交通模型（精选11篇）
交通模型 篇1
综合交通枢纽的合理建设不仅可缩短换乘旅客的步行距离和时间,提高整个交通系统的运行效率,还会影响其周边地区土地利用和城市交通结构。综合交通枢纽各种交通方式交通量预测是枢纽交通需求预测的一个重要部分,即预测交通量在各种交通方式间的分配比例。
国内外很多学者都对交通方式选择预测模型进行了研究,但对交通枢纽内部出行者交通方式选择模型研究较少。出行者选择不同的交通方式是因为每种交通方式都会给主体带来某些效用。但不同的方式会给不同的出行者带来不同的效用,并且不同方式对同一个出行者也会随时间、环境、成本等其他因素的变化而带来不同的效用影响。因此,在考虑以上因素的基础上,提出描述出行者如何选择几个不连续的交通方式的交通选择行为的离散选择模型。此模型为交通需求预测提供了一种高效、简单的方法,相对于传统模型具有更高的样本利用率和预测精度[1]。
1 随机效用函数
1.1 离散选择模型
因为研究员不能完全掌握某一种交通方式对于某个出行者的实际效用值,即效用值中的某个部分是不能预测出的,因此在离散选择模型[1]中将这不可测的部分视为随机变量。所以在描述出行者的选择行为中,效用函数包括2个可加和的部分,一部分是可预测到的,另一部分是随机部分,数学表达式为:
式中: n为做出选择的出行者;i为选择集中可选择的某种交通方式;Uni为离散效用函数;Vni为可观测到的效用部分;ξni为效用函数中的随机部分,这部分就是影响出行者做出决策但不能被观测到的部分,符合Gumbel分布,是一个随机变量。
根据效用最大化原理,每个主体都会选择对其效用最大的交通方式,即n选择w的概率等于交通方式w带给n的效用比其他任何方式带给i的效用都大的概率,数学表达式为:
式中:Cn为主体n可能的所有的选择项i的集合,也称为选择集。
1.2 Nest Logit模型
Nest Logit[1]模型中将相关的几个选择项放在同一组,即某些交通方式有部分不同于其他交通方式的相关性,就可以把这些交通方式放在同一组里,模型分层如图1所示。
为便于说明,虚拟选择枝在第1层,用m(m=1,2,…,m)表示,Am表示可选择的虚拟交通方式选择枝的集合;交通方式选择枝在第2层,用q(q=1,2,…,q)表示,Bq表示第m组可选择的交通方式集合。假设所有的ξm,mq符合均值为0,方差为μ的独立同分布函数。
Nest Logit模型的效用函数的数学表达式为:
在第2层模型中:
式中:αn,mq为第2层中的某交通方式特有的不同于同组交通方式的随机效用;βn,m为第1层各类交通方式区别于其他组的随机效用。
2 基于Nest Logit模型的城市综合交通枢纽方式选择预测
2.1 建立城市综合交通枢纽Nest Logit模型
城市综合交通枢纽一般包括私人小汽车、出租车、摩托车、轨道交通、常规公共汽车、自行车和步行等7种交通方式。除了各自可以观测到的数据,还包括一些不可预测的特点。
根据这些交通方式各自的交通特性,模型可分成2层。通过分析交通方式的服务属性,认为出行时间和出行费用等可预测到的特点是影响出行者选择交通方式的主要因素,并根据这些影响因素把枢纽内的交通方式选择模型的第1层虚拟交通方式选择层分成私人机动车交通、大运量公共交通和非机动车3组。
把拥有相同特点的几种交通方式放到第1层实际交通方式选择层中的同一组,例如因私人小汽车、出租车和摩托车都具有出行时间短、出行费用较高等特点,所以把这3种交通方式分到私人机动车交通组;轨道交通和常规公共汽车共同具有出行时间较短,出行费用较低等特点被分到大运量公共交通组;自行车和步行这2种交通方式因具有出行时间长、出行成本低等特点分到非机动车组。具体分层模型如图2所示。
2.2 城市交通枢纽各种交通选择方式概率计算
假设所有的ξm,q符合均值为0,方差为μ的Gumbel分布。出行者选择交通方式(m,q)的概率为P(m,q),计算方法如下所示:
式中:P(m,q)为出行者选择m组q种交通方式的概率;P(m)为出行者选择m组的概率;P(q/m)为出行者在已经选择m组的前提下选择第q种交通方式的概率;Am为可选择的虚拟交通方式选择枝的集合;Bm,q为第m组可选择的交通方式集合;Vm(Vr)为出行者选择m(r)(r∈Am)组的效用函数中可观测到的部分;Vm,q(Vm,k)为出行者在已经选择m组的前提下选择q(k)(k∈Bm,q)交通方式的效用函数中可观测到的部分。
2.3 城市综合交通枢纽Nest logit模型参数标定
出行者n选择i种交通方式的效用函数为:
式中:θ=(θ1,θ2,…,θs)为效用函数未知服务参数向量,Xin=(Xin1, Xin2,…,Xins)T是特征向量。出行者选择交通方式时可看作是相互独立的,因此N个出行者选择交通方式可以看做是N次独立实验。采用目前应用较广泛的最大似然估计法进行参数标定。当出行者n选择i方式时,δin=1,选择了其他方式,δin=0。因此,N个人选择交通方式i的对数似然函数L(θ)为:
让L(θ)分别对θ1,θ2,…,θs求导,并使导数为0,得到方程组:
通过解此方程组,即可确定模型参数θ1,θ2,…,θs。
3 实例应用
对中山市2 114名居民进行了枢纽换乘调查,调查内容为在A、B 2种不同出行距离下,居民会选择枢纽内何种交通方式换乘,得到居民选择数据如表1所列。根据调查数据,建立Nest Logit交通方式选择模型,如表2。
假设所有的ξm,q符合均值为0,方差为1的Gumbel分布。效用函数和最大似然函数如下:
根据表1和表2数据,使用Matlab编辑程序,使L(θ)分别对θ1和θ2求导,令导数为0,建立方程组。通过求解方程组解得θ1和θ2。
解得A情况下θ1=-0.053,θ2=-0.043 8。同理解得B情况下θ1b=-0.090 5,θ2b=-0.112 1。把参数代入式(5)、(6),概率计算结果、同实际结果比较如表3。
从表3中计算值与实际调查数据的比较结果可看出,计算值与实际值是很接近的,2种情况下的平均错差分别为0.001 194和0.000 240 9,说明所建立的模型具有很高的精度。
4 结束语
预测城市综合交通枢纽交通量在各种交通方式间的分配比例在枢纽建设中是非常重要的,可以合理确定枢纽规模,实现对枢纽进行科学的规划和管理,有利于发挥枢纽作为城市交通纽带的作用。笔者在以往研究的基础上,建立了基于Nest Logit的综合交通枢纽交通方式选择预测模型,并结合实例,利用模型对各种交通方式出行比例进行预测,并把预测结果同实际结果比较,验证了模型的适用性,最后针对预测参数跟结果,对枢纽建设提出改善建议。
参考文献
[1]陆化普.交通规划理论研究前沿[M].北京:清华大学出版社,2007.
[2]周雪梅,张显尊,杨晓光,等.基于交通方式选择的公交出行需求预测[J].同济大学学报,2007,35(12):1627-1631.
[3]Koppelman F S,Wen Chieh-Hua.Alternative nes-ted logit models:structure,properties and estima-tion[J].Transportation Research Part B,1998,32(5):289-298.
[4]Lo H K,Yip Chun-Wing,Wan Quentin K.Model-ing competitive multi-modal transit services:a nes-ted logit approach[J].Transportation ResearchPart C,2004,12(3-4):251-272.
[5]刘振,周溪召.巢式Logit模型在交通方式选择行为中的应用[J].上海海事大学学报,2006(3):24-28.
[6]吴世江,史其信.交通出行方式离散选择模型的效用随机项结构研究综述[J].公路工程,2007,32(12):92-97.
[7]Ruichun H E,Yinzhen L I,ZHANG Junyi,et al.Improved uban inhabitant travel demand model andits application[J].Journal of Transportation Sys-tems Engineering and Information Technology,2007,7(6):80-83.
[8]张显尊.综合客运交通枢纽换乘优化研究[D].上海:同济大学,2010.
