交通流时间序列

交通流时间序列（精选9篇）

交通流时间序列 篇1

交通流预测是智能交通系统研究的重点与难点,也是进行交通管理、交通控制和交通诱导的先决条件[1,2]。目前常用的预测方法存在许多缺点与不足[3,4,5,6,7,8,9,10]。

本文提出根据天气好、坏,工作日、非工作日作为特性向量,选取典型相似性度量系数,设计一种时间序列聚类算法对历史数据库中具有相似交通流变化趋势的历史数据进行聚类,满足实现交通流时间序列有效分离的要求,并根据聚类得到的交通流时间序列特征曲线预测未来交通流量。

1 不同特性向量下交通流特征

选取上海南北高架快速路路段NBXX05(4车道)2006年12月份(可利用数据29 d)07:00～23:00数据,对不同特性向量下的交通流特征进行研究。选取典型晴天、雨天,工作日、非工作日小时交通流量做曲线图,如图1所示。由图可见,工作日早高峰开始较早,曲线波动幅度不大,而非工作日交通流早高峰较晚开始,曲线波动幅度较大,工作日与非工作日交通流曲线分别具有相似的时变特征;另外,晴天与雨天具有明显不同的交通特征,晴天交通流曲线一般位于雨天曲线之上,反应了天气对道路通行能力的影响。

因此,时间序列聚类分析前有必要根据天气好、坏,工作日、非工作日对交通流量时间序列进行初始分类,分析不同特性向量下的交通流特征。

2 时间序列聚类预测方法与模型

2.1 聚类相似性度量系数

1) 线性相关系数[11] 。

相关系数是表示2序列(x,y)之间线性关系密切程度的指标,其值在-1～+1间。如2者呈正相关,r呈正值,r=1时为完全正相关;如两者呈负相关则r呈负值,而r=-1时为完全负相关。

$corr{}_n(x,y)=\frac{{\displaystyle \sum _{i\in D{}_n(x,y)}(}x-\overline{x}{}_n)(y{}_i-\overline{y}{}_n)}{\sqrt{{\displaystyle \sum _{i\in D{}_n(x,y)}(}x-\overline{x}{}_n){}^2{\displaystyle \sum _{i\in D{}_n(x,y)}(}y{}_i-\overline{y}{}_n){}^2}}(1)$

式中:x=(xn)n≤N为交通流时间序列统计值;N为按时间尺度统计值数目;η为序列缺失部分;$\overline{x}{}_n$与$\overline{y}{}_n$分别为x、y序列前n个统计值的均值;Dn(x)={i≤n:xi≠η} 为前n个统计值的定义域;Dn(x,y)=Dn(x)∩Dn(y)为x、y序列定义域的交集。

2) 平均相对相似系数[12]。

2序列在单个时段统计值如存在较大偏差会导致序列相似性降低,因此需恰当定义数据统计时间尺度。

$\rho {}_n^t(x,y)=\frac{1}{D{}_n^t(x,y)}{\displaystyle \sum _{i\in D{}_n^t(x,y)}\frac{\min \{x{}_i,y{}_i\}}{\max \{x{}_i,y{}_i\}}}(2)$

式中:D${}_n^t$(x)为时间尺度为t的x时间序列定义域;min{xi,yi}与max{xi,yi}分别为x、y序列相同时段最小与最大统计值。

3) 定义域相对重叠系数[13]。

考虑序列定义域重叠部分作为判断的定量指标,只有当2序列之间存在足够多相似统计值时才可认定相似性。

$\sigma {}_n(x,y)=\frac{|D{}_n(x,y)|}{|D{}_n(x){\displaystyle \cup D}{}_n(y)|}(3)$

4) 相似性度量综合系数。综合以上3系数确定相似性度量综合系数如下:

$\begin{array}{l}\tilde{\Delta }{}_n(x,y)=1-(\alpha \cdot corr{}_n(x,y)+(1-\alpha )\cdot \\ \rho {}_n(x,y))(\gamma \cdot \sigma {}_n(x,y)+(1-\gamma )\cdot 1)(4)\end{array}$

式中:$\widetilde{\text{Δ}}{}_n(x,y)\in [0,1]$;系数α∈[0,1];系数γ∈[0,1]。默认值$\alpha =\gamma =\frac{1}{2}$。

当3系数中有任何一个值小于阈值或2序列负相关时,相似性度量综合系数自动设定为1,不进行聚类。判别式如下:

$\Delta {}_n(x,y)=\{\begin{array}{l}\widetilde{△}{}_n(x,y)\text{i}\text{f}corr{}_n(x,y)\ge \mu {}_{\text{c}}\\ \mu {}_c,\rho {}_n(x,y)\ge \mu {}_{\rho }\\ \mu {}_{\rho },\sigma {}_n(x,y)\ge \mu {}_{\sigma }\\ 1otherwise\end{array}(5)$

式中:μ∈(0,1) 。

2.2 聚类特征值

根据相似性度量综合系数设定分类标准,将具有一定相似性的序列归为一类,计算每一类序列聚类特征值作为聚类中心。

$x{}_n^C=\frac{{\displaystyle {\sum }_{x\in C:x{}_n\ne \eta }\lambda }{}^{m{}_n(C)-m(x)}x{}_n}{{\displaystyle {\sum }_{x\in C:x{}_n\ne \eta }\lambda }{}^{m{}_n(C)-m(x)}}\forall n\le {\rm N}(6)$

式中: mn(C)=max{m(x):x∈C,xn≠η}为最新时间序列统计编号;λ∈[0,1]为新统计值对过去统计值的权重,默认值 。

聚类特征值数目较多固然可以提高后续预测精度,但由于运算量巨大难以保证预测信息实时发布;反之,刻意保证信息发布的实时性而过度简化聚类数目减少运算量,亦得不到精确的预测结果。因此,聚类数目应平衡精确性与实时性,结合不同交通流特征选定。

2.3 预测

对于不完整待预测时间序列,将其与同时段各聚类特征值比较,选取相似性度量综合系数最小的聚类特征值作为预测依据,预测公式如下:

$p{}_n=x{}_n^C+(1-\theta )\delta +\theta \delta \theta {}^{-\beta (n-n{}_0)}(7)$

式中:n1=maxDn0(z,xC) ,δ=zn1-x${}_{n{}_1}^C$为最新统计值与特征序列中对应时段统计值之差;n0为n1上一时段对应的统计编号;默认值$\theta =\frac{1}{2}‚\beta =0.1$。

3 时间序列聚类预测实例分析

3.1 时间序列聚类

根据特性向量天气好、坏,工作日、非工作日,将27 d交通流时间序列(共29 d数据,另2 d做预测)分为初始的4类后,运用Matlab软件编程实现相似性度量综合系数计算,判断不同时间尺度下序列相似性。以晴天、工作日交通流时间序列(共12 d)为例进行说明:

由图2可见,随时间尺度的缩短,序列随机性越来越强,数据分布较离散,落差波动大,相似性度量综合系数增大,相似性逐渐减弱。为平衡精确性与实时性,将时间尺度分别为1 h与30 min的晴天/工作日序列分别聚类成4个特征类,各特征类中原序列统计日期编号明显不同,反应了不同时间尺度下序列在数据与变化趋势上的差异;而时间尺度为10 min的序列相似性较弱,无法聚类成具有典型变化趋势的特征类。

3.2 聚类特征值对比

对比时间尺度分别为1 h与30 min的晴天、工作日交通流时间序列聚类特征曲线。

由图3可见,各聚类特征值具有典型变化趋势,其中特征曲线3与4变化幅度较大,为两不同时间尺度序列聚类特征值共有,30 min聚类特征值明显比1 h特征值具有更强变化趋势。新聚类算法通过多系数相似性度量建立典型聚类特征库,准确把握特征曲线变化趋势,为后续交通流预测作好准备。

根据以上研究,分别将时间尺度为1 h与30 min的工作日、好天气,工作日、坏天气,非工作日、好天气以及非工作日、坏天气时间序列聚类为4类、2类、2类、2类。

3.3 预测

选取2006年12月29日星期五(工作日/晴)与12月30日星期六(非工作日/晴)07:00～12:00数据,分别选用未按特性向量分类的时间序列聚类算法、按特性向量分类的时间序列聚类算法与指数平滑法,按1 h与30 min时间尺度预测剩余时段流量。预测误差评价指标为:

$\begin{array}{l}1)\text{平}\text{均}\text{绝}\text{对}\text{相}\text{对}\text{误}\text{差}{\rm M}ARE=\\ \frac{1}{{\rm N}}|\frac{y{}_{\text{p}\text{r}\text{e}\text{d}}(t)-y{}_{\text{r}\text{e}\text{a}\text{l}}(t)}{y{}_{\text{r}\text{e}\text{a}\text{l}}(t)}|\end{array}$

$\begin{array}{l}2)\text{最}\text{大}\text{绝}\text{对}\text{相}\text{对}\text{误}\text{差}{\rm M}AXARE=\\ \max {\displaystyle \sum |}\frac{y{}_{\text{p}\text{r}\text{e}\text{d}}(t)-y{}_{\text{r}\text{e}\text{a}\text{l}}(t)}{y{}_{\text{r}\text{e}\text{a}\text{l}}(t)}|\end{array}$

