[发明专利]一种基于车辆出行轨迹数据的信号控制子区划分方法

说明书

本发明提供了一种基于车辆出行轨迹数据的信号控制子区划分方法，该方法包括S1根据车辆轨迹数据，计算一段时间内研究区域各交叉口对之间的平均OD流量并做归一化处理，基于此构建全连通无向加权图；S2用Newman算法对路网进行划分得到划分后的初始路网子区；S3计算路段双向平均密度；S4利用自适应尺度NJW算法将路网划分为多个控制子区；S5选取能得到最好评价指标的方案为较优的控制子区划分方案。本发明提升了初始路网子区内交叉口信号控制的协调性，为后续进一步面向区域门限控制子区划分做出了初始划分方案。

技术领域

本发明涉及一种基于车辆出行轨迹数据的信号控制子区划分方法，属于交通运行和调度技术领域。

背景技术

路网上交通流供需在时间和空间上存在分布不均匀和不匹配的情况，为了减少交通控制系统的复杂性和提升交通控制效率，控制子区的概念被提出。控制子区，即将一个路网根据一定的规则划分成为多个相对独立的区域，然后根据每个区域的交通流特性分别实施不同的控制方案，每一个区域称为一个控制子区；根据各个控制子区的交通流特性分别实施不同的控制方案，并对各个子区内部的交叉口进行联网协调控制，能够减轻区域交通控制中心的数据处理压力，有利于提升交通控制系统的运行效率，保证交通控制的实时性。

控制子区的划分主要以交叉口关联性或者路段相似性作为依据。其中在交叉口关联性方面，HCM推荐使用Whitson模型来计算交叉口之间的关联度，Whitson模型通过引入上游交叉口最大驶入流向流量、平均驶入流向流量和行程时间等参数，综合反映路段长度、车辆行驶速度、流量、转向比等相关因素的共同作用。但是目前基于Whitson模型的研究大多主要考虑的是相邻信号交叉口之间的关联性，而很少考虑非相邻信号交叉口之间的关联性，虽然有些学者对相邻交叉口关联性进行了非常复杂的建模，考虑了流量、距离、车队离散程度等诸多因素，但是关联性公式的解释性较差，影响系数的数值和阈值的确定仅依靠经验，很难解释各种因素的相互影响机理，也很少从宏观路网的角度去考虑分析。

此外，还有从路段相似性角度出发来划分子区的方法，主要以门限控制子区为主，把相邻路段车辆密度的差异作为路段关联性指标进行划分。区域门限控制，即针对一个拥堵区域中多个子区边界上的交通流进行控制，使特定区域的累积车辆数少于拥堵阈值以保证区域内车辆高效通行或者多个区域的总通行效率最高。但是指标中仅考虑路段密度而忽略其他因素如信号的协调性，容易造成划分后的子区效果较差。而且面向门限控制的子区划分目前主要还是根据路段密度利用二路谱聚类反复迭代，过程较为繁琐且很难保证划分子区的连通性。谱聚类，即将所有的数据看作空间中的点，根据一定规则计算点与点之间边的权重，最终将聚类问题转换为图的最优划分问题，使划分后的子图内部的连接边相似，而子图间距离较远。

综上，现有技术的缺点在于：

目前子区划分多基于相邻交叉口之间的关联性，而较少兼顾非相邻交叉口之间的关联性，导致对路网内部交叉口信号控制协调性考虑不足

多数学者对相邻交叉口关联性的建模以经验模型为主，考虑流量、距离、车队离散程度等因素，但是关联性公式的解释性较差，很难解释各种因素的相互影响机理，也很少从宏观路网的角度去考虑分析。

单纯基于交叉口关联性或路段车辆密度进行子区划分容易导致划分子区的连通性差且容易将一些理想的子区拆分。

利用二路谱聚类迭代进行门限控制子区划分的方法，过程较为繁琐且很难保证划分效果。

发明内容