交通模型 篇2
3.1动态模型的约束条件
本模型服从先进先出规则，设一辆在ti时段进入路段a。路段a上的行驶时间近似认为ta（ea（ti））（因为行驶时间ta（q）是随q的变化而变化，若ti时段很小，则可以认为a上的交通量ea（ti）为不变的）[5]，则在ti+ta（ea（ti））时刻离开a路段。为简便起见，若取每个小时为单位时间（或相等时间），则
这里假设第ti时段的交通流量a在本时段内不流出，即
说明ti时段a路段上的流出量必为前面某时段ti的流入量。
在ti时段末，路段a上的交通流量不仅与前一时段的交通量有关，还与本时段的流出量有关，应为
即ti时段a路段上现有交通量等于前一段交通量加上该时段交通分配量减去该时段交通流出量，设ea（0）=0。
考虑任一O-D对r-d，在起点r，ti时段的交通分配量，应为该节点的生成量与其它节点经过该节点流向s的交通量之和，即
3.2 动态模型的目标函数
为简便起见将所考虑的时段（0，T）分为m个相等的时期t1，t2，t3，……tm，因为每个时段相等，可将小时段记为1，2，……，m，则第i个时段的.均衡模型为
3.3 模型的求解方法
Frank-Wolfe算法用线性回归逐步逼近非线性规划的方法来求解UE模型，该方法是迭代算法[6]。此方法的前提条件是模型的约束条件必须都是线性的。均衡分配法的步骤可归纳如下：
Step0：初始化。
按照织 tao=ta（0），va 实行一次0-1分配，得到{xa1}，令n=1
Stepl：更新时间
tan=ta（xan）.va
Step2：找方向。
按照{tan}实行一次0-1分配得到一组辅助变流{yan}：
Step3：确定步长
求下式∑a（yan-xan）ta（xan+λ（yan-xan））=0；
0QλQ1
Step4： 移动。
Xan1=Xan+λa（yan-xan），Va.
Step5 ：收敛检验。如果{Xan1}已满足规定的收敛准则，停止计算。
{Xn+1}即为解，否则令n=n+1. 返回Stepl 1.
3.4 模型的求解步骤
为了求解本模型，关键就是求解规划问题，与UE问题没有本质区别，也是用求解非线性规划的方法即可解决。求解本模型步骤如下：
步骤0 首先将所考虑的大段[0，T]分为m个相同的单位时段1，2，…M。已知每个小段的O-D：q～（t1），V k， r， sea（0）=0：
步骤1 利用一种非线性规划的方法（F-W算法）求解规划问题（p1）“
步骤2 若求出了（p1）的最优解，由上式就可算出ea（t1-1）及oa（t1）；
步骤3 按非线性规划方法（F-W算法）来求解规划问题（p1）直至（pm）为止；
显然，若能寻找一种有效的方法来求解非线性规划问题（p1）（i=1，2，....，m），则本模型就有有效的求解方法，这属于非线性规划问题求解方法的研究。
4 结论
本文动态模型考虑了路段上的原有交通量，对实时的路段交通量配流进行了优化，路网得到了较充分的利用，比静态的交通量分配的路径诱导结果优势明显。
参考文献：
[1]杨兆升.城市交通流诱导系统理论与模型[M].北京：人民交通出版社，2000.
[2]黄海军.城市交通网络平衡分析理论与实践[M].北京：人民交通出版社，1994.
[3]陆化普，史其信，殷亚峰.动态交通分配模型理论的回顾与展望[J].公路交通科技，1996，13（1）：78-81
[4]杨清华，贺国光.对动态交通分配的反思[J].系统工程，2000，97（1）：49-52.
[5]袁振洲，李巍屹，刘海东.动态交通分配理论与方法研究简介[J].综合运输，2008（9）：23-25.
交通模型 篇3
1.问题分析
建立一个模糊控制系统模型首先要确定控制系统的输入、输出变量。对于交通影响程度评价系统来说，我们不难发现，交通与用地就是我们所需要的输入变量，而对于输出变量则可直接采用交通影响程度这一概念，而并非经常所述的交通满意程度的概念。因为用交通影响程度更能直接反映出开发项目对周围路网的交通影响，同时也有利于建立该模糊控制系统模型。在输入变量的界定中，交通系统可以用周围路网的平均负荷度来衡量，而对于用地系统来说，采用开发项目高峰小时生成交通量来衡量，这一指标在一定程度上反映了土地利用的性质、规模及区位等系列特征，因此是一个比较理想的度量指标。
2.模型变量说明
（1）VPH（Vehicle Per Hour）：高峰小时项目生成交通量；（2）VDC (Vehicle Divide Capacity):项目周边路网平均负荷度；（3）TID (Traffic Impact Degree)：开发项目对周边路网的交通影响程度；（4）Myrule：模糊数学中由模糊条件语句组成的规则库（IF…THEN语句）；（5）Time：模糊控制系统的时间；（6）Timestep：模糊系统控制的时间步长；（7）T：实现系统自增变量。
3.基于模糊控制系统的交通影响程度评价模型
（1）模型框架
基于上述分析和及模型变量说明，利用模糊控制语言FCL(Fuzzy Control Language)，我们不难建立如图1所示的模糊控制系统模型。
（2）隶属度函数
分别对两个输入变量建立隶属度函数，对系统的输出变量同样也建立隶属度函数，如图2所示。
（3）模糊逻辑规则库
模糊控制系统模型中对于模糊逻辑规则库的建立是至关重要的，建立规则库不可能凭空想象，一定要建立在已有实践项目及专家经验的基础上才能得到比较理想的结果，从而更能体现出本模型的实用价值。因此在建立本系统模型之前笔者参考了大量的相关资料，如北京工业大学的自然基金项目《交通影响分析体系研究》[2]、《交通影响分析指南》等，得到了25条比较切合实际的模糊逻辑规则语言。如其中一条模糊语言：IF VPH is Low and VDC is Low, THEN TID is Low.
（4）模糊控制点界定
根据道路通行能力手册（Highway Capacity Manual，简称HCM），一般认定VDC<0.4时，车辆处于不受阻碍的自由流状态[3]；而VDC>0.9时，道路服务水平由D变成了E，这也是模糊控制系统需要做出敏锐反应的突变点。对于高峰小时交通量，美国等发达国家的大城市由于其机动化水平较高，因此规定进行交通影响分析的上限也比较高，VPH取100PCU/h，即单向高峰小时项目生成交通量超过100pcu，就认为由它造成的交通影响是不能接受的，该项目必须进行交通影响分析。而国内一些大城市如南京市规定为60PCU/h，即建设项目单向高峰小时项目生成交通量超过60PCU/h，该开发项目也必须进行交通影响分析。显然对于本模糊控制系统模型而言，VPH=60PCU/h也是模糊控制系统的一个突变点。
（5）模糊控制系统推理结果
笔者对模糊控制系统进行正负两个方向的模拟。首先是VDC和VPH都逐渐增大，即正方向模拟；另一种情况是VPH增大，VDC逐渐减小，即负方向模拟。两种情况的模拟结果如图3、图4所示。
4.模型结果分析
（1）正方向模拟结果分析（见表1）
显然，交通影响程度TID与项目周边路网平均负荷度VDC和高峰小时项目生成交通量VPH是成正比关系的，因此模拟结果是一条阶梯递增函数曲线。对于1号突变点是由VDC=0.4这一模糊控制点所导致的结果。因为VDC<0.4时，车辆是以自由流行进的，而一旦超过这个值，车辆运行条件将发生明显的变化，因此交通影响程度TID也产生了突变，从0.15突增至0.58；而对于2号突变点则是由VPH=60PCU/h这一模糊控制点造成的，原因如前所述。TID由0.58增加到0.82；对于最后的3号突变点是由VDC=0.9导致的，也就是道路服务水平由D级降低到E级这一临界状态，因为一般要求城市市郊区道路服务水平不得低于D级，因此模糊控制系统对这一临界状态也产生了敏感的突变。TID由0.82增加到0.95。
（2）负方向模拟结果分析（见表2）
由于高峰小时项目生成交通量VPH是单调递增，而项目周边路网平均负荷度VDC是单调递减的，因此生成的曲线显然不是简单的递增或者递减。各个突变点说明如下：系统模拟开始时，VPH值很小，因此交通影响程度TID就取决于VDC，即交通影响程度TID随VDC的下降而呈阶梯下降。1号突变点是由于VDC=0.9这一模糊控制点导致的，因为VDC=0.9是道路服务水平D级与E级的分隔值，交通影响程度TID由0.82降低至0.58；2号突变点的形成原因是VDC=0.75, 也就是道路服务水平C级与D级的分隔值，交通影响程度TID由0.58降低至0.31。由于VDC的逐渐下降，其对交通影响程度TID的作用越来越小，同时由于VPH的逐渐增长，使其成为了影响交通影响程度TID的主流因素，因此交通影响程度又开始呈现阶梯递增现象，其中3号突变点就是由于VPH=60PCU/h导致的结果，交通影响程度TID由0.31增加至0.58；而4号突变点是由VPH=100PCU/h这一模糊控制点导致的，交通影响程度TID由0.58降低至0.82。VDC的继续下降必然使得原来的交通系统进入自由流状态，而当VDC=0.4时，如正方向模拟结果分析，使得VDC占据了主导影响因素的地位，同时VPH已经超过了临界值，它的继续增大也只是简单的量的积累，而不会成为影响TID的主要因素，因此形成了5号突变点，交通影响程度TID由0.82降低至0.58。同时在VDC=0.4的影响下，系统又进入了阶梯递减的状态。值得说明的是，虽然5号突变点是由于VDC=0.4而形成的，但由于VPH已经超过临界值，因此5号突变点位置的交通影响程度TID还是很大的，与VDC=0.9时基本相当。
5.结论
本文借助模糊控制系统平台POPFUZZY模拟软件，结合交通影响评价理论，建立了基于模糊控制系统的交通影响程度评价模型，有一定的原创性。从模型结果分析中不难看出，各个突变点都很好地反映了项目周边路网平均交通负荷度与项目高峰小时生成交通量对交通影响程度的灵敏度，这些模糊控制点也是符合当前国内外专家在这一领域的研究成果。更值得一提的是，在阶梯之间的曲线很好的反映了负荷度和高峰小时交通量在非临界点状态下输入输出变量之间的曲线关系，这就为具体项目的交通影响评价工作提供了技术参考与评价准则。
由于模糊控制系统的核心是模糊逻辑规则库，而规则库的建立又受制于已有的研究成果，如何进一步完善模糊逻辑规则库将是未来该课题深化研究的重点。
参考文献：
[1]潘有成,莫海波.新开发区域建设项目交通影响评价及其应用研究[J].重庆交通学院学报.2007,26(2):140-144.