式中:yral(t)为实际观测值,ypred(t)为预测值。

以时间尺度为1 h时非工作日时间序列为例,对比3种预测方法预测值如图4,预测误差如图5。各误差评价指标分别列于表1、表2。

对比预测结果及误差评价指标可知:指数平滑预测效果不错,大部分误差在10%以内,但预测值和实际值之间有较明显的时间延迟;未按特性向量分类的时间序列聚类预测误差波动较大,这是由于该方法未能将原时间序列有效分离,聚类特征值不具有代表性,因而不能准确反应交通流时变特性;按特性向量分类的时间序列聚类预测精度最高,误差大部分都在5%以内,只有少数几个特殊点误差超过10%。

另外,当交通流出现某些特殊点时,指数平滑法与未按特性向量分类的时间序列聚类算法均不能快速消除误差,而按特性向量分类的时间序列聚类算法充分利用历史数据聚类特征值,选取最相似特征曲线将预测误差降到最低。

最后,时间尺度为30 min的交通流时间序列预测误差波动明显大于1 h序列,这是由于数据离散性增加,序列相似性减弱。对于更小尺度的交通流时间序列,按特性向量分类的时间序列聚类预测方法不再适用,此时应选用对新的交通流规律捕捉快,对异常数据的抗干扰能力更强的交通流短时预测模型。

4 结束语

长期观测的交通流时间序列具有较强相似性,充分利用这些性质进行交通预测可以更好的服务于交通管理、交通控制与交通诱导。

本文针对快速路路段日交通流曲线的相似特性,提出根据天气好、坏,工作日、非工作日作为特性向量,并设计一种时间序列聚类算法,对不同时间尺度下快速路交通流进行预测。结果显示:此聚类算法与预测模型充分利用了历史数据,时间尺度为30 min时预测精度较高。该算法建立在历史数据充足的基础上,不适用于相似性不强、时间尺度更小的交通流时间序列预测,对于突发事件不能提前预测。将该算法与其他短时预测模型组合应用于城市道路系统中,是下一步研究和实践的方向。

交通流时间序列 篇2

交通银行笔试复习时间建议

1.首先，最最重要的是，立刻去交行的平台确认笔试

2.接下来的两周：先查看近两年的笔试经验，大致了解笔试范围。总结来说交

行的笔试考察范围还是很广泛的，主要以英语、时政、常识、行政能力测试为主，还包括金融、计算机等专业题，还好不是很多。另外交行本身的一些信息也是考察点。再看看我们天梯精心整理的历年笔试真题。

3.根据自己的时间和掌握知识开始专项复习，比较理想的状态是：5天左右行

政能力测试突击、5天英语词汇、阅读、改错专项练习几套模拟题、2天综合知识掌握：交行相关资料、时政、常识等等。最后再花2天复习之前的所有东西，加深印象。

4.在两周内还会再有一次公告，确定考场安排和打印准考证，请密切关注官网

公告。另外要根据公告提前准备好各种证件。以我们天梯多年培训经验发现，总有同学在考试前一天才发现自己的身份证、学生证等相关证件丢失或者不在身边，影响考试准备

5.考试前一天再次清点好所有考场必备的材料，查好路线，放松心态，充足睡

眠，迎接考试

交通流时间序列 篇3

从总体上看, 在轨道交通规划过程中考虑轨道交通与其他交通方式衔接问题时, 主要是对两者换乘系统在总体布局上进行分析, 且大多关注换乘枢纽与线网规划的设计问题, 在运营过程中没有充分考虑轨道交通与慢行交通的协调。在此主要考虑在靠近城市中心区, 以“步行+公交”模式换乘;对于外围区, 则以“自行车+公交”模式换乘。分析乘客通过轨道交通的换乘时间问题, 对换乘设施优化调整, 进行列车时刻表的协调, 减少换乘时间。

1 进站乘客换乘时间分析

乘客换乘目的轨道站点, 换乘时间上存在一定的延误。这里基于合理的慢行交通系统布局基础上, 换乘设施和换乘服务水平对换乘延误时间产生较大影响。换乘设施主要包括轨道站内售票窗口和进出站检票口排队类设施、换乘通道、换乘楼梯和自动扶梯集散设施。服务水平主要包括换乘线路列车时刻的设计, 如列车间隔、列车间隔时间、到发时间的匹配协调, 以及发布相关信息等产生出行者的等待时间。缩短乘客的换乘延误时间, 可以减少乘客换乘时间, 使乘客换乘时间最短的目标得到实现。

乘客换乘时间主要包括四部分, 即t=t1+t2+t3+t4, 其中, t1为乘客步行/自行车到达轨道站点/自行车停靠点所用的时间;t2为购票检票时间;t3为乘客在集散设施的步行时间;t4为乘客在轨道站点的候车时间。

慢行交通系统布局设计关系到乘客到达慢行交通换乘点所用时间t1。这里是基于慢行交通设施布局合理的情况下, 轨道站点对步行乘客的辐射范围一般为500 m~800 m, 以正常步行速度1.2 m/s, 乘客到达轨道站点的时间为0 min~7 min或0 min~11 min;而轨道站点对自行车乘客的辐射范围一般是1 000 m~2 000 m, 以普遍的自行车速度2.8 m/s, 自行车乘客到达轨道站停靠点的时间为0 min~6 min或0 min~12 min, 轨道站点对步行/自行车乘客的辐射半径内, 可把乘客到达站点的换乘时间视为固定值。

排队类设施服务台的数量及其服务能力影响乘客购票检票时间t2, 在车站内乘客在设施服务台前排队容易发生拥挤, 因此车站的集散能力、乘客的排队时间与排队类设施服务台的数量有关, 合理配置服务台的数量对提高公共交通的服务水平具有重要的作用。

乘客在集散设施的平均步行时间t3主要与换乘通道的长度有关, 在同一换乘通道的情况下, 步行速度一般取1 m/s, 因此把步行时间t3视为固定值考虑。

下面对t4产生的三种情况分别进行分析:乘客到达时间与轨道列车时刻表的衔接会影响乘客的候车时间t4。1) 乘客到达轨道站台时, 列车还没有到站, 乘客需要等待一定时间, 这时候车时间t4小于列车的发车间隔;2) 乘客到达轨道站台时, 列车刚好离开站点, 这时乘客的候车时间最长, 乘客的等待时间为一个发车间隔;3) 乘客到达轨道站台时, 列车刚好到站, 这种情况下乘客候车等待时间为零。

由以上分析得知, 乘客购票检票时间和换乘候车时间对换乘轨道交通的时间产生主要影响。缩短乘客在设施前的排队时间以及换乘候车时间可以大大缩短乘客换乘时间。针对上述问题, 可以通过合理确定排队类设施服务台的数量, 在运营中进行列车时刻表的协调和优化, 缩短换乘等待时间, 使慢行交通与轨道交通的衔接效率得到提高。

2 售检票排队设施等待时间模型

排队设施服务台数量、设施所服务客流的平均到达率γ、每个服务台的平均服务效率μ等因素都会影响乘客的排队时间。乘客在设施服务台前排队可以视为一个排队论系统, 因此可以用排队论中相关方法来建立排队等待时间模型。

乘客其平均到达率为γ, 符合泊松分布, 并假设γ为已知值, 服务台的平均服务效率为μ, 可根据设施的通过能力得到。设服务台的总数为c。系统中乘客的平均排队长度L= (γ/c) 2/[μ· (μ-γ/c) ], 排队中的平均等待时间为:

3 乘客候车等待时间模型

在运营中, 对车辆调度时, 要考虑换乘时间中乘客等待时间, 尽可能地缩短乘客换乘等待时间。在平峰时, 等待候车的乘客全部能换乘成功, 而高峰时只有一部分乘客换乘成功, 另一部分乘客需要等待下一班列车。因此对平峰期间与高峰期间这两种情况分别进行探讨。这里设高峰期间发车间隔为T高, 平峰期间发车间隔为T平, 发车间隔为固定值。

3.1 平峰期间

交通平峰期间, 候车的乘客全部都能换乘成功, 无需等待下一班列车。平峰期间分别对城市中心区和外围区的轨道站点的候车时间进行分析。假设在城市中心区站点以及枢纽站, 客流量较多, 乘客在候车时形成排队, 而外围片区站点客流较少, 无需排队等候。

3.1.1 城市中心区站点乘客候车时间

假设城市中心区乘客的到达近似泊松分布, 各站到达率为λi, 列车各站点能够上车人数为Pi, 故服务率φ=Pi/T平, 列车门看成2个可服务的通道, 则每个服务通道的平均服务效率φ1=φ/2N, N为列车门的数量, 这时列车与到达客流构成了“单路排队多通道服务系统”。站点中乘客的平均排队长度为珔Li平= (λi/2N) 2/[φ1· (φ1-λ1/2N) ], 这时轨道站点i处乘客平峰期间平均候车时间为:

