法律状态公告日
法律状态信息
法律状态
2017-06-09
专利权人的姓名或者名称、地址的变更 IPC(主分类):G06F17/50 变更前: 变更后: 申请日:20130923
专利权人的姓名或者名称、地址的变更
2017-02-15
授权
授权
2014-02-05
实质审查的生效 IPC(主分类):G06F19/00 申请日:20130923
实质审查的生效
2014-01-01
公开
公开
技术领域
本发明属于桥下积水智能预测领域,具体地说,涉及一种桥下积水导致的交通拥堵蔓延预测技术方案。
背景技术
在城市路网的交通运行状况中,恶劣天气是一个重要的影响因素。例如因强降雨及排水不畅所导致的道路积水,可使得交通流运行受到严重影响。当道路积水深度达到一定程度时将会使得道路交通流完全中断,导致上游车辆大量聚集,车队行驶速度接近为零。随着时间的推移,拥堵现象将由积水断面开始不停向上游路段及上穿路段蔓延,从而导致一定范围内的交通拥堵,影响整体路网的运行状况。
发明内容
本发明要解决的技术问题是克服上述缺陷,提供一种对道路积水所产生的拥堵的识别、其所影响的范围、蔓延及消散的规律等特征展开分析的桥下积水导致的交通拥堵蔓延预测技术方案。
为解决上述问题,本发明所采用的技术方案是:
一种桥下积水导致的交通拥堵蔓延预测技术方案,其特征在于:包括两个模型,模型一是以桥下点段为积水导致拥堵的中心点,在每个预测周期内进行拥堵影响范围预测时,均以此中心点为起始点,将预测的拥堵蔓延速度乘以预测时间得出每个预测周期末拥堵影响范围;
模型二是在起始的第一个预测周期内,以桥下点段为中心点得出第一个预 测周期末的拥堵影响范围边界;在第二个预测周期内,即以第一个预测周期末的边界为起始点,利用拥堵蔓延速度与时间的乘积得出本预测周期末的边界,而此时的拥堵蔓延速度即为矢量。
模型一的步骤如下:
第一步,计算各路段各时刻的平均速度 i表路段的LinkID,j表示时刻;
第二步,利用公式(1)中的平均速度 的计算公式来计算△Vi,j;
其中Vi,j——当日LinkID为i的路段j时刻的速度,
——LinkID为i的路段j时刻的平均速度;
第三步,以时间为横轴,以满足△Vi,j<Vi条件,筛选满足条件的LinkID,并计算选出的LinkID的速度差之和Σi△Vi,j,以Σi△Vi,j为竖轴;
第四步,从上述第三步中的斜率开始发生较大变化处开始,选择在其后连续三个5min内均出现的所有LinkID,导入GIS地图,可以找出拥堵起始点,即可判断为积水点。
模型二的步骤如下:
第一步,找出积水路段上游路段的LinkID,形成该积水路段可能影响LinkID顺序集;
第二步,利用公式(2)、(3)、(4)、(5),判断LinkID顺序集中各LinkID 开始拥堵时刻;
tk>tk-1 (2)
Tk:>15 (3)
At,k-1=1andAt,k+1=1 (4)
At-15,k=0andAt-10,k=0andAt-5,b=0 (5)
其中上述公式中,编号为k的路段开始拥堵的时间;
编号为k的路段拥堵的时间长,单位为min;
t时刻,编号为k的路段拥堵状况;
第三步,计算拥堵的蔓延速度。
其中,编号为k的路段的长度;计算时间间隔内拥堵蔓延的路段总长;计算拥堵蔓延速度的时间间隔。
由于采用了上述技术方案,与现有技术相比,本发明以实时路网运行数据和桥下积水深度数据为自变量,建立桥下积水导致的拥堵蔓延速度模型,利用实时路网运行数据以及桥下积水点段识别程序完成积水点段的识别之后,预测出实时的交通运行状态以及积水量数据做出积水点段对交通流的时空影响范围预测,可对出行者提供预警信息和交通诱导,避开积水影响严重的区域,方便 了人们的出行,提前警示人们避开积水区域,保障了人们的出行安全。
实时路网运行数据不仅可以表示路网运行状态,也在某种程度上体现了当前的交通需求状况,积水深度数据表示了降水量与排水量共同作用的结果。这两个自变量即可将影响拥堵蔓延的主要因素都包含在内。
同时下面结合附图和具体实施方式对本发明作进一步说明。
附图说明
图1为本发明一种实施例中模型一的速度差之和变化图。
具体实施方式
实施例:
一种桥下积水导致的交通拥堵蔓延预测技术方案,包括两个模型,模型一是以桥下点段为积水导致拥堵的中心点,在每个预测周期内进行拥堵影响范围预测时,均以此中心点为起始点,将预测的拥堵蔓延速度乘以预测时间得出每个预测周期末拥堵影响范围。
模型二是在起始的第一个预测周期内,以桥下点段为中心点得出第一个预测周期末的拥堵影响范围边界;在第二个预测周期内,即以第一个预测周期末的边界为起始点,利用拥堵蔓延速度与时间的乘积得出本预测周期末的边界,而此时的拥堵蔓延速度即为矢量。
