城市主干路拥挤路段基于地点交通参数的行程速度估计
第40卷 第5期2010年9月
吉林大学学报(工学版)
JournalofJilinUniversity(EngineeringandTechnologyEdition)
Vol.40 No.5 Sept.2010
城市主干路拥挤路段基于地点交通
参数的行程速度估计
姜桂艳,李继伟,张春勤
(吉林大学交通学院,长春130022)
摘 要:以提高基于地点交通参数估计主干路拥挤交通流平均行程速度的精度为目标,通过分析信号控制主干路的交通流特性及地点交通参数与平均行程速度之间的相关关系,以路段下游停车线前的截面平均速度为基础,提出了城市主干路拥挤交通流路段平均行程速度的3种估计模型,并采用仿真手段进行了对比分析。结果表明,所提出的全状态行程速度估计模型明显优于对比方法,所提出的两种分状态平均行程速度估计模型可以进一步改善全状态模型的估计效果,尤其是基于模比系数的分状态估计模型可显著提高拥挤条件下的行程速度估计精度。
关键词:交通运输工程;主干路;信号控制交叉口;平均行程速度;地点交通参数中图分类号:U491.1 文献标志码:A 文章编号:1671-5497(2010)05-1203-06
Travelspeedestimationforcongestedarterialroadsegment
basedonspottrafficparameters
JIANGGu-iyan,LIJ-iwei,ZHANGChun-qin
(CollegeofTransportation,JilinUniversity,Changchun130022,China)
Abstract:Threeestimationmodelswerebuilttoimprovetheestimationaccuracyoftheaveragetravelspeed(ATS)onthecongestedarterialroadsegmentbasedonthespottrafficparameters.Thetrafficflowcharacteristicsofthesignalizedintersectionofthearterialroadandtherelationshipbetweenthe
spottrafficparametersandtheATSwereanalyzed,andtheaveragesectionspeedmeasuredbytheloopdetectorslaidonthedownstreamsectionswasusedasthebasisofthemodel.Thesemodelswereanalyzedcomparativelybythetrafficsimulations.Theresultsshowthattheproposedful-lstateATSestimationmodelsignificantlyoutperformsthecompetitors,andthetwosub-stateATSestimationmodelsbasedonthemoduluscoefficientmayimprovetheestimationaccuracyunderthecongestiontrafficcondition.
Keywords:engineeringofcommunicationsandtransportation;arterialroad;signalizedintersection;averagetravelspeed;spottrafficparameter
收稿日期:2009-05-18.
基金项目:/8630国家高技术研究发展计划项目(2007AA11Z218);高等学校博士学科点专项科研基金项目
([1**********]).
作者简介:姜桂艳(1964-),女,教授,博士生导师.研究方向:交通信息采集、处理与应用.
E-mail:[email protected]
行程速度和行程时间是两种相互关联的区间交通参数,与地点交通参数相比,可以更好地体现道路网络的运输效率和交通拥挤状况,在交通规划、交通控制和交通出行决策中具有重要作用。由于二者可以实现互运算,因此,本文仅以行程速度为对象进行阐述。尽管已有专门的技术方法获取行程速度数据[1-2],但受成本等因素的影响,主干路系统中广泛应用的主要是服务于信号控制系统的地点交通参数检测技术,特别是感应线圈检测器。因此,利用地点交通参数数据估计主干路路段交通流的平均行程速度是交通工程领域的重要研究课题之一。