3.1.2 城市外围站点乘客候车时间

外围站点乘客的到达服从泊松分布, 平均到达率σi, 乘客平均时间间隔为1/σi, 这里并假设第一个候车乘客到达时, 与上一列车离站相隔Δt, 于是这位乘客的候车时间为 (T平-Δt) , 接下来一位乘客的候车时间为 (T平-Δt-1/σi) , 则第j名乘客的候车时间为[T平-Δt- (j-1) /σi], 乘客总候车时间为:

一个发车间隔T平内, 总共可以到达的人数为:

乘客平均候车时间为:

3.2 高峰期间

交通在高峰期间, 因为上下学、上下班的客流量较多, 导致慢行交通乘客到达轨道交通点后形成过长的排队。由于列车载客量的限制, 排队中乘客不能完全成功换乘, 有一部分乘客不得不等待下一班列车, 导致增加了延误时间。

对于站点i, 乘客到达率为γi, 发车时间间隔T高内, 排队的乘客数为γi·T高, 故服务率φ高=Pi/T高, 把列车门看成可服务的2个通道, 则每个服务通道的平均服务效率φ2=φ高/2N, 换乘成功的Pi名乘客平均等待时间为, 排队中有γi·T高-Pi人不得不等待下一辆列车。高峰期间乘客在轨道站i点处平均候车时间为:

4 换乘时间评价

换乘时间主要与步行距离、换乘客流量、检票口的通过能力以及售票窗口的服务水平、轨道运输能力等因素相关, 因此相对应地提出将换乘步行通道时间I、售检票设施排队时间T、候车等待时间W作为换乘时间的评价指标。将换乘时间用换乘损失U来衡量:

其中, α, β, δ分别为乘步行通道时间I、售检票设施排队时间T、候车等待时间W的权重。权系数的确定可采用专家法、特征向量法等。一般乘客等待时间不要超过10 min, 早晚高峰时一般不超过5 min[4]。对换乘时间的定量研究为研究换乘对出行需求的影响提供条件, 从而有助于改进各影响因素, 缩短乘客换乘时间, 进而提高换乘的无缝衔接性。

5 结语

换乘时间是反映慢行交通与轨道交通系统衔接效率的定量指标, 它可以对衔接换乘布局、运营模式进行评价。对慢行交通衔接城市轨道交通的换乘时间分析问题进行了研究, 在研究中运用排队论模型, 建立乘客换乘时间模型, 并提出评价方法。其研究成果是为确定换乘站设施规模与轨道列车发车间隔提供依据, 提高了公共交通服务水平和公共交通吸引力。

摘要：在分析城市轨道交通与慢行交通特点的基础上, 以缩短乘客换乘时间为目的, 研究了慢行交通衔接城市轨道交通的换乘时间分析问题。通过对换乘时间的详细分析, 将乘客换乘时间分为四个主要部分进行分析, 应用运筹学中的排队理论, 建立起慢行交通乘客换乘轨道交通的时间模型, 最后用换乘损失对换乘时间进行评价, 为确定换乘站设施规模与轨道列车发车间隔提供了依据。

关键词：交通工程,时间分析,排队论,慢行交通

参考文献

[1]胡鹏.基于接驳的慢行交通一体化研究[D].武汉:华中科技大学, 2008.

[2]黄文娟.轨道交通与常规公交换乘协调研究[D].西安:长安大学, 2004.

[3]谢立宏.城市轨道交通与快速公交换乘时间衔接分析[J].城市轨道交通研究, 2010 (6) :59-62.

[4]覃煜, 晏克非.轨道交通枢纽换乘效率DEA非均一评价模型[J].长安大学学报 (自然科学版) , 2002, 22 (4) :48-54.

[5]韩宝明, 李得伟.铁路客运专线换乘枢纽交通设计理论与方法[M].北京:北京交通大学出版社, 2010:75-76.

[6]毛宝华, 刘明君.轨道交通网络化运营组织理论与关键技术[M].北京:科学出版社, 2011:122-123.

[7]周雪梅, 杨晓光.基于ITS的公共交通换乘等待时间最短调度问题研究[J].中国公路学报, 2004 (2) :82-84.

[8]余红红, 柳波.慢行交通衔接常规公交的换乘时间分析[J].公路与汽运, 2012 (4) :50-52.

陕西西安交通大学开学时间 篇4

西安交通大学放假时间是在8月2日，暑假开学时间是在9月12日，暑假时长42天。

学生什么时候开学

20的开学时间，不同的省份，甚至不同的地区是不一样的。由于特殊情况的影响，有的学校不同年级也是错峰返校。

全国各地区学生放暑假时间不是统一规定的，具体暑假放假安排以学校为单位自行规定，基本上都是在七月中旬开始放暑假，八月末到九月初开学。

大学生暑假放假时间一般会因地域和学校的差异而有不同的放假安排和时间规定，具体放假时间请以各大学院校官网发布的校历时间为准！

大学新生开学的注意事项

第一：要在入学通知书规定的时间去学校报到。

有的学生想提前来学校报到提前适应，劝大家还是不要这样，因为学校会有统一的时间报到，如果你提前来了，不仅在车站没有学校接送，学校的宿舍也还没开门。也不要延后来，不然床位被安排完了，只能住混合宿舍了。

第二：记得带好入学通知书和身份证等相关证件。

如果入学通知书遗失，需要及时和老师报告，以免耽误入学。

第三：搭乘学校的接送车。

大学开学报到期间，在火车站、汽车站一般都会设有新生报到处，在那里可以免费搭乘学校的车去学校报到，还有学长学姐带路，这样比较安全。开学季骗子比较多，黑车也比较多，所以大家最好不要自己搭车。

大一新生需要准备什么东西

1、笔记本电脑——笔记本电脑比较轻便，不管是随身带还是收起来都很合适，相对来说在寝室的话买笔记本电脑比用台式电脑要方便。而且大多数专业都需要用到电脑的，有时候老师也会通过网上传达信息，如果没有笔记本电脑会比较不方便。如果家境不好的学生，可以去买二手的也可以去买学姐学长们的电脑。

2、学习用品——笔本子之类的东西都是需要自己准备的，大学里面都不发的。一般来说这些东西学校买得到，但是有些学校地理位置比较偏，可能买东西的地方比较远的话，就要提前准备了。去报到之前可以提前查询一下学校的地理位置和具体情况。

3、防晒霜——过来人经验，防晒霜是每一个大一新生都必须要买的，不管是防晒霜还是防晒喷雾，最好是买五十倍的，因为军训的时候是真的很容易被晒黑，特别是一些天气比较好的地区，有太阳的情况不仅容易晒黑还容易晒伤，南方地区的学生必须要买。男生的话最好是让自己妈妈带着去买，买好一些的。

4、风扇——真的，每个人准备一个小风扇是最好的。除非是学校寝室的空调随便用的那种就不需要，但是多数学校对空调的同意开放时间不一样，不同地区的学生对温度的承受能力不一样，有些觉得热有些觉得不热的时候开空调就容易有矛盾。不耐热的学生最好准备一个小风扇，特别南方开学的时候还是比较炎热的天气。

5、提前买两套一米二的床单被套——很多人可能觉得学校都会发，但是学校的床单被套盖起来比较粗糙，特别是对很多女生来说，盖起来真心不舒服。而且学校发的新的也是必须要洗的，所以自己带的干净的直接套上就可以了，干净还省事，最关键的是自己买的盖起来放心一些。不过被芯不用带，学校发的可以直接用。

6、充电应急灯——有些学校会规定什么时间停电，如果要学习的话自备一个应急灯挺好的。同时因为不同地区学生的睡眠时间不一样，自己准备一个充电的应急台灯，不影响打扰别人，也算是一种素质和礼貌的体现吧。

交通流时间序列 篇5

在现代社会中,交通问题已成为影响和制约国民经济发展的重大因素,而城市交叉口是城市道路网络的关节点,对其进行深入的研究是解决城市交通问题的关键所在。本文通过建立交通系统运行情况的数学模型,在一定的假设情况下,制定一些符合实际和遵循假设的规则,以模拟道路网络的车辆运行情况的方法,对其进行研究,也就是交通仿真模拟。交通仿真技术是利用现代系统工程和计算机仿真技术成果发展起来的新的交通研究方法,它对于描述多变的、复杂的随机性过程非常有效。通过运用这种仿真技术,在计算机的环境下得以实现,可以更有效地掌握道路交叉口的各种复杂情况,对交通灯的开启时间进行研究,设计出城市交通灯各灯的开启时间,使得车流量最大,这对于城市交通问题的解决,是有着积极推动作用的,即在有限的道路资源条件下,尽可能大的提高交通运输能力。

综上所述,本文所讨论的问题即为设计各路口各方向的交通灯的红、绿灯亮的时间,使得日平均车流量最大。

1 基本假设

针对以上提出的问题,作出如下的基本假设:设某城市的道路宽度B都相等,道路上双向行驶车辆,不考虑中途停车,且各方向的车流密度相同,道路网由无数条无限长且互相垂直的等宽(宽为B)的路组成,每个四条道路围成的街区呈正方形,边长为L,所有的车都直线行驶(不转弯、不超车),车长都为S,最大车速为v,行驶时安全车距(车头到前方车尾之距离)为D,停车时安全车距为d,车辆在停车线上从静止到穿过路口车头到达另一停车线(距离为B)所花时间为秒。

