基于固定检测器的区域交通状态判别方法
合集下载
城市道路交通状态评价指标体系
第一章绪论1.1研究背景1.1.1问题的提出改革开放以来，随着我国现代化、城市化进程的加速，交通拥挤问题也逐渐产生并日益严重。
近20年，地民用汽车年平均增长率为13.3%，私人汽车年平均增长率高达23.7% 。
其中，作为人口超过2000万人、机动车500万辆的特大城市，交通拥堵已成为制约城市开展的主要问题，2010年10月的美国“外交政策“一书更是将列为世界五大拥堵城市之首。
城市交通拥挤已严重阻碍中国城市经济及空间布局构造的良性开展，在社会各个方面造成负面效应，具体表征为时间延误、能源浪费、大气污染及情绪影响等。
这些负面效应使得社会外部本钱增高，危害了人类的经济利益和安康平安，更不符合建立和谐交通的目的。
因此，从科学的角度对城市道路拥挤的根本原因进展深入分析显得格外重要。
这不是单纯地统一增加道路根底设施建立、扩大路网规模来满足不断增长的交通需求量，而是通过拥挤识别确定城市不同道路的拥挤度来实施不同的解决措施。
建立完善的、符合我国国情的交通拥挤识别体系并合理运用成为当务之急。
1.1.2研究意义我国是一个人口众多的开展中国家。
自1991年以来，我国的经济开展速度持续超过10%，而持续的经济增长使得人民对交通的需求扩大。
汽车产量增大，人民的购置力上升，人民的配车率提高，私人小汽车的数量快速增长,城市的交通需求与交通供应出现了不平衡状况,导致了城市尤其是大城市严峻的交通拥挤问题。
因此，此次研究的目的就是通过分析交通指挥中心的固定检测器采集和实地考察的交通数据，在交通拥挤识别体系下，计算出有效的道路实时动态交通信息，根据获取的数据信息实时、准确地为管理者制定合理有效的交通拥挤疏导策略。
1.2国外研究现状1.2.1拥挤识别研究现状到目前为止，国外对很多学者研究开发了许多的 ACI 算法。
加利福尼亚算法。
通过比拟邻近检测站之间的交通参数数据，对可能存在的突发交通事件进展判别，由此确定交通拥挤的发生。
此算法于 1965-1970 年间，由加利福尼亚洲运输部开发。
交通状态检测方法的评价研究
维普资讯
７ ４
变通与计算机
２０ ０６年第 ６期 第 ２ ４卷 总 １ ３期 ３
交通状态检测方法的评价研究 ＊
劳云腾 杨 晓光 云 美萍 刘竞 宇
（ 同济大学
摘 要
上海 ２ １０ ） ０ ８ ４
交 通 状 态 是 一 个 感 觉 量 ， 确 定 交 通 状 态 时存 在 模 糊 性 ， 给 交 通 状 态 检 测 方 法 的 在 这
测方 法的时间效率和经济性 ， 可对多种 检测方法 进行综合评 价 。
关键词 交通状态 ； 检测 Ｉ 评价 文献标识码 ： Ａ 中圈法分 类号 ： ９ Ｕ４ １
Ｏ 引 言
交通 状 态 描 述 的 是 指交 通 系 统 的拥 挤程 度 ，
交通 状态 检测 要求 准确及 时地把 道路 的交 通
杨 晓 光 云 美 萍
刘竞 字
１ ２ 准确 度分 析 。
Ａ∞＝ ｍａ Ａｌ ２Ａ３ ｘ｛ ， ， ）
（） ห้องสมุดไป่ตู้
系统发 布 的交通 状态 信息 是根 据检测 到 的道 路 上 流量 、 占有率 、 辆速 度等信 息 通过建 立算 法 车
模型 ， 反推 出道 路 的交通 状态 ， 同的检测 算法 得 不
等人 以拥挤识别率 （ ） 拥挤误识率 （ Ｉ ） Ｉ ， Ｒ Ｆ Ｒ 及 拥挤 平均 识 别 时间 （ ＭＴＩ来 评价 交通 拥挤 状态 的 ）
