基于速度特性的城市快速路常发性交通拥堵研究

基于城市快速路浮动车技术,获取北京市快速路瓶颈路段全天交通流运行速度时间序列数据,对快速路常发性交通拥堵形成及消散进行精细化定量分析。首先应用小波分析技术对数据进行降噪处理,依据速度变化特性将快速路瓶颈处交通流运行状态划分为稳定运行态、拥堵形成态、拥堵态及拥堵消散态4种状态,并分析不同状态下的速度表现特征。研究表明,应用速度变化量可以判别交通流所处状态,而后利用统计学方法给出不同状态之间变化的判断阈值,并归纳出快速路常发性交通拥堵形成时刻、消散时刻及持续时间的判别方法。该方法对拥堵特性判别精度可达80%以上,对交通拥堵预测及交通管理具有明显实际应用价值。     

集成ETC系统的城市快速路常发性交通拥堵管理策略

分析城市快速路常发性交通拥堵特点,基于ETC(电子不停车收费)系统功能和匝道控制原理,提出了快速路ETC匝道控制和匝道出入口OD流量分析模型。通过判断分析关键匝道出入口及其常发性拥堵的不同原因,提出相应的拥堵管理策略,为快速路的常发拥堵管理及匝道控制提供参考。     

浮动车数据路网时空分布特征研究

以出租车作为浮动车数据采集源,针对浮动车数据路网分布的不均衡性,提出覆盖强度和覆盖率2个指标,通过大量样本分析浮动车数据路网分布的时变特征,以及在不同区域、不同通道上的分布特征.结果表明:浮动车数据的路网覆盖强度和覆盖率在一天中具有持久而稳定的高峰时段,在一周的工作日内能够保持稳定;高等级道路在各个时段总是具有更高的覆盖强度和覆盖率,根据浮动车数据计算的路段行程车速与人工实测数据吻合较好;在非高峰时段、非中心区域,以及低等级道路上,浮动车数据的覆盖强度和覆盖率相对不足.     

基于FCD的桥下积水导致城市交通拥堵点段识别方法研究

城市暴雨天气不仅导致了城市大范围的交通拥堵甚至全路网交通瘫痪,同时还造成了严重的经济损失和人员伤亡.文中通过对比分析降雨导致桥下积水日和正常日天气状况下的快速路浮动车交通流特性,综合考虑积水导致交通拥堵的空间影响范围、积水路段的速度变化和时空分布情况,提出了基于样本量比率和交通流速度变化、速度差三者共同作为积水交通拥堵点段识别指标的方法.该方法可排除GPS受随机因素的干扰,减少积水时段内常发性交通拥堵的影响.并将基于ArcGIS程序应用识别算法与实际情况对比,分析结果表明该算法具有一定的准确性和实用性.     

高速公路常发性交通拥挤路段实时判定与跟踪研究

提出的自动判定和实时跟踪高速公路常发性拥挤路段的方法包含3个算法:①路段平均车速算法;②交通流区段类型判定算法;③排队类型判定算法.考虑采用两个前后相邻车辆检测站之间的路段平均车速来实时判定和跟踪常发性交通拥挤路段的情况,使得模型所提供的信息更能反映路段的真实交通状况.采用路段平均车速的方法克服了目前采用点速度来跟踪车队方法的局限性,并且采用"客观"标定临界车速作为基于现场数据判定车队状态的一种方法.     

高速公路常发性交通拥挤路段实时判定与跟踪研究

提出的自动判定和实时跟踪高速公路常发性拥挤路段的方法包含3个算法：①路段平均车速算法；②交通流区段类型判定算法；③排队类型判定算法。考虑采用两个前后相邻车辆检测站之间的路段平均车速来实时判定和跟踪常发性交通拥挤路段的情况，使得模型所提供的信息更能反映路段的真实交通状况。采用路段平均车速的方法克服了目前采用点速度来跟踪车队方法的局限性，并且采用“客观”标定临界车速作为基于现场数据判定车队状态的一种方法。     

面向常发拥堵点的主动交通诱导方法

基于动态用户均衡、系统最优分配的诱导方法,侧重路网需求的宏观预测和调节,难以准确辨识道路拥堵点的关联车流,制约了诱导效果。为精准调控致堵车流,有效缓解常发性拥堵,研究基于需求溯源的主动交通诱导方法。遵循靶向诱导的思路,分析车辆行驶轨迹和常发拥堵点的交通流关联性,运用卡尔曼滤波对关联车流进行短时预测,在此基础上,结合流量占比、路径饱和度等指标,对诱导目标车流进行优选。同时,从负荷均衡的角度出发,基于路段与路径交通流的时空关联更新路网交通状态,建立以饱和度均衡为目标的主动诱导优化模型。仿真结果表明：相比反应型诱导与基于路径偏好的主动型诱导,所提方法使常发拥堵点的车均延误、停车次数等下降30%~60%,路网车均延误、停车次数等下降10%~15%,模型收敛速度提高,交通效益提升,验证了该方法的有效性。

     

城市快速路常发性交通拥挤分析

基于城市快速路交通流实测数据,分析了常发性交通拥挤的特征.划分了6种交通流状态,对其进行了定性和定量分析,进而提出了"状态跳转"的概念和判别方法,揭示了拥挤形成过程;根据交通拥挤的形成原因将其分为主动和被动式.介绍了用时空速度变化图寻找拥挤源头以及选择交通控制措施的方法.     