[2]王丽.大城市交通影响分析体系研究[D].北京:北京工业大学,2001.
[3]李作敏.交通工程学（第二版）[M].北京:人民交通出版社,2003.
交通模型 篇4
交通拥堵是现代城市,尤其是大城市,不可避免的交通问题。对路网进行交通拥堵状态的评价是改善其运行质量的前提和依据。目前,大多数的道路拥堵状态评价方法都是针对单个路段所处的运行状态进行评价,缺少从微观路段到宏观路网的分层次路网交通拥堵状态的评价方法。因此,本文采用交通需求作为交通拥堵的影响因素,建立基于交通需求加权的交通拥堵评价模型,并对北京市五环内路网的拥堵状态进行评价。
1 交通拥堵指数评价指标
1.1 分层次路网交通拥堵指数
国内外对于交通拥堵状态的评价指标研究已经非常丰富,该类指标给出了对拥堵强度的判断和量化标准,比如:美国德州交通研究院提出的道路拥堵指数(Roadway Congestion Index,RCI)[2],Lindley提出的拥堵严重度指数(Congestion Severity Index,CSI)[3]等。但是这些指标都仅仅是衡量交通通行能力满足交通需求的程度。
由于交通拥堵是一个感觉量,它不仅仅与交通需求和道路通行能力有关,而且与人们的心理承受能力有关[4]。因此,本文提出既能够反映拥堵强度,又能体现出行者对交通拥堵强度的感受的指标,即交通拥堵指数(Traffic Congestion Index,TCI)来对路网的运行状态进行评价。
交通拥堵指数(TCI)是指将特定区域特定时刻的单个路段、某等级的道路或整体路网的拥堵强度量化后的相对数,该指标值可以体现从单个路段到整体路网的交通运行状态和拥堵强度,反映其运行质量,无量纲。交通拥堵指数是一个连续变量,定义其取值范围是0~5。指标值的大小代表了不同的交通运行状态和拥堵强度,值越大则评价时段内的道路运行状态越差,拥堵强度越大;反之,道路的运行状态越好,拥堵强度越轻。本文中将出行者对交通拥堵强度的感受划分为5个等级,分别为:严重拥堵、中度拥堵、轻微拥堵、畅通、非常畅通。
针对单个路段、某等级的道路、整体路网,交通拥堵指数分别包含“点—线—面”3个层次:路段交通拥堵指数(TCIlink)、道路交通拥堵指数(TCIroad)、路网交通拥堵指数(TCInetwork),分别可以反映某一条路段、某一等级道路、整体路网的运行状态和拥堵强度。
TCIlink值为出行者对拥堵强度的感观判断值(1,2,…,5),对应的拥堵强度等级如式(1)所示:
交通拥堵指数从路段向某等级道路以及从某等级道路向路网过渡时,采用加权法进行集成。TCIroad和TCInetwork的理论计算公式如式(2)所示:
式中:TCIlinki表示该等级道路中路段i的交通拥堵指数;TCIroadj表示第j等级道路的交通拥堵指数;Ai,Bj分别表示路段i或第j等级道路重要性的权重;n表示某等级道路的总路段数;m表示路网中总的道路等级数。
TCIroad、TCInetwork与拥堵强度等级的对应关系定义如下所示:
1.2 路段交通拥堵指数的标定
人们描述道路运行状况一般不用具体的数值来定量的描述,而用“堵”或“畅通”等来表达出行感受。对于本文定义的路段拥堵强度等级,也有类似的变量测量尺度。这类变量属于多分类变量,通常按1、2、3等整数序列编码,在反应变量的各类中都有明确的从低到高的排序。Logit模型同其他模型相比,具有能以分类变量作为反应变量的特点。
因此,本文结合了对北京市各等级道路的拥堵强度主观感受的调查数据,采用Logit模型来进行路段交通拥堵指数的标定。在进行拥堵强度主观感受调查时,调查车辆上安装GPS记录仪装置,分别在城市快速路、主干路、次干路和支路运行,记录每分钟的车辆速度。同时,调查人员每分钟记录自身对道路拥堵强度的主观感受(1表示非常畅通、2表示畅通、3表示轻微拥堵、4表示中度拥堵、5表示严重拥堵)。
以调查员对拥堵强度的判断值为因变量,车速为自变量,可以得到各等级道路的拥堵强度与车速之间的函数关系。于是,根据路段平均行程车速即可确定该路段的交通拥堵指数,对路段的拥堵强度进行评价。
2 基于分层抽样技术的最低样本量确定方法
分层抽样又称类型抽样,是先对总体各单位按标志差异大小分层,然后再从各层中按简单随机抽样方式抽取一定数目的样本单位构成总的样本,用来推测总体目标量的方法。当层平均数之间的差异较大,而层内各元素的差别较小时,分层抽样能降低抽样平均误差,从任何一层内抽取少量的单位就能获得层内平均的精确估计;而且分层抽样可以解决在不同的层内采用不同抽样方法的问题。
受数据采集技术的限制,在计算道路网交通拥堵指数的过程中不可能采集到任何时刻全部路段的交通流数据。同时,道路网是一个复杂的系统,由多个等级的道路组成。对于不同等级道路的路段,其交通流特性,如流量、速度、交通流密度等都有所不同。而同一等级道路的路段,其特性具有相似性。因此在具体的评价过程中,将不同等级道路的路段各作为一个层来看待,采用分层抽样技术来降低采样量,计算最低路段抽样样本量,在指定的精度要求下尽可能提高模型计算的效率。
最低抽样路段的样本量主要是由路段特性参数(比如:路段行程速度)、置信度、可接受的误差决定[5,6]。其中,路段特性参数可以采用速度的变异系数(Coefficient of Variation,CV)作为衡量指标。假设路网包含了K个等级的道路,各等级道路拥有无限数量的路段,总体平均值抽样的相对误差为e,置信度为1-α,抽样容量计算公式如式(4)所示:
其中,zα值可从标准正态分布表中查得,当置信度为95%时,zα值为1.96。CVK表示第K等级道路的速度变异系数,等于所有样本车辆的行程速度标准差除以行程速度平均值。
实际上,各等级道路的路段数是有限的,因此,需要对式(4)进行修正。最终得到各等级道路的最低抽样路段数的计算公式如下:
式中:nK表示对于第K等级道路的最低抽样路段数;n0K表示第K等级道路拥有无限数量路段时的抽样路段数;NK表示第K等级道路中的路段总数。
3 基于车辆行驶时间的路网交通拥堵评价模型
3.1 车辆行驶时间(VHT)
交通拥堵具有一定的时空特性,在时间上体现为拥堵持续时间,通常采用交通系统处于拥堵状态的总时间或出行者在拥堵时段的总出行时间来量化。交通拥堵发生时,对于出行者而言最直观的感受就是出行时间的增加。
车辆行驶时间(Vehicle-Hours of Travel,VHT)是指路段上平均交通量与车辆平均行程时间的乘积,包含了路段长度和交通拥堵的双重影响。VHT同国外采用的车辆行驶里程(Vehicle-Miles of Travel,VMT)类似,是对道路交通负荷和交通强度的体现,同时也能够反映出出行者对于道路的交通需求。国外的Robert和Theodore研究发现[7],基于道路长度的评价方法(如VMT)计算得到的拥堵强度以及空间影响范围比较小,而采用基于行程时间的方法(如VHT)进行评价,主干路的拥堵强度明显增加,尤其是对于高峰时段的路网拥堵状态比较敏感,评价结果与人们的感受更加相符。因此,本文采用VHT来表征交通需求。
对于某一条路段,在统计时段内其VHT的计算公式为:
式中:VHTi表示统计时段内路段i的车辆行驶时间;qi表示统计时段内路段i上的平均交通量;Ti表示路段i上车辆的平均行程时间。
对于不同等级道路,在一定时期内的拥堵总持续时间相对稳定,因此可以认为在统计时段内,对应的VHT是一个相对固定的值。某等级道路的VHT计算公式如下:
式中:VHTK表示第K等级道路在统计时段内的车辆行驶总时间;n表示第K等级道路的平均车道数;qK表示第K等级道路在统计时段内的单车道平均交通量;TK表示第K等级道路在统计时段内的单位里程平均行程时间;LKi表示第K等级道路路段i的长度。