检 测 ， 评 价方 法仍 未 考虑 到交 通状态 的模 糊性 。 其
本 文 考虑 到 交 通 状 态 的模 糊 性 ， 评 价 交通 状 态 在 检 测 准确 性 时 设 计 了面 向用 户 的 评 价 方法 ， 方 该 法 的结果 更 加 符 合 用 户 心理 ， 过 运 用 这一 方 法 通
７ ４
变通与计算机
２０ ０６年第 ６期 第 ２ ４卷 总 １ ３期 ３
交通状态检测方法的评价研究 ＊
劳云腾 杨 晓光 云 美萍 刘竞 宇
（ 同济大学
摘 要
上海 ２ １０ ） ０ ８ ４
交 通 状 态 是 一 个 感 觉 量 ， 确 定 交 通 状 态 时存 在 模 糊 性 ， 给 交 通 状 态 检 测 方 法 的 在 这
测方 法的时间效率和经济性 ， 可对多种 检测方法 进行综合评 价 。
关键词 交通状态 ； 检测 Ｉ 评价 文献标识码 ： Ａ 中圈法分 类号 ： ９ Ｕ４ １
Ｏ 引 言
交通 状 态 描 述 的 是 指交 通 系 统 的拥 挤程 度 ，
交通 状态 检测 要求 准确及 时地把 道路 的交 通
杨 晓 光 云 美 萍
刘竞 字
１ ２ 准确 度分 析 。
Ａ∞＝ ｍａ Ａｌ ２Ａ３ ｘ｛ ， ， ）
（） ห้องสมุดไป่ตู้
系统发 布 的交通 状态 信息 是根 据检测 到 的道 路 上 流量 、 占有率 、 辆速 度等信 息 通过建 立算 法 车
模型 ， 反推 出道 路 的交通 状态 ， 同的检测 算法 得 不
等人 以拥挤识别率 （ ） 拥挤误识率 （ Ｉ ） Ｉ ， Ｒ Ｆ Ｒ 及 拥挤 平均 识 别 时间 （ ＭＴＩ来 评价 交通 拥挤 状态 的 ）
检 测 ， 评 价方 法仍 未 考虑 到交 通状态 的模 糊性 。 其
本 文 考虑 到 交 通 状 态 的模 糊 性 ， 评 价 交通 状 态 在 检 测 准确 性 时 设 计 了面 向用 户 的 评 价 方法 ， 方 该 法 的结果 更 加 符 合 用 户 心理 ， 过 运 用 这一 方 法 通
基于SENSYS地磁检测器的城市道路交通状态分析
与预设 阈值 ，确 定交 通状 态 ，此 时 的结果 准确 度 较
高 ，适 用 于二级 报警 。
３ 交 通 状 态 分 析 识 别
Ｒ ｐ ａｅ。 整 个 系 ｅ ｅｔｒ
图 １ Ｓ Ｎ Ｙ 地 磁 检测 器 系统 图 Ｅ ＳＳ
统 如 图１ 示 。 所
２ 路段 交通 状 态量化 标 准
通 过 地磁检 测 器采集 到 的流 量数 据是 车 辆绝 对
数 。在 此需 要通流 中 。通常 是混 合 车流 ，车 辆类 型 较 多 ．一 辆 载 重 汽 车 或 公 交 车相 当 于若 干 辆 小 汽
车 ．因 此需 要 将 检 测 到 的流 量 转 化 为标 准 车 交 通
标准 。 地 磁 检测 器 根 据 车 辆通 过 引 起 周 围磁 场 变 化 ， 车 型不 同则 磁场 变化 不 同 ，因而通 过 地磁 检测 器 获
量 。车辆 换算 系数 方法 较多 ，有 数学 模 型法 、容量 计 算法 、速度一 流 量计 算法 、超 车率 法 、延 误 计算
法 、车头 时距 法 、车 队头车 法 、计算 机 仿 真法 。在
通 过这 些先 进 的信息采 集设 备获 取 大量 实时 的交 通
态 分布 ，提高 交 通管理 者 和 出行 者 的决策 效 率 和效
果。
地磁 检测 器 与其他 固定 检测 器不 同 。主 要是 获
取 的交通 参数 较 为单一 。 目前针 对 固定检 测 器 的算 法很 多 ，大 部分 以聚 类分 析 为 主 ，包 括 模糊 聚类 、
０８ １ ．～ ． ０ ＞１ ． ０
Ｓ Ｎ Ｙ 地 磁 Ｅ ＳＳ
当根 据 ＶＣ 断 处 于拥 堵 和 严 重拥 堵 时 。此 时 ／判
交通状态划分
结合本项目中各检测器所提供的区间旅行时间、断面流量、地点平均速度和时间占有率等数据（具体情况见下表）可知，虽然速度是交通状态划分的重要指标，然而微波和线圈检测只能得到地点车速，显然用地点车速代替区间车速进行交通状态的判别是不合理的。考虑到速度和占有率的较高相关性等特点，可采用时间占有率作为本项目中交通状态判别的主要指标。针对本项目中融合模型的输入情况，具体划分方法是：根据前面所提到的占有率的阈值，分别将微波数据及线圈数据分为三类（畅通、缓慢、拥挤状态），微波与线圈数据的交通状态划分完成之后，自然认为浮动车数据及牌照数据所属的交通状态与同一链路同一时段的微波或线圈数据的交通状态划分保持一致。
交通状态划分
交通状态的评价方法及指标较多，如采用模糊评价，层次分析法等确定拥挤度等，一般将交通流量，占有率，行程速度，行程时间和延误确定为交通状态的主要衡量指标。
最小距离分类[1]
采用最小距离分类的方法进行路段交通状态分类。主要思想是将已有样本按先验知识聚合为若干类T={ },并计算出各类的中心Z={ }.对给定的输入样本x，计算出与距离最近的 ,则将x标记为第i类。最小距离分类器的构造过程就是把训练数据对象分为几个类，计算出每个类的中心。其主要是根据交通流数据，通过聚类分析计算每个状态的中心，然后以某个路段的数据为新样本数据，采用最小距离分类方法进行该路段的状态判别和每个状态类的临界值评估。
3)阻塞：该路段车辆平均密度高，行程中有较长时间的停车等候，平均行程车速低于20km／h.
对主干路的交通状态的判断也根据路段平均行程车速划分为3个级别，
1)畅通：该路段平均行程车速高于30 km／h．
2)拥挤：该路段平均行程车速低于30 km／h，高于15 km／h．
3)阻塞：该路段平均行程车速低于15 km／h，车辆几乎不能前行.
交通状态划分
交通状态的评价方法及指标较多，如采用模糊评价，层次分析法等确定拥挤度等，一般将交通流量，占有率，行程速度，行程时间和延误确定为交通状态的主要衡量指标。
最小距离分类[1]
采用最小距离分类的方法进行路段交通状态分类。主要思想是将已有样本按先验知识聚合为若干类T={ },并计算出各类的中心Z={ }.对给定的输入样本x，计算出与距离最近的 ,则将x标记为第i类。最小距离分类器的构造过程就是把训练数据对象分为几个类，计算出每个类的中心。其主要是根据交通流数据，通过聚类分析计算每个状态的中心，然后以某个路段的数据为新样本数据，采用最小距离分类方法进行该路段的状态判别和每个状态类的临界值评估。
3)阻塞：该路段车辆平均密度高，行程中有较长时间的停车等候，平均行程车速低于20km／h.
对主干路的交通状态的判断也根据路段平均行程车速划分为3个级别，
1)畅通：该路段平均行程车速高于30 km／h．
2)拥挤：该路段平均行程车速低于30 km／h，高于15 km／h．
3)阻塞：该路段平均行程车速低于15 km／h，车辆几乎不能前行.
