专利名称：一种城市快速路交通流状态实时判别方法
技术领域：
本发明涉及一种快速路交通状态实时判别方法，用于城市快速路交通状态的判别。
背景技术：
城市快速路是全封闭、无信号灯控制、以机动车为主要服务对象的城市道路系统，构成城市交通的主干路网。由于承担大量交通需求，城市快速路交通拥挤一直是国内许多大城市的通病。以北京为例，三条主要快速路二、三、四环的总长度仅占北京路网长度的8％，却承载了近50％的车流量，交通拥挤成为日益严重的社会问题。
近年来交通管理部门采用多种智能交通技术对交通流进行控制和诱导，如通过广播和路边VMS(可变信息牌)发布实时交通状态等方法，使驾驶员提前知道交通信息，从而选择最优路径。目前VMS将交通状态划分为3类畅通(绿色)、轻微拥堵(黄色)和严重拥堵(红色)，划分依据为速度。但通过研究实际交通数据发现，仅根据速度对交通状态进行划分是不准确的，首先由于流量-密度关系的二维特性，同样速度的交通流可能对应不同的拥堵状态；其次，速度阈值的确定缺少理论依据，且不同地点的交通流具有不同特性，如果用统一的阈值划分则不符合实际情况；最后，检测器有可能存在系统偏差，使交通参数中的一个或几个值偏离实际值。
发明内容
本发明要解决这些问题，一方面需要对城市快速路交通流特性进行分析，根据其统计和运行规律将其划分为合理的交通状态，另一方面需要对检测器数据进行校正，使测量数值能够反映真实交通状态。
快速路交通流划分为4个相位自由流、谐动流、同步流和堵塞。其中 1)自由流自由流相位为车辆完全不受其他车辆影响的自由行驶状态，“自由行驶”的含义是车辆可以行驶在任何速度，因此实际情况中自由流相位下的车辆速度方差较大，但其速度均值维持在较高水平。
2)谐动流谐动流相位下，车辆受到周围车辆影响，行驶自由程度受到限制，车辆速度和速度方差都有所降低，但交通流仍处于速度较高的畅通状态。
3)同步流同步流相位下，车辆速度较自由流和谐动流相位显著下降，所有车辆以相似的速度同步行驶，但未发生完全停车现象，交通流量大。
4)堵塞车辆处于堵塞状态即车辆完全停止状态。
谐动流和同步流相位在流量-密度平面中表现为二维区域，因此实际情况中交通流相位划分不能仅根据一个参数，需要结合流量和速度进行综合考虑，其中一些阈值对相位的确定起到重要作用，如自由流最大密度ρmax(free)、速度陡降关键密度ρcr、谐动流最大密度ρmax(coh)、同步流最大密度ρmax(syn)、堵塞最大密度ρmax、自由流速度vf和谐动流最小流量qmin(syn)等。
本发明的技术方案 一种城市快速路交通流状态实时判别方法是在每个交通流数据采样时刻进行如下步骤 步骤1，计算原始交通流数据的偏差系数，过滤掉偏差系数大于0.25的原始交通流数据； 步骤2，对偏差系数小于0.25的原始交通流数据中的交通流速度、交通流密度进行校正处理，得到校正后的交通流数据包括校正后的交通流量、校正后的交通流速度、校正后的交通流密度，并将这些校正后的数据存入数据库； 步骤3，从数据库中查询交通流状态阈值； 步骤4，根据校正后的交通流数据计算当前交通流状态预判值； 步骤5，在每个交通流状态发布时刻，根据当前发布周期内交通流状态预判值确定当前交通流状态； 步骤6，发布当前交通流状态自由流、谐动流、同步流或堵塞。
其中步骤1中的偏差系数ε计算方法如下ε＝|1-λ|，λ＝q0/(v0·ρ0)，q0、v0、ρ0分别为原始交通流量、原始交通流速度和原始交通流密度； 步骤2中，对原始交通流数据校正处理是指原始交通流数据中的原始交通流量，原始交通流速度和原始交通流密度，校正后的交通流量q＝q0，校正后的交通流速度v＝v0·λα，校正后的交通流密度ρ＝ρ0·λ1-α，其中α为调整权重，α＝0.5。
步骤3中所述的交通流状态阈值，每隔一个月计算一次，交通流状态阈值共有7个，包括自由流最大密度、速度陡降密度、谐动流最大密度、同步流最大密度、堵塞最大密度、同步流最小流量、自由流速度；其交通流状态阈值 ρmax(syn) 表示同步流最大密度； qmin(syn) 表示同步流最小流量； ρmax＝150veh/km ρmax 表示堵塞最大密度； 自由流最大密度、速度陡降密度、谐动流最大密度和自由流速度，通过对一个月内的所有交通流数据的统计得到。
