Nothing Special   »   [go: up one dir, main page]

CN114926976A - 一种城市道路潜在交通瓶颈识别方法、系统及存储介质 - Google Patents

一种城市道路潜在交通瓶颈识别方法、系统及存储介质 Download PDF

Info

Publication number
CN114926976A
CN114926976A CN202210316663.9A CN202210316663A CN114926976A CN 114926976 A CN114926976 A CN 114926976A CN 202210316663 A CN202210316663 A CN 202210316663A CN 114926976 A CN114926976 A CN 114926976A
Authority
CN
China
Prior art keywords
road section
traffic
road
bottleneck
turn
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210316663.9A
Other languages
English (en)
Inventor
罗小芹
曾浩
郑猛
冯明翔
张子培
何超
李锐
佘世英
丰富
余金林
夏清清
官廉
李艳方
徐建忠
刘振华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Transportation Development Strategy Research Institute
Original Assignee
Wuhan Transportation Development Strategy Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Transportation Development Strategy Research Institute filed Critical Wuhan Transportation Development Strategy Research Institute
Priority to CN202210316663.9A priority Critical patent/CN114926976A/zh
Publication of CN114926976A publication Critical patent/CN114926976A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及城市交通管理领域，旨在提供城市道路中潜在交通瓶颈的识别方法、系统及存储介质。该城市道路网络潜在交通瓶颈识别方法包括步骤：获取所需识别的城市道路网络中各路段的基本信息，根据路段的基本信息计算其瓶颈判别系数，结合瓶颈判别系数判断路段是否为潜在交通瓶颈并分析其拥堵成因。本发明利用定义的瓶颈判别系数识别城市道路网络中潜在的交通瓶颈，可以有效地考虑城市路网各交叉口的信号控制影响，为交通管理部门发现并定位潜在交通瓶颈提供了方法。

Description

一种城市道路潜在交通瓶颈识别方法、系统及存储介质
技术领域
本发明涉及城市交通管理领域，具体是一种城市道路潜在交通瓶颈的识别方法、系统及存储介质。
背景技术
交通瓶颈是引发交通拥堵的主要原因，其本质是局部点段的交通供给与交通需求失去平衡。在城市道路中，交通管理尤其是信号控制交叉口的信号方案是影响交通供给的重要因素，不合理的信号方案会导致车辆在交叉口处多次排队，使得路段排队长度增加，甚至发生排队上溯现象，严重影响交通网络的运行，因此在瓶颈研究中考虑城市道路交通信号方案的影响十分重要。此外，现有研究多集中于交通瓶颈的特征分析、既有交通瓶颈的识别、交通瓶颈的拥堵扩散研究等方面，对于尚未发展为瓶颈但可能发展为瓶颈的潜在交通瓶颈的研究不多，然而城市路网较为复杂、交通拥堵扩散速度较快，识别交通系统中潜在的交通瓶颈能为交通管理争取更多的时间、为优化改善交通管理措施提供决策依据。
发明内容
本申请的目的在于提供一种城市道路潜在交通瓶颈的识别方法、系统及存储介质，结合路网结构特征、交通需求特征、信号控制方案，计算路网中各路段的瓶颈判别系数，进一步识别路网中的潜在交通瓶颈并分析其拥堵成因。
本申请的技术方案：
第一方面，本申请实施例提供一种城市道路潜在交通瓶颈识别方法，包括如下步骤：
c1、采集研究区域内的路网拓扑信息、信号控制信息、流量转向信息，并以路段为基本分析对象形成基础数据；
c2、对于任一路段，计算该路段左转车流、直行车流、右转车流的瓶颈判别系数；
c3、对于任一路段，根据该路段的瓶颈判别系数判断其是否为潜在交通瓶颈，并分析可能引发交通瓶颈的原因；
所述c1中采集研究区域内的路网拓扑信息、信号控制信息、流量转向信息，并以路段为基本分析对象形成基础数据，包括如下步骤：
c11、采集研究区域内的路网拓扑数据，并构建矩阵A表达路段之间的邻接关系：
A＝{aij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵A表示路段之间的邻接关系，当路段j为路段i的下游邻接路段时 aij取值为1，否则取值为0，M为路网中路段的数量；
c12、采集车辆由某路段进入下游邻接路段的车道组的车道数、及该车道组对应的绿信比，并分别构建矩阵N、Λ进行表示：