基于地点交通参数估计路段平均行程速度的方法主要以高速公路等连续流交通设施为研究对象,如基于地点速度的估计方法[3]、基于模式匹配的估计方法、BPR模型
[6-7]
[4]
[5]
取决于信号控制系统的类型。本文以SCATS类信号控制系统为对象,其交通检测器的布设位置
以及行程速度估计的路段划分情况如图1所示。
图1 SCATS系统中的检测器位置与路段划分情况Fig.1 Detectorpositioningandlinksegmenting
inSCATS
在SCATS系统中,交通检测器主要提供流量和车头时距两个地点交通参数的动态数据。分析表明,这些数据难以满足路段行程速度估计的需要。因此,在实现自适应信号控制功能的基础上,为了提高路段行程速度的估计精度,SCATS系统中的交通检测器还应该补充提供地点速度和时间占有率的数据,这在技术上是可行的。
考虑到SCATS系统目前尚无法提供所需要的交通参数数据,本文以长春市的实际道路交通条件为基础,运用仿真实验进行研究。
以及基于流量守恒方
法等,这些方法在间断交通流设施中的应用效果不够理想。少数以城市道路为对象的研究成果仅适用于非拥挤条件,应用较多的是基于排队延误的估计模型和基于时间占有率的分段线性回归模型[10]。在拥挤比较严重的高峰期,由于车辆经常会出现多次排队,基于排队延误的估计方法精度较低;而在拥挤情况下交通流具有明显的非线性特征,此时基于分段线性回归的估计效果也不够理想。
本文以提高基于地点交通参数估计主干路拥挤交通流平均行程速度的精度为目标,以包含一个信号交叉口在内的城市主干路路段为对象,研究城市主干路平均行程速度的估计方法,并采用仿真手段进行对比分析。
[8-9]
2 仿真实验方案设计
2.1 实验背景
以长春市东南湖大路自人民大街至亚泰大街
的单向路段为实验区域,这是一段从西向东单向四车道的主干路,如图1所示。路段的起始和终止截面分别为停车线的反向延长线位置,长度为980m,交通检测器布设在停车线附近。于2008年7月18日~19日的6:30至9:00进行了早高峰交通调查,同时记录了相应的交通信号配时数据,并据此标定VISSIM交通仿真软件。
在仿真过程中,通过改变交通需求量和相应的信号控制方案体现交通流的动态变化过程,同时在各检测地点采集交通流量、地点速度、时间占有率和路段行程时间数据,在将其转化为路段的行程速度数据的同时,将所有的地点交通参数数据转化为检测截面的交通参数数据。
2.2 输入流量
为了连续获得自由流、阻滞流和拥挤流的交通流参数数据,将仿真时间定为21600s。其中,,1 研究对象的特性分析
城市主干路是典型的间断流设施,道路交叉点通常为信号控制交叉口,车辆行驶时断时续,具
有脉冲性。实测数据分析结果表明,当行程速度估计的时间尺度大于信号周期时,交通流的运行过程在一定程度上可近似为连续流。但由于受到信号控制的影响,在高峰期车辆经常会出现二次排队,甚至需要经过多个信号周期才能通过交叉口。因此,交通流路段行程速度的影响因素更为复杂,不仅包括信号延误和排队延误,还包括流量较大时车辆间的黏滞效应。
在城市主干路系统中,交通检测器(感应线
圈,
度估计的时间尺度。
现阻滞交通状态;在0~5400s时间段,流量值分别为实测最小值减少60%、40%和20%,体现顺畅交通状态;在14400~21600s时间段,流量值分别为实测最大值增大20%、40%、60%和80%,体现拥挤交通状态。流量输入方案如表1所示。
表1 交通仿真实验的输入流量Table1 Trafficvolumesforsimulation
时间段/s0~18001800~36003600~54005400~72007200~90009000~10800
流量/(veh#h-1)
400600
[**************]
时间段/s
流量/(veh#h-1)
[***********]003600
2.4 交通状态分类
在不同交通状态下,车辆运行特性有较大区别。为了提高行程速度估计的精度,需要针对不同的交通状态分别建立模型。在交通流理论中,连续交通流的速度与流量呈抛物线关系,如图3所示。
800~12600600~14400400~16200200~18000000~19800800~21600
2.3 时间尺度
