一种城市交通信号控制的路网流量预测方法技术

本发明专利技术涉及一种城市交通信号控制的路网流量预测方法，包括以下步骤：S1：基于RFID数据和实地调查获取完整路网数据；S2：结合BPR函数计算不同管控条件下出行时耗变化值；S3：将出行时耗的变化情况代入通过该路径的出行样本中，基于改进的MNL模型计算该路径的出行概率；S4：根据出行路径选择概率将道路交通流量分配到该路段上，得到该路段的预测交通量；S5：将预测的交通量再次带入BPR函数，进行多次迭代计算，直到预测交通量收敛，输出最终的预测值，本发明专利技术具有预测准确、误差小的优点。误差小的优点。误差小的优点。

【技术实现步骤摘要】
一种城市交通信号控制的路网流量预测方法


[0001]本专利技术涉及交通流量预测
，特别是涉及一种城市交通信号控制的路网流量预测方法。

技术介绍

[0002]城市交通发展过程中，随着卡口、高空瞭望、鹰眼等交通数据采集设备的安装应用，交通信息化建设不断推进，综合交通数据汇聚已初具规模，日益丰富的交通数据，为治理交通拥堵提供了良好的数据支持。山地城市干线开口及立交较多，汇入点交织复杂，干线调控多以车道控制为主，而当下干线调控往往凭借经验，控制效果没有显现。要实现精细化的车道级别智能交通信号管控，必须要有未来短时间内准确的流量数据支持，交通设备能够提供实时数据，还需要有短时流量预测方法的支持。
[0003]对交通流的预测主要可以考虑影响交通流的核心因素，提取相关特征来进一步刻画交通流量信息。目前主流的模型可以分为两类，一类是仅考虑时间因素影响的模型，如历史平均模型(HA)，使用历史的流量信息动态地预估未来的流量；差分回归滑动平均模型(ARIMA)可以将不稳定的数据进行差分处理得到较好的时序周期特征，进而更精确地预测交通流量；同时随着深度学习的不断发展，神经网络中的时序模型如LSTM等通过自我学习和多个门的控制机制，不仅能提取到短时影响还能保存长期的记忆影响，也在一定程度上提高了时间维度上预测的准确性，这些方法在使用时间方面来刻画交通流量已经达到了较好的效果，但是交通流量还有一个主要的影响因素是空间因素，这些模型都不能很好地捕捉空间属性进行建模。因此，需要深度挖掘城市交通大数据的更多潜在价值，探索一种与车辆出行特征相关联的方法对道路交通流进行准确预测。