3.2 基于VHT的综合评价法
综合评价法是根据指标重要性对指标进行加权处理,得到相应的评价结果。综合评价法的评价结果不再是具有具体含义的统计指标,而是以指数或分值来表示参评单位“综合状况”的排序。
本文所采用的综合评价法是以不同等级道路的车辆行驶时间(Vehicle-Hours of Travel,VHT)作为权重来加权,求取评价道路运行状态的综合指标Index。评价方法如式(8)所示:
式中:VHTi表示某等级道路或路段在评价时段内的车辆行驶时间;Indexi表示某等级道路或路段对应的评价指标值。
3.3 路网交通拥堵评价模型
建立路网交通拥堵评价模型时,以交通拥堵指数作为评价指标,用VHT作为权重,采用综合评价法进行建模。路网交通拥堵评价模型分为微观、中观、宏观3个层次,分别用路段交通拥堵指数(TCIlink)、道路交通拥堵指数(TCIroad),路网交通拥堵指数(TCInetwork),从“点”到“面”对整个路网的交通拥堵状态进行评价。
路段交通拥堵指数TCIlink值如式2所示。
道路交通拥堵指数(TCIroad)的计算方法如下:
式中:VHTroadk表示该等级道路中路段i的车辆行驶时间。
由于TCIlink取值并不是连续变量,非常畅通强度等级的TCIlink取值非[0,1]区间,当且仅当全部的路段处于非常畅通状态时,计算出TCIroad的才能取到最小值1。因此,由式(9)计算所得的TCIroad取值区间为[1,5]。可以说,利用式(9)计算出的TCIroad值分布范围较小,路段的状态并没有真实地反映出来。比如:对于实际上处于非常畅通状态(TCIroad值应为0~1)的路段,用式(9)计算出的TCIroad值是大于1的,可能会被判断成该路段处于畅通状态。因此,在用式(9)计算出初步的TCIroad结果后,将各等级道路的TCIroad的[极小值,极大值]区间分别做相应的映射,使其取值范围处于[0,5]之间。具体的映射方法见下式:
式中:max表示极大值,min表示极小值。
最终得到整体路网的交通拥堵指数评价模型,公式为:
式中:VHTroadK表示第K等级道路的车辆行驶时间。
4 实例应用
以北京市为例,研究对象选取北京市五环内道路网,包括:快速路、主干路、次干路和支路。以北京市浮动车数据为主要数据来源,选取2006-03~2007-03工作日各一天的浮动车数据,对路网的交通拥堵状况进行评价。
以北京市为例,采用95%的置信度,5%的相对误差值对各等级道路的交通流数据分别进行计算,得到各等级道路的最低抽样率和最低抽样路段数,如表1所示。
根据Logit模型对路段交通拥堵指数的标定结果,可以用浮动车速度数据计算出各路段的TCIlink。通过对北京市浮动车数据(2006年4个月,2007年1个月)进行统计,得到快速路的极值取值区间为[1.0,4.5],主干路为[1.7,4.7],次干路和支路为[1.8,5.0]。根据式(10),分别对各等级道路的值做区间映射。
2006年和2007年工作日高峰和平峰时段各等级道路的对比情况如图1所示。工作日高峰时段,次干路和支路的运行状态最差,主干路最好。2007年同2006年相比,各等级道路的拥堵程度均有所加深,快速路、次干路和支路的拥堵恶化情况较为严重。工作日平峰时段,次干路和支路的运行状态最差,快速路最好,各等级道路的拥堵程度变化幅度较小,拥堵状况基本保持稳定。
综合不同的数据源(浮动车、检测器、核查线、GIS数据)对各等级道路的VHT值进行计算。高峰时段VHT的比例系数为:快速路13%,主干路46%,次干路和支路41%;全天VHT的比例系数为:快速路13%,主干路43%,次干路和支路44%。
计算得到北京市工作日整体路网全天不同时段的交通拥堵指数如图2所示。工作日全天路网的最差运行状态为严重拥堵状态。
工作日高峰时段和平峰时段路网的对比情况如图3所示。工作日高峰时段,路网处于严重拥堵的状态,路网的交通拥堵指数从4.01升到4.24,变化幅度为6%,拥堵程度加深;平峰时段,路网处于轻微拥堵的状态,交通拥堵指数从2.58降到2.55,变化幅度为1%,拥堵状况基本保持不变。
根据一天中不同时段路网的交通拥堵指数值,统计得到各时段路网所处的交通拥堵强度等级以及相应的持续时间,如表2所示。工作日全天路网处于拥堵状态的总持续时间为12~13 h。2007年工作日与2006年同时期相比,拥堵状态的总持续时间增加了25 min,其中严重拥堵持续时间增加了50 min,路网的拥堵程度加深。
h
5 结语
鉴于交通问题的主要原因在于交通供需不平衡,在交通供给一定的情况下,交通需求是导致交通拥堵发生的一个重要因素,本文引入了交通拥堵指数评价指标(TCI),以表征交通需求的指标作为加权模型的权重,建立了基于车辆行驶时间(VHT)的交通拥堵指数评价模型,从微观路段、中观某等级道路、宏观路网3个层次进行路网交通拥堵状况评价。实例应用表明,该方法具有较好的实用性,能够为日后交通管理部门研究分析城市交通系统的拥堵现象提供参考依据。
参考文献
[1]李维生.大中城市交通拥挤堵塞问题的分析及对策[J].内蒙古农业大学学报,2004,6(2):81-82.
[2]Boarnet M,Kim E.Measuring Traffic Congestion.In Transportation Research Record,No1634:Journal of Transportation Research Board series,TRB,National Research Counci[lC].Washington,D.C.,1998:93-99.
[3]Lindley J.A Methodology for Quantifying Urban Freeway Congestion[M].Transportation Research Board,1987:1-7.
[4]姜桂艳.道路交通状态判别技术与应用第1版.[M].北京:人民交通出版社,2004:52-53.
[5]Turner S,Lomax T,Levinson H.Measuring and Estimating Congestion Using Travel Time-Based Procedures.In Tran-sportation Research Record,No1564:Journal of Tran-sportation Research Board series,TRB,National Research Counci[lC].Washington,D.C.,1996:11-19.
[6]Turner S,Holdener D.Probe Vehicle Sample Sizes for Real-Time Information:The Houston Experience.Proceedings of the Vehicle Navigation and Information System Conference[C].Seattle:IEEE,1995:3-10.
交通模型 篇5
公路交通项目经济效应预测诱增模型研究
交通项目对于地区经济发展有诱增效应,单一的趋势型预测方案不能科学地反映该诱增效果.本文在简约型地区经济预测和人口预测的.基础上,通过经济引力方程、经济潜力决定方程和经济诱增效果计量公式建立的经济诱增型模型,对海满公路交通项目的经济诱增效果进行了定量预测.