模型一的步骤如下:
第一步,计算各路段各时刻的平均速度 i表路段的LinkID,j表示时刻;
第二步,利用公式(1)中的平均速度 的计算公式来计算△Vi,j;
其中Vi,j——当日LinkID为i的路段j时刻的速度,
——LinkID为i的路段j时刻的平均速度。
第三步,以时间为横轴,以满足△Vi,j<Vi条件,筛选满足条件的LinkID,并计算选出的LinkID的速度差之和Σi△Vi,j,以Σi△Vi,j为竖轴;
第四步,从上述第三步中的斜率开始发生较大变化处开始,选择在其后连续三个5min内均出现的所有LinkID,导入GIS地图,可以找出拥堵起始点,即可判断为积水点。
模型二的步骤如下:
第一步,找出积水路段上游路段的LinkID,形成该积水路段可能影响LinkID顺序集;
第二步,利用公式(2)、(3)、(4)、(5),判断LinkID顺序集中各LinkID开始拥堵时刻;
tk>tk-1 (2)
Tk:>15 (3)
At,k-1=1andAt,k+1=1 (4)
At-15,k=0andAt-10,k=0andAt-5,b=0 (5)
其中上述公式中,编号为k的路段开始拥堵的时间;
编号为k的路段拥堵的时间长,单位为min;
t时刻,编号为k的路段拥堵状况;
第三步,计算拥堵的蔓延速度;
其中,编号为k的路段的长度;计算时间间隔内拥堵蔓延的路段总长;计算拥堵蔓延速度的时间间隔。
以北京为例,本实施例的具体实施方式如下:
模型一:
第一步,利用历史数据,计算各路段各时刻的平均速度 i表路段的LinkID,j表示时刻。
以2011年6月23日为例,假设有2011年6月9日、2011年6月16日这两天的浮动车数据数据,则
第二步,利用公式(1)计算△Vi,j。
Vi,j——当日LinkID为i的路段j时刻的速度;
Vi,j——LinkID为i的路段j时刻的平均速度。
以2011年6月23日为例,Vi,j则为6月23日速度数据。
第三步,以时间为横轴,以满足△Vi,j<Vi(例如-2km/h)条件,筛选满足条件的LinkID,并计算选出的LinkID的速度差之和Σi△Vi,j,以Σi△Vi,j为竖轴,得到图1。
第四步,从图1中斜率开始发生较大变化处开始,选择在其后连续三个5min内均出现的所有LinkID,导入GIS地图,可以找出拥堵起始点,即可判断为积水点。
假设t1时刻的LinkID如表1所示。
表1 t1时刻LinkID集
t1+5时刻的LinkID如表2所示。
表2 t1+5时刻LinkID集
t1+10时刻的LinkID如表3所示。
表3 t1+10时刻LinkID集
根据表1、表2及表3可以筛选出共同的LinkID,如表4所示。
表4 t1、t1+5、t1+10共同LinkID集
把表4导入GIS图可以得到拥堵起始点,即可认为该LinkID所代表的路段为积水点。
另外,利用以上方法,结合斜率发生变化后的LinkID集和GIS地图,可以得到区域拥堵蔓延的特征。
模型二
在本例子中,拥堵路段蔓延速度地计算
由积水点能够详细分析积水点所导致其上游路段拥堵特征,如计算其拥堵蔓延速度等。计算步骤如下:
第一步,找出积水路段上游路段的LinkID,形成该积水路段可能影响LinkID顺序集。
假设积水路段的LinkID为398,则可由GIS地图找出其上游路段的LinkID顺序集,见表5所示。
表5 积水点上游路段LinkID顺序集
第二步,利用公式(2)、(3)、(4)、(5),判断LinkID顺序集中各LinkID开始拥堵时刻。
tk>tk-1 (2)
Tk:(3)
At,k-1=1andAt,k+1 (4)
At-15,k=OandAt-10,k=0andAt-5,b (5)
编号为k的路段开始拥堵的时间;
编号为k的路段拥堵的时间长,单位为min。t时刻,编号为k的路段拥堵状况。当At,k时,该路段拥堵;当At,A时,该路段不拥堵。
第三步,计算拥堵的蔓延速度。
其中,编号为k的路段的长度;计算时间间隔内拥堵蔓延的路段总长;计算拥堵蔓延速度的时间间隔。
本例子中的所有数据需求为2011年6月9日、2011年6月16日、2011年 6月23日、2011年6月30日及2011年7月7日的浮动车数据。
本发明不局限于上述的优选实施方式,任何人应该得知在本发明的启示下做出的结构变化,凡是与本发明具有相同或者相近似的技术方案,均属于本发明的保护范围。
机译: 交通拥堵预测系统,交通拥堵因子估计系统,交通拥堵预测方法和交通拥堵因子估计方法
机译: 交通拥堵预测装置,交通拥堵预测系统,交通拥堵预测方法和程序
机译: 交通拥堵预测装置交通拥堵预测系统交通拥堵预测方法和程序