ρmax(free) 表示自由流最大密度； ρcr 表示速度陡降密度； ρmax(coh) 表示谐动流最大密度； vf 表示自由流速度； 其中j∈{0，1，2，…ρmax}，Diρ，Div分别为交通流数据Di中的交通流密度和交通流速度，{Di}(i＝1，2，…M)，表示一个月内的所有的校正后的交通流数据的个数，Di为第i个交通流数据，M为一个月内的所有交通流数据的个数，Var(·)为方差函数，Kur(·)为峰度函数，Mean(·)为均值函数。
步骤4中所述的计算交通流状态预判值P1(ρ，q)的步骤为 1)根据交通流状态阈值和校正后的交通流量和校正后交通流密度计算P2(ρ，q)
其中， q表示校正后的交通流量，ρ表示校正后的交通流密度，μ＝0.9表示交通流由谐动流状态变化至同步流状态时流量下降的平均程度； lf＝0，lm＝1，ls＝2，lj＝3； 2)计算交通流状态预判值P1(ρ，q) 若P2(ρ，q)≠P2(ρt-Δt，qt-Δt)且P2(ρt-Δt，qt-Δt)＝P2(ρt，n，qt，n)，则P1(ρ，q)＝P2(ρt-Δt，qt-Δt)；其他情况则P1(ρ，q)＝P2(ρ，q)； 其中t为当前交通流数据采样时刻，Δt为交通流数据采样周期，qt-Δt，qt-2·Δt…qt-n·Δt，ρt-Δt，ρt-2·Δt…ρt-n·Δt分别为前n个交通流数据采样时刻的校正后的交通流量和校正后的交通流密度；ρt，n、，qt，n分别为qt-Δt…qt-n·Δt的均值和ρt-Δt…ρt-n·Δt的均值。
步骤5所述的确定当前交通流状态是，首先确定Pt 最后根据Pt确定交通流状态STt 其中F表示自由流状态，M表示谐动流状态，S表示同步流状态，J表示堵塞状态；
其中ΔT为交通流状态发布周期，
为向下取整符号。
本发明的有益效果能够将快速路交通流实时的划分为更合理的状态，该实时交通状态可通过交通诱导系统(如可变信息牌)发布，使驾驶员更好的了解当前交通情况，辅助驾驶员选择最优出行路径，从而提高整个快速路交通系统的效率，有效缓解交通拥堵现象。
图1交通流实时判别方法流程 图2速度标准差随密度变化曲线，用以确定最大自由流密度和速度陡降关键密度。
图3速度分布峰度随密度变化曲线，最高点为谐动流最大密度。
具体实施例方式 以在北京市三环路某处的实际情况为例，在某一交通流数据采样时刻，程序读取接收到的原始交通流数据，得到原始交通流量q0＝1890veh/h、原始交通流密度ρ0＝76veh/km，原始交通流速度v0＝21km/h，然后按照如下步骤计算交通状态，流程图见图1 首先程序等待接收交通流数据，当有交通流数据到达时，程序接收到该数据并按如图步骤1～步骤6进行处理 步骤1计算偏差系数ε ε＝|1-λ|＝|1-1.18|＝0.18， 其中λ＝q0/(v0·ρ0)＝1890/(21·76)＝1.18， 由于ε＝0.18＜0.25，进入到下一步。
步骤2对原始交通流数据中的交通流速度、交通流密度进行校正处理，得到校正后的交通流数据，包括 校正后的交通流量q＝q0＝1890veh/h， 校正后的交通流速度v＝v0·λα＝21·1.180.5＝22.8km/h， 校正后的交通流密度ρ＝ρ0·λ1-α＝76·1.180.5＝82.6veh/km， 其中α为调整权重，α＝0.5，然后将这些校正后的数据存入数据库。
步骤3从数据库中查询交通流状态阈值；交通流状态阈值每隔一个月计算一次，存储在数据库中供实时查询。具体计算方法如下所示 交通流状态阈值共有7个，包括自由流最大密度ρmax(free)、速度陡降密度ρcr、谐动流最大密度ρmax(coh)、同步流最大密度ρmax(syn)、堵塞最大密度ρmax、同步流最小流量qmin(syn)、自由流速度vf，其交通流状态阈值 ρmax(syn) 表示同步流最大密度； qmin(syn) 表示同步流最小流量； ρmax＝150veh/km ρmax 表示堵塞最大密度； 自由流最大密度、速度陡降密度、谐动流最大密度和自由流速度，通过对近一个月内的所有存储在数据库中的处理后的交通流数据的统计得到，由北京市三环路的实际数据得到相应的标准差和峰度随密度变化曲线见图2和图3，ρmax(free)，ρcr和ρmax(coh)分别为标准差极小点、方差极大点和峰度极大点 ρmax(free)表示自由流最大密度； ρcr表示速度陡降密度； ρmax(coh)表示谐动流最大密度； vf表示自由流速度； 其中j∈{0，1，2，…ρmax}，Diρ，Div分别为交通流数据Di中的交通流密度和交通流速度，{Di}(i＝1，2，…M)，表示一个月内的所有的校正后的交通流数据的个数，Di为第i个交通流数据，M为一个月内的所有交通流数据的个数，Std(·)为标准差函数，Kur(·)为峰度函数，Mean(·)为均值函数。