N＝{nij|i＝1,2,…,M,j＝1,2,…,M}
Λ＝{λij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵N表示车道组的车道数，当aij为1时，nij取值为车辆由路段i进入路段j所经过的车道组的车道数，否则取值为0；
矩阵Λ表示绿信比，当aij为1时，λij取值为车辆由路段i进入路段j所经过的车道组的绿信比，否则取值为0；
c13、采集路网中各路段不同流向交通流量的转向比，并构建矩阵L、S、R 分别表示上游路段驶入车流在本路段的左转、直行、右转的流量转向比：
L＝{lij|i＝1,2,…,M,j＝1,2,…,M}
S＝{sij|i＝1,2,…,M,j＝1,2,…,M}
R＝{rij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵L表示左转流量转向比，当aij为1时，lij取值为某时段内路段i驶入路段j且在路段j左转驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
矩阵S表示直行流量转向比，当aij为1时，sij取值为某时段内路段i驶入路段j且在路段j直行驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
矩阵R表示右转流量转向比，当aij为1时，rij取值为某时段内路段i驶入路段j且在路段j右转驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
c14、采集路网中各路段的信号周期信息，并构建向量C进行表示：
C＝{ci|i＝1,2,…,M}
式中，向量C表示信号周期，ci取值为路段i的下游信号周期。
所述c2中对于任一路段，计算该路段左转车流、直行车流、右转车流的瓶颈判别系数，包括如下步骤：
c21、计算路段j的左转车流的瓶颈判别系数：
Figure BDA0003569174690000031
式中，
Figure BDA0003569174690000032
为路段j的左转车流的瓶颈判别系数，h为饱和车头时距，
Figure BDA0003569174690000033
为路段 j左转车流对应的绿信比，
Figure BDA0003569174690000034
为路段j左转车流对应的车道数；
c22、计算路段j的直行车流的瓶颈判别系数：
Figure BDA0003569174690000035
式中，
Figure BDA0003569174690000036
为路段j的直行车流的瓶颈判别系数，h为饱和车头时距，
Figure BDA0003569174690000037
为路段j直行车流对应的绿信比，
Figure BDA0003569174690000038
为路段j直行车流对应的车道数；
c23、计算路段j的右转车流的瓶颈判别系数：
Figure BDA0003569174690000041
式中，
Figure BDA0003569174690000042
为路段j的右转车流的瓶颈判别系数，h为饱和车头时距，
Figure BDA0003569174690000043
为路段 j右转车流对应的绿信比，
Figure BDA0003569174690000044
为路段j右转车流对应的车道数。
所述c3中对于任一路段，根据该路段的瓶颈判别系数判断其是否为潜在交通瓶颈，并分析可能引发交通瓶颈的原因，包括如下步骤：
c31、如果路段j左转车流、直行车流、右转车流的瓶颈判别系数中，存在任一方向车流的瓶颈判别系数大于0，则该路段为潜在交通瓶颈；
c32、如果路段j是潜在交通瓶颈，在其瓶颈判别系数中，当最大值为左转车流瓶颈判别系数时，左转车流更易导致路段中累积车辆不断增加，使得路段易发生由左转车流引发的遮挡、占道、排队上溯情况；当最大值为直行车流瓶颈判别系数时，直行车流更易导致路段中累积车辆不断增加，使得路段易发生由直行车流引发的遮挡、占道、排队上溯情况；当最大值为右转车流瓶颈判别系数时，右转车流更易导致路段中累积车辆不断增加，使得路段易发生由右转车流引发的遮挡、占道、排队上溯情况。
第二方面，本申请实施例提供一种城市道路潜在交通瓶颈识别系统，包括基础数据采集模块、瓶颈判别系数计算模块以及潜在交通瓶颈判别模块，所述基础数据采集模块采集研究区域内的路网拓扑信息、信号控制信息、流量转向信息，并以路段为基本分析对象形成基础数据，所述瓶颈判别系数计算模块计算任一路段左转车流、直行车流、右转车流的瓶颈判别系数，所述潜在交通瓶颈判别模块根据路段的瓶颈判别系数判断其是否为潜在交通瓶颈，并分析可能引发交通瓶颈的原因。
所述基础数据采集模块包括路网拓扑数据采集单元、车道数及绿信比采集单元、交通流量的转向比采集单元、信号周期信息采集单元，所述路网拓扑数据采集单元采集研究区域内的路网拓扑数据，并构建矩阵A表达路段之间的邻接关系，所述车道数及绿信比采集单元采集车辆由某路段进入下游邻接路段的车道组的车道数、及该车道组对应的绿信比，并分别构建矩阵N、Λ进行表示，所述车道数及绿信比采集单元采集路网中各路段不同流向交通流量的转向比，并构建矩阵L、S、R分别表示上游路段驶入车流在本路段的左转、直行、右转的流量转向比，所述信号周期信息采集单元采集路网中各路段的信号周期信息，并构建向量C进行表示。