2 问题的简化及其推导

假设1各个路口各个交通灯的周期T0是一样的。

这里所说的周期T0是指交通灯一次红灯时间T1和一次绿灯时间T2之和,即T0=T1+T2,并且同时要求各个交通灯的T1与T2也是一样的。

假设2每条道路具有“状态对称性”。

由于是无限的道路网络,根据基本假设,每条道路的车流密度相同,而且这个网络具有几何对称性,再有周期T0相同,可以推出整个道路网络的路况参数(包括车辆数、车距、车流量等)是相同的,也就是说,不存在任何一条有特殊状态的道路,所以说它具有“状态对称性”,即假设是合理的。

结论1设T1为一次红灯时间,T2为一次绿灯时间,则T1=T2+2T,其中

证明:当某个路口的其中一个灯(不妨设为横向交通灯)由绿灯变为红灯时,仍然有一辆车正从停车线沿原方向开出,如果纵向的交通灯立即由红灯转为绿灯,则两个方向的车有可能在十字路口相撞,为了交通安全起见,必须使红灯有一个所谓的“滞后时间”,以确保横向开出的最后一辆车安全通过,而一次安全通过的时间为。同样,当纵向灯再由绿灯转为红灯时横向灯的红灯也应该有一个“滞后时间”,以保证纵向开出的最后一辆车安全通过,即得T1=T2+2T。

显然,,所以有T1>T2>0,即红灯时间不为零,也就是说,不可能出现某个方向总是绿灯行驶,这也比较符合实际的情况。

结论1保证了每个路口的横向和纵向交通车流的平衡性,即在横向行驶和纵向行驶中做到了一种公平性,以保证每个方向的车流都能通过路口。再由假设2,道路具有“状态对称性”,即横向道路和纵向道路是对称的,所以可以将问题从考察整个道路网络转化为考察一条道路的情形。

结论2每个“B+L路段”的车流量相同。

证明:我们知道,车流量指的是单位时间内通过道路某一个截面车辆的数目。所以车流量是一个关于车辆流状态和周期T0的函数,由道路网络的“状态对称性”,可以将一个“B+L路段”进行平移,其状态参量是不变的,则结论3成立。

所以最终将原来对整个网络求日平均车流量转化为对一个单向单道的“B+L路段”求日平均车流量,不妨以这个“B+L路段”中的一条停车线为计算车流量的截面。以下将建立模型并具体求解。

3 模型的建立

针对一个单向单道的“B+L路段”,运用道路仿真模拟的方法,即设出每辆车的状态参量,制定出一些“行驶规则”,在计算机的环境下,让车辆流按照“行驶规则”(也就是在一些约束条件下)进行道路交通模拟,最后得出最优值。

对于一个单向单道的“B+L路段”,建立一维坐标轴Ox,以上一个“B+L路段”的停车线为原点,车辆行驶的方向为x轴正向。设车辆数为n,此路段上的车辆流状态为X,,V,A,,其中X为位置分布,x1,x2,…,xn,,V为速度分布,v1,v2,…,vn,,A为加速度分布,a1,a2,…,an,,则对于每一个,xi,vi,ai,,i=1,…,n,可以确定车i的状态,车辆

流i,i=1,…,n,按位置坐标xi,0<xi≤B+…,从小到大依次排列,且车n一旦越过停车线(B+L位置),上一路段必有一辆与此车状态相同的车驶入此路段,即为此路段下一状态时的车1,其余各车的下标顺次加1。设在单位时间内经过停车线的车辆数为M(即车流量,单位为:辆/s),则模型为:max M,(X,V,A),T0,,其中一些约束条件如下,T0=T1+T2;T1=T2+2T;T1,T2,T0>0。

另外,根据生活实际情况,为了保证横向行驶和纵向行驶的公平性,以及保证道路网络的畅通,则还要的约束条件如下:

(1)不允许一辆车在一个周期内,连续通过两个“十字路口”,(否则会使另一个方向上的车辆等待时间过长)则

(2)车辆流状态X,,V,A,满足“行驶规则”(见下文)。

4 模型的求解与检验分析

只要确定“B+L路段”上车辆流的初始状态,就可以具体求解。给定如下初始状态(参见[1]):设t=0为某红灯转为绿灯的时刻,此时的分布为n=n1+n2,其中n1为在路口等待的车辆数,且间距为d,其余n2辆车以速度v行驶且在剩余路段均匀分布。以下分别对不同的n(对同一个n,再取几组不同的n1,n2),在以上分布下,进行计算机模拟,得出不同情况下的车流量最大值M及对应的周期最优值T＿opt,如下表:

通过分析以上数据得到:

(1)对于同一个n,其不同的初始分布得到的最大车流量M及其相应周期T＿opt基本都一样,只有微小的波动。

(2)对不同的n,当n较小时,随着n的增大而增大,其后趋于稳定,最后,当n大到一定程度时,无可行解。

于是对n2=0时的不同的n求得一组值,用Matlab进行拟合得到如上图。

通过上图进一步弄清了最大车流量M随n的变化趋势:

(1)当n较小时(n<15左右),M与n近似满足线性关系。

(2)当n>25以后,M趋于平稳。

(3)当n>128以后,无可行解。

5 对模型的评价及其应用

对于上述的模型有以下几点不足:在运用“行驶规则”编程时,实际上是将一个连续的过程转化为有一定时间步长的离散过程来处理,其中势必会产生误差。但这种误差还是可以接受的,而且随着硬件条件的改善和程序的改进,可以减小步长,增加模拟时间来提高精度,但同时计算机的运行时间也会相应增加。

参考文献

[1]刘灿齐,杨晓光.Grace车队密度散布模型的更正及应用[J].公路交通科技,2001(1):55-59.

[2]许波,刘征.Matlab工程数学应用[M].北京:清华大学出版社,2000.

交通流时间序列 篇6

关键词：元胞自动机,城市快速路,速度变化概率

元胞自动机是一种时间和空间都离散的动力学系统。散布在规则网格中的每一元胞取有限的离散状态, 遵循同样的作用规则, 依据确定的局部规则作同步更新。元胞自动机最基本是由元胞、元胞空间、邻居及规则四部分组成[1]。本研究的短时时间尺度交通流元胞自动机也是由四部分组成: (1) 元胞; (2) 经过同一断面的连续1min车辆总体、元胞空间; (3) 元胞所分布的空间网点集合、邻居; (3) 前、后1min车辆总体、规则:1min车辆平均速度加、减、匀速规则。

时间短时尺度是指在这段时间里交通流的基本参数变化不大, 也就是说交通流在这段时间比较稳定[2]。短时时间多尺度分析数据是用不同的较短时间为单位, 得出数据的平均参数做数据分析的基本参数, 挖掘数据的潜在特性, 总结数据的变化规律。时间刻度主要为1min、3min和5min。一般认为时间刻度小于15min称为短时尺度, 而且不同的时间尺度, 在特征图表的显示并不相同, 所以本文也会对数据时间尺度的适当选取进行基础性的研究。

为了使整个城市路网的运行效率更高, 充分发挥城市快速路的功能, 就需要对城市快速路的交通流特征[3]进行深入研究。本文运用时间短时尺度分析方法和交通流元胞自动机原理的结合对数据进行深层次的处理和分析, 挖掘城市快速路交通流速度变化特点。

1 实验数据采集方案

根据城市快速路交通流信息处理的技术结构, 设计城市快速路交通流实验方案。由于交通数据的采集地点关系到数据的代表性和有效性, 所以要慎重选择。采集点一般应选在交通需求大、能够体现城市快速道路条件下的无交叉口车辆快速行驶的交通流特点的地方。只有在这类路段采集得到的数据才可能清晰地呈现出城市快速路交通流运行过程中所凸显的快速特征。因此, 笔者选择了以下三个交通流数据采集区, 通过分路段、分车道、分时段采集交通数据, 以保证提取到城市快速路交通流的普遍特征。

1.1 数据采集区一

图1为广州市广园东快速路 (自东向西方向) 的实验方案。在基本路段的A点与F点出利用线圈检测器LOOP采集数据, 采集时间从早上7点到到晚上10点, 为期一个星期。

1.2 数据采集区二

图2为广州市广园东快速路 (自西向东方向) 的实验方案。路段长度为1 000m。在G 3、G 4、G 5点处利用线圈检测器LOOP采集数据, 采集时间为三天, 从早上7点到晚上10点。

1.3 数据采集区三

图3为广州市广园东快速路与科韵路立交的广园路 (自西向东方向) 的实验方案。试验采集点为VD 5, 这是一个城市快速路基本路段的采集断面, 利用埋设线圈检测器采集数据, 采集时间为2008年4月19日至5月9日, 从早上7点到晚上10点。

2 数据统计分析方法

2.1 数据统计分析时间尺度的选取

统计时间尺度的选取直接关系到交通流模型的制定, 及其实时性和有效性。在实际交通流中, 交通需求是时变的, 选取合适的统计时间, 能够去除交通数据波动的干扰, 将数据中随机干扰和真实运行机理区分开, 能够更加清晰地描述在各个交通状态间交通流动、静态参数的变化特性。