作 者：刘树江 崔莉 作者单位：河海大学 刊 名：内蒙古农业大学学报（社会科学版） 英文刊名：JOURNAL OF INNER MONGOLIA AGRICULTURAL UNIVERSITY(SOCIAL SCIENCE EDITION) 年，卷(期)：2005 7(1) 分类号：F502 关键词：交通项目 经济发展 诱增效应交通模型 篇6
关键词：实际通行能力；数据拟合；排队论；交通事故
道路通行能力也称道路容量，是道路的一种性能，能度量道路疏导车辆的能力。随着我国社会经济的持续快速发展，城市已成为经济增长的重要地区，机动车也随之迅猛增多。道路上发生的交通事故、路边停车、占道施工等行为使车道被占用而导致道路横断面通行能力在单位时间内降低，若是不能及时得到解决，则会导致交通堵塞，影响人们的正常生活。合理的分析道路被占用的各个因素及其联系，建立起相关模型，可以尽可能的解决道路被占用所带来的困扰。我们以交通事故这一典型事例为代表，观察分析视频中两次交通事故，研究了车辆被占用对对城市道路通行能力的影响，颇具代表性和合理性，这将为日后解决道路被占用而导致交通拥堵问题产生重大影响。以下是相关的实证分析。
一、事故所处横断面的实际通行能力
1.假设在理想的道路和交通条件下，当具有标准长度和技术指标的车辆，以前后两车最小车头间隔连续行驶时，单位时间内通过道路上指定断面的最大车辆数，记作N（辆/h）。
2.车道宽度对路段通行能力的影响：道路的通行能力C是车道宽度b的函数。车道的宽度达不到要求必然影响车速，车速的降低则意味着通行能力的减小。车道宽度对道路的通行能力和行车的舒适影响很大：从保证通行能力的角度考虑，必需的车道宽度b=3.50m。当车道宽度b大于3.50m时，不影响通行能力；当b小于3.50m时，则车速下降，通行能力减小；车道宽为3.25m时，通行能力修正系数a车道为0.94；车道宽为3.00m时，通行能力修正系数a车道为0.85；车道宽为2.75m时，通行能力修正系数a车道为0.77。
3.多车道对路段通行能力的影响：在一些城市主干道上，同一行驶方向的车道往往不止一条，在多车道的情况下，同向行驶的车辆由于超车、绕越、停车等原因影响另一条车道的通行能力。一般越靠近路中心线的车道，其影响越小，因此在无分隔带的同向车道上，靠近路中心线的车道通行能力为最大：靠近侧石的车道，其通行能力为最小，其影响用修正系数a条来表示。据观测，自路中心线起第一条车道的修正系数a规定为1.00，其余车道的修正系数依次为：第二条车道为0.80-0.89；第三条车道为0.65-0.78；第四条车道为0.50-0.65；第五条车道为0.40-0.52.为了统一数据，我们在本论文中第一车道a条采用数值1，第三车道a条采用数值0.72。
通过对图一中两折线图的对比，我们可以清晰得出事故从发生到撤离期间事故所处横断面的实际通行能力的变化趋势：在最开始的一小段时间内由于刚开始车辆较少，通行能力变化不大，但已有车辆开始滞留，过了一段时间之后由于上游路段绿色信号灯的作用，车辆的不断驶来，较多的车辆连续不断往事故处拥挤，使得此处的通行能力急剧下降，之后随着时间的推移，再加上上游信号灯固定的时间变化，事故处的实际通行能力开始回升，最后趋于相对平稳的范围内波动。
二、横断面车道三的实际通行能力.
折线图可以看出由于视频一与视频二所占车道不同，因而虽然是同一横断面，实际通行能力仍然存在着差异，这是由于在视频一中，车祸将直行车道、左转车道堵住，车辆只能从右转车道通过。而堵住的两个车道的流量比例占79%，处在这两个车道的车必须插入右转车道才能行使通过，由于被堵车道车多所以插入右转车道时间会比较长，故车祸发生后道路通行能力马上下降.道路通行能力减小到约为原来的三分之一，随着上游不断进来的车，事故发生点开始堵车，道路通行能力为实际通行能力，一直处于波动阶段，车祸撤离后恢复至原来的道路通行能力.在视频二中车祸发生点在右转车道与直行道处，直行、右转车道的车需要插入左转车道，由于左转车道的流量比例为35%，比右转车道高出很多，所以开始出现了不堵车的情况；当越来越多的车插入右转车道后才使得其通行能力下降使得道路被堵，直到车祸撤离后才缓解堵车现状，恢复到以前的道路通行能力。
三、实际通行能力和上游车流量与时间函数关系式的建立
我们假设道路发生事故的排队系统服从排队论中的成批到达的MkM1排队模型。这种模型是指上游车辆到达事故处为最简单流，即由于上游信号灯的影响，车辆到达事故处的时间间隔是服从负指数分布的排队系统。
为确定每批车辆到达的时间间隔和等待时间分布的方法，一般是按照统计学方法，用理论分布去拟合实测资料并估计其参数值。本问题用到的输入过程和理论分布分别是泊松流和负指数分布。
1.该系统的输入过程{M（t），t≥0}为Poisson流，平均到达速率为λ（单位时间内的到达次数，λ>0），但每隔一段时间到来的不是一辆车，而是一批车，设本问题中每批到达k辆车，车的数量为∞；
2.对于每辆车在此路段的停留时间{vn，n=1，2，…}相互独立并且都服从负指数分布，通过速率μ；
3.系统容量为有限值x，当有车辆到达该路段的时候，若该路段的通行能力正常，则该车辆可以正常通过，而当此处发生交通事故时，道路的实际通行能力下降，此时若有一批车辆从上游驶过来，则这些到达的车辆要在队列中排队等待行驶通过.
我们设N（t）表示t时刻系统的排队长度，由于系统容量为有限值，故N（t）的可能取值空间为I={0，1，2，…，x}，N（t）的取值空间就是状态空间，系统可在这些状态之间变化，相邻状态就是相差不大于1的车辆数.系统中下一时刻车辆的数目只可能增加一个、减少一个或保持不变，也就是该随机过程的一步转移只能发生在相邻状态之间，或者说，用“生”表示车辆增加一个，“灭”表示车辆减少一个。
假设某时刻系统中已经有n辆车，此时，当有一个批量为k的车辆到来后，系统中的车辆立即增加到n+k个，而事故处每次只能通行一辆车。
该系统在一定条件下是存在平稳分布的，即系统处于各个状态的概率均存在.如果我们根据以前的方法，依据平衡状态下流入流出量相等的原则列出等式，然后根据概率归一化条件求出概率分布，最后根据定义求L等参数会异常复杂。因此，下面我们使用了较为简单的方法求解。
由上面过程我们可以得出交通事故所影响的路段车辆排队长度：
L=L0+L2-L1
四、结束语
本文通过对问题的分析，合理地将问题进行模块化处理，使问题明朗化，并在一定程度上将其进行了简化。所建立的模型不仅适用于本事故，对于一般的城市道路事故也可使用，以便来解决实际问题，更好的舒缓交通，方便大家的通行。
参考文献：
[1]肖华勇.数学建模竞赛优秀论文精选与点评[M].陕西：西安工业大学出版社，2011.
[2]姜启源，金星俊.数学模型[M].北京：高等教育出版社，2011.
[3]曾勇，丽华，建峰.排队现象的建模、解析与模拟[M].陕西：西安电子科技大学出版社，2011.
