一种基于路径分析的动态限行方法

摘要

本发明公开了一种基于路径分析的动态限行方法，首先，获取道路信息，构建城市交通网络；然后，基于手机数据提取交通流量信息；再利用交通流分配算法将所有交通流量分配到城市交通网络中，得到城市交通网络中各路段的分配流量；再基于路段的分配流量，获取到达瓶颈路段的车源信息，并提取车源至瓶颈路段的主要路径，获取主要路径上的有信号灯进行控制的交叉口，作为信号控制口；最后，采用遗传算法对各个信号控制口进行选择性管控，实现动态限行。本发明通过分析造成路段拥堵的主要动态车源，提取车源出发的主要路径和主要路径上的信号控制口，对提取的信号控制口进行控制，达到缓解拥堵的目的，可以实现从源头控制拥堵问题。

说明书

技术领域

本发明属于交通技术领域，具体涉及一种基于路径分析的动态限行方法。

背景技术

随着社会进步和经济发展，城市化不断加速，汽车保有量和使用率不断增加，导致城市拥堵现象的日益严重。交通拥堵现象将带来环境污染、资源消耗、增加出行时间、影响出行者出行效率等诸多问题。为了解决城市交通拥堵问题，交通需求控制、道路网络优化、路径诱导策略、车辆限行控制等多种方法相继出现，从不同方面缓解交通拥堵现象。其中，车辆限行策略从车辆控制的角度来说一般是指根据车牌号进行出行限制来控制整体的交通需求；从信号控制的角度来说一般是指根据通过控制交叉口的红绿灯对某个区域的车辆进行限行处理。车辆限行策略相比较于交通设施改善和道路结构改变成本较低，更有利于管理部门实施；相比较于路径诱导策略其管控方式更加直接有效，减少发布难度。由于限行策略具备的优势，该方法策略已经被广泛研究，并且某些措施已经应用于部分拥堵严重的城市，但是，现有的方法仍存在如下问题：

1)从车辆控制的角度进行限行策略的方法作为一种强制手段可以在短时间内迅速降低交通需求，但是不利于出行者接受，给出行者的出行带来困难。

2)目前从信号控制角度进行车辆限行策略的方法往往是对产生拥堵进行缓解，无法从源头控制拥堵问题；且传统的信号控制完成的限行策略由于缺乏高精度高密度的实时数据，难以对限行进行动态调控。

发明内容

本发明所解决的技术问题是，提供了一种基于路径分析的动态限行方法，根据手机数据提取的交通需求信息，分析造成路段拥堵的主要动态车源，提取车源出发的主要路径和主要路径上的信号控制口，对提取的信号控制口进行控制，达到缓解拥堵的目的，可以实现从源头控制拥堵问题。

一种基于路径分析的动态限行方法，包括以下步骤：

步骤一、获取道路信息，构建城市交通网络；

步骤二、基于手机数据提取交通流量信息；

步骤三、利用交通流分配算法将所有交通流量分配到城市交通网络中，得到城市交通网络中各路段的分配流量；

步骤四，基于路段的分配流量，获取到达瓶颈路段【瓶颈路段为高峰期特别拥堵的路段，可以将高峰期车辆行驶速度小于30km/h的路段视为瓶颈路段】的车源信息，并提取车源至瓶颈路段的主要路径，获取主要路径上的有信号灯进行控制的交叉口，作为信号控制口；

步骤五，采用遗传算法对各个信号控制口进行选择性管控，实现动态限行。

进一步地，所述步骤二中，首先，根据用户手机数据记录到的基站位置确定并判断用户的停留点；若连续M次用户的手机数据记录到的基站位置都保持不变，则该基站所在的位置为该用户的停留点；

然后，基于不同停留点将用户出行轨迹划分成连续的OD(用户在每相邻两个停留点为一对OD)，得到基于基站位置的OD；

最后，将基站记录的用户随机匹配到基站所在的交通小区内的各个交叉口(包括有信号控制、无信号控制等所有种类的交叉口)，将基于基站位置的OD转化成基于交叉口的出行OD；每个出行OD为一个二维向量，其第1个分量为出行的起始交叉口，第2个分量为出行的终止交叉口。

进一步地，所述M设置为6。

进一步地，所述步骤三中，使用增量分配法将所有出行OD分配到城市交通网络中，得到城市交通网络中各条路段上的交通流量。

增量分配法的基本思想是将所有出行OD分为N份(等分或不等分)，每次分配一份，即基于道路阻抗的变化按照最短路径(某次OD流量分配时阻抗最小的路径)对流量进行N次全有全无分配，增量分配法的实现过程如下：

