一种城市拥堵路网关键路径识别方法技术

本发明专利技术公开一种城市拥堵路网关键路径识别方法

【技术实现步骤摘要】
一种城市拥堵路网关键路径识别方法、电子设备及介质


[0001]本专利技术涉及智能交通
，具体涉及一种城市拥堵路网关键路径识别方法
、
电子设备及介质
。

技术介绍

[0002]现代社会中，城市交通系统的正常运行受到各类突发交通事故影响与干扰
。
城市突发交通事故发生时间地点及影响范围无法确定
、
不可预见
、
无法避免
、
难以抗拒，干扰强度大，影响范围广，对城市交通系统的正常运行产生严重影响和阻碍，造成车道通行能力下降，引起交通阻塞，严重可导致路网系统瘫痪
、
交通功能失效
。
在事故初期依据现有因素，对容易阻塞的路段进行预判并迅速响应，对于疏散拥堵区域意义重大
。
而交叉口被认为是交通拥堵的主要来源，而交叉口的控制与优化是实现城市网络全局优化的重要步骤
。
[0003]交叉口关联度不仅可以表征交叉口的地理位置，还可以表征交叉口的交通特征
。CHANG
模型和
Whitson
模型被引入作为分析两交叉口间的交通流以及判断两个交叉口是否需要进行协调控制，或者说是否可以通过协调控制提高交通效益以及实施哪一种控制
。
但仅仅优化单一交叉口并不能有效地疏导交通拥堵，提高全区域交叉口管控效率，线控研究对于改善现有拥堵状况，组织社会车辆驶离具有重要意义
。
现有拥堵路段检测主要依靠车主在地图软件进行上报，后台进行数据分析
,
从而判断该路段是否塞车
。
另一种办法就是和相关的部门合作，调取视频监控数据
。
人为干预因素多，且无法对需要控制的路段进行预判
。
此外，现有研究对于关联度模型和绿波控制做了很多改进，但其使用对象和场景有限，能否用于拥堵交通流下有待验证
。
[0004]现有拥堵路网在调控时对整体路网进行调控，这就导致调控效率不高，且方案设计复杂，且并未考虑拥堵状态下的交通流特性
。

技术实现思路

[0005]本专利技术的目的在于克服上述技术不足，提供一种城市拥堵路网关键路径识别方法
、
电子设备及介质，解决现有技术中拥堵区域下整体路网调控效率不高的技术问题
。
[0006]为达到上述技术目的，本专利技术采取了以下技术方案：
[0007]第一方面
、
本专利技术提供一种城市拥堵路网关键路径识别方法，其特征在于，包括如下步骤：
[0008]获取事故点，基于所述事故点，确定所述事故点最近的下游交叉口，并将所述下游交叉口作为起点；
[0009]确定拥堵区域边缘，将所述拥堵区域边缘上每个交叉口作为终点；
[0010]基于路网图，确定所述起点与多个所述终点组合下的多条最短路径集合；
[0011]获取所述下游交叉口与所有的所述交叉口的交通量
、
转向比和路段车道数，基于所述交通量
、
转向比和路段车道数，计算出路段的综合关联度；
[0012]基于所述路段的综合关联度计算出最短路径的综合关联度；
[0013]基于所述最短路径的综合关联度以及预设的关联度阈值，确定所述多条最短路径集合中需要干涉的关键路径
。
[0014]在其中一些实施例中，所述基于路网图，确定所述起点与多个所述终点组合下的多条最短路径集合，包括：
[0015]基于路网图，对所述路网进行拓扑图转化；
[0016]基于广度优先搜索方法进行路网图搜索；
[0017]以曼哈顿距离最小为约束条件，通过哈希表去重处理，确定路径上交叉口个数上限；
[0018]基于所述交叉口个数，对所述起点与多个所述终点组合下的最短路径进行筛选，确定所述起点与多个所述终点组合下的多条最短路径集合
。
[0019]在其中一些实施例中，所述获取所述下游交叉口与所有的所述交叉口的交通量
、
转向比和路段车道数，基于所述交通量
、
转向比和路段车道数，计算出路段的综合关联度，包括：
[0020]基于所述下游交叉口与所有的所述交叉口的交通量
、
转向比和路段车道数，计算出左转和掉头共用车道的车均延误以及相邻交叉口的最大交通量；
[0021]基于所述左转和掉头共用车道的车均延误以及相邻交叉口的最大交通量，计算出需求改进关联度以及状态扰动关联度；
[0022]基于所述需求改进关联度以及所述状态扰动关联度，对所述需求改进关联度以及状态扰动关联度进行无量纲处理；
[0023]通过对所述需求改进关联度以及所述状态扰动关联度进行无量纲处理后，以计算出路段的综合关联度
。
[0024]在其中一些实施例中，所述左转和掉头共用车道的车均延误以及相邻交叉口的最大交通量计算式为：
[0025][0026][0027]其中，
D
u
为左转和掉头共用车道的车均延误，
Y
t
为掉头口处的排队车辆数，
β
为排队系统中车辆的到达率，
q
t
为掉头车流到达掉头口的流量，
γ
为左转相位开始时掉头车辆与下游交叉口的距离上的左转排队车辆数，
γ
max
为掉头开口处距离下游交叉口距离与车辆停车平均车头间距的比值，
t(
γ
)
为掉头车阻挡左转车产生的延误损失时间，
p(
γ
)
为左转车被掉头车阻挡的概率；
q
max
为最大交通量，
K
为一个信号周期内的相位个数，
M
为上游交叉口进口道个数，为
01
系数，
q
m
为每个进口道方向输入下游路段的交通量，当车流
q
m
在该相位能通行时，为1，当车流
q
m
在该相位不能通行时，为0；
Q
u
为左转及掉头共用车道每小时总流量
。
[0028]在其中一些实施例中，所述需求改进关联度以及状态扰动关联度的计算式为：
[0029][0030][0031]其中，
I1为需求改进关联度，针对研究交叉口
i
及交叉口
j
之间的关联度，
M
为上游交叉口进口道个数；
L
ij
为路段长度，
L
q
为路段排队长度，
V
ij
为路段平均速度，
q
m
为每个进口道方向输入下游路段的交通量；
D
u
为左转和掉头共用车道的车均延误，
S
为上游驶向下游的车道数；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种城市拥堵路网关键路径识别方法，其特征在于，包括如下步骤：获取事故点，基于所述事故点，确定所述事故点最近的下游交叉口，并将所述下游交叉口作为起点；确定拥堵区域边缘，将所述拥堵区域边缘上每个交叉口作为终点；基于路网图，确定所述起点与多个所述终点组合下的多条最短路径集合；获取所述下游交叉口与所有的所述交叉口的交通量
、
转向比和路段车道数，基于所述交通量
、
转向比和路段车道数，计算出路段的综合关联度；基于所述路段的综合关联度计算出最短路径的综合关联度；基于所述最短路径的综合关联度以及预设的关联度阈值，确定所述多条最短路径集合中需要干涉的关键路径
。2.
根据权利要求1所述的城市拥堵路网关键路径识别方法，其特征在于，所述基于路网图，确定所述起点与多个所述终点组合下的多条最短路径集合，包括：基于路网图，对所述路网进行拓扑图转化；基于广度优先搜索方法进行路网图搜索；以曼哈顿距离最小为约束条件，通过哈希表去重处理，确定路径上交叉口个数上限；基于所述交叉口个数，对所述起点与多个所述终点组合下的最短路径进行筛选，确定所述起点与多个所述终点组合下的多条最短路径集合
。3.
根据权利要求1所述的城市拥堵路网关键路径识别方法，其特征在于，所述获取所述下游交叉口与所有的所述交叉口的交通量
、
转向比和路段车道数，基于所述交通量
、
转向比和路段车道数，计算出路段的综合关联度，包括：基于所述下游交叉口与所有的所述交叉口的交通量
、
转向比和路段车道数，计算出左转和掉头共用车道的车均延误以及相邻交叉口的最大交通量；基于所述左转和掉头共用车道的车均延误以及相邻交叉口的最大交通量，计算出需求改进关联度以及状态扰动关联度；基于所述需求改进关联度以及所述状态扰动关联度，对所述需求改进关联度以及状态扰动关联度进行无量纲处理；通过对所述需求改进关联度以及所述状态扰动关联度进行无量纲处理后，以计算出路段的综合关联度
。4.
根据权利要求3所述的城市拥堵路网关键路径识别方法，其特征在于，所述左转和掉头共用车道的车均延误以及相邻交叉口的最大交通量计算式为：头共用车道的车均延误以及相邻交叉口的最大交通量计算式为：其中，为左转和掉头共用车道的车均延误，
Y
t
为掉头口处的排队车辆数，
β
为排队系统中车辆的到达率，
q
t
为掉头车流到达掉头口的流量，
γ
为左转相位开始时掉头车辆与下游交叉口的距离上的左转排队车辆数，
γ
max
为掉头开口处距离下游交叉口距离与车辆停车平均车头间距的比值，
t(
γ
)
为掉头车阻挡左转车产生的延误损失时间，
p(
γ
)
为左转车被
掉头车阻挡的概率；
q
max
为最大交通量，
K
为一个信号周期内的相位个数，
M
为上游交叉口进口道个数，为
01
系数，
q
m
为每个进口道方向输入下游路段的交通量，当车流
q
m
在该相位能通行时，为1，当车流
q
m
在该相位不能通行时，为0；
Q
u
为左转及掉头共用车道每小时总流量
。5.
根据权利要求3所述的城市拥堵路网关键路径识别方法，其特征在于，所述需求改进关联度以及状态扰动关联度的计算式为：关联度以及状态扰动关联度的计算式为：其中，
I1为需求改进关联度，针对研究交叉...

【专利技术属性】
技术研发人员：徐良杰，韩涵，马宇康，穆宇宸，段震，李金涛，宋淑敏，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：