行驶，事发点上游车辆驶向事发点也便是必然，交通异常事件影响范围将表现为拥堵排队 长度，进一步导致车辆难以疏散而阻塞，行车延误增加，甚至于交通中断以影响路网交通的 有效运行，尽可能准确地把握交通异常事件影响范围及其发展趋势将有助于交通管理者确 定最佳的紧急救援方案、交通管控措施以及安全隐患排除对策，诱导交通流，缓解异常事件 下的交通拥挤，进而提高高速公路的管控和服务水平。 当前的研究成果中，常用于估算拥堵排队长度的理论方法主要有排队论和交通波 理论。如：Sheu，etal.提出了随机排队长度预测模型，基于车道变换行为定义了 6个随机 交通参数，用以预测事件路段的排队长度，但该模型仅适用于单车道阻塞情况，且假设排队 长度未溢出上游检测器。臧华等基于Greenshield模型，提出了基于交通波理论的异常状 况下排队长度预测模型。姚荣涵等基于二流理论提出了拥挤交通流当量排队长度模型，并 仿真验证了其有效性并表明其预测值均会大于实际值。纪英等利用格林柏模型建立了排队 长度及持续时间计算方法，但格林柏模型适用于较大密度的车流。曹志远等根据交通波理 论和Greenshild流量一密度曲线，建立了交通事故时空影响范围分析模型。丛浩哲等基于 传统密闭道路集散波模型，提出了考虑进出口匝道及衔接道路的路网突发事件辐射范围预 测模型，但主要是分析讨论了不同情况下突发事件辐射范围的预估处理思路。陆建、孔祥龙 等提出了一种高速公路突发交通事件影响范围的确定方法，其考虑大车比率、匝道流量等 对车流波波速的影响。 然而，排队论没有考虑冲击波波速对交通流的影响，对拥挤下交通流的真实状态 不能动态地反映，会使得达到最大排队长度的时间和最大排队长度均缩小。而交通波模型 可以从更加宏观的角度，将交通流的基本参数作为变量来描述交通状态的传播，并且能够 反映干涉措施下事发断面通行能力改变后事件对上游交通影响力的变化，此外，事发断面 通行能力改变时，只需将新的集散波加入原有模型中，而不必修改整个模型，具有更强的适 应能力，能更有效地对事件影响进行估计，结果相比更精确且更接近于实际。但是，当前多 数基于交通波理论的排队长度估计方法是利用格林希尔治模型，其模型建立采用的数据来 自于城市道路，将其应用于高速公路会存在一定的局限性，即该理论模型不一定能反映高 速公路交通流特征。并且，大都认为车流波波速是恒定的，并未有效地考虑交通流的随机波 动性对车流波波速的影响，不能很好地反映实际情况。
技术实现思路
本专利技术的目的就是为了克服上述
技术介绍
的不足，提供一种高速公路交通异常事 件影响范围预估方法，适用于高速公路的基本路段、涉及匝道的主线路段等多种路段上异 常事件影响范围的预估，该方法考虑了高速公路交通流的不确定性，以及交通流变化和多 种因素对拥堵波波速的影响，适应高速公路的实际交通流特性以及交通异常事件拥堵扩散 的特征，并可以在一定程度上提高高速公路交通异常事件影响范围的预测精度。 本专利技术所涉及的，包括如下步骤： 步骤1 :选取待研究路段，获取并统计路段车检器数据，绘制速度一流量散点图、 速度一密度散点图、流量一密度散点图，并拟合曲线； 步骤2 :根据上一步获取的曲线，获得反映所研究的高速路段的交通流特征参数， 见表1. 1，进而建立该高速路段的VanAerde交通流模型，如式（1. 1); 表1. 