3.1)进行初始化设置：

设置各条路段的初始流量q_a＝0，式中a∈A，A为城市交通网络中的路段集合；

将起点r和终点s之间所需分配的总流量f_rs分为N份(N可取值为4)，每一次需要分配的流量记为其中n＝1,2,…,N；；f_rs通过统计所有出行OD中，从r到s的用户数量得到；

初始化n＝1；

3.2)更新路段路阻函数：式中，t_a为路段a的当前阻抗，t_a0为路段a的流量为0时的路段阻抗(此处即取为路段旅行时间)，c_a和q_a分别为路段a的交通容量和当前流量，α和β是阻滞系数，根据经验取值(根据美国公路局给出的推荐值，α＝0.15，β＝4)；

3.3)采用全有全无的分配方式进行流量分配，即将全部分配到r到s的阻抗最小的路径上，然后调整各条路段上的最新流量，即其中b为r到s的阻抗最小的路径上的路段，b∈A；

3.4)如果n＝N(N为分配次数)，则结束计算，否则n＝n+1，返回到第2步继续进行计算。

进一步地，所述步骤三中，由于手机数据计算的流量数据一般较大，因此根据相对精确的流量数据对手机数据进行缩样处理得到最终较精确的流量；首先，对于有卡口记录数据的路段，基于卡口记录数据获得这些路段的流量q′_c，其中c∈A，A为城市交通网络中的路段集合，c表示城市交通网络中有卡口记录数据的路段；然后，记使用增量分配法得到的路段c的分配流量为q_c，将q′_c与q_c进行线性拟合，得到它们的线性关系q′_c＝k·q_c+l，其中，k为缩小倍数，l为常数；最后，对q_a进行缩小k倍处理得到路段a的最终的分配流量q″_a，其中a∈A，a为城市交通网络中的任一路段。

进一步地，上述步骤四包括以下步骤：

4.1)追踪用户在交通流量分配下行驶过程，得到不同用户到达瓶颈路段的行驶路径，进而得到到达瓶颈路段的用户的出行起始交叉口；将出行起始交叉口对应到其所属的交通小区，该交通小区即为出行起始交通小区，记为R，R∈R_O，R_O表示出行起始交通小区集合；并分别计算从各个出行起始交通小区R出发的用户为瓶颈路段S提供的流量贡献率k_RS，流量贡献率k_RS即从出行起始交通小区R到达瓶颈路段S的流量占到达瓶颈路段S的总流量的百分比，并将k_RS从高到低进行排序，累计排名靠前的k_RS，直至累计比例达到80％，将这些比例对应的出行起始交通小区作为车源；

4.2)获取从每一个车源至瓶颈路段之间的多条路径；对于每一条路径，选取该路径的第一条路段作为其起始路段，计算从起始路段至瓶颈路段的流量；若某条路径的起始路段同时是其它路径的中间路段，则从该起始路段至瓶颈路段的流量＝该起始路段作为某条路径的起始路段至瓶颈路段的流量+该起始路段作为其它路径的中间路段至瓶颈路段的流量；对每一个车源统计从各个起始路段至瓶颈路段的流量，将各个起始路段至瓶颈路段的流量从高到低进行排序，累计排名靠前的流量，直至累计流量为从车源至瓶颈路段的总流量的80％，将这些流量对应的起始路段作为车源出行的主要起始路段；

4.3)选取主要起始路段至瓶颈路段的最短路径为主要路径；

4.4)选取主要路径中有信号灯进行控制的交叉口，作为信号控制口。

进一步地，上述步骤五中，选取高峰时段进行分析，以每t₁分钟为一个控制周期，采用遗传算法对各个信号控制口在每控制周期内进行控制或者不控制的选择，得到最优管控方案；若选择控制，则将每辆车在此控制周期内经过该信号控制口的时间在原行驶时间下平均延误时间T，若选择不控制，则当车辆在此控制周期内经过该信号控制口时仍以原行驶时间来通过。其中延误时间T通过调整信号控制口的信号灯红绿灯时间和信号相位等实现；假设有信号控制口B，如果未管控情况下车辆到达信号控制口B时为绿灯，则该车无需等待直接驶过信号控制口B，但是通过对信号控制口B的信号灯红绿灯时间和信号相位等的调整，可以使该车辆到达信号控制口B时信号灯为红灯，此时车辆需等候一段时间到绿灯才能通行，因此在整个过程中车辆的停车减速、红灯等候与启动加速时间比原来正常行驶所多花费的时间即为延误时间；如果未管控情况下车辆到达信号控制口B时为红灯，同样可以通过调整信号灯红绿灯时间和信号相位等措施使车辆经过信号控制口B时在原基础上多花费一些时间，即延误时间；所有车的延误时间取平均即为平均延误时间T。