城市主干路常发性拥挤扩散规律的模拟研究

通过Vissim模拟方法，对常发性拥挤的扩散规律进行研究。得出拥挤扩散时的波动性、延滞性、传递性等特点，对相邻检测站间的排队车辆数和排队长度拥挤指标进行量化。采用变换后的累计流量曲线（Ⅳ曲线）对拥挤持续时间进行预测，并与真实值进行比较分析，验证了该预测方法的有效性。     

面向常发性拥堵的城市局部路网韧性评价与分析

为了缓解常发性拥堵引发的城市噪音、能源消耗和废气排放等现状,使路网具备抵抗短时激增车流的能力,将宏观基本图与性能时序图相结合对局部路网韧性进行量化。针对韧性属性,提出了鲁棒性指数、损失面积比、恢复快速性、流量峰值差和临界密度差5个评价指标,反映路网在性能下降、稳定和恢复阶段的韧性特性。引入Kendall法检验各赋权法的一致性,并基于CRITIC的多属性决策获得最优权重,提出了组合赋权和模糊逻辑相结合的城市局部路网韧性综合评价方法,结合李克特量表法对综合韧性得分进行分级。以长沙市局部路网为例,设计韧性改善方案,针对常发性拥堵路段上的交叉口进行信号配时优化;通过VISSIM仿真并计算得到各方案的韧性指标。研究结果显示：方案8,10和16能有效吸收短时激增车流并与路网状态相适应,所有方案中方案14的韧性得分最高。局部路网综合韧性得分具有随着优化路段数的增加而增长的趋势,但并不是线性递增。信号配时优化改变了路网韧性属性,并降低了部分路段对城市局部路网韧性的负面影响。不同评价方法下的韧性得分排名存在部分差异,流量峰值差与脆弱性指数的评价排名更接近,损失面积比与韧性损失值的评价排名更接近。所提出的指标不局限于单一韧性属性,能更全面、客观地反映干扰下路网的响应过程。     

城市快速路交通拥堵判定方法研究

为弥补单点检测器判定交通拥堵方法研究的不足,在对实测数据分析的基础上,利用临界占有率将交通流状态划分为拥堵状态与非拥堵状态,提出了以速度-占有率比、速度差双指标判定交通拥堵状态发生、结束时刻的方法。并以北京城市快速路实测数据为例,对各判定指标阈值进行标定,判定结果表明:基于单点检测器设计的拥堵判定方法能够有效判定检测器断面拥堵发生时间、持续时间、结束时间。     

基于浮动车车速数据的交通状态实时判别系统和方法

提出一种交通状态判别方法,使之符合交通状态变化连续性。基于浮动车数据特性分析,考虑交通阻抗及临界跳变现象的影响,通过预判别及二次修正,优化了交通状态判别结果。该方法能有效滤除交通状态参数在阈值附近频繁变化产生的交通状态非正常跳变,同时可以修正异常数据导致的交通状态阶跃,从而优化了交通状态判别结果。构建并实现了基于该方法的实证系统,通过多种指标的验证,表明该方法提高了交通状态发布的准确度。     

面向常发拥堵点的交通信号协调控制方法

针对高峰期间常发拥堵点交通需求过大、周边关联交叉口交通负荷分布不均的问题, 研究了面向常发拥堵点的交通信号协调控制方法。通过对常发拥堵点的车流进行追踪与溯源, 根据交通量关联度确定信号协调控制范围, 然后基于路径的流量分担率与路段平均饱和度识别信号协调控制范围内的关键路径。基于宏观基本图理论, 考虑关键路径对路网运行状态的影响, 构建边界交叉口主动限流控制模型。同时, 利用元胞传输模型描述交叉口与路段的运行状态, 以关键路径通行能力最大化和进口道饱和度均衡化为信号控制优化目标, 建立均衡路网交通负荷的信号控制优化模型。以武汉市发展大道青年路交叉口以及关联交叉口为对象开展仿真实验, 结果表明: 虽然本文方法下的边界交叉口车均延误增加了6.8 s, 但常发拥堵点的车均延误降低了15.7 s; 关键路径的车均延误减少72.6 s, 平均排队长度减少26.1 m。并且, 路网整体的车均延误降低14.7%, 驶出车辆数增加26.6%, 验证了提出方法缓解常发拥堵点交通拥堵的有效性。     

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留.为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法:首先,构建模糊时空聚类算法识别个体运动.静止状态,算法同步...     

基于卡尔曼滤波的城市快速路交通密度估计与拥堵识别

针对城市快速路网中只有部分路段检测器可用的情况,为准确地估计交通密度并基于此快速识别路网所有路段的交通拥堵情况,研究了基于宏观交通流模型的卡尔曼滤波器设计方法.结合动态图混杂自动机(DGHA)与元胞传输模型(CTM)对快速路网建模,在此基础上推导出分段仿射线性系统(PWALS)模型.基于所得到的模型设计出切换型卡尔曼滤波器进行交通密度估计,并通过将路段密度估计值与临界拥堵密度进行对比来对快速路网的拥堵进行识别.以京通快速路为例进行实验,结果表明,真实值与估计值的平均绝对误差为MAE=0.625 988,显示了所提方法的有效性.