空中交通管制员认知模型初探 篇7
关键词：空中交通管制,情景意识,心智模式
在空中交通管制这项高风险、高强度的脑力工作中, 良好的心理素质是实现一切正确决策的保证。管制员的工作是以认知为主导的, 信息的接受、信息的选择、信息的查寻、信息的综合化、决策、信息的沟通和提供反馈是管制员任务的基本元素。理解管制过程中涉及的认知过程是管制员工作任务分析, 选拔与培训以及人机系统研发的基础。管制员认知模型研究的目的是提出管制工作的一个全面模型, 通过这个模型, 我们可以了解管制员工作的基本过程, 了解管制员认知系统的优势与不足, 从而应用到管制员的选拔, 培训和人机系统的研发中去。
一、认知科学的理论指导
认知科学是研究人类感知和思维信息处理过程的科学, 包括从感觉的输入到复杂问题求解, 从人类个体到人类社会的智能活动, 以及人类智能和机器智能的性质。认知科学是现代心理学、信息科学、神经科学、数学、科学语言学、人类学乃至自然哲学等学科交叉发展的结果。空管工作要求管制员有过硬的心理素质, 涉及到大量的数据的收集、分析、预测, 需要进行大量的注意力的分配和转移, 而认知心理学的研究目标包括数据收集、数据分析、理论发展、假设形成、假设检验等。可见, 从认知心理学的角度对管制工作进行分析, 建立空中交通管制认知模型能够有效地从理论角度指导管制工作, 从而促进提高管制工作效率。
二、管制工作中的认知能力
保持良好的情景意识是做好管制工作的前提, 同时也是认知能力在管制工作中的主要体现。情景意识是指在一定时间和空间范围内对周围环境要素的感知, 理解它们的意义, 并且反映它们未来一小段时间的状况。管制员通过从各种各样的显示器和通讯渠道等环境要素中感受到的信息形成基本的情景意识。管制员建立的情景意识的质量主要取决于管制员自身的能力, 接受的训练, 经验, 预测与实际正在进行的任务的工作负荷。
建立准确的情景意识是管制员做出正确决策的一个必要条件, 但与决策又是相互独立的, 决策是未来所有任务的基础。管制规则和程序执行的是否合适取决于管制员建立的情景意识的质量。即使是受过很好训练或者是很有经验的管制员, 如果他的情景意识不完全或者不准确, 他们也会做出错误的决策。相反, 一个没有经验的管制员会意识到周围将要发生什么, 然而, 他们不知道该采取什么样的行动。由于这个原因, 将情景意识和决策以及执行阶段分开考虑是很重要的。为了进一步扩展上面的定义, 情景意识可以被分为三个等级:
第一级:感知环境要素。
达到情景意识的第一步包括感知环境中相关要素的状态、特性、动态。管制员需要准确感知它所管辖区域内每一架航空器, 以及他们的特性, 包括:身份识别、空速、位置、航路、飞行矢量、高度, 天气, 管制许可, 紧急信息, 和其它相关要素。这就体现了认知科学中信息的接受、选择和查询。
第二级:在合成第一级中不连续的信息的基础上, 理解实际情况。
第二级在第一级的基础上增加了对周围情况的认识, 即依据管制员目的对周围重要要素的理解。在第一级要素认识的基础上, 将所有要素组合在一起, 一个整体的环境图示就形成了, 它包括对一些重要信息和事件的理解。管制员需要将不同的数据组合起来决定是否需要改变一架航空器的飞行状态, 了解航空器与预期或者允许状态的偏差会对其它航空器造成什么样的影响。一个新手管制员可以达到与一个经验丰富的管制员同样水平的第一级, 但在整合数据的能力和按照自己的目标去理解当时的情况的能力方面就不如经验丰富的管制员了, 这就体现了管制员信息综合的能力。
第三级:预测未来情况。
情景意识的第三级也就是最高级能预测对未来环境要素情况的对策, 至少可以预期下一个行动。通过对当前有关状态的认识、对当前状况要素动态发展和当前情况的理解 (对第一级和第二级的理解) 达到情景意识的第三级。如, 管制员通过三架飞机的径向线了解在未来一段时间它们是否会产生冲突, 判断哪条跑道空闲, 决定航路, 确定潜在的顺序。这给管制员提供了确定最有利的方案的知识和时间。
尽管情景意识可以说是在给定时刻管制员对周围环境的认识, 我们应当认识到它较高的时间特性。它是瞬时获得的, 但是随着时间的流逝建立起来的。基于对过去行动和条件要素的动态探索, 管制员能够预测未来环境的情况。接班管制员需要花费一定的时间去建立适当的情景意识, 为他的工作做准备。此外, 需要提到情景意识高度的空间特性, 除了要考虑航空器、地面、天气类型、风、跑道等等之间的空间关系, 还要考虑空间和目标决定的规范, 他决定了环境中的那些因素对于现在工作中的情景意识非常重要。如, 扇区边界划分了管制员的责任范围, 然而, 在管制员的责任范围中又按照区域对情景意识影响的大小进一步的划分为更小的区域。
三、管制员认知模型
管制员工作时, 空中实际情况通过雷达屏幕由管制员的视觉系统反馈到人的大脑中, 形成实际情况的点对点的映射, 即心理图式。这种心理图式存储在工作记忆中。同时, 存储在管制员长期记忆中的处理问题的固定思维模式也被调用出来。最后, 将由通讯回路获得的有关航空器状况的信息与工作记忆和长期记忆中的信息结合起来, 通过处理控制系统综合处理, 分配注意力资源, 关注实际情况, 并且不断的进行评估和自我监控, 从而不断更新心理图式, 保持情景意识, 达到对全局的掌握与控制。如8400米和10800米高度层同时有两架向西飞行B737-300飞机, 前后间隔不足20公里, 10800米飞行员报告有晴空颠簸, 请求换一高度层飞行, 管制员收到这一信息后, 依据自己的知识, 10200和11400为东向高度层, 而由于B737-300的飞行性能限制, 达不到12000的高度, 所以只能飞9600、8400或以下西向高度层, 而记忆中8400米同时有一架向西飞行的飞机, 综合几种信息, 经过不断的监控、比较建立与实际相符的情景意识, 做出决策, 该飞机只能换到9600米飞行。
四、结论
本文结合认知心理学的知识和实际的管制工作经验, 通过建立认知模型的方式, 深入研究了管制员的认知方式, 对于管制员的选拔和培训均有参考意义。
参考文献
[1]EATC H IP.M odeloftheC ognitiveAspectsofAirTrafficC ontrol, 1997.
[2]R obertJ.Sternberg, 杨炳军, 陈燕, 邹枝玲译.认知心理学.中国轻工业出版社.
浅析短时交通流预测模型 篇8
多年来世界各国的城市交通专家提出各种不同的方法试图通过先进的交通管理系统(ATMS)、先进的交通信息系统(ATIS)、动态路径引导系统(DRGS)等各种先进的智能交通手段来缓解交通拥堵问题。而实现这些系统或方法的关键不仅要有实时的道路检测数据更重要的是要将利用各种检测设备获得的实时信息通过各种预测模型和方法获得实时、可靠、准确的预测信息,再利用动态路径诱导和交通信息系统为出行者提供实时有效的道路信息实现动态路径诱导达到节约出行者旅行时间缓解道路拥堵减少污染、节省能源等目的。因此准确、可靠的交通预测信息是动态路径诱导系统的基础和关键。
2 短时交通流预测原理
交通流预测是指在时刻t对下一决策时刻t+Δt乃至以后若干时刻的交通流作出实时预测。一般认为t到t+Δt之间的预测时间跨度不超过15min(乃至小于5min)的预测为短时(Short-term)交通流预测。按照预测的内容交通流预测可分为交通流量、交通速度、交通密度三个基本参数的预测以及车辆占有率的预测等。
在短时交通量预测中预测周期不超过15min,并且随着预测周期Δt的减小实时性的逐步提高交通流表现出越来越强的不确定性给短时交通量预测带来了困难。
3 主要模型分析与评价
目前应用于各个控制领域的预测模型和方法己将近300余种,按照预测方法的不同,预测模型划分为计量模型、神经网络模型、非线性系统理论模型以及动态交通分配模型、仿真模型等。
3.1 计量模型
计量模型主要有回归模型、自回归模型、移动平均模型、极大似然估计、Markov预测、卡尔曼滤波等。为适应短时交通流量变化的非线性特点,对回归模型进行改进,出现了如k-阶最近邻域估计(the k-Nearest Neighborhood Estimator,k-NNE)、内核估计(the Kernel Estimator,KE)、局部线性回归(the Local Linear Regression,LLR)等非参数回归(Nonparametric Methods)、卡尔曼滤波等方法[1]。
LLR可以描述为:设X为观测值集,Y为预测值集,为概率密度函数,常为高斯分布函数。此模型具有较高运算速度,有高度的最小化功能,抗干扰能力强,相对最近邻域预测、内核预测精度有一定的提高。
卡尔曼滤波(Kalman Filtering)是一种先进的控制方法,是一种基于线性回归的预测方法。其采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器,并利用状态方程的递推性,按线性无偏最小均方误差估计准则,采用一套递推算法对滤波器的状态变量作最佳估计,从而求得滤掉噪声的有用信号的最佳估计[2]。卡尔曼滤波是线性预测模型:
其中的参数向量HK(t)采用线性迭代的方式进行估计。在每次迭代中,用捕捉的上一次迭代的误差信息对预测因子向量Vi(t-k)和系统本身的状态向量不断进行修正,从而力求在噪声项W(t)干扰情况下,使估计参数向量趋于最优,以准确地预测VI(T+K)。
