【技术实现步骤摘要】
一种大型活动交叉路口拥堵风险预测方法
[0001]本专利技术涉及交通拥堵预测领域,特别涉及大型活动交叉路口拥堵风险预测方法。
技术介绍
[0002]大型活动期间,相关区域在短时间内增加大量的突发交通量,这些交通量具有一定的集中性和方向性,并与社会交通量叠加,增加了大型活动道路交通运行拥堵风险,对大型活动交通运行守时产生影响,尤其对大型活动车队运行守时影响较大。在大型活动期间,道路交通系统运行敏感,一旦相关交叉路口拥堵风险过高,很容易引起交叉路口阻塞,出现大面积拥堵,使相关车队不能按照既定时间到达活动现场。
[0003]大型活动交叉路口拥堵风险预测,是预防大型活动交叉路口出现拥堵的有效方法,对大型活动交叉路口存在的拥堵风险进行实时预测,可降低交叉路口车队延误,保障大型活动道路交通运行守时。传统交通拥堵预测方法多以单特征预测为主,在处理数据时空复杂特征方面存在不足,导致预测结果与现实情况偏差较大。
技术实现思路
[0004]专利技术目的:针对以上问题,本专利技术目的是提供一种大型活动交叉路口拥堵风险预测方法,利用多特征预测方式对大型活动道路交叉路口进行实时预测,提高拥堵风险预测的准确性。
[0005]技术方案:本专利技术提出的一种大型活动交叉路口拥堵风险预测方法,包括如下步骤:
[0006](1)获取交叉路口的交通信息,根据交通信息计算交叉路口的拥堵风险,确定造成拥堵风险的相关变量;
[0007](2)计算交叉路口拥堵风险与每个相关变量之间的相关程度,选取相关程度高的变量作 ...
【技术保护点】
【技术特征摘要】
1.一种大型活动交叉路口拥堵风险预测方法,其特征在于,包括如下步骤:(1)获取交叉路口的交通信息,根据交通信息计算交叉路口的拥堵风险,确定造成拥堵风险的相关变量;(2)计算交叉路口拥堵风险与每个相关变量之间的相关程度,选取相关程度高的变量作为预测因素;(3)将历史交叉路口拥堵风险和步骤(2)获取的预测因素作为输入变量,利用时空深度学习算法对交叉路口拥堵风险进行多特征预测。2.根据权利要求1所述的大型活动交叉路口拥堵风险预测方法,其特征在于,所述步骤(1)交通信息包括进口车道的车流量和通行能力,采用交叉路口饱和度量化表征交叉路口的拥堵风险,表达式为:其中,Z
i
为交叉路口i的进口车道饱和度,q
it
为交叉路口i在时刻t的流量,R为交叉路口i的通行能力;交叉路口的饱和度越大,表明交叉路口交通运行越趋于拥堵状态,拥堵风险越高。3.根据权利要求2所述的大型活动交叉路口拥堵风险预测方法,其特征在于,所述交叉路口的通行能力与高峰时刻饱和流率相关,高峰时刻饱和流率与信号配时参数及流量相关,经过等效转换,得到交叉路口拥堵风险量化表征方式为:其中,S
i
为交叉路口i高峰时刻的饱和流率,n
it
为交叉路口i在时刻t的信号周期,g
it
为交叉路口i在时刻t的绿灯时长;步骤(1)中交叉路口拥堵风险的所述相关变量包括交叉路口流量、饱和流率、信号周期、绿灯时长;所述配时参数包括信号周期和绿灯时长。4.根据权利要求1所述的大型活动交叉路口拥堵风险预测方法,其特征在于,步骤(2)利用相关性分析方法计算相关程度,当相关系数绝对值大于0.8时认定该变量与拥堵风险的相关程度高。5.根据权利要求3所述的大型活动交叉路口拥堵风险预测方法,其特征在于,步骤(3)中时空深度学习算法基于ConvLSTM神经网络,将LSTM中的全链接替换为卷积操作,利用卷积结构提取输入信息的空间特征,将神经元的信息传递引入窥视,连接到每个门上,使门层接收上一层神经元状态的输入。6.根据权利要求5所述的大型活动交叉路口拥堵风险预测方法,其特征在于,ConvLSTM神经网络算法表达式为:神经网络算法表达式为:神经网络算法表达式为:
其中,i
t
、f
t
、o
t
、C
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。