1高速公路路段交通流特征参数 式中，k为交通流密度（pcu/km/lane) ;v为交通流速度（km/h) {^(^、(^均为中间 变量；Vf为自由流速度（km/h)为临界速度（km/h);kj为阻塞密度（pcu/km/lane)为 道路通行能力（pcu/h/lane); 后文相同类别参数的单位与此相同，速度参量单位为：km/h，流量参量单位为： pcu/h/lane，密度参量单位：pcu/km/lane; 同时，推导出流量一速度关系函数为：(1,2) 步骤3 :获取事件属性等信息，并根据大车比例、占道数、恶劣天气、换道行为等对 交通异常事件下道路通行能力的影响，获取事发点断面通行能力为：(1.3) 式中，fHV为大车比例对交通异常事件下道路通行能力的折减（修正）系数，且有 fHV= 1/(其中PHV表示大型车比率；EHV表示大型车折算为标准车时的折算系 数）；。为占道下道路通行能力的折减系数；fbw为恶劣天气下道路通行能力的折减系数； Qm为道路基本通行能力，也可采用道路的饱和流率Qs;Pm为换道对道路通行能力的折减系 数； 步骤4 :设定表征拥挤流的低速区间，选取适当速度粒度，根据式（1. 1)和式（1. 2) 计算相应的密度和流量，进一步拟合二者关系曲线，进而获取拥堵状态下的密度一流量关 系式： 由此，求取a、b、c这三个中间常量，并根据进一步求取对应的车流密度值々；： 步骤5:根据需求设定极小误差常量e多0,同时设定求解耗时长度阈值TE，以及 目标函数；假设集结波波速为Vgw，事件结束由事发点产生的消散波波速为Vdw，异常事件持 续时间为td，集结波与消散波在事发点上游相遇的时间为t]d (其中设有A 为单位时间间隔），拥堵持续时间为tjdni; 根据分析则应有异常事件的最大影响长度（km)及拥堵持续时间（h): 步骤6 :采用决策树方法预测交通异常事件持续时间td(单位：h); 步骤7 :考虑到t]d>td的必然性，并且异常事件本身属性等会影响t]d，进而，结合 经验和异常事件的严重程度、事发时间等属性，根据、预估一个t]d; 步骤8 :获取事发点位置信息（如事发点粧号）、事件持续时间，并判断事发点位置 与上下游断面车检器之间的位置关系，比较相互间的距离； 步骤9 :判别事发点或当前估计的排队位置与上下游车检器之间的匝道情况；若 事发点或当前估计的排队位置与上下游车检器之间无匝道，则转至步骤10 ;若有匝道，则 转至步骤24 ; 步骤10 :获取距离事发点最近的断面车检器的历史及当前流量数据； 步骤11 :预测当前时间间隔A 内事发点上游车流量qu;预测qu的方法是采用 基于云模型的交通流量预测方法，其步骤如下： 11. 1 :构建交通流量预测云模型，云模型构建步骤为： 1)搜索获取相似历史流量序列，相似序列搜索步骤为： (1):取定相似度测度函数S(*，?），并设定相似阈值esG、可接受的最低 相似阈值es_、搜索时间长度阈值tnax、相似历史流量序列需求数ns(ns> 1); (2):由当前时刻t。开始向前推移多个时刻（如m个5分钟），获得数据个数为m 的待匹配测度的交通流量序列x，同时获得查询的基准时间区间; (3):设流量数据周期为T(如一周），时间区间，k= 0,…，n中的 数据即可取为历史流量序列y; (4):对序列x和y求取相似度S(X，y);(5):判断S(x，y)彡e，本文档来自技高网...