进一步地，上述步骤五中，采用遗传算法对各个信号控制口在每控制周期内进行控制或者不控制的选择，得到最优管控方案包括以下步骤：

5.1)初始化；

根据各主要路径上，车辆在某信号控制口的行驶方向数，确定该信号控制口的控制点数；根据各个信号控制口的控制点数，确定总控制点数，记为N_c；

以每t₁分钟为一个控制周期，将早高峰时段划分为x个控制周期(若早高峰时段为6:30～8:30，以每15分钟为一个控制周期，则早高峰时段内的控制周期数为9)，依此确定每个个体(每条染色体)的基因数为x×N_c个；每个个体的基因采用二进制，以0-1的形式进行编码，0表示不控制，1表示控制，每个个体对应一种管控方案；设定种群中个体的数量为N_p，算法遗传代数为N_g，并令n_g＝1，式中n_g为当前所遗传的代数；对N_p个个体的基因进行随机编码，产生初始种群；

5.2)利用适应度函数依次计算N_p个个体的适应度；

5.3)进行种群挑选；

将N_p个个体的适应度进行归一化处理，得到每个个体被选中的概率式中F_i为第F_i个个体的适应度，为N_p个个体的适应度之和；根据不同个体被选中的概率连续对初始种群中的个体重复进行N_p轮挑选，得到N_p个新的个体；

5.4)交叉操作；

将步骤5.3)得到的N_p个个体进行随机两两配对，设置交叉概率为p_c；若某组个体需要进行交叉，则在该组个体的基因编码中随机产生一个交叉点，将该组个体交叉点之后的基因编码相互交换；若某组个体不需要进行交叉，则保留该组个体中原来两个个体的基因编码方式；

5.5)变异操作；

设置变异概率为p_m，对步骤5.4)操作后的N_p个个体依次进行选择，同时对每个个体的所有基因编码依次进行遍历，若需要变异，则改变该基因的编码方式，例如若某基因原编码为0，变异操作后则变为1，若原编码为1变异操作后则变为0；由此得到了经遗传过后的N_p个新的个体，根据适应度函数计算这N_p个个体的适应度，记录其适应度最高的值和对应的个体的基因编码，并令n_g＝n_g+1；

5.6)确定遗传代数

若当前遗传代数n_g＝N_g，则该算法终止，将这N_g代中适应度最高的个体作为最优个体，其基因编码作为最优管控方案，否则返回到步骤5.3)循环进行操作；

上述步骤中适应度函数为：

式中：F_f反映某一管控方案下，早高峰时段不同时间窗下瓶颈路段的交通量变化情况；f_i为在某种管控方案下，第i个时间窗下到达瓶颈路段的车流量管控值(通过未受管控的情况下，车辆的行驶情况可以知道每辆车到达不同信号控制口的时间，对所有车辆到达瓶颈路段的时间进行统计可以得到不同时间窗到达瓶颈路段的实际交通流量值；在此基础上通过上述管控，如果车辆在某信号控制口需要进行管控，则该车辆经过该信号控制口的时间增加T，这样可以得到进行管控后的所有车辆到达瓶颈路段的新的时间，然后对其进行统计，即可得到各个时间窗下到达瓶颈路段的车流量管控值)；每个时间窗的时间长度为t₂；f_b为一个常数，表示车流量目标值(f_b是通过对未受管控下的情况不同时间窗到达瓶颈路段的实际交通流量值分析而设定的一个控制目标值)，f_i-f_b和f_b-f_i表示车流量管控值与车流量目标值的偏差，适应度函数值越大效果越好，扩大10000倍是为了避免F_f的值太小，λ为惩罚系数。

进一步地，所述t₁设置为15，t₂设置为2。

有益效果：

随着科技进步和发展，信息技术不断提高，多种实时的交通数据出现为改善交通限行策略提供了数据基础，通过对交通数据处理可以完成出行者出行路径的提取，再基于路径分析求解动态限行管控方案。

本发明提供了一种基于路径分析的动态限行方法，首先利用手机数据来估计道路上的车流，然后基于遗传算法选择主要路径上需要进行管控的信号灯交叉口，最后仿真模拟到达瓶颈路段的车流量，以到达瓶颈路段的车流量为优化目标，实现进行信号灯管控的优化效果。