所述瓶颈判别系数计算模块包括左转车流的瓶颈判别系数计算单元、直行车流的瓶颈判别系数计算单元以及右转车流的瓶颈判别系数计算单元。
第三方面，本申请实施例提供一种计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的城市道路潜在交通瓶颈识别方法。
与现有技术相比，本发明的有益效果是：本发明在路网瓶颈识别过程中考虑了城市道路特有的信号控制的影响，且针对尚未发展为瓶颈但可能发展为瓶颈的潜在交通瓶颈进行识别，为交通管理争取更多的时间、为优化改善交通管理措施提供决策依据。
附图说明
图1为城市道路潜在交通瓶颈识别方法的流程图。
图2为城市道路潜在交通瓶颈识别系统图。
图3为示例路网。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
下面结合附图对本发明进行详细阐述，如图1所示，本发明的具体步骤如下。
步骤一，采集研究区域内的路网拓扑信息、信号控制信息、流量转向信息，并以路段为基本分析对象形成基础数据：
采集研究区域内的路网拓扑数据，并构建矩阵A表达路段之间的邻接关系：
A＝{aij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵A表示路段之间的邻接关系，当路段j为路段i的下游邻接路段时 aij取值为1，否则取值为0，M为路网中路段的数量；
采集车辆由某路段进入下游邻接路段的车道组的车道数、及该车道组对应的绿信比，并分别构建矩阵N、Λ进行表示：
N＝{nij|i＝1,2,…,M,j＝1,2,…,M}
Λ＝{λij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵N表示车道组的车道数，当aij为1时，nij取值为车辆由路段i进入路段j所经过的车道组的车道数，否则取值为0；
矩阵Λ表示绿信比，当aij为1时，λij取值为车辆由路段i进入路段j所经过的车道组的绿信比，否则取值为0；
采集路网中各路段不同流向交通流量的转向比，并构建矩阵L、S、R分别表示上游路段驶入车流在本路段的左转、直行、右转的流量转向比：
L＝{lij|i＝1,2,…,M,j＝1,2,…,M}
S＝{sij|i＝1,2,…,M,j＝1,2,…,M}
R＝{rij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵L表示左转流量转向比，当aij为1时，lij取值为某时段内路段i驶入路段j且在路段j左转驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
矩阵S表示直行流量转向比，当aij为1时，sij取值为某时段内路段i驶入路段j且在路段j直行驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
矩阵R表示右转流量转向比，当aij为1时，rij取值为某时段内路段i驶入路段j且在路段j右转驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
采集路网中各路段的信号周期信息，并构建向量C进行表示：
C＝{ci|i＝1,2,…,M}
式中，向量C表示信号周期，ci取值为路段i的下游信号周期。
步骤二，对于任一路段，计算该路段左转车流、直行车流、右转车流的瓶颈判别系数：
计算路段j的左转车流的瓶颈判别系数：
Figure BDA0003569174690000071
式中，
Figure BDA0003569174690000072
为路段j的左转车流的瓶颈判别系数，h为饱和车头时距，
Figure BDA0003569174690000073
为路段 j左转车流对应的绿信比，
Figure BDA0003569174690000074
为路段j左转车流对应的车道数；
计算路段j的直行车流的瓶颈判别系数：
Figure BDA0003569174690000075
式中，
Figure BDA0003569174690000076
为路段j的直行车流的瓶颈判别系数，h为饱和车头时距，
Figure BDA0003569174690000077
为路段j直行车流对应的绿信比，
Figure BDA0003569174690000078
为路段j直行车流对应的车道数；
计算路段j的右转车流的瓶颈判别系数：
Figure BDA0003569174690000079
式中，
Figure BDA00035691746900000710
为路段j的右转车流的瓶颈判别系数，h为饱和车头时距，
Figure BDA00035691746900000711
为路段 j右转车流对应的绿信比，
Figure BDA00035691746900000712
为路段j右转车流对应的车道数。
步骤三，对于任一路段，根据该路段的瓶颈判别系数判断其是否为潜在交通瓶颈，并分析可能引发交通瓶颈的原因：
如果路段j左转车流、直行车流、右转车流的瓶颈判别系数中，存在任一方向车流的瓶颈判别系数大于0，则该路段为潜在交通瓶颈；
如果路段j是潜在交通瓶颈，在其瓶颈判别系数中，当最大值为左转车流瓶颈判别系数时，左转车流更易导致路段中累积车辆不断增加，使得路段易发生由左转车流引发的遮挡、占道、排队上溯等情况；当最大值为直行车流瓶颈判别系数时，直行车流更易导致路段中累积车辆不断增加，使得路段易发生由直行车流引发的遮挡、占道、排队上溯等情况；当最大值为右转车流瓶颈判别系数时，右转车流更易导致路段中累积车辆不断增加，使得路段易发生由右转车流引发的遮挡、占道、排队上溯等情况。