国内、外很多学者在进行相关的研究时, 检测设备的采集时间多为10s、20s、1min等, 数据间隔取值大部分为1min、5min、10min或者15mins。间隔越小, 有利于交通状况实时、准确地从数据中体现出来[2]。否则, 因交通流变化过快, 获取的数据不能确切地反映各交通状态或时空模式产生变化时的实际过程。但同时数据采集间隔过小, 也会造成随机干扰效果的扩大, 数据随机波动明显, 不仅不利于研究与分析, 在实际交通诱导和控制系统上的应用也会造成障碍。考虑本文研究数据的波动性需求, 因此采用以1min为检测间隔的实际数据来研究城市快速路交通流的特征。

2.2 数据提取

在实验数据提取分析中, 本文主要根据以下两种方法对数据进行提取做分析。

(1) 我国城市交通主要以大小车混合交通为主, 每车道大小车数量比例不同直接导致车辆行驶速度存在很大的区别。根据实验观察统计得到广园东快速路四车道中每条车道的大车数量比例:第一、二车道与三、四道比例为1∶9, 其中第一与第二车道的大车数量比率为1∶1, 第三与第四车道的比例为1∶1。为了能够更好地体现出城市快速路基本路段交通流的变化特性和获取到比较精确的交通流各参数, 本研究在数据分析上根据大车比例的特点运用了分车道统计的方法。

(2) 我国城市交通, 特别是快速路的交通都有明显的高峰与平峰之分, 从而直接导致车辆1min平均行驶速度存在很大的区别。为了能够得到比较有效研究成果、更好地体现出城市快速路基本路段交通流在不同时间的变化特性, 本研究在数据分析上根据高峰期和平峰时间交通流的特点从早上7点至晚上9点运用了分时间段统计的方法。具体分五个时间段:7:00—9:00;9:00—12:00;12:00—17:00;17:00—19:00;19:00—21:00。

3 数据处理

3.1 第一车道数据分析

经过同一地点连续1min车辆的平均速度以5km/h范围为一个统计单位, 如表所示。图表中横坐标表示当前时刻短时车辆平均速度, 纵坐标表示下一时刻短时车辆平均速度;pij表示同一地点下一时刻相对上一时刻的1min平均速度P从第i速度刻度范围变到第j速度刻度范围的加、减、匀速概率, 其中绿色部分数字是匀速概率, 匀速概率左边是减速概率, 右边是加速概率;表中第一列为数据在各个时间段里不同速度的统计次数, 第二列为不同速度统计数占总数的比例, 第三列为从 (0—5) km/h至 (115—120) km/h共为24级的速度刻度值。从三个实验方案采集的广园东快速路基本路段第一车道基本数据经过数据提取与统计, 再数据修复和去噪声干扰分析[4]得到的数据如表1至表5所示。从数据分析表中可以总结广园东快速路基本路段的第一车道速度变化概率特性如下。

3.1.1 7:00—9:00时间段

速度主要集中分布在刻度v11与v15之间, 而且分布比较平均, 都占占统计总数的百分之十几。车辆下一时刻匀速概率比较大, 同时匀速概率随着速度的增加并没有出现大幅度下降的现象, 均保持在40%左右, 而且第一级加、减速概率比较大, 第一级加速概率约为20%, 第一级减速概率约为23%, 加减速概率级别基本为第一级别。说明此时间段里同一断面的下一时刻与上一时刻相比交通流速度变化较不明显, 跳跃性比较小, 交通流运动状态比较稳定, 符合实际交通流的早高峰时间车流大, 基本处于同步流状态的特性。

3.1.2 9:00—17:00时间段

速度主要集中分布在刻度v11与v15之间, 低速交通流时, 速度匀速概率比较大, 有40%多;而交通流随着速度的逐渐增大, 匀速概率出现逐渐减少的现象, 下降到v15的20%多, 同时加、减速的概率分布得比较散, 基本都有数值相差不多的几级加减速概率, 说明在这种情况下速度不稳定, 加减速随机性比较强。经过分析得到此时间段同一断面的下一时刻与上一时刻相比交通流速度变化较为明显, 跳跃性比较大, 这与实际交通中平峰时刻交通流量比较少、处于自有流状态吻合。

3.1.3 17:00—19:00时间段

速度主要集中分布在刻度v11与v16之间, 高速交通流时, 速度匀速概率比较均匀, 在20%左右;而且分布主要在一二级, 一级减速概率比较大, 而交通流随着速度的逐渐减少, 匀速概率在v12和v11出现连续两次突增现象, 匀速概率上升到40%多。说明在这种情况下交通流处于高速速度不稳定, 匀速概率小, 加减速随机性比较强的状态, 低速时交通流突变到匀速概率较大, 速度比较稳定的状态。这与实际交通流晚高峰时先自由流, 再突然过渡到同步流或堵塞状态吻合。

3.1.4 19:00—21:00时间段

速度主要集中分布在刻度v10和v13, 50%多的车辆平均速度在60km/h左右, 说明车辆平均行驶速度较高, 处于自由流状态, 与实际交通流晚高峰后出现自由流状态吻合。

以上是短时间尺度元胞自动机城市快速路路段交通流第一车道的车辆速度转换概率分析。广园东快速路路段有四车道, 其它三个车道的车辆速度转换概率分析方法与第一车道相同, 分析结果也与实际交通流比较吻合。

5 展望

作者将继续利用城市快速路路段交通流的车辆速度转换概率分析结果, 根据时间短时尺度和元胞自动机交通流原理, 定义短时尺度城市快速路元胞自动机交通流模型:元胞—经过同一断面的连续1min车辆总体、元胞空间—元胞所分布在的空间网点集合就是这里的元胞空间、邻居—前、后1min车辆总体、规则—1min车辆平均速度加、减、匀速规则、车辆运动。再利用仿真数据分析结果与实际测量数据的对比以改善模型参数来构建短时间尺度城市快速路路段元胞自动机交通流模型。

6 总结

本文主要通过对我国城市快速路交通流的实地调查, 针对我国城市交通流混合交通严重的自身特点, 对检测器采集回来的数据利用时间短时尺度分析方法和元胞自动机原理的结合进行深层次的处理和分析, 挖掘城市快速路交通流速度特点, 对城市快速路交通流速度的动态、静态特征从时间上进行尺度为一分钟的研究, 从而总结快速路车辆速度加、减、匀速的变化概率, 由于数据是分时段和分车道处理分析的, 所以得出的速度变化概率也比较符合实际交通流的运动规律, 为利用城市快速路元胞自动机交通流模型, 对城市快速路的交通微观控制提供重要的理论依据。

本文的创新点是利用时间短时尺度分析方法和元胞自动机原理结合在一起来对实测数据进行分时段分车道的深层次处理和分析。

参考文献

[1]董斌.城市快速路交通流时变特性研究.吉林:吉林大学, 2005

[2]翁小雄.城市交通流颗粒模型及其控制模式研究.博士论文.华南理工大学.2006

[3]靳文舟, 张杰, 郑英力.基于细胞自动机理论的交通流模拟模型.华南理工大学学报 (自然科学版) , 2001;29 (8) :93—96

交通流时间序列 篇7

道路交通灯的正常运行是交通畅通的重要保证, 以往交通信号控制大都采用继电器或单片机实现, 存在着功能少、可靠性差、维护量大等缺点, 越来越不适应城市交通高速发展的要求。现仅讨论常规交通灯控制, 其工作情况可用以下时序图描述:图1为十字路口交通灯示意图, 图2为十字路口交通灯动作时序, 图3为硬件配置常规交通灯控制电路。

交通灯在进行控制交通时, 控制现象如下:

(1) 自动控制阶段:系统工作受开关控制, 按下起动开关SA0则系统工作;按下停止开关SA1则系统停止工作。上午6:00~下午18:00为交通控制一般时段, 其余时段为空闲时段, 黄灯闪烁。

(2) 手动控制 (SA2控制) 阶段:在遇到紧急情况时, 可以手动强制南北 (SA3控制) 或东西 (SA4控制) 方向通行。

在设计PLC程序前必须首先设计输入/输出地址及符号表, 通过图3硬件配置常规交通灯控制电路, 可以看出设计输入/输出地址及符号表。通过它们设计就简单多了。具体的设计情况如下:

(1) 时间上的判断利用PLC的内部特殊数据寄存器D8015与K6、K18比较, D8015存储为当前PLC的内置时钟的时针值 (0~23) 。

当D8015大于等于K6且小于K18时为交通灯工作的一般时段, M1得电, 即其它时段, M3得电。利用比较指令可以方便实现。

(2) 初始化程序梯形图

FX系列的状态继电器为停电保持型, 所以在系统上电时, 用ZRST指令将要用的状态继电器进行复位。

(3) 周期脉冲产生程序

通过对时序图研究, 可以发现交通灯工作一个周期是60S, 并且每个周期分成四段双流程控制过程。以东西为例:东西方向红灯 (0~27S) 、东西方向黄灯闪烁 (27S~30S) 、东西方向绿灯 (30S~57S) 、东西方向黄灯闪烁 (57S~60S) 。在程序中采用60S的脉冲定时器T0作为系统控制时钟, 然后在四个时刻分别触发四个控制功能时段。