为了确定行程时间估计的合理时间尺度,以实验交叉口的最大信号周期157s为分界线,分别以40、100、157、230、300、600和900s为时间尺度,对实验路段行程速度的仿真数据进行对比分析,如图2所示。
图3 连续交通流的速度-流量关系Fig.3 Relationshipbetweenspeedandvolumefor
uninterruptedflow
在本文中,将C点作为交通顺畅和阻滞的临界点,将D点作为阻滞和拥堵的临界点。其中,A、
B表示自由流交通状态,B、C表示顺畅交通状态,C、D表示阻滞交通状态,D、E表示拥堵交通状态。
在上述交通仿真实验中,将各检测器所获得的地点交通参数转换成检测截面的平均速度、流量和占有率参数,并绘制相应的关系图,如图4和图5所示。
图2 不同时间尺度下路段平均行程时间比较Fig.2 Comparisonoftraveltimeatdifferent
timescales
从图2可以看出,
7个时间尺度下的路段平
均行程时间曲线的总体变化趋势是相同的,随着流量的增加,行程时间不断增大。但在不同的时间尺度下,曲线的波动程度有所不同。当时间尺度较小时,曲线震荡比较严重。例如,当时间尺度为40s时,由于在某些40s内正好完全处于红灯期间,没有车辆通过检测截面,此时的曲线波动最大,甚至出现很多零值点。随着时间尺度的增大,曲线的波动程度减小。当时间尺度约为信号周期的整数倍数时,由于每个分析时间段内红灯和绿灯的时长基本相同,所通过的车辆数差别不大,行程时间曲线比较平滑。比较时间尺度为300、600和900s三种情况可知,行程时间曲线的变化趋势相同,波动形状也相近。综合考虑行程速度估
图4 截面平均速度与截面流量的关系Fig.4 Relationshipofsectionspeed-flow
比较图4和图5可知,在指定的时间尺度下,截面交通参数之间的变化趋势可以分为3个阶段:随着交通流量的增加,截面速度和占有率呈线性变化趋势;随着交通流量的持续增加,二者的变化趋势不变,但出现较大的波动;当交通需求量进一步增加超过道路的通行能力时,出于安全的考,
度有一个突变的过程,主要由于路段上的车辆已经达到甚至超过道路通行能力,出现二次甚至多次排队;½两种速度不可能持续下降,突变后会逐步稳定于某一数值上下;¾平均行程速度突变点前后两种速度曲线的关系差别很大。
图5 截面占有率与截面流量的关系
Fig.5 Relationshipbetweensectionoccupancyandflow
而通过截面的流量不断减少,但受交通控制信号的影响,流量不会降低到0。考虑到截面占有率数据的连续性较好,将其作为划分交通状态的依据。
交通状态临界值的确定有2种方案,一种是确切数值,即以占有率30%为交通状态临界点;另一种是模糊分界,即以占有率[25,40]为交通状态临界区间,在对两个状态进行分别回归分析时将区间内的数据进行重叠使用。分别采用两种方案建立分状态模型,采用临界点时,非拥挤状态相对误差为7%,拥挤状态相对误差为30%;采用临界区间时,非拥挤状态相对误差为5.3%,拥挤状态相对误差为10.6%。可见,交通状态临界区间更合理,主要因为从非拥挤状态过渡到拥挤状态不是一个尖点突变,而是一个渐进的过程。占有率小于25时为顺畅状态,占有率[25,40]为阻滞状态,占有率大于40时为拥堵状态。阻滞与拥堵为拥挤状态。
图6 截面平均速度与平均行程速度对比图Fig.6 Comparisonofsectionspeedwithtravelspeed
3.1 模型的建立
3.1.1 全状态回归模型
将所有状态作为一个整体进行非线性回归,以截面平均速度为自变量,得到的路段行程速度估计模型为
vs=-0.2239v2t+6.12vt-32.118测截面的平均速度。3.1.2 分状态回归模型
将顺畅状态和拥堵状态作为2个不同的对象,将阻滞状态数据进行重叠使用,分别进行非线性回归。在实际应用时,首先根据获得的动态交通数据对交通流运行状态进行分类,然后选择相应的模型对行程速度进行估计。
(1)以截面平均速度为基础的模型
在顺畅交通状态下,以截面平均速度为自变量,得到的路段行程速度非线性回归估计模型为
t+6.5406vt-33.455(2)vs=-0.2477v 在拥堵状态下,以截面平均速度为自变量,得到的路段行程速度非线性回归估计模型为
vs=0.4629vt-6.4374vt-23.768 (2)以模比系数为基础的模型
分析图6,在拥堵状态下,平均行程速度相对稳定,截面平均速度波动幅度很大,用一个波动的自变量来推求一个相对稳定的函数是非常困难的,这也是当前很多模型对于拥挤情况失效的主要原因。但拥挤状态时截面平均速度虽然随机性大,却有着大致相同的波动带宽,且围绕某一稳定值震荡。因此,本文在进行分交通状态建模时,在,(3)(1)
式中:vs为路段平均行程速度;vt为路段下游检
3 行程时间估计模型
通过变换随机数种子进行11次仿真实验,其中10次实验数据用于行程速度估计模型的建立,1次实验数据用于模型的验证。
通过对交通仿真实验数据进行相关分析可知,截面平均速度与平均行程速度的相关性最高,如图6所示。因此,本文以截面平均速度为基础,建立平均行程速度的估计模型。
由图6可以看出:¹两种速度参数之间的相关性较强;º平均行程速度曲线普遍偏低,因为截面平均速度是车辆通过检测器截面点速度的平均值,而平均行程速度所受的影响因素较多,包括红灯停车时间;»当流量较低时,两种速度均较高,同时两者之间的差值也较稳定;¼随着流量的持
,
2
模比系数为自变量建模。
为了同时表征交通状态的稳定和离散程度,引入模比系数K(i)的概念,即
t(i)
K(i)=--vt(i)
--
B(33.446K(i)-54.718K(i)+23.768)
(7)
式中:
1,占有率
,占有率I25,,阻滞状态
2
0,占有率>40,拥堵状态0,占有率
,当占有率I2
25,,阻滞状态
(4)
式中:K(i)为i时刻的模比系数;vt(i)为i时刻的截面平均速度;vt(i)为最近M天i时刻截面平均速度的平均值。
顺畅状态下,以模比系数为自变量,得到的路段行程速度非线性回归估计模型为
vs=-36.267K2(i)+79.14K(i)-33.455
(5)
拥堵状态下,以模比系数为自变量,得到的路段行程速度非线性回归估计模型为
vs=33.446K
2(i)
---
1,占有率>40,拥堵状态
然后,计算主干路路段平均行程时间,T=L/vs。3.2 模型验证
采用第11次仿真实验数据对模型进行验证,并与已有算法进行对比分析。各种路段行程速度估计模型的相对误差如表2所示。
由表2可以看出:
(1)与已有成果相比,本文提出的全状态截面平均速度非线性回归模型显著改善了阻滞交通状态下的行程速度估计精度,但拥堵交通状态下的估计效果不佳。
(2)与全状态截面平均速度非线性回归模型相比,分状态截面平均速度非线性回归模型不但改善了阻滞交通状态下行程速度的估计效果,拥堵交通状态下行程速度的估计误差也有明显下降。
(3)与分状态截面平均速度非线性回归模型相比,本文提出的分状态模比系数非线性回归模型在保持阻滞交通状态下行程速度估计效果的同时,大幅度降低了拥堵交通状态下行程速度的估计误差。
图7为误差时间序列图。从图7可知,在13000~17000s时误差最大,此时为拥堵形成初期,即图6中速度骤然下降期间;车辆在此之后
-54.718K(i)+23.768
(6)
经过误差分析(如表2所示)可知,以模比系数为基础的分状态回归模型可以有效提高包括阻滞状态与拥堵状态在内的拥挤交通状态的行程速度估计精度,同时在顺畅状态下,以截面平均速度建模与以模比系数建模的误差精度差不多,均为5.3%。所以,从简单实用的角度考虑,顺畅交通状态采用截面平均速度为基础的分状态回归模型,拥堵交通状态采用模比系数为基础的分状态回归模型,由于在进行回归分析时,对阻滞交通状态的数据进行了重叠使用,所以阻滞交通状态采用另两个交通状态的加权平均模型。
表2 平均行程速度的估计误差
Table2 Estimationerrorforaveragetravelspeed
估计误差/%
模型类型
顺畅状态
BPR模型[6]排队延误模型[8]基于时间占有率的线性回归模型[8]全状态截面平均速度非线性回归模型分状态截面平均速度非线性回归模型分状态模比系数非线性回归模型
33.023.04.6
阻滞状态53.022.041.4
拥堵状态55.061.032.3
6.59.774.3
5.34.641.5
5.34.610.6
综上,各交通状态平均行程速度综合模型为
.tvt2
图7 误差时间序列图Fig.7 Errortimeseries
#1208#
吉林大学学报(工学版)第40卷
误差较小,此时已经为拥堵状态,车辆之间牵制较大,排队稳定行驶。
tionoflicenseplatebydigitalimageprocessing[J].JournalofLiaoningUniversity(NaturalSciencesE-dition),2004,31(1):65-68.
[3]ChenL,MayA.Trafficdetectorerrorsanddiagnos-tics[C]MTransportationResearchRecord1132,TRB,NationalResearchCouncil,WashingtonDC,1987.
[4]SunC,RitchieS,TsaiK,etal.Useofvehiclesigna-tureanalysisandlexicographicoptimizationforveh-iclereidentificationonfreeways[J].TransportationResearchC7,1999,7:167-185.
[5]BureauofPublicRoads.Trafficassignmentmanual
[Z].DepartmentofCommerce,WashingtonDC,1964.
[6]NamDH,DrewDR.Automaticmeasurementof
trafficvariablesforintelligenttransportationsys-temsapplications[J].TransportationResearchB,1999,33:437-457.
[7]VanajakshiLD.Estimationandpredictionoftravel
timefromloopdetectordataforintelligenttranspor-tationsystemsapplications[D].Texas:TexasA&MUniversity,2004.
[8]张和生,张毅,胡东成.路段平均行程时间估计方法
[J].交通运输工程学报,2008,8(1):89-96.ZhangHe-sheng,ZhangYi,HuDong-cheng.Est-imationmethodofaveragetraveltimeforroadsec-tions[J].JournalofTrafficandTransportationEn-gineering,2008,8(1):89-96.
[9]杨志宏,杨兆升,于德新,等.基于马尔可夫排队模
型的行程时间预测方法[J].吉林大学学报:工学版,2004,34(4):671-674.
YangZh-ihong,YangZhao-sheng,YuDe-xin,etal.TraveltimepredictionmethodbasedonMalcovqueuingmodel[J].JournalofJilinUniversity(Eng-ineeringandTechnologyEdition),2004,34(4):671-674.
[10]VirginiaPS.Traveltimeestimationfromloopde-tectordataforadvancedtravelerinformationsystemsapplications[D].Chicago:UniversityofIllinoisatChicago,1994.
4 结束语
本文以城市主干路路段下游停车线前的截面平均速度为基础,通过非线性回归分析,提出了基
于地点交通参数数据的主干路拥挤交通流的路段平均行程速度估计模型,并采用仿真手段进行了验证,同时也与其他算法进行了对比。结果表明,所提出的全状态截面平均速度非线性回归模型显著改善了阻滞交通状态下的行程速度估计精度,明显优于对比方法。所提出的两种分状态平均行程速度估计模型可以进一步改善全状态模型的估计效果,尤其是基于模比系数的分状态估计模型可显著提高拥挤条件下的行程速度估计精度,拥堵状态下的误差仅为10.6%,能够满足现实的工程需要。
本文数据来源于主干路路段下游停车线前的地点检测器,因此,本文研究结论可推广适用于SACTS类信号控制系统。由于目前本方法采用的是仿真数据,下一步需要采用实测数据进行检验与完善,同时为了提高拥挤状态平均行程速度的估计精度,把地点与区间两种检测手段进行融合也是下一步的研究重点。参考文献:
[1]张和生,张毅,温慧敏,等.利用GPS数据估计路段
的平均行程时间[J].吉林大学学报:工学版,2007,37(3):533-537.
ZhangHe-sheng,ZhangYi,WenHu-imin,etal.EstimationapproachesofaveragelinktraveltimeusingGPSdata[J].JournalofJilinUniversity(En-gineeringandTechnologyEdition),2007,37(3):533-537.
[2]刘阳,尹铁源,葛震,等.数字图像处理应用于车辆
牌照识别的研究[J].辽宁大学学报:自然科学版,2004,31(1):65-68.
LiuYang,YinTie-yuan,GeZhen,etal.Identifica-