欠飽和狀態(tài)下基于流量的動態(tài)交通路段行程時間算法

鐘會玲

(浙江浙大中控信息技術有限公司，浙江杭州310053)

欠飽和狀態(tài)下基于流量的動態(tài)交通路段行程時間算法

鐘會玲

(浙江浙大中控信息技術有限公司，浙江杭州310053)

通過深入分析欠飽和狀態(tài)下的路段中間地點速度，提出Webster與基于流量的動態(tài)交通路段行程時間算法，利用Webster模型得出路段直行紅燈延誤時間，引入流量作為通暢狀態(tài)下行駛時間和紅燈延誤時間比重參數(shù)，且路段直行通暢狀態(tài)下行駛時間比重參數(shù)與流量負相關，紅燈延誤時間比重參數(shù)與流量正相關，比重參數(shù)通過路段直行真實行程時間與模擬行程時間回歸分析得出。以2016年浙江省海寧市微波及線圈數(shù)據(jù)為研究對象，結(jié)合交叉口紅綠燈配時，首先清洗微波和線圈數(shù)據(jù)，然后利用Webster與基于流量的動態(tài)交通路段行程時間算法，結(jié)合回歸分析訓練集得出的路段行程時間關系式，最后利用測試集，得出路段行程時間與真實路段行程時間顯著性水平為0.684，并且與固定參數(shù)的路段行程時間相比，顯著性水平高出0.143，可見該組合算法具有較好的準確率和實用性。

交通流;行程時間;Webster;線性相關

1 方法與數(shù)據(jù)

1.1 方法

(1)Webster延遲模型

計算路口各個進口方向上在采樣周期內(nèi)的車輛延誤。計算交叉口給定車道的車輛平均延誤的Webster公式如下所示

式中:d為每輛車的控制延誤，s/輛;C為交叉口周期，s;λ為綠信比為車道的綠燈時間，s;q為流量×3 600，Q為采樣周期內(nèi)車輛數(shù)，輛/采樣周期;y為流量比，s為路口進口一條車道的飽和流率，輛/h;x為車道的飽和度

圖1 進口方向延誤

若路口某進口方向有n條車道采樣數(shù)據(jù)的流量分別為q1，…，qn，則分別計算n個車道的平均延誤d1，…，dn，然后按下式求得該進口方向上的平均控制延誤和總流量分別為

若發(fā)布間隔橫跨M個信號控制周期結(jié)束點，這M個控制周期內(nèi)該進口方向的延誤分別為D1，…，DM，總流量分別為qs1，…，qsM，則發(fā)布間隔內(nèi)的該進口方向上的平均延誤為

若發(fā)布間隔內(nèi)無信號控制周期結(jié)束點，即M= 0，則利用上一發(fā)布間隔內(nèi)的該進口方向上的延誤時間作為本次發(fā)布間隔內(nèi)的延誤時間。

(2)線性回歸模型

回歸分析是研究隨機變量之間的相關關系的一種統(tǒng)計方法，其用意是研究一個被解釋變量(又稱因變量)與一個或多個解釋變量(又稱自變量)之間的統(tǒng)計關系。

論文利用的模型為多元線性回歸，將所選變量全部強行進入回歸，其線性模型即

論文通過利用Webster模型得出路段直行紅燈延誤時間，引入基于流量的動態(tài)交通路段行程時間算法，結(jié)合回歸分析得出路段行程時間與紅燈延誤時間、地點速度以及路段交通流量間關系。并利用測試集驗證結(jié)果，得出較高的線性相關度，表明該模型算法適用于城市交通路段行程時間計算。

(3)相關分析

相關分析是研究兩數(shù)值型變量線性相關性的常用方法，需經(jīng)過以下兩個步驟:第一，計算Pearson樣本相關系數(shù)r;第二，對樣本來自的兩總體是否存在顯著線性關系進行檢驗。

Pearson樣本相關系數(shù)即樣本簡單相關系數(shù)，反映變量間線性相關程度的強弱;對樣本來自的兩總體是否存在顯著線性關系進行檢驗，首先假設兩總體零線性相關，其次計算Pearson相關系數(shù)的檢驗統(tǒng)計量t及其對應的概率P，最后比較P與顯著性水平通常設為0.05得出是否線性相關結(jié)果。

1.2 數(shù)據(jù)