技术实现思路

[0004]针对上述现有技术的不足，本专利申请所要解决的技术问题是如何提供一种预测准确、误差小的城市交通信号控制的路网流量预测方法。
[0005]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0006]一种城市交通信号控制的路网流量预测方法，包括以下步骤：S1：基于RFID数据和实地调查获取完整路网数据；S2：结合BPR函数计算不同管控条件下出行时耗变化值；S3：将出行时耗的变化情况代入通过该路径的出行样本中，基于改进的MNL模型计算该路径的出行概率；S4：根据出行路径选择概率将道路交通流量分配到该路段上，得到该路段的预测交通量；S5：将预测的交通量再次带入BPR函数，进行多次迭代计算，直到预测交通量收敛，输出最终的预测值。
[0007]作为优化，步骤S1中所述路网数据包括含路段流量、通行能力，车辆自由行驶时间和管控方案。
[0008]作为优化，所述路段流量的提取包括以下步骤：A1：获取每个OD对之间的总流量，再通过Python代码获取总流量中，每辆车的车辆的ID；A2：根据提取出来的车辆ID，从干线
影响区RFID原始数据中提出这些车辆经过的所有检测点位，并将相同的车辆ID按照时间序列排序，则这些数据就是每辆车的出行轨迹；A3：通过SQL筛选出出行轨迹中重复的部分，则说明有多辆车在重复该轨迹，该轨迹可能为OD对间的路径；A4：根据GIS路网中RFID点位的分布，判断这些轨迹是否为真正的出行路径并将其提取出来；A5：根据提取的路径，通过Python代码利用车辆所经过的RFID点位获取OD对间每条路径的流量。
[0009]作为优化，基于RFID数据获取出行路径进行选择时影响的因素包括：出行时耗计算、一次出行轨迹获取、路径熟悉程度、路径长度和快速路、主干路、匝道占比。
[0010]作为优化，步骤S1中实地调查补充路网数据包括道路交通流量、饱和流率、路段自由流车速、实际通行能力以及信号控制方案，通过实地调查补充的路网数据获得主线道路的绿信比。
[0011]作为优化，步骤S2中计算出行时耗的变化值时先通过BPR函数，结合现状管控方案计算出当前控制方案下的路径行程时间，再计算信号控制方案改变后的路径行程时间得出；
[0012]结合道路的行程时间与路段的实际通行能力计算路径行程时间时采用如下公式：
[0013][0014]式中：t—路段行驶时间(h)；
[0015]t0—路段自由行驶时间(h)；
[0016]Q—路段交通量(pcu/h)；
[0017]C—路段的实际通行能力(pcu/h)；
[0018]α和β为模型待定参数，按照美国联邦公路局推荐的取值，分别取α＝0.15，β＝4；
[0019]结合信号控制方案采用如下方式：
[0020]车道组的流率定义为车道组实际的或者规划的需求流率v
i
与其饱和流率s
i
之比，车道组i的流率比用符号(v/s)
i
表示给定车道组的通行能力如下：
[0021][0022]式中：c
i
—车道组i的通行能力(辆/h)；
[0023]s
i
—车道组i的饱和流率(辆/h)；
[0024]g
i
—车道组i的有效绿灯时间(s)；
[0025]N—周期长(s)；
[0026]饱和流率定义其计算公式如下：
[0027][0028]式中：s—饱和流率(辆/h)；
[0029]h—饱和车头时距(s)；
[0030]信号控制方案中的有效绿信比和出行时耗之间的最终关系如下：
[0031][0032]作为优化，步骤S3中，基于改进的MNL模型对对应路径的出行概率进行计算时，改进引入样本权重法，解决了模型数据样本量不均衡的问题，对训练集里的每个类别加一个权重，使得每个类别的影响力一样，该类别的样本数多，那么它的权重就低，反之则权重就高。
[0033]作为优化，步骤S3中MNL模型设各路径的随机项相互独立，且均服从Gumbel分布，即随机项服从相互独立的同一分布(independently and identically，简称IID)，针对同一OD的不同路径，出行者选择每条路径的概率都是相互独立的，因此出行者在n个OD对之间选择第i条有效路径的概率为：
[0034][0035]为了能够反映到如驾驶员的路径决策过程以及对路径的认知程度这些不能被观测到的因素，随机效用理论将效用分为固定项和随机项两部分，并假设这两个部分呈线性关系，固定项表示在路径效用中可以对驾驶员特性、出行特性和路径特性加以解释和观测部分；随机项表示路径效用中无法被观测到的部分。驾驶员n选择路径i的概率P
in
可以表示为：
[0036][0037]其中
[0038]作为优化，步骤S4和步骤S5的具体步骤如下：B1：根据实际调查和数据，将干线流量分配道路网各个道路上，得到管控前完整得路网流量情况；B2：将路径中出行时耗变化后的样本量代入改进后的MNL模型，获得管控前后的样本量变化；B3：将各OD区域间的路径选择变化情况分配到管控主线上，则管控主线得流量变化情况；B4：整理得管控后OD区域间流量。
[0039]综上，本专利技术具有以下有益效果：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市交通信号控制的路网流量预测方法，其特征在于，包括以下步骤：S1：基于RFID数据和实地调查获取完整路网数据；S2：结合BPR函数计算不同管控条件下出行时耗变化值；S3：将出行时耗的变化情况代入通过该路径的出行样本中，基于改进的MNL模型计算该路径的出行概率；S4：根据出行路径选择概率将道路交通流量分配到该路段上，得到该路段的预测交通量；S5：将预测的交通量再次带入BPR函数，进行多次迭代计算，直到预测交通量收敛，输出最终的预测值。2.根据权利要求1所述的一种城市交通信号控制的路网流量预测方法，其特征在于，步骤S1中所述路网数据包括含路段流量、通行能力，车辆自由行驶时间和管控方案。3.根据权利要求2所述的一种城市交通信号控制的路网流量预测方法，其特征在于，所述路段流量的提取包括以下步骤：A1：获取每个OD对之间的总流量，再通过Python代码获取总流量中，每辆车的车辆的ID；A2：根据提取出来的车辆ID，从干线影响区RFID原始数据中提出这些车辆经过的所有检测点位，并将相同的车辆ID按照时间序列排序，则这些数据就是每辆车的出行轨迹；A3：通过SQL筛选出出行轨迹中重复的部分，则说明有多辆车在重复该轨迹，该轨迹可能为OD对间的路径；A4：根据GIS路网中RFID点位的分布，判断这些轨迹是否为真正的出行路径并将其提取出来；A5：根据提取的路径，通过Python代码利用车辆所经过的RFID点位获取OD对间每条路径的流量。4.根据权利要求3所述的一种城市交通信号控制的路网流量预测方法，其特征在于，基于RFID数据获取出行路径进行选择时影响的因素包括：出行时耗计算、一次出行轨迹获取、路径熟悉程度、路径长度和快速路、主干路、匝道占比。5.根据权利要求4所述的一种城市交通信号控制的路网流量预测方法，其特征在于，步骤S1中实地调查补充路网数据包括道路交通流量、饱和流率、路段自由流车速、实际通行能力以及信号控制方案，通过实地调查补充的路网数据获得主线道路的绿信比。6.根据权利要求5所述的一种城市交通信号控制的路网流量预测方法，其特征在于，步骤S2中计算出行时耗的变化值时先通过BPR函数，结合现状管控方案计算出当前控制方案下的路径行程时间，再计算信号控制方案改变后的路径行程时间得出；结合道路的行程时间与路段的实际通行能力计算路径行程时间时采用如下公式：式中：t—路段行驶时间(h)；t0—路段自由行驶时间(h)；Q—路段交通量(pcu/h)；
C—路段的实际通行能力(pcu/h)；α和β为模型待定参数，按照美国...

【专利技术属性】
技术研发人员：蔡晓禹，彭博，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：