总的说来,基于统计方法的预测模型,建模有充分的理论基础,容易理解;但是由于它们的理论基础大多数是线性估计模型,当预测间隔小于5min时,由于交通流量变化的随机性和非线性加强,使得模型的性能变差;预测时仅仅利用了本路段的历史资料,没有考虑相邻路段的影响,这是影响其预测精度的原因之一。
3.2 神经网络
神经网络(Neural Network,NN)是一个由一些高度相关的处理单元所组成的计算系统,由以下单元组成:(1)处理单元(神经元)——基本组成部分;(2)联接权重——联系处理单元;(3)输入层、输出层、隐层;(4)转移函数——处理单元。网络通过学习训练后即可用来进行交通流预测。
神经网络模型与其他分析、计算方法结合更能发挥其优越性。神经网络与模糊预测相结合建立的神经网络模糊预测模型利用了模糊系统的强容错能力和容易被人接受的“如果-则”的表达方式,从而弥补神经网络黑箱型的学习模式。高阶广义神经网络(HGNN)与遗传算法(GA)相结合,改善了传统神经网络存在转移函数固定和网络结构设计难度大等不足,实现了参数的自适应调整,而且充分利用了遗传算法具有全局模拟优化的特点。时延神经网络(TDNN)最简单的方式是在通常的静态网络外部加入延时单元,把时间信号展成空间表示后再送给静态前向网络。TDNN发展成时空神经元模型后,既可研究平稳序列,也可处理非平稳序列。
3.3 非线性预测
非线性预测主要以混沌理论、耗散结构论、协同论、自组织理论等非线性系统理论为理论基础,利用有关混沌吸引子概念、分形概念、相空间重构方法、数字生态模拟法(Data Ecology)等建立预测模型,已经开发了混沌动力学预测法、混沌情景预测法、混沌唯象预测法、分形预测法等,其中发展较成熟的预测方法是小波分析、分形预测。当预测周期Δt缩小到5min或更短,交通流的不确定性、非线性更强,采用非线性预测有很强的适应性。
3.4 交通仿真模型
因为实际中影响交通的因素很多,很难用理论公式把所有的复杂因素都考虑进去,交通仿真模型可以提供一个唯一的手段来进行评价,交通仿真已经成为一个很重要的分析交通问题的工具。一般来说,交通仿真模型把车辆当作实体,用计算机模拟实际道路交通情况,对道路的交通状况进行仿真,得到道路预测的交通信息。因此,严格意义上说,交通仿真模型不能用于交通流预测的目的,因为它需要输入用于预测的交通流数据。而且,交通仿真模型不能实现实时性。然而,一旦交通流量数据能够通过其他的方法预测得到后,仿真模型可以提供一种估计动态旅行时间的方法。换句话说,仿真模型提供了一个交通流、占有率和旅行时间之间关系的一个模拟实际的计算方法。
3.5 动态交通分配模型(DTA模型)
当使用传统的仿真模型时,如CROSIM和SIMTraffic,要预先确定出行者的出行路径,这就要使用动态交通分配的结果。DTA模型通过采集到的交通流数据和出行者出行选择的行为用于估计随时间变化的网络的状态。DTA模型通常分为以下三种:以数学为基础、以变分方程为基础、以主观控制理论为基础或者以仿真为基础的启发式模型。所有这些方法的共同点是他们都是以传统的静态的交通分配的假设解决随时间变化的动态交通流问题,并且对任何一个网络没有一个方法是通用的方法。
动态交通分配是按照一定的准则将动态交通需求量合理地分配到路网上,从而得到路段实时交通量的方法,实现降低交通拥挤程度和提高路网运行效率的目的。此类方法目标明确,理论清晰,但也存在以下不足之处:(1)假设条件苛刻,在实际路网中无法得到相应信息或取得信息的代价昂贵;(2)某些模型的解释性虽然较好,但无法求解或求解难度大,优化时间长;(3)过分强调精确的系统最优或用户最优分配结果,加大了模型求解的难度,也不适合在大规模路网上实现应用。
4 结束语
本文对目前应用于交通流预测领域的各种方法进行了总结、分析和评价,从中可看出,基于传统统计理论的模型已不能满足复杂的交通系统的精度的要求,为了提高预测的精度和可靠性,应结合其他研究领域先进的方法和模型,博采众长,研究适合我国交通流特性的交通流预测综合模型,并建立评估系统,为实现动态路径诱导系统和动态交通信息系统建立基础。
摘要：交通流预测在智能交通系统中是一个热门的研究领域,近几十年来,专家和学者们用各种方法建立了许多相对而言精确的预测模型。文中在提出来交通流短期预测模型应具备的特性的基础上讨论了几类主要模型的结果和精确度,并对交通流预测领域今后的发展趋势做出展望。
关键词：短时交通流预测,神经网络,综合模型
参考文献
[1]王正武,黄中祥.短时交通流预测模型的分析与评价[J].系统工程,2003,11(6):98-100.
交通模型 篇9
大量准确可靠的动态交通信息是ITS(智能交通系统)得以顺利实施的基础。与其他检测技术相比,视频检测技术最显著的优点是具有丰富的信息量,因此为复杂检测任务的执行和交通信息的获取提供了可能[1]。
背景差分法是最常用、最有效的交通视频处理模式,而背景估计正是背景差分法的基础和核心环节。背景估计方法是视频交通信息采集领域的研究热点,近年来有大量的新方法出现,但目前尚没有1种被普遍接受的模型方法。常见的模型方法有统计学模型[2,3]、卡尔曼滤波法[4]、混合高斯分布模型[5,6]等。统计学模型中最常用的方法为序列均值法[3],该方法将运动对象的像素纳入背景估计,存在一定的偏差,适用于背景大部分时间未被遮挡,即交通占有率很低的情况。基于卡尔曼滤波的背景估计模型能够适应光线均匀、有序的变化,但卡尔曼滤波法在光线不稳定的情况下难以建立有效的状态转移矩阵,而对于目标像素常被遮挡(如交通繁忙时)的情况也难以适应。基于混合高斯分布的背景估计模型可以很好地适应光线的变化,对于缓慢移动的目标有较好的鲁棒性,但该方法对每个像素点都需要用相应的模型来进行描述,每个模型由多个高斯函数加权得到,因此模型的建立、参数的确定相当困难,算法的时空复杂度很高,对照明突变(如在公路隧道中)的应变能力较弱,不适合用于城市实时交通信息视频采集和处理。
针对城市道路实时交通信息视频信息采集和处理,笔者在综合考察现有方法的优缺点,并充分考虑算法的实时性的基础上,提出了1种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的混合模型对图像背景进行快速估计。
1 模型描述
1.1 背景像素亮度高斯分布假设
高斯分布满足自然界的许多现象,许多学者认为背景像素亮度值分布符合混合高斯分布的特点[5,6]。多高斯混合分布的缺陷是模型参数获取困难,样本需求量大,不能满足实时交通信息采集的要求。鉴于此,笔者提出了如下模型假设[7]:在主照明光源没有明显变化,且无遮挡的时间段内,数字图像上任意像素点的亮度值满足单高斯分布,即:
式中:p(x)为像素取某个亮度值x的概率;标准差σ>0;最大概率
本模型中,在没有遮挡的情况下,要获取背景图像某像素点在一段时间内的真实值,采用数节学期望E(N(μ,σ2))来表示,该方法与序列均值法一致。但是实际上,城市的道路常常会被车辆遮挡,单高斯分布假设并不存在,若直接按照此方法进行计算,误差将会很大。
为了处理干扰信息,将车辆对背景上某像素点的遮挡看作为随机干扰,由于车辆本身颜色、反射度等光学特征的差异,这些随机干扰一般不构成单一的高斯分布。即车辆遮挡下背景像素的亮度概率函数为:
对于车道上任意点的像素,其亮度值概率函数可描述为:
式中:Occ为系数,对应交通工程中的占有率指标。一般来说,Occ越小,表明道路的交通占有率越小,采用数学期望方法估计出来的结果越接近于真实值。因此,在进行样本采集时,应尽量将像素点被遮挡的图像筛选出来,不作为背景估计的样本。
直接采用数学期望作为估计值,将会干扰信息纳入背景值中,因此本文采用最大后验法,此时的背景估计模型为:
式(4)成立的前提是“真实背景值出现概率最大”的情况不被遮挡像素所改变。当观测时间内车辆遮挡的情况较少时,即占有率Occ较小时(极端情况下当Occ=0时式(3)等于式(1)),式(4)能够成立。
但是,当经过的车辆大部分与路面的颜色、反射度等光学特性相近时,就会影响到μ的取值;随着占有率Occ的增大,由式(3)可知,车辆亮度值对最终估计结果的影响也会变大(极端情况下当Occ=1时,则背景上的像素完全被淹没),此时μ具有较大的偏差。
综合考虑光源突变时(如隧道照明改变、多云天气、路边树荫等情况)能够实时更新背景,改进的算法如下:
式中:a为累加器;T为最大累加次数;D为亮度突变阈值;t为第t次进行背景图像获取;t从0开始取值,
1.2 基于帧差法的样本分块选取
在求取
假如将图像(高H、宽W)平均划分为r行、c列,那么共有r×c个分块,任意像素(x,y)所属的区域为
式中:WLS为
1.3 算法流程
在以上分析的基础上,可得到1种快速的、融合了高斯分布模型和帧差样本选取的背景估计方法,其流程如图2所示。其中图像输入按照一定的采样间隔来进行,常用的频率有25帧/s,为了降低算法的复杂度,也可以设为10～15帧/s;图像分块数量与具体的道路环境有关,一般取40～70个比较适宜;统计样本数直接决定了背景估计的效果和效率,为同时兼顾算法的精度和速度,一般取30～50个比较适合。
图2中,获得最新的图像背景后,清空样本集继续进行图像采集。背景图像根据一定的周期不停地进行更新,因此算法对于环境变化的适应能力较强。