交通状态划分
交通状态划分
交通状态的评价方法及指标较多，如采用模糊评价，层次分析法等确定拥挤度等，一般将交通流量，占有率，行程速度，行程时间和延误确定为交通状态的主要衡量指标。
最小距离分类[1]
采用最小距离分类的方法进行路段交通状态分类。主要思想是将已有样本按先验知识聚合为若干类T={ },并计算出各类的中心Z={ }.对给定的输入样本x，计算出与距离最近的 ,则将x标记为第i类。最小距离分类器的构造过程就是把训练数聚类分析计算每个状态的中心，然后以某个路段的数据为新样本数据，采用最小距离分类方法进行该路段的状态判别和每个状态类的临界值评估。
速度[5]
交通状态的划分与速度的关系最为紧密，单一凭速度可以把交通状态分为三类：
对快速路的交通状态的判断也根据路段平均行程车速划分为3个级别，
1)畅通：该路段车辆平均密度小，行程中能够自由操控，平均行程车速高于45km／h．
2)拥挤：该路段平均密度较高，行程中被动的加减速频繁，平均行程车速低于45km／h，高于20km／h．
S为特定道路区间长度， 为第i辆车的行程车速，n为通过的车辆数。 为通过该区间所有车辆的平均行程时间。
时间占有率[6]
将交通状态划分为畅通、缓慢和拥挤3个状态，根据对以往交通状态划分阈值的综合评价，确定了基于时间占有率的交通状态划分阈值表，如表1所列。
流量[3]
根据交通流理论，流量与速度的关系如下表所示，可以看出同一流量可以对应不同的交通状态，单一的流量不能作为对交通状态的划分。
交通量
地点车速
区间车速（区间旅行时间）
时间占有率
浮动车数据
√
微波数据
√
√
√
线圈数据
√
√
√
牌照数据
交通状态的评价方法及指标较多，如采用模糊评价，层次分析法等确定拥挤度等，一般将交通流量，占有率，行程速度，行程时间和延误确定为交通状态的主要衡量指标。
最小距离分类[1]
采用最小距离分类的方法进行路段交通状态分类。主要思想是将已有样本按先验知识聚合为若干类T={ },并计算出各类的中心Z={ }.对给定的输入样本x，计算出与距离最近的 ,则将x标记为第i类。最小距离分类器的构造过程就是把训练数聚类分析计算每个状态的中心，然后以某个路段的数据为新样本数据，采用最小距离分类方法进行该路段的状态判别和每个状态类的临界值评估。
速度[5]
交通状态的划分与速度的关系最为紧密，单一凭速度可以把交通状态分为三类：
对快速路的交通状态的判断也根据路段平均行程车速划分为3个级别，
1)畅通：该路段车辆平均密度小，行程中能够自由操控，平均行程车速高于45km／h．
2)拥挤：该路段平均密度较高，行程中被动的加减速频繁，平均行程车速低于45km／h，高于20km／h．
S为特定道路区间长度， 为第i辆车的行程车速，n为通过的车辆数。 为通过该区间所有车辆的平均行程时间。
时间占有率[6]
将交通状态划分为畅通、缓慢和拥挤3个状态，根据对以往交通状态划分阈值的综合评价，确定了基于时间占有率的交通状态划分阈值表，如表1所列。
流量[3]
根据交通流理论，流量与速度的关系如下表所示，可以看出同一流量可以对应不同的交通状态，单一的流量不能作为对交通状态的划分。
交通量
地点车速
区间车速（区间旅行时间）
时间占有率
浮动车数据
√
微波数据
√
√
√
线圈数据
√
√
√
牌照数据
交通状态判别
交通状态判别一、案例背景介绍随着机动车保有量的不断上升，城市的快速发展在促进经济繁荣、社会进步的同时，也不可避免的带来了交通拥堵问题。
在交通发展的过程当中，交通拥堵是诸多问题中产生频率最高、影响最大、持续时间最长的一个。
交通拥堵增加了人们上下班的时间代价和精神压力，降低了城市运行效率，还给国民经济带来不可估量的经济损失。
交通拥堵的产生从表面看是由城市现有的路网资源与实际的出行需求之间的矛盾导致，而根本原因是城市路网规划不合理，与城市当前发展之间的失衡造成路网负荷增加、交通运行稳定性下降。
为了实现对交通秩序的实时监测和控制，城市道路和高速公路两侧布置了大量的交通数据检测器，每天可以产生千万级别的数据。
这些交通数据体量巨大、数据结构多种多样、价值丰富却又密度低，具有大数据的典型特征。
近年来，针对这些海量的交通数据如何建立有效的分析和处理流程，从中挖掘出有价值的信息，成为智能交通系统的重点研究方向。
二、多模型建模理论多模型建模方法就是对训练数据建立多个子模型，把子模型对测试数据的分析通过某种方法结合，形成最后的分析结果。
单模型结构是对非线性系统建立数学模型时的最基本方法，一般先对样本数据使用不同的理论建立一系列不同的模型，从中选择性能最优或次优的模型参与实际的应用。
