[发明专利]一种基于多维检测线圈采集周期的交通流瓶颈识别方法

说明书

本发明公开了一种基于多维检测线圈采集周期的交通流瓶颈识别方法，包括以下步骤：步骤1：通过数据采集周期为T的大尺度检测线圈检测数据确定瓶颈所在的大致位置；步骤2：通过瓶颈位置的大尺度检测线圈的占有率确定瓶颈与大尺度检测线圈之间的相对位置；步骤3：通过数据采集周期为t的小尺度检测线圈确定瓶颈发生的具体位置和瓶颈的上游位置；步骤4：计算瓶颈所引发交通拥堵的路段长度L、瓶颈持续时间T_during和瓶颈所产生的总延误，实现交通流瓶颈的识别；本发明瓶颈识别的准确度高、能够确定瓶颈产生拥堵的影响范围，掌握瓶颈的持续时间以及其产生的延误大小。

技术领域

本发明涉及交通流瓶颈识别方法，具体涉及一种基于多维检测线圈采集周期的交通流瓶颈识别方法。

背景技术

目前针对高速公路或快速路的交通流瓶颈识别的方法主要包括两类：变形累积曲线法、自动识别法；变形累积曲线法理论上可以根据变形累积曲线函数的一二阶导数来确定拐点位置，从而确定瓶颈发生和消散的时间；变形累积曲线法利用历史线圈检测数据，根据检测位置车辆达到累积数据的变化趋势确定瓶颈点位置，该方法可以详细分析瓶颈拥堵时的参数细节；但由于它是一种可视化的分析工具，在实际情况中，变形累积曲线没有具体的函数表达形式，因此只能借助人工进行判断，实时性较差，不能进行大规模的应用；并且实际应用中工作量大，在数据量大的情况时操作困难，并且无法进行实时的交通流瓶颈的判别；自动识别法中的阈值法利用相邻断面的速度差或临界占有率来确定交通瓶颈的位置，但只能利用线圈检测数据将交通流瓶颈定位到安装有检测线圈的位置，当检测线圈位置比较稀疏时，对瓶颈定位的准确度不够，只有当瓶颈所形成的交通流拥堵蔓延至检测线圈位置时才可判定瓶颈；阈值法可以较为准确的识别瓶颈发生位置，但该方法对瓶颈引起拥堵的时空分布目前还缺乏系统的研究；自动跟踪与交通对象预测模型是较为理想的方法，能够对交通流中的阻塞流进行识别，同时可以预测交通流拥堵的时空分布情况，其缺点是在模糊规则的制定时，速度的“高”、“中”以及流量的“高”、“低”难以界定；阈值法为了避免交通流波动对识别准确度的影响，常常采用较大的数据采集周期通常为3min到5min，识别结果的实时性也较差；ASDA-FOTO是另一种交通流瓶颈识别方法，该方法在检测线圈较少的情况下也具有较高的可靠性，但不能有效过滤随机波动的交通检测数据，对道路的几何形状和特定的交通条件也比较敏感。

另外，现有瓶颈识别的方法，无论是变形累积曲线法还是阈值法都存在一个缺陷，只能将交通流瓶颈定位到相应的检测线圈位置；当瓶颈发生在两个检测线圈之间时，所检测到的瓶颈位置并不准确，并可能出现以下两种情况：

(1)当交通流瓶颈接近下游检测线圈位置时，到达下游检测的车辆流量减少，或瓶颈区域释放车辆到达下游检测线圈时速度小于临界速度，这时利用变形累积曲线法或阈值法确定的瓶颈位于下游检测线圈位置；

(2)当交通流瓶颈靠近上游检测线圈位置时，车辆到达下游检测线圈位置时速度已经高于临界速度，这时利用车辆到达累积曲线法确定的瓶颈位于下游检测线圈位置；而利用阈值法确定时，只有当瓶颈引发的交通流拥堵蔓延到上游检测线圈位置时，瓶颈才能够被检测；因此，阈值法确定的交通流瓶颈位于上游检测线圈位置。

在交通流瓶颈识别的过程中，检测线圈不同数据采集周期采集的交通流数据对瓶颈识别的结果具有重要影响；当检测线圈采用太小的周期时(如30s的线圈检测数据)，采集的数据虽然能够反映交通的实时状况；但交通流暂时的小幅波动可能会被误判为瓶颈，检测到的佳通流瓶颈数量将很大程度会增多；当检测线圈采用周期较大时(如3min或5min的线圈检测数据)，瓶颈的正确识别率将显著提高；但采集周期过大对瓶颈的准确定位会产生影响，一般情况下只能将瓶颈定位到相应的检测线圈位置。

发明内容

本发明提供一种融合不同采集周期的交通流数据，瓶颈识别的准确度高、能够确定瓶颈产生拥堵的影响范围，掌握瓶颈的持续时间以及其产生的延误大小的基于多维检测线圈采集周期的交通流瓶颈识别方法。

本发明采用的技术方案是：一种基于多维检测线圈采集周期的交通流瓶颈识别方法，包括以下步骤：