(4) 自动及手动状态选择

通过判断SA2状态, 采用分支选择程序, 例如:

STL S0;LD X002;SET S2;LDIX002;SET S1;

(5) 黄灯闪烁三次程序梯形图设计

通过判断计数器上的C值大小分支进入相应程序段, 例如:

STL S10;OUT T2 K5;LD T2;SETS11;STL S11;OUT Y002;OUT T3 K5;LD T3;OUT C1 K3;LD T3;ANI C1;SETS12;LD T3;AND C0;SET S14

(6) 手动控制状态程序设计

可以用分支程序方便设计, 例如:

STL S2;OUT Y006;OUT Y002;LDX003;SET S60;LD X004;SET S61;

STL S60;OUT Y001;LDI X003;SETS0;STL S61;OUT Y005;LDI X004;SETS0;

长期以来, PLC始终处于工业控制自动化领域的主战场, 为各种各样的自动化控制设备提供非常可靠的控制方案, 与DCS和工业PC形成了三足鼎立之势。专家认为PLC作为一门控制技术已从工业控制逐渐向其他行业扩展, 相信随着其本身性能的不断提高, 其应用领域将不断拓宽, PLC将成为今后工业控制的主要手段和重要的基础设备之一。

摘要：交通信号灯控制是典型的时间顺序控制, 利用PLC可以简便、准确地实现该类控制, 构建该控制系统的主要任务是程序设计。以日本三菱电工FX1s-30MR型小型PLC为例, 介绍了实现常规交通灯控制的编程方法。

关键词：交通灯,PLC,时间顺序控制,编程方法

参考文献

[1]谢海鸿, 李萍, 林德斌.基于DEA技术的交通信号灯定时控制系统[Z].

[2]任中民.交通灯数字控制系统的电路设计[Z].

交通流时间序列 篇8

高速公路因其速度特性,一旦发生交通事故很容易造成车辆的严重损坏,以及人员的重大伤亡,且交通事故的死亡大多发生在将伤者送往医院之前[1]。据法国民防部门的1份统计结果[2], 针对同样伤势的重伤员,送至医院并得到救护的时间在30min内的,其存活率为80%,在60min内存活率为40%,在90 min内的存活 率仅为10%以下[3]。因此在交通事故应急救援过程中, 应缩短伤者的救援时间让其得到及时有效的救助,提高伤者生存率,这也是减少事故死亡率的关键。

目前,在针对救援时间对交通事故死亡率影响方面,国内学者 已经展开 了一些研 究。 宋斌等[4]发现高速公路交通事故的主要伤情是 颅脑伤、四肢及骨盆骨折和胸腹联合伤等,这类伤员容易在救治途中或到医院时由于病情严重失去紧急手术机会而死亡。文亮等[5]研究发现有75% ~ 95%的致死性交通伤伤员死于紧急救援到达之前。孔质彬等[6]根据国内某医院急救部实施医警联动前后的交通伤救治情况,发现采用医警联动新模式后道路交通事故伤病人院前救援的时间和距离明显缩短,从而使危急重病人死亡率降低至12.16%。胡明军[7]收集了因交通事故致重刑颅脑损伤的1 107例患者的临床资料,进行了患者院前急救与预后相关性分析,发现随着救援车辆到达现场时间的增加,患者死亡率和致残率也会增加。此外,多名学者通过构建高速公路交通事故紧急救援时间模型[8]、服务点选址模型[9]、应急资源动态调度模型[10]和医警联合系统[11]等来缩短伤者的救援时间等。

以上学者多以救援时间或高速公路交通事故伤情为单一研究对象,对其两者之间的关系也只进行了定性分析,并未得出具体量化结论,因此目前国内还没有建立高速公路救援时间与生存率之间的关系 模型。而生存分 析 (survival analysis) 方法是对生物或人的生存时间进行分析,研究生存时间和结局与众多影响因素间关系的分析模型,也称生存率分析或存活率分析[12],与传统的统计模型相比,生存分析模型对参数服从的分布并没有要求。因此可利用生存分析模型研究高速公路交通事故受伤人员的生存状况随时间的变化,进而得到 救援时间 与生存率 的关系。2013年,J.Wu首次利用生存分析方法研究了自动碰撞通知(ACN)和紧急医疗服务(EMS)到达时间对事故伤亡人数的影响,结果表明,运用自动碰撞通知和紧急医疗服务可挽救更多人的生命(154~ 290人/年)[13]。笔者将采用生存分析方法,对高速公路交通事故受伤人员的生存概率进行估计, 并用Cox比例风险模型探讨与交通事故生存率相关的多个风险因素。

1高速公路交通事故救援时间特性分析

交通事故紧急救援一般包括以下4个阶段: 事故接报阶段,及时获取已发生事故的信息;事故响应阶段,相关救援人员赶赴现场;事故现场的紧急救援阶段和返回救援站点/医院阶段。

当救援车辆到达现场时,受伤人员即可获得必要的紧急救援,因此,生存率指伤者生存至救援到达时的概率,伤者的救援时间可分为发现时间和响应时间2项,见图1。发现时间是从事故发生到救援站点/医院接到报案的这段时间,包括确认事故的发生地点、事故类型和救援等级等信息所需要的时间。响应时间是指从事故确认之后救援人员启动响应救援预案、调集救援资源、联络有关部门到救援人员到达事故现场的时间。

伤者的生存时间为事故发生时间至最终死亡的时间。在伤亡人员记录中,如果伤者在救援人员到达现场前死亡,生存时间为事故发生至伤者死亡的时间,即为图1中的t1;如果救援车辆到达事故现场时,伤者仍处于存活状态并能得到紧急救援,那么伤者的具体死亡时间将无法观测,因此用救援车辆到达现场的时间代替伤者死亡时间, 即为图1中的t2。前者称为完全数据,后者称为删失数据。

2事故受伤人员的生存分析方法

2.1生存函数

生存函数反映了个体生存至某一 时刻的概 率。设T表示伤员的生存时间,那么,1个随机变量t的生存函数如下。

风险函数是度量死亡可能性的函数,可以用密度函数f(t)和生存函数s(t)来表示

累积风险函数为

根据观测对象进入或退出观察的时间差别, 生存分析经常遇到的数据有完全数据和删失数据[12]。对于高速公路交通事故救援,当救援车辆到达伤者仍处于存活状态时,最终生还者的生存时间即为右 删失数据。Kaplan-Meier非参数估 计方法能够利用右删失和非删失数据的全部信息,因此在处理小样本数据时为首选方法。

假定n个独立观测值为(ti,ci)。其中:ti为生存时间;ci为观测值i的删失指标变量。如果失败发生,即伤者在救援人员内到达时仍处于存活状态,ci取0,否则取l。如果t(1)<t(2)<… < t(m)表示排序的记录失败的时间(m≤n),ni为在t(i)时处于失败风险的数量;di为观察到的失败的数量,则生存函数的Kaplan-Meier估计值为

如果t<t(1),(t)=1。风险函数为失败的数量与处于风险的数量之比,即

2.2Cox比例风险模型

Cox比例风险模型是生存分析模型中最常用的多因素分析方法[14],可以用来分析变量对生存率的影响,其基本形式如下。

式中:Xi(i=1,2,…,p)为个体i不随时间改变的协变量,即影响生存率的因素;h0(t)为基准风险函数, 它是全部协变量都为零时在t时刻的风险函数;βi(i =1,2…,p)为变量参数,若βi>0,表明该协变量为危险因子,会对生存率出现负作用,βi<0表明该协变量为保护因子,可提高生存率,βi=0表明该变量对生存率没有影响。exp(βi)为相对危险度,指在其他协变量保持不变的前提下,Xi每改变1个单位,风险值比原水平改变exp(βi)倍。

任意2个具有协变量X和X*的个体,其危险率成比例

3数据分析

3.1数据来源及处理

采用华东地区某高速公路交警支队的事件记录,集中包含了1 500条事件数据,记录了事件处理过程中的接警时间、交警到场时间、车辆靠边时间、现场撤除时间以及事件特征和环境特征,包括:事件发生的日期、时间,当时的天气,事件类型、报警方式、伤亡人数、当事车辆种类等。通过查阅相关执勤记录则补充了一些必须的信息,包括:各种救援车辆的到场时间,事故发生地点的桩号等。

筛选发生伤亡的事故数据,共采集到399个样本,对高速公路交通数据救援时间进行描述统计,并用非参数K-S检验救援 时间分布 的正态性,得P=0.002,样本不符合正态分布,因此需采用非参数统计方法。对采集的定量和定性数据进行编码和赋值,将星期分为星期一至星期天和其他法定节假日;将报警事件分成了4个时段,分别是早高峰时段(07:01~09:00时)、白天时段(09: 01~16:30时)、晚高峰时段(16:31~20:00时)和夜间时段(20:01~07:00时),并将事故类型和天气进行分类。模型变量的分组与赋值见表1。

3.2事故受伤人员的生存函数

根据生存分析的Kaplan-Meier非参数估计计算得到生存函数的图形,也即生存曲线,见图2,该图反映了伤者的生存概率。生存曲线如果比较陡峭说明生存率低、生存时间短,反之则说明生存率高、生存时间较长。由图2可见,救援车辆在20min内基本可以到达现场,且随着救援时间的增加,生存率逐渐降低,可以将生存率分成3种情况。