本方法采用遗传算法来对信号灯进行选择控制，可以快速达到理想效果，同时也大大降低了管控成本。

本方法也可以实现利用动态的数据对道路交通信号灯进行动态的管控，是缓解道路拥堵尤其是城市早晚高峰瓶颈路段避免交通瘫痪的一种有效管控方法。有利于提高城市居民出行效率，节省出行时间与成本，改善交通安全，同时也有利于城市整体的交通规划和建设，降低交通管控成本，提高城市居民的生活质量与舒适度。

附图说明

图1为本方法所述基于路径分析的动态限行方法流程图；

图2为从车源到达瓶颈路段的信号控制口示意图；

图3为通过遗传算法得到的最优管控方案下到达瓶颈路段(梅林关)的优化车流量与真实情况下的车流量情况进行了对比图；

图4为遗传算法适应度值的变化图；

图5为高峰期下最终优化结果的各信号灯受控幅度图。

具体实施方式

本发明提出了一种基于路径分析的动态限行方法，并对深圳市梅林关早高峰期的真实交通情况进行了模拟应用。利用手机通讯数据，采用增量分配法估计道路上的车流量并进行缩样处理，对用户的行驶过程进行追踪，得到了用户到达瓶颈路段的主要路径，并对信号控制口进行选择，得到了23个信号灯可控点【如果从车源到达瓶颈路段的主要路径中，某条主要路径在某个信号控制口有左拐，并且有其他主要路径在该信号控制口直行，则该信号控制口算两个可控点】，如图2所示。采用遗传算法搜索这23个信号灯可控点的控制组合方式，通过目标函数得到了优化的解，即对这23的信号灯可控点在早高峰的控制方式。

所述信号灯控制方式为在当前信号控制下，当车辆到达需要进行控制的可控点时，将每辆车在当前行驶时间下平均延误120秒，可以通过对相邻两个控制口进行相位差的调整(即通过红波带的形式)来实现。

所述遗传算法是用以求解区域信号灯联动控制最优组合的启发式算法，该算法采用二进制，以0和1的形式进行基因编码。早高峰时段为6:30～8:30，以每15分钟为一个控制周期(即在15分钟内都采用相同的控制方式)，共9个控制周期，同时控制口N_c为23个，因此一个个体的总基因数为9×23＝207个(即为一条染色体)。其具体的求算步骤为：

步骤1、获得初始解

确定适应度函数为：

种群中的个体数量N_p定为800个，算法遗传代数N_g定为1000代，对这207个基因随机编码产生800组初始解，作为初始种群；根据适应度函数计算这800的个体的适应度，记录其适应度最高的值(即Max:F_f)和此时个体的编码方式，并令n_g＝1。

步骤2、进行个体挑选

f_b定为550(参考真实情况下早高峰到达梅林关的流量变化情况)，利用适应度函数依次计算800个个体的适应度，然后将其进行归一化得到每个个体被选中的概率然后根据不同个体被选中的概率对初始种群中的个体重复进行800轮挑选，选出800个新的个体。

步骤3、进行不同个体的交叉操作

将800个新产生的个体进行随机两两配对，设置交叉概率为p_c＝0.7，若被选中需要进行交叉，则在该组个体的基因编码中随机产生一个交叉点，进行交叉操作。若不需要进行交叉，则保留原来两个个体的基因编码方式。

步骤4、进行染色体的变异操作

设置基因变异概率为p_m＝0.002，对进行步骤3操作后产生的800个个体依次进行选择，同时对每个个体的所有基因编码依次进行遍历，若需要变异，则改变该基因的编码方式，若不需要，则保持原编码方式不变。由此得到了经遗传过后的800个新的个体，并根据适应度函数计算这800的个体的适应度，记录其适应度最高的值和对应个体的基因编码，令n_g＝n_g+1。

步骤5、算法终止条件的确定

若当前遗传代数n_g＝1000，则该算法终止，将这1000代中适应度最高的个体作为最优个体，其基因编码作为最优管控方案，否则返回到步骤2循环进行操作。

所述遗传算法最终结果的控制效果通过早高峰不同时间窗内到达瓶颈路段(梅林关)的车流量与真实情况下的车流量情况进行了对比，如图3所示，实现了削峰填谷的效果，反映了利用该遗传算法对信号控制交叉口进行选择控制是可行的。所述遗传算法在不同代数下的适应度变化情况如图4所示，其是逐渐达到收敛的，说明其效果在不断优化。上述结果中每个交叉口具体的受控幅度如图5所示，其中点越大表示该交叉口的受控次数越多。