实施例2：
本实施例提出一种城市道路潜在交通瓶颈识别系统，包括基础数据采集模块1、瓶颈判别系数计算模块2以及潜在交通瓶颈判别模块3，所述基础数据采集模块1采集研究区域内的路网拓扑信息、信号控制信息、流量转向信息，并以路段为基本分析对象形成基础数据，所述瓶颈判别系数计算模块2计算任一路段左转车流、直行车流、右转车流的瓶颈判别系数，所述潜在交通瓶颈判别模块3根据路段的瓶颈判别系数判断其是否为潜在交通瓶颈，并分析可能引发交通瓶颈的原因。
所述基础数据采集模块1包括路网拓扑数据采集单元10、车道数及绿信比采集单元11、交通流量的转向比采集单元12、信号周期信息采集单元13，所述路网拓扑数据采集单元10采集研究区域内的路网拓扑数据，并构建矩阵A表达路段之间的邻接关系，所述车道数及绿信比采集单元11采集车辆由某路段进入下游邻接路段的车道组的车道数、及该车道组对应的绿信比，并分别构建矩阵N、Λ进行表示，所述车道数及绿信比采集单元11采集路网中各路段不同流向交通流量的转向比，并构建矩阵L、S、R分别表示上游路段驶入车流在本路段的左转、直行、右转的流量转向比，所述信号周期信息采集单元13采集路网中各路段的信号周期信息，并构建向量C进行表示。
所述瓶颈判别系数计算模块2包括左转车流的瓶颈判别系数计算单元20、直行车流的瓶颈判别系数计算单元21以及右转车流的瓶颈判别系数计算单元 22。
实施例3：
本实施例提出一种城市道路潜在交通瓶颈识别方法，该方法结合路网结构特征、交通需求特征、信号控制方案，计算路网中各路段的瓶颈判别系数，进一步识别路网中的潜在交通瓶颈并分析其拥堵成因。
本实施例结合具体的数据对城市道路潜在交通瓶颈的识别进行说明。
图3为示例路网平面图，共包含7个信号交叉口，22条路段，即M＝22。根据路段之间的拓扑关系，构建矩阵A如表1所示。
表1：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
1 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1
4 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0
6 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0
8 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0
10 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
12 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
13 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
14 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0
16 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0
17 0 0 0 0 0 0 0 1 0 0 0 0 1 0 1 0 0 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0
20 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0
21 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0
采集车辆由各路段进入下游邻接路段的车道组的车道数、及该车道组对应的绿信比，并分别构建矩阵N、Λ如表2、表3所示。
表2：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
1 0 0 2 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 1
4 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0
6 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0
8 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0
10 2 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
12 0 0 0 0 0 1 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0
13 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
14 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 2 0 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0
16 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0