【技术保护点】
一种高速公路交通异常事件影响范围预估方法，其特征是该方法步骤如下：步骤1：选取待研究路段，获取并统计路段车检器数据，绘制速度—流量散点图、速度—密度散点图、流量—密度散点图，并拟合曲线；步骤2：根据上一步获取的曲线，获得反映所研究的高速路段的交通流特征参数：自由流速度Vf(km/h)，临界速度Vm(km/h)，通行能力Qm(pcu/h/lane)，阻塞密度kj(pcu/km/lane)；进而建立该高速路段的Van Aerde交通流模型，如式(1.1)；k=1c1+c2Vf-v+c3vc1=Vf(2Vm-Vf)kjVm2c2=Vf(Vf-Vm)2kjVm2c3=1Qm-VfkjVm2---(1.1)]]>式中，k为交通流密度(pcu/km/lane)；v为交通流速度(km/h)；c1、c2、c3均为中间变量；Vf为自由流速度(km/h)；Vm为临界速度(km/h)；kj为阻塞密度(pcu/km/lane)；Qm为道路通行能力(pcu/h/lane)；后文相同类别参数的单位与此相同，速度参量单位为：km/h，流量参量单位为：pcu/h/lane，密度参量单位：pcu/km/lane；同时，推导出流量—速度关系函数为：q=vc1+c2Vf-v+c3v---(1.2)]]>步骤3：获取事件属性等信息，并根据大车比例、占道数、恶劣天气、换道行为等对交通异常事件下道路通行能力的影响，获取事发点断面通行能力为：式中，fHV为大车比例对交通异常事件下道路通行能力的折减(修正)系数，且有fHV＝1/[1+PHV(EHV‑1)](其中PHV表示大型车比率；EHV表示大型车折算为标准车时的折算系数)；fzd为占道下道路通行能力的折减系数；fbw为恶劣天气下道路通行能力的折减系数；Qm为道路基本通行能力，也可采用道路的饱和流率Qs；为换道对道路通行能力的折减系数；步骤4：设定表征拥挤流的低速区间，选取适当速度粒度，根据式(1.1)和式(1.2)计算相应的密度和流量，进一步拟合二者关系曲线，进而获取拥堵状态下的密度—流量关系式：k＝a·q2+b·q+c       (1.4)由此，求取a、b、c这三个中间常量，并根据进一步求取对应的车流密度值步骤5：根据需求设定极小误差常量ε≥0，同时设定求解耗时长度阈值Tε，以及目标函数；假设集结波波速为Vgw，事件结束由事发点产生的消散波波速为Vdw，异常事件持续时间为td，集结波与消散波在事发点上游相遇的时间为tjd(其中设有Δt(i)为单位时间间隔)，拥堵持续时间为tjdm；根据分析则应有异常事件的最大影响长度(km)及拥堵持续时间(h)：Lmax=∫0tjdVgwdt=Vdw(tjd-td)---(1.5)]]>tjdm＝tjd+Lmax/Vdw         (1.6)建立如下目标函数：J=∫0tjdVgwdt-Vdw(tjd-td)---(1.7)]]>上式可进一步表示为：J=Σi=1kΔL(i)-Vdw(tjd-td)---(1.8)]]>步骤6：采用决策树方法预测交通异常事件持续时间td(单位：h)；步骤7：考虑到tjd＞td的必然性，并且异常事件本身属性等会影响tjd，进而，结合经验和异常事件的严重程度、事发时间等属性，根据td预估一个tjd；步骤8：获取事发点位置信息(如事发点桩号)、事件持续时间，并判断事发点位置与上下游断面车检器之间的位置关系，比较相互间的距离；步骤9：判别事发点或当前估计的排队位置与上下游车检器之间的匝道情况；若事发点或当前估计的排队位置与上下游车检器之间无匝道，则转至步骤10；若有匝道，则转至步骤24；步骤10：获取距离事发点最近的断面车检器的历史及当前流量数据；步骤11：预测当前时间间隔Δt(i)内事发点上游车流量qu；预测qu的方法是采用基于云模型的交通流量预测方法，其步骤如下：11.1：构建交通流量预测云模型，云模型构建步骤为：1)搜索获取相似历史流量序列，相似序列搜索步骤为：(1):取定相似度测度函数S(·,·)，并设定相似阈值εS∈[0,1]、可接受的最低相似阈值εsmin、搜索时间长度阈值tmax、相似历史流量序列需求数ns(ns≥1)；(2):由当前时刻t0开始向前推移多个时刻(如m个5分钟)，获得数据个数为m的待匹配测度的交通流量序列x，同时获得查询的基准时间区间[ts，t0]；(3):设流量数据周期为T(如一周)，时间区间[ts+kT，t0+kT],k＝0,…,n中的数据即可取为历史流量序列y；(4):对序列x和y求取相似度S(x,y)；(5):判断S(x,y)≥ε，若是，则获取相似历史流量数据序列，再转至(6)；否则，暂存该历史流量序列，并转至(7)；(6)：判断搜索时长是否达到tmax，若为...

【技术特征摘要】

【专利技术属性】
技术研发人员：孙棣华，赵敏，郑林江，罗例东，王玄金，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85