為了驗證所提方法的有效性，以2016年3月份浙江省海寧市水月亭路上海昌路至文苑路交通流數(shù)據(jù)為研究對象，該路段上下游路口現(xiàn)安裝有電子警察設備，電警數(shù)據(jù)包括車輛信息，車輛經(jīng)過地點、方向，車道號及經(jīng)過時間，利用該每5分鐘數(shù)據(jù)形成車輛經(jīng)過某路段數(shù)據(jù)，并通過刪除滯留車輛數(shù)據(jù)，繞彎車輛數(shù)據(jù)達到清洗數(shù)據(jù)的目的，最后得出每5分鐘路段真實行程車速。路段上下游路口信號配時數(shù)據(jù)，中間裝有微波設備，通過微波數(shù)據(jù)清洗規(guī)則達到清洗異常數(shù)據(jù)的目的。

1.3 實驗流程

原始電警數(shù)據(jù)經(jīng)過處理后形成路段過車數(shù)據(jù)，清洗干凈后計算出路段真實行程車速，由于海寧即使是早晚高峰交通流也處于欠飽和狀態(tài)，可將微波地點速度作為路段暢行車速，進而得出暢行時長，由Webster模型得出路段的延誤時長數(shù)據(jù)，Webster與基于流量的動態(tài)交通路段行程時間算法的具體實驗流程如圖2所示，包括5個步驟:

圖2 欠飽和狀態(tài)下基于流量的動態(tài)交通路段行程時間算法實驗流程

步驟一:原始電警數(shù)據(jù)經(jīng)過處理后形成路段過車數(shù)據(jù)，清洗干凈后計算出路段真實行程車速及行程時間。

步驟二:原始微波地點數(shù)據(jù)經(jīng)過排除異常數(shù)據(jù)，清洗干凈后計算出路段暢行車速及對應暢行時長。

步驟三:利用路段飽和流率、路段實時流量、路段下游路口配時信息數(shù)據(jù)，通過Webster模型得出路段直行等紅燈延遲時長。

步驟四:利用步驟二步驟三結(jié)果，并且引入路段直行流量占路段飽和流率比重作為動態(tài)參數(shù)組成之一，剩余參數(shù)由w替代。

步驟五:利用步驟四結(jié)果得到帶參數(shù)w的路段行程時間。

步驟六:根據(jù)步驟一的路段真實行程時間與步驟五的帶參數(shù)路段行程時間，通過回歸分析確定參數(shù)w。

步驟七:將參數(shù)w帶入測試集中，得到測試集的行程時間，與路段真實行程時間進行相關分析，如果得到顯著性水平大于0.5，表明該組合算法具有較好的準確率和實用性。

2 結(jié)果

2.1 電警路段行程車速

論文以2016年3月水月亭路上海昌路至文苑路交通流數(shù)據(jù)為研究對象，分析交通路段速度一個月每天每5分鐘的時間分布特性。選取具體3月1號的交通路段速度的時間分布特性如圖3所示，由圖3可以看出，在7:00－9:00的時段內(nèi)水月亭某一路段交通路段速度相對較低，呈現(xiàn)出早晚高峰的特征。

圖33 月1號水月亭路上海昌路至文苑路路段真實行程車速

2.2 線圈數(shù)據(jù)地點速度對應暢行時間及延誤時間

根據(jù)表1清洗規(guī)則，清洗微波或線圈異常數(shù)據(jù)，每條路段交通流參數(shù)的合理區(qū)間都可能不同，因此需根據(jù)道路實際環(huán)境進行設置。

表1 交通流參數(shù)錯誤組合

清洗后根據(jù)流量加強平均得到路段暢行車速，3月1號水月亭路上海昌路至文苑路路段中間地點車速如圖4。

在該發(fā)布間隔內(nèi)基于該種檢測器的路段暢行行駛時間為

根據(jù)Webster模型即公式一、公式二和公式三得出發(fā)布間隔每5 min的該進口方向上的平均延誤DT，引入路段直行流量占路段飽和流率比重作為動態(tài)參數(shù)組成之一

其中，bhll為飽和流率單位秒，cyzq為采樣周期，微波為60 s，線圈為30 s，q為采樣周期內(nèi)的路段流量，n為該出口方向加入計算的車道數(shù)。

發(fā)布間隔內(nèi)基于該種檢測器的帶參數(shù)的路段行程時間ts:

模擬路段行程速度

式中:w1，w2為權重參數(shù)，a為常量。

圖43 月1號水月亭路上海昌路至文苑路路段中間地點車速

2.4 確定基于流量的動態(tài)參數(shù)

