基于浮动车的实时路况分析算法(5)

??v?vm.ln????j??? （4—4） ?式中,Vm代表临界速度，即流量最大时的速度，单位为km／h。

由以上的一系列公式可知，通过速度，借助于路段上的一些阀值参数，即可推倒出流量和密度，因此，本论文选取速度作为重点研究对像，对于从速度到其他两个参数的具体推倒过程，本文不作讨论。

4.2 交通状态判别标准

交通拥挤是城市道路交通流的一个过程及表现形式之一，但并非所有的交通拥挤都需要进行交通管理才能缓解和消散。某些交通波动会在道路的瓶颈处产生短时的车辆排队，但这种车辆排队往往能够自行缓解。那么到底什么程度才算是交通拥挤？交通拥挤的相关指标超过什么阀值才需要交通管理者进行干预？目前各国尚无统一的交通状态或交通拥挤的量化定义。

美国芝加哥运输部定义30%或更大的5min车道占有率对应的交通状态为交通拥挤；日本道路公团认为时速40km/h以下低速行驶或反复停车、启动的车列连续1km以上并持续15min以上的城市高速公路交通状态为交通拥挤；美国德克萨斯运输部规定当出行时间超过在小交通流量或者自由流的出行环境下正常发生的出行时间、产生较大的延误时的交通状态为交通拥挤，当这个延误超过大众能够普遍接受的界限时，称为不可接受的交通拥挤。

交通拥挤是交通运行的直观表现形式，但并非所有的交通拥挤都需要交通管理者的干预才能缓解和消散。某些交通波动也会在道路的瓶颈处产生短时的车辆排队，但这种车辆排队往往能够自行缓解。那么到底车辆排队到什么程度才算是交通拥挤?拥挤到什么程度才需要交通管理者进行干预?目前各国尚无统一的交通状态或交通拥挤的量化定义。

我国公安部2002年公布的《城市交通管理评价指标体系》中规定： ①城市主干路上机动车的平均行程速度不低于30km/h时为畅通；

②城市主干路上机动车的平均行程速度低于30km/h，但高于20Km/h时为轻度拥挤；

③城市主干路上机动车的平均行程速度低于20km/h，但高于10km/h时为拥挤；

④城市主干路上机动车的平均行程速度低于10km/h时为严重拥挤。

共40页 第17页

由此可见，国外通常以拥挤发生时交通流本身表现出来的特征为出发点，运用不同的交通参数从定量的角度对交通拥挤进行了描述。但德克萨斯州给出的延误是一个非常复杂的交通参数，影响因素众多，采集或计算的难度较大。我国公安部关于交通拥挤的定量描述具有较高的可操作性，可直接用于道路交通拥挤状态的判别，但要能够直接得到或可以估计得到路段上的平均行程速度或平均行程时间。

4.3 路段划分

路网空间数据模型的建立是运用GPS 浮动车采集路段行程时间(速度) 数据的前提，而将路网分解为节点-路段的集合是建立相应路网空间数据模型的基础。可见，路段划分是基于GPS浮动车的交通信息采集系统的关键技术，路段划分方式不仅与所得交通数据的质量密切相关，而且直接影响数据采集系统的运行效率。 对道路进行路段的划分是路段平均速度估计的前提和基础。对于一条实际的道路，必然会存在十字路口、信号灯等会引起道路车流明显变化的道路基础设施。若是将整条道路看作一个整体进行估计，得到的结果必然会存在较大误差，所以，应以基础设施信息为依据对道路实行合理的路段划分，分别考察车流在各个路段上的行驶情况，才能获得较为合理的交通状态信息。

对于一条道路来说，尤其是对于距离较长，交通状态差别或变动较大的路段，难于应用一个平均速度表达整条道路的交通状态，而采用路段划分技术把道路分成若干个虚拟的子路段，再分别得出各个子路段的平均速度，用子路段的平均速度就可以较合理的表现整条道路当前的交通状态。

传统的路段划分方法普遍采用相交道路中心线交点作为路段边界，这种方法导致交通信息采集系统输出的数据仅能反映交叉口所有方向车道交通状态的平均趋势，且其假设整个路段的交通状态均衡。然而, 由于交通管理措施因素的影响，交叉口不同方向车道以及同一路段不同位置的交通状态往往存在较大差别。因此，作为实时交通数据的主要用户，交通状态判别系统迫切需要区分车流行驶方向以及区分路段具体位置的行程时间(速度) 数据进行拥堵影响范围的确定，同时车辆动态导航系统迫切需要区分车流转向的行程时间( 速度) 数据构建路阻函数，以便改善路径优化的效果。

本文选择最简单方便的划分方法：根据各类基础设施对道路车流的影响程度进行路段的划分，选取十字路口和信号灯作为划分路段的首要依据，把公交车站位置、单向车道数、是否有隔离带、道路歪曲程度等因素作为辅助依据加以考虑。

4.4 基于GPS浮动车的交通状态判别算法

路段平均速度是最重要的交通流参数之一，是评价路段交通状况、拥挤水平的

共40页 第18页

重要指标。目前在路段平均速度估计模型的建立方面，国内外学者做了大量的研究，代表性的成果主要有以下几种： 4.4.1 模糊推理模型

模糊推理是模仿人脑的知识和经验推知事实结果的智能化方法。Yanying Li和MikeMcDonald应用模糊推理策略，提出了采用一辆普通浮动车估计路段行程时间的模型。该模型基于对浮动车的速度-时间行驶特征的分析，引入一个新的变量——最大连续加速度MAC：

?Vt2?Vt1Vt1?Vs?MAC?max???,t2?t1?8 （4—5）

Vs??t2?t1其中t1、t2是浮动车采样时间序列中中速度连续增加子系列的起始和结束时间，Vs是浮动车的平均速度。用Vs和MAC来表征探测车在路段车流中行驶的快慢程度，建立推知浮动车相对于路段车流速度快慢程度的模型推理规则，通过推理结果修正浮动车的行程时间，将修正值作为路段行程时间。通过验证，该模型的估计值正确率为98%，估计值与真实值的误差绝对平均百分比小于2.1%。

该模型融入了人工智能的思想，利用了浮动车检测数据中蕴含车流速度变化的浮动车瞬时速度值，并且不依赖于道路因素，体现了交通参数估计时GPS浮动车技术的优势。 4.4.2 多元回归模型

2002年，Rohini Bobba在其博士论文中提出了应用公交车作为GPS浮动车，通过多元回归建立路段平均速度估计模型的方法。研究借助统计软件(Statistical Analysis Software，SAS)的分析，表明公交浮动车平均速度、车道数和道路限速值这三个独立变量能反映67％路段平均速度的变化，进而建立了多元回归模型：

路段平均速度=—5.60857+0.55814×公交车平均速度+2.8257×车道数+0.39745×道路限速值

测试表明，在95％的时间里路段平均速度真实值介于此模型计算值的±0.01Km／h内。

2003年，在另一类似研究中，David Anthony采用统计软件SPSS测试不同的自变量和因变量的共线性，经过方差分析建立了多元回归建立模型：

路段平均速度=10.32+0.69×公交车平均速度+0.75×公交车站数量—1.69×路段交通信号灯数量

通过对模型的标准差和残差散布图的分析，表明该模型的精度为60％。同

共40页 第19页

时，研究也指出交通高峰期 …… 此处隐藏：2392字，全部文档内容请下载后查看。喜欢就下载吧 ……