17 0 0 0 0 0 0 0 1 0 0 0 0 1 0 1 0 0 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 1 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0
20 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0
21 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0
表3：
Figure BDA0003569174690000091
Figure BDA0003569174690000101
采集路网中各路段不同流向交通流量的转向比，并构建矩阵L、S、R分别如表4、表5、表6所示。
表4：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
1 0 0 0.6 0 0.7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0.3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0.4 0 0 0 0 0 0 0 0 0 0.6
4 0 0 0 0 0.6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0.6 0 0 0.3 0 0 0 0 0 0 0 0
6 0 0 0.6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0.6 0 0 0 0
8 0.4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3 0 0 0 0 0
10 0.6 0 0 0 0 0 0.4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.6
12 0 0 0 0 0 0.4 0 0 0 0 0 0 0 0.3 0 0 0 0 0 0 0 0
13 0 0 0 0 0 0.7 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0
14 0 0 0 0 0 0 0 0.2 0 0 0 0 0 0 0.4 0 0 0.5 0 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.7 0 0
16 0 0 0 0 0 0 0 0.6 0 0 0 0 0 0 0 0 0 0.7 0 0 0 0
17 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0.6 0 0 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 0.7 0 0 0 0 0 0 0 0 0 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4 0 0 0 0 0 0
20 0 0 0 0 0 0 0 0 0 0.6 0 0 0 0 0 0 0.4 0 0 0 0 0
21 0 0 0 0 0 0 0 0 0 0 0 0.6 0 0 0 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4 0 0 0 0.5 0 0
表5：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
1 0 0 0.4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0.4 0 0.6 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0.6 0 0 0 0 0 0 0 0 0 0.4
4 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0
6 0 0.6 0.4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0
8 0.6 0 0 0 0 0 0 0 0.4 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4 0 0.7 0 0 0
10 0.4 0 0 0 0 0 0.4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0.7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4
12 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4 0 0 0 0 0 0 0 0
13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3 0.5 0
16 0 0 0 0 0 0 0 0 0 0 0 0 0.7 0 0 0 0 0 0 0 0 0