1)在0~7min之间,下降趋势较为缓慢,说明除受重创当场死亡以外,伤者在这段时间内死亡的人数并不多,生存率为94.8%。

2)在7~14min之间,下降趋势较为明显,随着救援时间的增加,累计生存率显著下降,生存率从94.8%降至75.3%,说明如果在14min内没有得到及时有效的医疗救援,伤者死亡的风险较大。

3)最后,救援时间大于14min的伤者生存率下降的较为平缓。在救援车辆达到后仍保持生存状态的伤者的生存时间用救援时间所代替,因此20min之后,生存率不再发生变化。

3.3Cox比例风险回归建模

本文将考虑星期、报警时段、事故类型和天气对伤员生存率的影响。事件不同的报警时段影响着道路的拥堵状况、救援单位救援力量的配置等, 不同的事故形态影响着事故的严重程度和人员受伤严重程度,恶劣的气候如冰雪、大雾、暴雨等,会导致路面打滑、驾驶员视线不良等,另外气候条件也影响着救援车辆在路上所花费的时间。

为避免漏掉潜在的有价值的变量,采用向后消去法对变量进行筛选及最大似然估计,输出结果如表2所示。通过变量方差分析发现,X1(星期)、X3(事故类型)和X4(天气)这3个协变量对于生存率均没有显著影响,这些变量被剔除在最终的回归模型之外,4步的筛选后只有X2(报警时段)变量(p<0.05)最终进入模型中。

从表2可知,回归系数为0.51,因此建立的Cox比例风险回归模型为

Cox模型结果显示,报警时段是影响生存率的主要因素,从回归系数的符号来看,X2的系数大于零,说明报警时段为危险因子,会增加风险函数值,降低生存率。为研究不同报警时段对生存率的影响,继续对此分类变量进行最大似然估计, 并以白天时段(09:01~16:30时)为参照时间,得出早高峰、晚高峰及夜间时段的相对风险度分别为1.675,1.073,3.460,不同报警时段下的生存函数概率见图3。由图3可见,夜间时段的生存率最低,风险度为白天时段的3.46倍,其次是早高峰时期。

4结论

1)交通事故的救援时间对生存率有着直接的影响,且事故发生后7min之后,随着救援时间的逐步增加,生存率显著降低,14min之后即可降至75%以下,因此应缩短事故发现时间和救援响应时间,在接警14min之内让伤者得到必要的紧急救护。

交通流时间序列 篇9

作为移动自组织网络 ( mobile Ad hoc networks, MANETs) 一种特殊形式, 车载网 ( vehicular Ad hoc networks, VANETs) 在车辆间通信领域引起了众多研究者的关注。VANETs的高速车辆 ( 节点) 自行组织, 呈分布式通信特点。车载网主要有两类通信场景: 车间通信 ( vehicle-to-vehicle, V2V) 和车与基础设施通信 ( vehicle-to-infrastructure, V2I) , 如图1所示。

VANETs引用大量先进无线通信技术, 如专程短距离通信标准 ( dedicated short range communica- tion, DSRC) 。DSRC是为了适应VANET环境而基于Wi-Fi技术改进版。DSRC适合在快速环境, 如VANETs, 支持数据传输。在VANETs中, 要求实时性以及高速数据传输［2］。车间通信的最主要的目的就是提高交通安全、交通效率如交通事故预警、紧急安全消息通知。为了进一步开发VANETs, 成立了许多科研机构。

最近, 研究人员对VANETs的环境进行深入的研究, 包括车辆的真实移动以及模型［1—6］。这些工作强调了应用于VANETs的现有路由协议的研究进展。这些路由协议可分两大类［7—11］: ①基于拓扑路由; ②地理位置路由。基于拓扑路由利用链路的状态信息去实现数据转发。许多研究人员对大量的基于拓扑路由方案进行了性能分析。

文献[5]提出了动态时间稳定区播路由 ( dy- namic time stable geocast, DTSG) 路由协议。Geocast被称为地域性多播路由协议。Geocast依据地理位置信息, 向指定的目的区域内所有车辆传递消息。 Geocast将网络区域分为目的区域、转发区域。目的区域表示传递数据包的目的区域, 而转发区域表示数据包的转发区域。DTSG就是针对低密度高速公路网络环境而设计时间稳定的多组播路由协议 ( time stable geocast) , 但不适用于城市环境。

为此, 针对城市环境, 受DTSG方案的激励, 提出基于交通灯的时间稳定的多播路由协议T-TSG ( traffic light based time stable geocast ) 。T-TSG主要含有四概念, 分别命名为, 区播区域 ( geocast region, GR) 的识别 ( identification) , 该区域是从事故地点区域进行规划的; 基于交通灯的情况选择转发车辆; 多播消息稳定区域 ( geocast message stable region, GM- SR) 以及稳定车辆区域 ( stable vehicle region, SVR) 。 T-TSG主人分三个步骤实施: 转发forwarding, 传播disseminating以及重现re-live。最后, 针对城市环境, 建立仿真环境, 并用网络仿真软件NS2进行T-TSG仿真。

1相关工作

在VANETs的智能交通系统的应用中, 需将时间融合到消息中, 再转发。目前, 这方面研究工作较少。在文献[5]中, 作者Hamidreza Rahbar提出了DTSG技术。该动态协议在不增加任何额外开销的情况下, 可实施稳定时间的延长、缩减以及删除。该协议分两步实施: 预稳定pre-stable、稳定stable。在pre-stable阶段, y主要完成数据包在目的区域的扩散, 当车辆遇到突发事情, 如紧急刹车, 事故时, 该车辆 ( 源节点) 针对此事件产生一条合适的消息, 并将此消息规格成一个数据包, 立即广播。源节点需不断的广播此消息, 直到至少有一个车辆接收到此消息。一旦某车辆收到此消息, 源节点将停止广播。 车辆承担消息广播的任务, 直到其他车辆接收此消息。在stable阶段, 主要是保证数据包在预设时长内持久的存在于目的区域内。预设时长可动态变化, 不产生任何额外的开销。DTSG通过控制数据包广播的周期时长, 以降低数据的冗余度, 降低网络负载。此外, DTSG通过反向运动节点协助数据转发, 使协议更适用于延迟容忍网络。

文献[6]作者Christian Maihofer提出abiding geocast方案。针对时间稳定区播 ( time stable geoca- sting) 。该方案采用了三个策略: 第一就是通过服务器算法 ( server solution) 去存储消息; 第二就是在区播目的区域内临时选举一个节点作为server。最后, 针对稳定的geocast消息, 采用单播路由协议交互。文献［7］作者提出缓存扩容的区播路由协议 ( en- hanced caching for geocast routing, ECGR) 。ECGR采用了优化的目标覆盖算法 ( coverage determination al- gorithm) 。通过该算法提高缓存技术, 同时消除因车辆高速移动引起的数据丢失率。

在VANETs的区播geocast中, 为了提出缓存以及传输范围的控制力, 文献[8]提出基于新的区播路由协议。在区播区域, 采用一跳接一跳的行转发 ( line forwarding) 和一跳接多跳的区域转发 ( area for- warding) 。在目的节点的传输区域内总是选用离目的节点最近的节点作为下一跳的转发节点。当某转发节点处于局部最优化, 即没有比自己离目的节点更近的节点, 或陷入死循环时, 采用缓存技术进行处理。此外, 采用距离感应邻居选举方法 ( distance a- ware neighborhood selection approach ) 减少转发的跳数。同时, 采用区域转发技术 ( range transmission technique) 处理车辆高速移动问题。

2 T-TSG

在城市车载网环境中, 区播路由协议 ( geocast routing protocols) 在智能交通应用的预警系统方面表面出良好的性能。在geocast, 数据包被转发给某特定地理区域内的所有车辆。因此, 路由加重了转发负担, 浪费了带宽, 最后会陷入恶性循环。

此外, 智能交通中不同类的预警消息的新鲜期不一样。研究者着重分析了路由协议的这些问题。 针对城市环境, 并面向DTSG实施, 设计了T-TSG路由方案。而E-DTSG方案基于以下思路:

( 1) 根据事故的地点, 从事故影响区域 ( region of interest, RoI) 识别区播区域GR。

( 2) 基于交通灯选举转发车辆。

( 3) 区播消息稳定区域GMSR以及稳定车辆区域SVR。

( 4) 实施E-DTSG的三个步骤分别为: 转发 ( forwarding) 、传播 ( disseminating) 以及重现 ( Re- live) ［12］。

2. 1从RoI中识别GR

对于某特定警告消息, 其区播区域GR取决事故的发生地, 即消息来源地。区播区域GR也受车辆进入事故地点的行驶方向影响。接下来, 分析两种区播区域GR的情况。

如图2所示, 于十字路口I1附件发生了一交通事故。由东向西行驶的两车相撞。将事故地点的后方东西区域看成区播区域GR。同时, 考虑到处于南北线路上的车辆可能在将来驶入事故所在的公路上来, 将由北向南行驶至十字路口I2以及由南向北驶入I2区域也纳入区播区域GR。图2的暗淡绿色阴影部分表示区播区域GR。

如图3所示, 位于十字路口I6路口发生两车相撞。针对此事故地点, 区播区域GR如图3的阴影所示。区播区域GR主要有三个部分, 分别为从十字路口I4至十字路口I6的由西向东车道、由南向北驶入十字路口I6的车道以及由南向北至十字路口I3的车道。

2. 2转发车辆的选择

依据车辆的移动方向以及交通灯情况, 选择消息转发车辆。针对可能的转发车辆区域, 分析了两种交通灯区域。

如图4所示, 在由西向东的靠近十字路口的直线路段发生了交通事故。此时, 两个十字路口的南北方向亮红灯, 东西方向亮绿灯允许通行。在这种情况下, 选择事故发生地所处车道的反方向车道区域作为事故消息的转发区域, 如图4的蓝色背景区域。在转发区域内, 通过多跳转发实现消息的传递。

图5显示了十字路口处红灯的转发区域。由于事故地点所处的双向车道被禁通行, 首选的转发车辆被禁止了。为此, 需寻求其他的车辆转发消息。 将与事故发生车道的垂直车道作为转发区域, 如图5的蓝色背影区域。这些转发车辆沿途转发事故消息。

2. 3区播消息的稳定区域GMSR以及稳定车辆区域SVR

如图6所示, 位于由西向东道路上发生交通事故。事故地点后方区域为Geocast区域。相隔一十字路口与事故地点同一车道, 并以另一个十字路口结束所形成的区域为GMSR区域, 。在该区域内, 保护Geocast消息一直传递, 直到Geocast消息持续时间结束。持续时间的长短取决于不同类的交通事故。如图6所示, SVR区域有两个地理位置, 分别为标记A、B。其中A位于GMSR平行车道的反向车道; 由于南北方向禁止通行 ( 红灯) B位于与A成90度十字路口位置。SVR区域内的车辆负责使用消息重现。

2. 3. 1 T-TSG方案的实施

根据上述的分析可知, T-TSG的实施主要有三个阶段: 转发 ( forwarding) 、传播 ( disseminating) 以及重现 ( re-live) 。转发阶段主要是负责在GR部分区域内传递消息, 其传递的区域范围为: 与交通事故地点垂直车道, 并且是禁止通行的反向车道。传播阶段是在GR部分区域内继续传递Geocast消息, 该传播区域是反向车道区域。重现Re-live阶段负责在geocast消息稳定区域内geocast消息有效期的管理。 每个阶段的描述通过下列算法阐述。

在阐述三个阶段之前, 先列出T-TSG所用一些标识符, 如表1所示。

2.3.2转发阶段forwarding

在转发阶段, 源节点SV依据定位系统计算GR、GMSR以及TST。然后SV根据事故地点产生消息, 并从CNV选择转发车辆。如果消息不能传递到SVR, 就将寻找VDV。如果VDV不是空集, 就从VDV中选择NHV;否则的话, 就寻找SDV的车辆, 并从SDV中选择NHV。最后, SV将geocast消息转发给NHV。转发阶段Forwarding的伪代码如图7所示。

2. 3. 3传播disseminating

在转发阶段, 源节点SV首先从CNV中选择传播车辆DV。当DV正好位于SVR, 就从CNV中选择OLV, 并向OLV区域内广播消息。传播Dissemi- nating的伪代码如图8所示。

( 3) 重现阶段re-live

在重现Re-live阶段, 若CFV或者DV即将离开SVR时, 将判断CT以及TST的关系。如果CT仍处于TST内, 即CT小于TST, 就向GMSR区域广播消息。同时, 向SVR的后方车辆转发消息。否则就向SVR传递消息。重现阶段Re-live的伪代码如图9所示。

3仿真分析

3. 1仿真模型

本次仿真选取一个如下场景, 一个3车道, 分别为直行、左转、右转车道。每车道宽2. 5 m, 长500 m的高速公路。主干车道由西向东, 两个十字路口, 公路上共有50 ~ 100辆车。最初, 车辆随机地分布在主干车道上。车辆驶向十字路口时, 直行、左转、右转的概率分别0. 5、0. 25、0. 25。并假定在SVR区域内有10 ~50车辆, 在GMSR区域平均有30个车辆。 仿真模型如图10所示。假定车辆的行驶速度为20 ~ 60 km / h, 车辆的通信范围为250 m, 数据包的大小为512 bytes, MAC协议为802. 11DCF。具体的仿真参数如表2所示。

3. 2仿真数据分析

为了更好地研究所提出算法的性能, 本文分别从网络负担 ( network load) 、消息传递率 ( message delivery) 、端到端转发时延 ( end-to-end forwarding delay) 三项数据分进行仿真, 并与DTSG进行比较。 仿真结果如图11 ~ 图13所示。图11显示了消息传递率随网络车辆数目的变化情况。从图11可知, T-TSG在消息传递率性能方面明显优于DTSG路由。这主要是因为T-TSG通过NHV转发消息, 大大减少了传输跳数, 提高了数据传递的效力。随着车辆速度的增加, 消息传递率呈下降的趋势。这是由于车速的提高, 增加了一跳链路的断裂的概率, 从而破坏了数据传输的路径, 消息传递率也随之下降。与T-TSG相比, 而DTSG路由具有更低的消息传递率, 这是因为DTSG路由因DTSG产生了许多消息的复本, 导致消息的拥塞, 并提高了数据包的丢失率, 降低了消息的传递率。

图12显示了SVR中车辆数目对网络负担的影响曲线。从图12可知, T-TSG的网络负担远小于DTSG。这主要是因为T-TSG仅采用单一车辆实施Re-live阶段或有效期管理阶段Life-time, 而DTSG要求SVR中所有的车辆负责Re-live阶段。这将大大增加了路由开销。图12的数据也表明, 车速的下降有助于改善网络负担。

图13显示了端到端传输时延随网络节点数的变化情况。从图13可知, T-TSG在端到端传输时延方面完全优于DTSG。这主要是因为T-TSG通过NHV转发数据, 在转发过程中采用最小跳数路径策略, 这样的话, 减少了数据的传输的跳数, 从而缩短了端到端的传输时延。而DTSG未实施最小跳数策略, 其数据传输的平均跳数将增加。此外, 车速的增加大端到端传输时延, 其理由: 车辆快速行驶, 提高数据链路的断裂率, 破坏了数据传输的连续性, 从而增长了端到端的传输时延。

4结论

针对城市环境消息传播问题, 提出了基于时间稳定组播算法T-TSG。该T-TSG, 通过选择NHV向GR、GMSR传递消息。GR、GMSR的依照交通灯情景而设定。分析了T-TSG在消息传递率、网络开销和端到端传输时延方面的性能, 仿真数据表明, 与DTSG相比, T-TSG具有高的消息传递率、低的网络开销、小的端到端传输时延,

参考文献

[1] Naumov V, Baumann R, Gross T.An evaluation of intervehicle ad hoc networks based on realistic vehicular traces.In:Proc ACM MOBIHOC, 2006:108—119

[2] Torrent-Moreno M, Schmidt-Eisenlohr F, Fuler H, et al.Packet forwarding in VANETs:the complete set of results.Dept Comput Sci, University.Karlsruhe, Karlsruhe, Germany, Tech Rep, 2006—2, 2006

[3] Wang W, Xie F, Chatterjee M.An integrated study on mobility models and scalable routing protocols in VANETs.Proc Mobile Netw Veh Environ, 2007:97—102

[4] Karnadi F K, Mo Z H, Lan K.Rapid generation of realistic mobility models for VANET.Proc IEEE WCNC, 2007:2506—2511

[5] Rahbar H, Naik K.Nayak A.DTSG:dynamic time stable geocast routing in vehicular ad hoc networks.Ad Hoc Networking Workshop (Med-Hoc-Net) , The 9th IFIP Annual Mediterranean, 2010;1—7:23 —25

[6] Maihfer C, Leinmüller T, Schoch E.Abiding geocast:time--stable geocast for ad hoc networks.Proceedings of the 2nd ACM international workshop on Vehicular ad hoc networks, Cologne, Germany, 2005

[7] Lee K, Lee U, Gerla M.Survey of routing protocols in vehicular ad hoc networks.Advances in Vehicular Ad-Hoc Networks:Developmentsand Challenges.Hershey, PA:IGI Global, 2009

[8] Lin Y, Chen Y, Lee S.Routing protocols in vehicular ad hoc networks:a survey and future perspectives.J Inf Sci Eng, 2010;26 (3) :913 —932

[9] Li F, Wang Y.Routing in vehicular ad hoc networks:a survey.IEEE Veh Technol.Mag., 2007;2 (2) 12—22

[10] Chennikara-Varghese J, Chen W, Altintas O, et al.Survey of routing protocols for intervehicle communications.Proc Mobile Ubiquitous Syst Workshops, 2006:1—5

[11] Al-Rabayah M, Malaney R.A high-capacity scalable routing protocol for VoIP in wireless ad hoc networks.Proc IEEE WCNC, Sydney, Australia, 2010:1—6