步骤4计算交通流状态预判值P1(ρ，q) 1)根据交通流状态阈值、校正后的交通流量和校正后交通流密度计算P2(ρ，q)
其中， q表示校正后的交通流量，ρ表示校正后的交通流密度，μ＝0.9表示交通流由谐动流状态变化至同步流状态时流量下降的平均程度； lf＝0，lm＝1，ls＝2，lj＝3； 将校正后的交通流量q＝1890veh/h，密度ρ＝82.6veh/km和速度v＝22.8km/h带入上式进行判断 ①由于且q＝1890＜vf·ρ＝55·82.6＝4543，不满足上式(1) ②由于 因此不满足上式(2) ③q＝1890＜fms(ρ)＝2630， 且ρ＝86.2＜ρmax＝150 满足上式(3) 因此P2(ρ，q)＝P2(86，1890)＝ls＝2 2)计算交通流状态预判值P1(ρ，q) 若P2(ρ，q)≠P2(ρt-Δt，qt-Δt)且P2(ρt-Δt，qt-Δt)＝P2(ρt，n，qt，n)，则P1(ρ，q)＝P2(ρt-Δt，qt-Δt)；其他情况则P1(ρ，q)＝P2(ρ，q)； 其中t为当前交通流数据采样时刻，Δt为交通流数据采样周期，qt-Δt，qt-2·Δt…qt-n·Δt，ρt-Δt，ρt-2·Δt…ρt-n·Δt分别为前n个交通流数据采样时刻的校正后的交通流量和校正后的交通流密度；ρt，n、qt，n分别为qt-Δt…qt-n·Δt的均值和ρt-Δt…ρt-n·Δt的均值。
取n＝5，前5个采样点时刻的校正后的交通流量为qt-Δt＝1780veh/h，qt-2Δt＝1810veh/h，qt-3Δt＝1910veh/h，qt-4Δt＝1780veh/h，qt-5Δt＝1840veh/h，交通流密度为ρt-Δt＝74veh/km，ρt-2Δt＝78veh/km，ρt-3Δt＝90veh/km，ρt-4Δt＝81veh/km，ρt-5Δt＝76veh/km。
根据P2(ρ，q)计算公式得到P2(ρt-Δt，qt-Δt)＝P2(74，1780)＝ls＝P2(ρ，q)，即P1(ρ，q)＝P2(ρ，q)＝ls＝2。
此时程序判断当前是否为交通状态发布时刻，若是，则继续进行步骤5。
步骤5确定当前交通流状态需要首先确定Pt 然后根据Pt确定交通流状态STt 其中F表示自由流状态，M表示谐动流状态，S表示同步流状态，J表示堵塞状态；
其中ΔT为交通流状态发布周期，
为向下取整符号。
实际情况中Δt＝2min，交通状态发布周期为ΔT＝5min，则
那么根据上述计算结果，有P1(ρ，q)＝ls＝2，P1(ρt-Δt，qt-Δt)可由P2(ρt-Δt，qt-Δt)得到 由于P2(ρt-2Δt，qt-2Δt)＝P2(78，1810)＝ls＝P2(ρt-Δt，qt-Δt)，因此 P1(ρt-Δt，qt-Δt)＝P2(ρt-Δt，qt-Δt)＝ls＝2 这样即得到 将lf＝0，lm＝1，ls＝2，lj＝3代入式(5)得到 由于Pt＝2，由式(6)得到最终交通流状态STt＝S，即发布当前交通状态为同步流状态。
权利要求
1.一种城市快速路交通流状态实时判别方法，其特征在于该实时判别方法是在每个交通流数据采样时刻进行如下步骤
步骤1，计算原始交通流数据的偏差系数，过滤掉偏差系数＞0.25的原始交通流数据；
步骤2，若偏差系数≤0.25，对原始交通流数据中的交通流速度、交通流密度进行校正处理，得到校正后的交通流数据包括校正后的交通流量、校正后的交通流速度、校正后的交通流密度，并将这些校正后的数据存入数据库；
步骤3，从数据库中查询交通流状态阈值；
步骤4，根据校正后的交通流数据计算当前交通流状态预判值；