17 0 0 0 0 0 0 0 0 0 0 0 0 0.7 0 0 0 0 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 0.3 0 0 0 0 0 0 0 0 0.6 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4 0 0 0 0 0.6 0
20 0 0 0 0 0 0 0 0 0 0.4 0 0 0 0 0 0 0.4 0 0 0 0 0
21 0 0 0 0.6 0 0 0 0 0 0 0 0.4 0 0 0 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0 0 0 0.5 0 0
表6：
Figure BDA0003569174690000102
Figure BDA0003569174690000111
采集路网中各路段的信号周期信息，并构建向量C，各路段下游周期如表7 所示。
表7：
Figure BDA0003569174690000112
结合上述数据计算，分别计算各个路段左转车流、直行车流、右转车流的瓶颈判别系数，其中饱和车头时距h取值为2.5秒。瓶颈判别系数的计算结果如表8所示。
表8：
Figure BDA0003569174690000113
由上表可知，示例路网中仅路段2、9不是潜在交通瓶颈，路段3、4、13、 17、19、21易发生由直行车流引发的交通瓶颈，路段8、15、18易发生由右转车流引发的交通瓶颈，其他路段易发生由左转车流引发的交通瓶颈。
本申请实施例还提供一种计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现以上所述的城市道路潜在交通瓶颈识别方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图1个流程或多个流程和/或方框图1个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图1个流程或多个流程和/或方框图1个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图1个流程或多个流程和/或方框图1个方框或多个方框中指定的功能的步骤。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种城市道路潜在交通瓶颈识别方法，其特征在于，包括如下步骤：
c1、采集研究区域内的路网拓扑信息、信号控制信息、流量转向信息，并以路段为基本分析对象形成基础数据；
c2、对于任一路段，计算该路段左转车流、直行车流、右转车流的瓶颈判别系数；
c3、对于任一路段，根据该路段的瓶颈判别系数判断其是否为潜在交通瓶颈，并分析可能引发交通瓶颈的原因；
所述c1中采集研究区域内的路网拓扑信息、信号控制信息、流量转向信息，并以路段为基本分析对象形成基础数据，包括如下步骤：
c11、采集研究区域内的路网拓扑数据，并构建矩阵A表达路段之间的邻接关系：
A＝{aij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵A表示路段之间的邻接关系，当路段j为路段i的下游邻接路段时aij取值为1，否则取值为0，M为路网中路段的数量；
c12、采集车辆由某路段进入下游邻接路段的车道组的车道数、及该车道组对应的绿信比，并分别构建矩阵N、Λ进行表示：
N＝{nij|i＝1,2,…,M,j＝1,2,…,M}
Λ＝{λij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵N表示车道组的车道数，当aij为1时，nij取值为车辆由路段i进入路段j所经过的车道组的车道数，否则取值为0；
矩阵Λ表示绿信比，当aij为1时，λij取值为车辆由路段i进入路段j所经过的车道组的绿信比，否则取值为0；
c13、采集路网中各路段不同流向交通流量的转向比，并构建矩阵L、S、R分别表示上游路段驶入车流在本路段的左转、直行、右转的流量转向比：
L＝{lij|i＝1,2,…,M,j＝1,2,…,M}
S＝{sij|i＝1,2,…,M,j＝1,2,…,M}
R＝{rij|i＝1,2,…,M,j＝1,2,…,M}
式中，矩阵L表示左转流量转向比，当aij为1时，lij取值为某时段内路段i驶入路段j且在路段j左转驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
矩阵S表示直行流量转向比，当aij为1时，sij取值为某时段内路段i驶入路段j且在路段j直行驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
矩阵R表示右转流量转向比，当aij为1时，rij取值为某时段内路段i驶入路段j且在路段j右转驶出路段的流量占路段i驶入路段j的流量的比例，否则取值为0；
c14、采集路网中各路段的信号周期信息，并构建向量C进行表示：
C＝{ci|i＝1,2,…,M}
式中，向量C表示信号周期，ci取值为路段i的下游信号周期。
2.根据权利要求1所述的一种城市道路潜在交通瓶颈识别方法，其特征在于，所述c2中对于任一路段，计算该路段左转车流、直行车流、右转车流的瓶颈判别系数，包括如下步骤：
c21、计算路段j的左转车流的瓶颈判别系数：
