基于车流量监测的道路交通多向动态管控方法技术

本发明专利技术涉及交通动态管控技术领域，具体的说是一种能够根据道路交通运行状态，动态调整道路交通管控措施，进而提升通行效率、降低交通能耗的基于车流量监测的道路交通多向动态管控方法，针对现有技术中存在的缺点和不足，提出一种能够对交通流量数据实时进行监测、预测，然后将交通流量数据多维度转换为矩阵、坐标数据模型，并由人工智能算法进行分析处理，进而高效、精准输出红绿灯管控策略，从而有效提升交通管控能力的基于车流量监测的对大车流进行多方向动态管控的方法；与现有技术相比，通过对视频、图片、雷达信号等实时交通数据进行降维重构，大幅度缩减了交通数据的存储容量、存储成本，提升了数据的处理效率。提升了数据的处理效率。提升了数据的处理效率。

【技术实现步骤摘要】
基于车流量监测的道路交通多向动态管控方法

：
[0001]本专利技术涉及交通动态管控
，具体的说是一种能够根据道路交通运行状态，动态调整道路交通管控措施，进而提升通行效率、降低交通能耗的基于车流量监测的道路交通多向动态管控方法。

技术介绍
：
[0002]随着机动车数量的增长，交通拥堵、车辆通行效率低等问题日渐增多，而由于交通数据处理技术较为落后，车辆停车等待红灯时间长、大车流难以顺畅通行、高耗能、高污染等问题又日益突出，交管工作承受巨大压力。
[0003]现有缓解交管压力的方法主要包括道路交通扩建、控减交通总量(限号通行等)、鼓励公交和自行车出行、潮汐车道、错峰通行等，但成效并不明显。目前也有通过分析历史交通数据来提升管控经验和策略的技术，较为典型的有“绿波通行”技术，但经过技术分析以及实践证明，“绿波通行”仅能适用于特定的通行方向、通行速度，实用性较差。
[0004]目前也有少量采用人工智能算法技术，通过实时采集分析交通流量数据并优化红绿灯配时来提升交通管控能力，但实践证明，这些方法一是数据特征挖掘不全面、数据利用效率低、技术方法较为笼统，二是过于依赖人工智能的“黑盒子”操作，无法量化解释数据分析、运算的内容，无法避免“AI不确定性”问题，若将此类技术广泛应用于交通管控等公共安全领域，难免存在安全隐患。

技术实现思路
：
[0005]本专利技术针对现有技术中存在的缺点和不足，提出了一种能够对道路交通实时状态进行监测，并据此给出精确通行管控指令，从而有效提高通行效率、降低拥堵的基于车流量监测的道路交通多向动态管控方法。
[0006]本专利技术通过以下措施达到：
[0007]一种基于车流量监测的道路交通多向动态管控方法，其特征在于，包括以下步骤：
[0008]步骤1：构建交通路口区域模型：以路口停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；在各个监控区内将由监控区向管控区流出数据的区域设定为out区，将由管控区向监控区流入数据的区域设定为in区；
[0009]步骤2：对步骤1中建立的交通路口区域模型进行通行路径规划：以上一路口监控区的各个out区为起点，按左行、直行、右行三个方向与本路口out区做联通，构建本路口out区与上一路口out区的联通关系图；当本路口存在特殊车辆时，可重新构建其他联通关系图联合使用；
[0010]步骤3：数据获取及指标提取：对本交通路口out区及上一个或下N个，交通路管控区和多个方向的out区按K个区域实时采集车况的视频、图片、雷达信号信息，获取原始数据进行存储及使用，N≥1，K≥1，K的取值取决于out区总长度及区域切片长度；然后，对车辆特
征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，将提取的特征信息指标按m
i
*n
i
矩阵进行数据特征存储及使用，0＜i≤K；，随后，对存储的数据特征进一步进行数据分析指标提取，具体包括K个区域内各个行进方向上的车辆数量及位置、K个区域内的车辆密度、车辆流入累计量、车辆流出累计量，所述K个区域内各个行进方向上的车辆包括在途车辆和待行车辆；
[0011]步骤4：对本路口交通状态进行大车流判断，其中包括上路口多方向流出大车流的判断以及本路口已有大车流的判断；
[0012]步骤5：预测本路口已有大车流的通行时间：
[0013]步骤5
‑
1：预测本路口待行车辆通行时间：通过数据集训练获取待放行车流放行时间曲线，首先，获取车辆数量及通过时间数据集，设车辆数量为x，车辆通过时间为y，获取的样本组数为Q，则第i组样本记为(x
i
，y
i
)；其次，设车辆通过时间为g(x)，对g(x)进行求取，有以下两种实现方式：
[0014]1)计算每个车辆数量x下样本的平均通过时间或加权平均通过时间，作为车辆通过时间的预测值，或利用梯度下降的方法确定预测值，达到减小预测误差的目的，最终获得计算误差为R，然后，进行误差的修正，设置误差阈值为Rth，当R＜Rth时，计算结束，当R＜Rth时，计算x
i
单点的误差，设为r
i
＝g(x
i
)
‑
y
i
，设置单点误差阈值为rth，当r
i
＜rth时，此点作为有效数据，当r＞rth时，此点作为异常值剔除，不参与计算过程；
[0015]2)对车辆通过时间进行公式化求取，获得车辆通过时间预测函数g(x)，g(x)既可为分段函数，也可为不分段函数，每段内g(x)的多项式拟合公式为：
[0016]g(x；α0，α2，
…
，α
n
)＝α0x
n
+α1x
n
‑1+α2x
n
‑2+
…
+α
n
[0017]将K组样本的x
i
带入公式，设拟合误差为通过计算预测函数与真实y
i
间的误差，使得误差达到最小，来确定参数集α0，α1，
…
，α
n
；
[0018]然后，进行拟合误差修正，设置误差阈值为Rth，当R＜Rth时，拟合结束，当R＜Rth时，计算x
i
单点的误差，设为r
i
＝g(x
i
；α0，α1，
…
，α
n
)
‑
y
i
，设置单点误差阈值为rth，当r
i
＜rth时，此点作为有效数据继续下一轮拟合，当r＞rth时，此点作为异常值剔除，不参与下一轮拟合过程；
[0019]步骤5
‑
2：计算大车流放行时刻对应的位置：通过步骤4得到的待行车辆记为N
await
，在途车辆记为N
onwayl
，对当前待放行车流放行时间进行预测，预测结果为g(N
await
)，然后在已知在途车流速度v
onway
的前提下，根据放行时间进行大车流距离阈值(即为大车流放行时刻的位置)的求取。根据通过时间，设立时间恒等式：
[0020][0021]其中，δ为允许的时间误差项，t
await
为待放行车流通过监控区所需时间，
[0022]t
onway
为在途车流到达监控区与管控区边界的时间；
[0023]得到在途车流的距离阈值L
onway
：
[0024][0025]步骤5
‑
3：求取大车流放行时间及放行时刻：
[0026]在本区域达到优先放行的条件下，根据在在途大车流、其它在途车辆和待放行车辆的情况，确定最优通行时间及放行时刻，此时间与时刻允许有一定误差，可根据实际进行时间的调整，当大车流前方无其他在途车辆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车流量监测的道路交通多向动态管控方法，其特征在于，包括以下步骤：步骤1：构建交通路口区域模型：以路口停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；在各个监控区内将由监控区向管控区流出数据的区域设定为out区，将由管控区向监控区流入数据的区域设定为in区；步骤2：对步骤1中建立的交通路口区域模型进行通行路径规划：以上一路口监控区的各个out区为起点，按左行、直行、右行三个方向与本路口out区做联通，构建本路口out区与上一路口out区的联通关系图；当本路口存在特殊车辆时，可重新构建其他联通关系图联合使用；步骤3：数据获取及指标提取：对本交通路口out区及上一个或下N个，交通路管控区和多个方向的out区按K个区域实时采集车况的视频、图片、雷达信号信息，获取原始数据进行存储及使用，N≥1，K≥1，K的取值取决于out区总长度及区域切片长度；然后，对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，将提取的特征信息指标按m
i
*n
i
矩阵进行数据特征存储及使用，0＜i≤K；，随后，对存储的数据特征进一步进行数据分析指标提取，具体包括K个区域内各个行进方向上的车辆数量及位置、K个区域内的车辆密度、车辆流入累计量、车辆流出累计量，所述K个区域内各个行进方向上的车辆包括在途车辆和待行车辆；步骤4：对本路口交通状态进行大车流判断，其中包括上路口多方向流出大车流的判断以及本路口已有大车流的判断；步骤5：预测本路口已有大车流的通行时间：步骤5
‑
1：预测本路口待行车辆通行时间：通过数据集训练获取待放行车流放行时间曲线，首先，获取车辆数量及通过时间数据集，设车辆数量为x，车辆通过时间为y，获取的样本组数为Q，则第i组样本记为(x
i
,y
i
)；其次，设车辆通过时间为g(x)，对g(x)进行求取，有以下两种实现方式：1)计算每个车辆数量x下样本的平均通过时间或加权平均通过时间，作为车辆通过时间的预测值，或利用梯度下降的方法确定预测值，达到减小预测误差的目的，最终获得计算误差为R，然后，进行误差的修正，设置误差阈值为Rth，当R＜Rth时，计算结束，当R＜Rth时，计算x
i
单点的误差，设为r
i
＝g(x
i
)
‑
y
i
，设置单点误差阈值为rth，，当r
i
＜rth时，此点作为有效数据，当r＞rth时，此点作为异常值剔除，不参与计算过程；2)对车辆通过时间进行公式化求取，获得车辆通过时间预测函数g(x)，g(x)既可为分段函数，也可为不分段函数，每段内g(x)的多项式拟合公式为：g(x；α0,α2,...,α
n
)＝α0x
n
+α1x
n
‑1+α2x
n
‑2+
…
+α
n
将K组样本的x
i
带入公式，设拟合误差为通过计算预测函数与真实y
i
间的误差，使得误差达到最小，来确定参数集α0,α1,
…
,α
n
；然后，进行拟合误差修正，设置误差阈值为Rth，当R＜Rth时，拟合结束，当R＜Rth时，计算x
i
单点的误差，设为r
i
＝h(x
i
；α0,α1,
…
,α
n
)
‑
y
i
，设置单点误差阈值为Rth，，当r
i
＜rth时，此点作为有效数据继续下一轮拟合，当r＞rth时，此点作为异常值剔除，不参与下一轮拟合过程；
步骤5
‑
2：计算大车流放行时刻对应的位置：通过步骤4得到的待行车辆记为N
await
，在途车辆记为N
onwayl
，对当前待放行车流放行时间进行预测，预测结果为g(N
await
)，然后在已知在途车流速度v
onway
的前提下，根据放行时间进行大车流距离阈值(即为大车流放行时刻的位置)的求取。根据通过时间，设立时间恒等式：其中，δ为允许的时间误差项，t
await
为待放行车流通过监控区所需时间，t
onway
为在途车流到达监控区与管控区边界的时间；得到在途车流的距离阈值L
onway
：步骤5
‑
3：求取大车流放行时间及放行时刻：在本区域达到优先放行的条件下，根据在在途大车流、其它在途车辆和待放行车辆的情况，确定最优通行时间及放行时刻，此时间与时刻允许有一定误差，可根据实际进行时间的调整，当大车流前方无其他在途车辆和待放行车辆时，放行时刻为大车流到达停车线的时刻；当大车流前方存在在途车辆或待放行车辆时，放行时刻为大车流到达距离阈值L
onway
的时刻，放行时间T计算如下：T＝(g(N
await
+N
onwayl
)+δ)+(h(N
onway
|v
onway
)+γ),其中，h(N
onway
|v
onway
)为在速度v
onway
下N
onway
车辆的通行时间预测结果，δ、γ为时间预留项；步骤6：上路口多方向流出大车流预测：步骤6
‑
1：判断车辆流出累计量是否构成大车流，通过上个路口多方向车辆特征矩阵，计算OUT区的车辆流出累计量数据，通过管控区车辆位置矩阵，计算管控区车辆密度，设置密度阈值为N6，车辆流出累计量阈值为N7，当密度超过阈值且OUT区车辆流出累计量也超过阈值时，根据本路口OUT区长度及车流速度，求取此大车流预计到达本路口停车线的时间，输出可能存在大车流的信号及时间，否则，继续下一步骤；步骤6
‑
2：判断待放行车辆是否构成大车流，通过上个路口多方向OUT区...

【专利技术属性】
技术研发人员：曲媛媛，韩朝晖，秦宇，刘丙庆，陶鹏，秦志亮，张中凯，李莹莹，
申请(专利权)人：山东新北洋信息技术股份有限公司，
类型：发明
国别省市：