对于复杂的非线性系统，单模型是一种整体上的近似解。
Bates和Granger于1969年首次提出将多个数学模型连接以提高模型的预测能力、提高系统鲁棒性的方法，自此以后多模型建模方法在时间序列分析、状态预测估计、化工预警控制等多个领域得到广泛的研究和应用。
在模型的训练过程中，通常需要收集较多的样本数据以保证神经网络对实际生产过程的充分反映。
如果样本规模较大，神经网络的结构比较庞大、训练时间加长，实际训练中先对样本聚类分析得到规模较小的子集，理论上每个样本子集的学习速度将会加快且网络结构更加紧凑，总时间也会降低。
另外，当样本数目较大时，部分数据在距离意义上相邻较近，对应的输出在距离意义上却较远，这样的样本虽然仍可以使用单个神经网络学习，但是学习之后模型的泛化能力较差。
基于路段行程时间的道路交通状态判别方法
距
离
要 为每个路段 单独 确定 交通拥 挤的判 另 阈值 ，同一 区域相 同 Ｊ Ｉ
等级 的道路 只需要 一个 统一 的判别 阈值 。
２ 基于 Ｇ Ｓ Ｐ 探测车的路段实际行程时间模型
Ｇ Ｓ行程 时 间采集法 指 的 是在 车 辆 上装 备 ＧＰ Ｐ Ｓ接 收 装 置 ，以一定 的采集 时 间间隔记 录 日期 、时间 、车 辆位 置和 车 辆 速度 ，再 将数 据传入 计算机 与路 网 电子地 图进 行 匹配 ，从 而计算 出路段 平均 速 度 和行 程 时间［ 。基 于 ＧＰ ４ ］ Ｓ速 度 和 时 间值 的估计 算法 ：即估 计车辆 在路段 上行驶 的平 均 速度 ，计 算 路段长 度和平 均速度 的 比值 可 以得到 车辆在该 路段 的行 程
据 的情 况下 ，通过将 其 与 预 定 的期 望行 程 时 间 进行 比较 ，可 以实现 对 道路 交 通 状 态 的判 别［ 。其 算 法 １ ］
工作过 程如 图 ｌ 示 。 所 １ ）数据 准备 。对所 获得 的 平均 行程 时 间数 据 预 处理 ，去除 随机成 分 ， 行程第 路 段行 程 时间数 据序 列 Ｔ （）和预测数 据序 列 Ｔ （） ｉ ｉｆ 。
２ ）计算 每个路 段行 程时 间 实 际值 和 预 测值 的差
值 △Ｔ （） ￡。 ３ ）拥挤 状态判 别 。 果 ： 如
圈 １ 路段拥挤判别算法流程图
Ｉ ≥。 意 Ｉ Ｋ
实 际数据 的分析 来确定 。
［ 稿 日 期］ ２ ０ —０ ２ 收 ０ ８ ８— ５ ［ 者 简介 ］ 孙 晴 （９ ３ ） 作 １８ 一 ，女 ，２０ 年 大 学 些 业 ，硕 士 生 ，现 主 要从 事 交 通 信 息 工 程 及 控制 方 面 的 研 究 工 作 ． ０５ 。
基于参数预测的高速公路交通状态判别
１ 基于交通流预测的交通状态判别 模型
交通流预测是从交通参数的时间变化规律出 发 ，通 过 对 历 史 数 据 的 拟 合 ，把 握 交 通 流 未 来 发 展 的趋势。但是预测只能是对交通参数在正常交通 状 态 下 的 值 进 行 逼 近 ，对 于 异 常 状 态 例 如 事 故 、拥 堵 等 ，交 通 预 测 将 变 得 无 能 为 力 ，所 预 测 出 来 的 交 通参数跟实测结 果 会 有 比 较 大 的 差 异，而 本 研 究 恰恰可以利用这种差异来判别交通拥堵的产生。 模型的基本思想 是：利 用 时 刻ｔ之 前ｎ 个 采 样 周 期的交通 参 数 对 交 通 参 数 在ｔ 时 刻 的 值 进 行 预 测，假定预测出来 的 交 通 参 数 是 顺 畅 交 通 状 态 下 的值，通过比较实 际 检 测 值 与 预 测 值 之 间 的 差 异
收 稿 日 期 ：２０１２－０６－１４ 修 回 日 期 ：２０１２－０９－２５ ＊ 国 家 科 技 计 划 支 撑 项 目 （批 准 号 ：２０１１ＢＡＧ０２Ｂ０２）、广 州 市 经 贸 委 技 术 改 造 投 资 项 目 （批 准 号 ：１１０１０６５３９０２０００８００）资 助
第 一 作 者 简 介 ：韦 清 波 （１９８４），硕 士 ．研 究 方 向 ：交 通 仿 真 与 交 通 信 息 处 理 ．Ｅｍａｉｌ：ｗｑｂｅｎｔｅｒ＠１６３．ｃｏｍ
２．中山大学工学院智能交通研究中心 广州 ５１０２７５；３．佛山科学技术学院 广东 佛山 ５２８０００）
摘 要 针对目前基于单截面检测数据的高速公 路 交 通 状 态 判 别 算 法 存 在 着 判 断 阈 值 多 ，对 拥 挤 样 本依赖性强而拥挤样本采集困难等问题，提出了 基 于 交 通 流 预 测 的 交 通 状 态 判 别 模 型 。 预 测 过 程 中 以车辆的平均占用时间作为预测的目标参数，利用神经网络建立预测模型，并通过相关系 数 法 确 定 神 经网络的输入层。在预测的基础上，以实测值与预测值之间的差值作为判别的依据，判 别 道 路 的 交 通 有 效 性 进 行 检 验 ，并 与 经 典 的 ＭｃＭａｓｔｅｒ检 测 算 法 做 了 对 比 ，结 果 表 明 ，所 提 出 算 法 对 拥 挤 样 本 依 赖 较 少 ，判 别 精 度 高 ，鲁 棒 性 高 。 关 键 词 交 通 状 态 ；交 通 流 预 测 ；神 经 网 络 ；平 均 占 用 时 间 中 图 分 类 号 ：Ｕ４９１ 文 献 标 志 码 ：Ａ ｄｏｉ：１０．３９６３／ｊ．ｉｓｓｎ １６７４－４８６１．２０１２．０６．０１７
交通流预测是从交通参数的时间变化规律出 发 ，通 过 对 历 史 数 据 的 拟 合 ，把 握 交 通 流 未 来 发 展 的趋势。但是预测只能是对交通参数在正常交通 状 态 下 的 值 进 行 逼 近 ，对 于 异 常 状 态 例 如 事 故 、拥 堵 等 ，交 通 预 测 将 变 得 无 能 为 力 ，所 预 测 出 来 的 交 通参数跟实测结 果 会 有 比 较 大 的 差 异，而 本 研 究 恰恰可以利用这种差异来判别交通拥堵的产生。 模型的基本思想 是：利 用 时 刻ｔ之 前ｎ 个 采 样 周 期的交通 参 数 对 交 通 参 数 在ｔ 时 刻 的 值 进 行 预 测，假定预测出来 的 交 通 参 数 是 顺 畅 交 通 状 态 下 的值，通过比较实 际 检 测 值 与 预 测 值 之 间 的 差 异
收 稿 日 期 ：２０１２－０６－１４ 修 回 日 期 ：２０１２－０９－２５ ＊ 国 家 科 技 计 划 支 撑 项 目 （批 准 号 ：２０１１ＢＡＧ０２Ｂ０２）、广 州 市 经 贸 委 技 术 改 造 投 资 项 目 （批 准 号 ：１１０１０６５３９０２０００８００）资 助
第 一 作 者 简 介 ：韦 清 波 （１９８４），硕 士 ．研 究 方 向 ：交 通 仿 真 与 交 通 信 息 处 理 ．Ｅｍａｉｌ：ｗｑｂｅｎｔｅｒ＠１６３．ｃｏｍ
２．中山大学工学院智能交通研究中心 广州 ５１０２７５；３．佛山科学技术学院 广东 佛山 ５２８０００）
摘 要 针对目前基于单截面检测数据的高速公 路 交 通 状 态 判 别 算 法 存 在 着 判 断 阈 值 多 ，对 拥 挤 样 本依赖性强而拥挤样本采集困难等问题，提出了 基 于 交 通 流 预 测 的 交 通 状 态 判 别 模 型 。 预 测 过 程 中 以车辆的平均占用时间作为预测的目标参数，利用神经网络建立预测模型，并通过相关系 数 法 确 定 神 经网络的输入层。在预测的基础上，以实测值与预测值之间的差值作为判别的依据，判 别 道 路 的 交 通 有 效 性 进 行 检 验 ，并 与 经 典 的 ＭｃＭａｓｔｅｒ检 测 算 法 做 了 对 比 ，结 果 表 明 ，所 提 出 算 法 对 拥 挤 样 本 依 赖 较 少 ，判 别 精 度 高 ，鲁 棒 性 高 。 关 键 词 交 通 状 态 ；交 通 流 预 测 ；神 经 网 络 ；平 均 占 用 时 间 中 图 分 类 号 ：Ｕ４９１ 文 献 标 志 码 ：Ａ ｄｏｉ：１０．３９６３／ｊ．ｉｓｓｎ １６７４－４８６１．２０１２．０６．０１７
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
随着交通拥挤的出现，交通控制和交通流诱导成 为缓解城市交通压力的重要手段
[1−5]
别是有效进行交通管理与控制的先决条件。目前，根 据信息获取方式的不同，交通状态判别方法可以分为
， 而交通状态的判
收稿日期：2011−12−19；修回日期：2012−02−17 基金项目：国家自然科学基金资助项目(50908100，51278454，51208642，51278520，51278220) 通信作者：王殿海(1962−)，男，吉林大安人，教授，博士，从事交通控制，交通流理论研究；电话：0571-88208704；E-mail: wangdianhai@
第 44 卷第 1 期 2013 年 1 月
中南大学学报(自然科学版) Journal of Central South University (Science and Technology)
Vol.44 No.1 Jan. 2013
基于固定检测器的区域交通状态判别方法
曲昭伟 1，魏强 2，别一鸣 3，朱慧 4，王殿海 5 (1. 吉林大学 交通学院，吉林 长春，130022； 2. 杭州市城市规划设计研究院，浙江 杭州，310007； 3. 哈尔滨工业大学 交通科学与工程学院，黑龙江 哈尔滨，150091； 4. 浙江大学 建筑设计研究院，浙江 杭州，310027； 5. 浙江大学 建筑工程学院，浙江 杭州，310058)