Figure FDA0003569174680000021
式中，
Figure FDA0003569174680000022
为路段j的左转车流的瓶颈判别系数，h为饱和车头时距，
Figure FDA0003569174680000023
为路段j左转车流对应的绿信比，
Figure FDA0003569174680000024
为路段j左转车流对应的车道数；
c22、计算路段j的直行车流的瓶颈判别系数：
Figure FDA0003569174680000031
式中，
Figure FDA0003569174680000032
为路段j的直行车流的瓶颈判别系数，h为饱和车头时距，
Figure FDA0003569174680000033
为路段j直行车流对应的绿信比，
Figure FDA0003569174680000034
为路段j直行车流对应的车道数；
c23、计算路段j的右转车流的瓶颈判别系数：
Figure FDA0003569174680000035
式中，
Figure FDA0003569174680000036
为路段j的右转车流的瓶颈判别系数，h为饱和车头时距，
Figure FDA0003569174680000037
为路段j右转车流对应的绿信比，
Figure FDA0003569174680000038
为路段j右转车流对应的车道数。
3.根据权利要求1所述的一种城市道路潜在交通瓶颈识别方法，其特征在于，所述c3中对于任一路段，根据该路段的瓶颈判别系数判断其是否为潜在交通瓶颈，并分析可能引发交通瓶颈的原因，包括如下步骤：
c31、如果路段j左转车流、直行车流、右转车流的瓶颈判别系数中，存在任一方向车流的瓶颈判别系数大于0，则该路段为潜在交通瓶颈；
c32、如果路段j是潜在交通瓶颈，在其瓶颈判别系数中，当最大值为左转车流瓶颈判别系数时，左转车流更易导致路段中累积车辆不断增加，使得路段易发生由左转车流引发的遮挡、占道、排队上溯情况；当最大值为直行车流瓶颈判别系数时，直行车流更易导致路段中累积车辆不断增加，使得路段易发生由直行车流引发的遮挡、占道、排队上溯情况；当最大值为右转车流瓶颈判别系数时，右转车流更易导致路段中累积车辆不断增加，使得路段易发生由右转车流引发的遮挡、占道、排队上溯情况。
4.一种城市道路潜在交通瓶颈识别系统，其特征在于，包括基础数据采集模块(1)、瓶颈判别系数计算模块(2)以及潜在交通瓶颈判别模块(3)，所述基础数据采集模块(1)采集研究区域内的路网拓扑信息、信号控制信息、流量转向信息，并以路段为基本分析对象形成基础数据，所述瓶颈判别系数计算模块(2)计算任一路段左转车流、直行车流、右转车流的瓶颈判别系数，所述潜在交通瓶颈判别模块(3)根据路段的瓶颈判别系数判断其是否为潜在交通瓶颈，并分析可能引发交通瓶颈的原因。
5.根据权利要求4所述的一种城市道路潜在交通瓶颈识别系统，其特征在于，所述基础数据采集模块(1)包括路网拓扑数据采集单元(10)、车道数及绿信比采集单元(11)、交通流量的转向比采集单元(12)、信号周期信息采集单元(13)，所述路网拓扑数据采集单元(10)采集研究区域内的路网拓扑数据，并构建矩阵A表达路段之间的邻接关系，所述车道数及绿信比采集单元(11)采集车辆由某路段进入下游邻接路段的车道组的车道数、及该车道组对应的绿信比，并分别构建矩阵N、Λ进行表示，所述车道数及绿信比采集单元(11)采集路网中各路段不同流向交通流量的转向比，并构建矩阵L、S、R分别表示上游路段驶入车流在本路段的左转、直行、右转的流量转向比，所述信号周期信息采集单元(13)采集路网中各路段的信号周期信息，并构建向量C进行表示。
6.根据权利要5所述的一种城市道路潜在交通瓶颈识别系统，其特征在于，所述瓶颈判别系数计算模块(2)包括左转车流的瓶颈判别系数计算单元(20)、直行车流的瓶颈判别系数计算单元(21)以及右转车流的瓶颈判别系数计算单元(22)。
7.一种计算机可读存储介质，其特征在于，包括所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现权利要求1-3任一项所述的城市道路潜在交通瓶颈识别方法。
CN202210316663.9A 2022-03-28 2022-03-28 一种城市道路潜在交通瓶颈识别方法、系统及存储介质 Pending CN114926976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210316663.9A CN114926976A (zh) 2022-03-28 2022-03-28 一种城市道路潜在交通瓶颈识别方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210316663.9A CN114926976A (zh) 2022-03-28 2022-03-28 一种城市道路潜在交通瓶颈识别方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114926976A true CN114926976A (zh) 2022-08-19

Family