步骤5，在每个交通流状态发布时刻，根据当前发布周期内交通流状态预判值确定当前交通流状态；
步骤6，发布当前交通流状态自由流、谐动流、同步流或堵塞。
2.如权利要求1所述的城市快速路交通流状态实时判别方法，其特征在于
步骤1中，原始交通流数据的偏差系数ε＝|1-λ|，λ＝q0/(v0·ρ0)，q0、v0、ρ0分别为原始交通流量、原始交通流速度和原始交通流密度；
步骤2中，对原始交通流数据校正处理是指校正原始交通流数据中的原始交通流量，原始交通流速度和原始交通流密度，校正后的交通流量q＝q0，校正后的交通流速度v＝v0·λα，校正后的交通流密度ρ＝ρ0·λ1-α，其中α为调整权重，α＝0.5。
3.如权利要求1所述的城市快速路交通流状态实时判别方法，其特征在于
步骤3中所述的交通流状态阈值，每隔一个月计算一次，交通流状态阈值共有7个，包括自由流最大密度、速度陡降密度、谐动流最大密度、同步流最大密度、堵塞最大密度、同步流最小流量、自由流速度；其交通流状态阈值
ρmax(syn)表示同步流最大密度；
qmin(syn)表示同步流最小流量；
ρmax＝150veh/km ρmax表示堵塞最大密度；
自由流最大密度、速度陡降密度、谐动流最大密度和自由流速度，通过对一个月内的所有交通流数据的统计得到。
ρmax(free)表示自由流最大密度；
ρcr表示速度陡降密度；
ρmax(coh)表示谐动流最大密度；
vf表示自由流速度；
其中j∈{0，1，2，…ρmax}，Diρ，Div分别为交通流数据Di中的交通流密度和交通流速度，{Di}(i＝1，2，…M)，表示一个月内的所有的校正后的交通流数据的个数，Di为第i个交通流数据，M为一个月内的所有交通流数据的个数，Std(·)为标准差函数，Kur(·)为峰度函数，Mean(·)为均值函数。
4.如权利要求1所述的城市快速路交通流状态实时判别方法，其特征在于步骤4中所述的计算交通流状态预判值P1(ρ，q)的步骤
步骤1，根据交通流状态阈值和校正后的交通流量和校正后交通流密度计算P2(ρ，q)
其中，
q表示校正后的交通流量，ρ表示校正后的交通流密度，μ＝0.9表示交通流由谐动流状态变化至同步流状态时流量下降的平均程度；lf＝0，lm＝1，ls＝2，lj＝3；
步骤2，计算交通流状态预判值P1(ρ，q)
若p2(ρ，q)≠P2(ρt-Δt，qt-Δt)且P2(ρt-Δt，qt-Δt)＝P2(ρt，n，qt，n)，则P1(ρ，q)＝P2(ρt-Δt，qt-Δt)；其他情况则P1(ρ，q)＝P2(ρ，q)；
其中t为当前交通流数据采样时刻，Δt为交通流数据采样周期，qt-Δt，qt-2·Δt…qt-n·Δt，ρt-Δt，ρt-2·Δt…ρt-n·Δt分别为前n个交通流数据采样时刻的校正后的交通流量和校正后的交通流密度；ρt，n、qt，n分别为qt-Δt…qt-n·Δt的均值和ρt-Δt…ρt-n·Δt的均值。
5.如权利要求1所述的城市快速路交通流状态实时判别方法，其特征在于
步骤5所述的确定当前交通流状态是，首先确定Pt
最后根据Pt确定交通流状态STt
其中F表示自由流状态，M表示谐动流状态，S表示同步流状态，J表示堵塞状态；
其中ΔT为交通流状态发布周期，
为向下取整符号。
全文摘要
本发明公开了一种城市快速路交通流状态实时判别方法，用于城市快速路交通状态的判别。该实时判别方法是在每个交通流数据采样时刻进行如下步骤步骤1，计算原始交通流数据的偏差系数，过滤掉偏差系数＞0.25的原始交通流数据；步骤2，若偏差系数≤0.25，则对原始交通流数据进行校正处理，得到校正后的交通流数据；步骤3，从数据库中查询交通流状态阈值；步骤4，根据校正后的交通流数据计算当前交通流状态预判值；步骤5，在每个交通流状态发布时刻，根据交通流状态预判值确定当前交通流状态；步骤6，发布当前交通流状态。本发明能够将交通流划分为更合理的状态，有助于驾驶员选择最优出行路径，提高交通系统的效率，从而有效缓解交通拥堵现象。
文档编号G08G1/01GK101303801SQ20081011587
公开日2008年11月12日 申请日期2008年6月30日 优先权日2008年6月30日
发明者伟 关, 何蜀燕 申请人:北京交通大学