Method for traffic state identification based on fixed detector
QU Zhaowei1, WEI Qiang2, BIE Yiming3, ZHU Hui4, WANG Dianhai5
(1. College of Transportation, Jilin University, Changchun 130022, China; 2. Hangzhou City Planning and Design Academy, Hangzhou 310007, China; 3. School of Transportation Science and Engineering, Harbin Institute of Technology, Harbin 150091, China; 4. Architectural Design and Research Institute, Zhejiang University, Hangzhou 310027, China; 5. College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China) Abstract: Models of state identification for road sections and intersections were established based on the basic traffic parameters which were captured by the fixed detector. Considering the different influences of road sections and intersections on the overall traffic status of the regional road network, models of weight calculation for road sections and intersections were established. On this basis, integrated models of traffic state identification for regional area were established. In order to classify the traffic states by the value of P, the relation between P and v was determined, and the traffic state was classified by P. A typical road network environment with nine intersections was designed in Vissim software, and the models were verified by the collected data. The results show that the methods constructed can effectively identify the traffic state of the urban area. Key words: traffic control; state identification; fixed detector; malconformation; models of weight calculation; floating car
摘要：以固定检测器获得的交通数据为基础，分别建立路段和交叉口交通状态判别模型；考虑不同路段和交叉口 对区域路网整体交通状态影响程度的差异性，建立路段和交叉口交通状态的权重计算模型；在此基础上建立区域 交通状态的综合判别模型；并分析状态指标 P 与路网中车辆平均行程速度的相互关系，确定路网 P 所表示的交通 状态级别；最后利用 Vissim 软件设计包含 9 个交叉口的典型路网，根据采集的数据对模型进行验证。仿真结果表 明：所建立的方法可以有效地对区域交通状态进行判别。 关键词：交通控制；状态判别；固定检测器；不均衡性；权重计算模型；浮动车 中图分类号：U491.51 文献标志码：A 文章编号：1672−7207(2013)01−0403−08