ID=82804405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210316663.9A Pending CN114926976A (zh) 2022-03-28 2022-03-28 一种城市道路潜在交通瓶颈识别方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114926976A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106898139A (zh) * 2015-12-17 2017-06-27 中国移动通信集团公司 一种道路节点的识别方法及装置
WO2017166474A1 (zh) * 2016-03-29 2017-10-05 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN107993438A (zh) * 2017-12-08 2018-05-04 上海云砥信息科技有限公司 一种高速公路瓶颈路段拥堵预警方法
CN110688775A (zh) * 2019-10-16 2020-01-14 吉林化工学院 一种城市交通网络中的交通瓶颈识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106898139A (zh) * 2015-12-17 2017-06-27 中国移动通信集团公司 一种道路节点的识别方法及装置
WO2017166474A1 (zh) * 2016-03-29 2017-10-05 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN107993438A (zh) * 2017-12-08 2018-05-04 上海云砥信息科技有限公司 一种高速公路瓶颈路段拥堵预警方法
CN110688775A (zh) * 2019-10-16 2020-01-14 吉林化工学院 一种城市交通网络中的交通瓶颈识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁恒;郭放;郑小燕;马寒月;张卫华;: "基于时空检测的城市交通网络瓶颈识别方法研究", 合肥工业大学学报(自然科学版), no. 07, 28 July 2016 (2016-07-28) *
王建军;金书鑫;任予跃;: "基于潜在瓶颈路段识别的可变信息标志选址分析", 中国公路学报, no. 04, 15 April 2018 (2018-04-15) *

Similar Documents

Publication Publication Date Title
CN110415523B (zh) 一种基于车辆出行轨迹数据的信号控制子区划分方法
CN108763776B (zh) 一种城市快速路网时变交通状态仿真方法及装置
CN108320511A (zh) 基于谱聚类的城市道路交通子区划分方法
CN108256506A (zh) 一种视频中物体检测方法及装置、计算机存储介质
CN101783074A (zh) 一种城市道路交通流状态实时判别方法及系统
CN113140112B (zh) 一种自动驾驶交叉口车辆冲突分离的控制方法
CN111210632B (zh) 一种车道功能划分合理性的分析方法、装置及存储介质
CN111192457A (zh) 一种城市级整体的交通信号控制的方法及装置
CN105913666A (zh) 一种快速道路主线可变限速标志优化布设方法
CN117746640B (zh) 一种道路交通车流量滚动预测方法、系统、终端及介质
CN110766940A (zh) 道路信号交叉口运行状况评估方法
Shokry et al. Bandwidth maximization approach for displaced left-turn crossovers coordination under heterogeneous traffic conditions
CN108022015B (zh) 一种左转机动车通行能力的修正方法
CN114926976A (zh) 一种城市道路潜在交通瓶颈识别方法、系统及存储介质
Pandey et al. Assessment of Level of Service on urban roads: a revisit to past studies.
CN111402585B (zh) 偶发性拥堵路径的探测方法
Banerjee et al. A modern intersection data analytics system for pedestrian and vehicular safety
CN110097757B (zh) 一种基于深度优先搜索的交叉口群关键路径识别方法
CN105427647B (zh) 一种区别车辆转向的路径分配方法及装置
CN114413923B (zh) 一种行驶路线推荐方法、装置、存储介质及系统
CN107665581B (zh) 考虑汇入车流的干道车队判别方法
CN114547403B (zh) 变道场景采集方法、装置、设备及存储介质
CN115100857A (zh) 一种基于Dijkstra算法的路网子区关键路径识别方法
CN115691170A (zh) 一种基于号牌数据的城市干线道路子区划分方法
CN111177294B (zh) 基于车辆轨迹数据求解交叉口中介中心性的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination