基于城市宏观路网模型的交通流短时预测方法技术

一种基于宏观路网模型的交通流短时预测方法，其步骤包括：(1)获得预测周期路网源节点输入流量，提取上一预测周期各路段平均速度，并确定各路口不同转向的流量比；(2)计算道路输入车辆行驶至排队车队尾的时间，求得该迭代周期到达队尾的车辆数；(3)由路口排队车辆数，饱和离开流量等条件确定对应转向离开路口的车辆数；(4)累加得到一个预测周期离开路口车辆总数，换算得到预测周期内的交通流量；(5)更新排队车辆数，作为下一次迭代预测的已知数据。本发明专利技术针对现有技术中存在的路网适应性差，需要大量训练数据，微观模型中运算量大等不足，充分利用城市路网空间信息，基于宏观交通流模型，能做到精确读高，实时性好的预测道路交通流量，且适用于绝大部分城市路网。

【技术实现步骤摘要】

本专利技术涉及城市道路交通流短时预测方法，特别是一种。
技术介绍
随着城市交通的快速发展，交通拥堵等现象变得越来越普遍和严重，对于城市交通智能诱导系统的需求也愈发迫切，作为诱导系统的一项关键基本技术，城市道路交通流短时预测近年来一直是智能交通系统领域的热点问题。短时一般指5至15分钟，预测指标一般为平均流量，平均速度或者平均延时，目前的预测方法一般均可针对上述三种指标进行预测，并无本质区别。近年来，学界提出了许多方法来解决这一问题，主要包括基于统计预测模型的方法，如自回归滑动平均、线性回归、非参数模型、卡尔曼滤波，以及一些人工智能方法如神经网络及其衍生，支持向量机，专家系统等。城市交通流受行人，短时突发事件，控制策略等多方面影响，具有很高的不确定性和随机性，可以说城市交通系统是典型的高阶时变非线性系统。传统的数理统计模型已不能很好的满足高精度预测的要求，神经网络、支持向量机等虽能获得较高精度，但需要大量数据训练，且移植性较差。上述方法大多是利用的交通流时域或频域上的信息进行处理预测，并未很好的利用道路空间信息，而路网的建模又分为宏观模型和微观模型，微观模型很好的考虑了随机性，跟驰模型，车辆分布等微观信息，具有较高的精度，现在的主流仿真软件如VISSIM，CORSIM等均利用先进的微观模型，但其运算量大，速度慢，不能满足预测信息动态发布，进行交通流诱导的需求。
技术实现思路
为了克服上述问题，本专利技术提供一种，该方法充分利用了时间和空间信息，在对交通状态进行估计的基础上，建立城市路网的宏观模型，能够实现高精度，实时的预测交通流，且模型通用性好，可适用于国内大部分城市路网。本专利技术的技术解决方案如下一种基于宏观路网模型的交通流短时预测方法，步骤包括(1)首先对于城市路网建模，( 获得预测周期路网源节点输入流量，提取上一预测周期各路段平均速度，并确定各路口不同转向的流量比；C3)计算道路输入车辆行驶至排队车队尾的时间，求得该迭代周期到达队尾的车辆数；(4)由路口排队车辆数，饱和离开流量等条件确定对应转向离开路口的车辆数；(5)累加得到一个预测周期离开路口车辆总数，换算得到预测周期内的交通流量。该预测方法包括下列具体步骤1、选择需要进行交通流预测的路网段，在空间上对其建模以交叉路口作为节点，把连接节点路段作为边，交叉路口包括十字路口和T型路Π ；对节点类别进行划分，分别归入源节点，T型节点，十字型节点；对路网基本参数进行确认，包括每条路段的长度，车道数，该路段设计的车辆自由行驶速度；定义方向，车辆转向，从而得到仅包括点和边的城市路网模型；2、估计路网源节点的下一周期的输入量求取k时刻到达每个路段停车线排队末尾的车辆数％(i，j，k)，根据下式(1)计算QD(i, j,k) = ((T_aD(i，j，k))/T)XDinD(i，j，k_i3D(i，j，k)_ot)+(aD(i，j，k)/T)XDinD(i，j，k_i3D(i，j，k)-l-ot) (1)式中T取1秒，ot为车辆以t转向时通过路口的时间，可视为常数，a D(i，j，k)， βΒ( , j，k)则表示进入路口的车流到达等待排队队尾的时间，由下式求得权利要求1.一种基于宏观路网模型的交通流短时预测方法，其步骤包括(1)首先对于城市路网建模；( 获得预测周期路网源节点输入流量，提取上一预测周期各路段平均速度，并确定各路口不同转向的流量比；C3)计算道路输入车辆行驶至排队车队尾的时间，求得该迭代周期到达队尾的车辆数；(4)由路口排队车辆数，饱和离开流量等条件确定对应转向离开路口的车辆数；(5)累加得到一个预测周期离开路口车辆总数，换算得到预测周期内的交通流量。2.根据权利要求1所述的交通流短时预测方法，其特征在于该预测方法的具体步骤以下1)首先对于城市路网建模以交叉路口作为节点，把连接节点的路段作为边，对于双向路段一对节点之间需两条有向边，路段中车道数在路网模型中不做区分；交叉路口分为十字路口和T型路口，主干道与支路同等对待；对节点类别进行划分为源节点，预测路网对象的边缘且有交通流出入的节点，包括东、西、南、北四个方向；T型节点，根据缺少道路的方向分为东、西、南、北四类；十字型节点；并对节点按模型空间左边进行编号，如N(i，j)；最后对路网基本参数进行确认，其中包括每条路段的长度、车道数、该路段设计的车辆自由行驶速度，所述的自由行驶指车辆不受其它车辆、行人、控制手段影响时的行驶速度；接着定义方向D为西(W)、北(N)、东(E)、南(S)，车辆转向t分别为直行(s)，左转 (1)，右转(r)，从而得到仅包括节点和边的城市路网模型；2)读取路网上各源节点未来一个预测周期(5min)的输入车流量(辆/小时)，并转化等效当量(PCU)下的车流量根据下式(1)计算路网上每个路段时间k时的输入车辆数 Din0 (i, j，k)，并求取k时刻到达路段上停车线排队末尾的车辆数％(i，j，k)，Qd(i, j,k) = ((T_aD(i，j，k))/T)XDinD(i，j，k_i3D(i，j，k)_ot)+ (aD(i, j，k)/T) XDinD(i, j, k-^D(i, j,k)-l-ot) (1)式中T为步长取1秒，％为车辆以t转向时通过路口的时间，可视为常数，则aD(i， j，k)，βΒ( , j,k)表示进入路口的车流到达等待排队队尾的时间，可由下式0)，(3)计算得到全文摘要一种基于宏观路网模型的交通流短时预测方法，其步骤包括(1)获得预测周期路网源节点输入流量，提取上一预测周期各路段平均速度，并确定各路口不同转向的流量比；(2)计算道路输入车辆行驶至排队车队尾的时间，求得该迭代周期到达队尾的车辆数；(3)由路口排队车辆数，饱和离开流量等条件确定对应转向离开路口的车辆数；(4)累加得到一个预测周期离开路口车辆总数，换算得到预测周期内的交通流量；(5)更新排队车辆数，作为下一次迭代预测的已知数据。本专利技术针对现有技术中存在的路网适应性差，需要大量训练数据，微观模型中运算量大等不足，充分利用城市路网空间信息，基于宏观交通流模型，能做到精确读高，实时性好的预测道路交通流量，且适用于绝大部分城市路网。文档编号G08G1/052GK102436751SQ20111029561公开日2012年5月2日 申请日期2011年9月30日 优先权日2011年9月30日专利技术者刘允才, 孔庆杰, 林姝, 涂世涛 申请人:上海交通大学本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：涂世涛，林姝，孔庆杰，刘允才，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：