在上一步得出的帶參數(shù)路段行程時間的基礎上，結(jié)合路段真實行程車速得出真實行程時間，再利用回歸分析得出真實行程時間與基于流量的延誤時間及暢行時間三者間關系，參數(shù)w1為0.004，w2為0.064，a為50.58，且顯著性水平為0.864。將動態(tài)參數(shù)帶入上一步中公式七和公式八，得出每5 min的模型得出的路段行程時間及速度。以2016年3月1號數(shù)據(jù)為訓練集的一部分，模型得出的路段行程速度與真實路段行程車速對比圖如圖6。

2.5 驗證結(jié)果

固定參數(shù)方法中通常將w2*per定為經(jīng)驗值0.05，w1*(1－per)定為0.95，根據(jù)公式七得出的路段行程時間與路段真實行程時間的線性相關的顯著性水平為0.541，且平均絕對誤差為20.17 s。固定參數(shù)的路段行程車速與真實路段行程車速對比圖如圖5。

將動態(tài)參數(shù)帶入公式七和公式八，得出每5分鐘的模型得出的路段行程時間及速度。以2016年3月2號數(shù)據(jù)為測試集，模型得出的路段行程時間與真實路段行程時間線性相關的顯著性水平為0.684，且平均絕對誤差為9.89 s，并且與固定參數(shù)Webster模型的路段行程時間相比，顯著性水平高出0.143，平均絕對誤差減少10.28，可見該組合算法具有較好的準確率和實用性，基于流量的動態(tài)交通路段行程車速與真實路段行程車速對比圖如圖6。

圖5 固定參數(shù)的擬合路段行程車速與真實路段行程車速對比圖

圖6 動態(tài)參數(shù)的擬合路段行程車速與真實路段行程車速對比圖

3 討論

首先論文選擇海寧交通數(shù)據(jù)為研究對象，由于海寧交通流包括早晚高峰期都處于欠飽和狀態(tài)，路口車輛均能在一個燈次內(nèi)通過，因此選擇Webster模型為基礎的研究模型較為合理。

其次論文為將模擬數(shù)據(jù)更接近真實結(jié)果，采用電警過車數(shù)據(jù)為路段真實行程車速依據(jù)，且電警過程數(shù)據(jù)清洗過程嚴格，尤其是車流量大的時候所得出的行程時間準確率可達到95%以上，可靠性高。

最后論文為通過地點車速數(shù)據(jù)與道路及信號配時信息數(shù)據(jù)推算出路段行程時間，在Webster模型的基礎上引入流量作為通暢狀態(tài)下行駛時間和紅燈延誤時間比重參數(shù)組成之一，以電警過車數(shù)據(jù)為基準，回歸分析得出剩余組成參數(shù)值，相對于固定參數(shù)的通暢狀態(tài)下行駛時間和紅燈延誤時間模型顯著性水平高，說明欠飽和狀態(tài)下，基于流量的動態(tài)交通路段行程時間算法準確率較高。并利用測試集驗證基于流量的動態(tài)交通路段行程時間算法，說明模型選擇合理。

4 結(jié)論

論文通過有效分析得出，路段的行程時間由路段信號配時信息、路段基礎信息、路段通暢狀態(tài)下行駛時間決定，在欠飽和狀態(tài)下，以Webster模型為基礎，引入流量作為通暢狀態(tài)下行駛時間和紅燈延誤時間比重參數(shù)組成之一，結(jié)合由電警數(shù)據(jù)得出的路段真實行程車速及時間，利用回歸分析得出基于流量的動態(tài)參數(shù)，擬合度高，說明模型選擇合理。

論文用訓練集得出模型，并用測試集驗證模型，且驗證結(jié)果的線性相關顯著性水平偏高，平均相對誤差偏低。并且相對于固定參數(shù)的通暢狀態(tài)下行駛時間和紅燈延誤時間模型顯著性水平高，能夠提高交通狀態(tài)判別的準確性。

［1］王志華，史天運.射頻識別技術(RFID)在交通領域的應用現(xiàn)狀［J］.交通運輸系統(tǒng)工程與信息，2005，5(6): 96－99.

［2］劉陽，尹鐵源，葛震，宋繼紅.數(shù)字圖像處理應用于車輛牌照識別的研究［J］.遼寧大學學報(自然科學版)，2004，31(1):65－68.

［3］蓋春英.區(qū)域公路網(wǎng)交通量實用預測方法研究［D］.哈爾濱:哈爾濱工業(yè)大學，2000.

U492

C

1008－3383(2017)04－0183－03

2016－06－08