2 实 验
实验地点为广州市广园东快速路,分别采用文献[3]所介绍的序列均值法、文献[10]所介绍的多颜色模型法以及本文提出的样本选择高斯估计模型对白天交通场景和夜间交通场景进行背景估计,结果如图3所示。
采用本文方法时,背景更新间隔是5 s,背景估计所采用的样本数为30个。实验结果表明,序列均值法、本文方法均能在10 s内获取图像背景,而多颜色模型法需要约25 s才能做到。对于白天的背景图像估计,序列均值法受运动车辆的影响较大。
3 结束语
背景估计是视频交通信息采集的基础技术之一,对于环境多变情况下的实时交通信息采集,目前仍没有足够高效、稳定的背景估计方法。笔者提出了1种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的背景图像混合估计方法。单高斯估计模型符合像素在无遮挡情况下的亮度分布特性,与现有多数方法相比该模型参数简单,算法的实时性好;为了提高单高斯估计模型的应用效果,对图像进行帧差分块选取,从而提高了样本的纯度,削弱了运动物体和噪声对于像素分布的影响。实际道路环境下通过与序列均值法、多颜色模型法进行实验比较,证明了该方法的正确性和有效性。
摘要：为适应交通环境多变情况下实时交通信息动态采集的要求,提出了1种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的动态混合模型对交通信息的图像背景进行快速估计,并在实际道路环境下对多种方法进行实验比较,证明该模型有效地削弱了运动物体和噪声对于背景估计的影响,具有较好的正确性和有效性。
关键词：智能交通系统,动态交通信息采集,图像处理,背景估计,高斯分布
参考文献
[1]林培群.道路交通参数及交通事件智能检测关键技术研究[D].广州:华南理工大学,2008
[2]Triantafyllidis G A,Tzovaras D,Strintzis M G.Occlusion and visible background andforeground ar-eas in stereo:a bayesian approach[J].IEEE Trans-actions on Circuits and Systems for Video Technolo-gy,2000,10(4):563-575
[3]Jung Y K,Ho Y S.Traffic parameter extraction u-sing video-based vehicle tracking[C]//Proceedingsof IEEE International Conference on IntelligentTransportation Systems,1999
[4]Copeland B R,Chen M,Wade B D,et al.Anoise-driven strategy for background esti mation and eventdetection in data streams[J].Signal Processing,2006,86(12):3 739-3 751
[5]李全民,张运楚.自适应混合高斯背景模型的改进[J].计算机应用,2007,27(8):2 014-2 017
[6]Bailo G,Bariani M,Ijas P,et al.Background esti-mation with gaussian distributionfor i mage segmen-tation,a fast approach[C]//Proceedings of IEEEInternational Workshop on Measurement Systemsfor Homeland Security,2005
[7]Lin P Q,Xu J M,Bian J Y.Robust vehicle detec-tion in vision systems based on fast wavelet trans-form and texture analysis[C]//Proceedings ofIEEE International Conference on Automation andLogistics,2007
[8]Lucke R L,Stocker A D.Filteringinterpolators forframe differencing signal processors[J].IEEETransactions on Signal Processing,1993,41(8):2 574-2 582
[9]Tanaka K,Saji H.Vehicle extraction from aeriali mages using voting process and frame matching[C]//Proceedings of IEEE Intelligent VehiclesSymposium,2007
交通模型 篇10
交通分配问题主要是根据路网的出行成本和OD间的交通分布量计算出各条路段、路径的流量。Daganzo和Sheffi (1977) 提出了第一个随机用户均衡交通流分配模型[1], 之后研究人员基于不同的研究点提出了各种随机均衡分配模型。李志纯和黄海军 (2004) 假设出行方式选择满足随机均衡, 建立多方式换乘交通分配模型[2];lam和吴子啸 (2003) 假设出行方式和路径选择都满足随机均衡, 建立考虑步行与公共交通换乘的交通分配模型[3]。目前大多数满足随机均衡交通分配模型都是以logit模型来刻画出行者路径选择概率并计算相应路径流量, 但是logit模型只考虑到路径通行时间之间的绝对差别, 而不考虑相对差别。虽然利用基于Probit加载分配模型也能够解决这个问题, 但是前提是要知道路径出行时间的协方差矩阵, 而且目前尚无法构建基于Probit加载路径选择概率或路径流量的封闭表达式, 在求解算法上只能通过蒙特卡洛模拟进行求解, 计算量较大[4], 因此未能在交通分配模型中得到广泛使用。Kirchhoff方程不但在一定程度上能够说明路径出行时间相对差对出行者路径选择的变化, 而且不需要知道路径的协方差矩阵, 计算简单。VIS-SUIM交通仿真软件在模拟出行者路径选择时也提出了用Kirchhoff分布方程来计算出行者路径选择概率[5], 但是没有给出具体的模型表达式, 也没有对最后的求解做收敛处理, 并且该算法主要用于交通仿真模型中, 没有在交通分配模型中作推广。本文根据VISSUIM交通仿真软件说明书中的Kirchhoff分布方程表达式建立相应交通分配变分不等式模型, 用连续平均算法求得模型的收敛解, 并与基于logit加载随机均衡交通分配模型对同一个实验路网求得的解作比较。
2 问题描述
2.1 随机平衡交通分配问题
在实际出行中, 出行者对于路网状况以及交通现状不可能完全了解, 即使在ITS环境下, 出行者也只能间隔一段时间收到路况信息, 而路网中往往存在一些难以量化的因素, 因此可以将路径阻抗看成是一个随机变量。假定O-D对i-j之间第K条路径上出行者的实际出行阻抗为ckij, 出行者感知出行阻抗为Ckij, 其中Ckij=ckij+ξkij。ξkij为第K条路径出行阻抗的随机误差项。
每条路径的估计阻抗是随机变量, 具有相应的概率密度, 因此对于某一特定的出行者, 每条路径均有一个被选择的概率。随机均衡交通分配问题就是计算在路径阻抗分布函数的基础上, 有多少出行者选择每一条路径。假定O-D对i-j之间第K条路径被选择的概率是Pkij, 也就是其估计阻抗在i-j之间所有可能路径的估计阻抗中为最小值的概率, 即:
由随机均衡交通分配问题的定义可知, 在这种平衡状态下, 某个OD对之间所有已被选用的路径上不一定具有相同的实际阻抗值, 而满足下述条件:
在交通分配问题中满足式2的就可以认为满足SUE随机路径选择均衡[7]。
2.2 Kirchhoff分布方程与logit随机选择概率表达式比较
基于Kirchhoff分布方程路径选择概率表达如下[5]:
假设OD对i-j之间存在n条路径, ck表示路径k的出行时间, 则出行者对路径k的选择概率满足以下关系:
其中α表示敏感系数, α决定了驾驶员选择不同效用路径的概率分布。如果敏感系数低, 则驾驶员对不同效用路径的选择概率基本一致;如果敏感系数高, 则几乎所有的驾驶员都将只选择最优路径。
目前大多数考虑出行者随机路径选择交通模型都是基于logit随机加载, 其路径选择概率表达式如下[7]:
如图1所示, 假设OD对AB之间存在两条路径P1、P2, 考虑以下两种情况:
情况一:路径P1、P2出行时间分别为5分钟和10分钟, 分别根据Kirchhoff分布方程与logit模型计算出两条路径的选择比例如下表所示:
情况二:路径P1、P2出行时间分别为200分钟和205分, 分别根据Kirchhoff分布方程与logit模型计算出两条路径的选择比例如下表所示:
在情况一的条件下, 大部分出行者会选择路径P1, 因此P1的选择概率及分配流量都会比P2大很多, 而在情况二的条件下, 两条路径的出行时间都增加了195分钟, 这时两条路径的成本对出行者来说别就没有情况一时差别大, 两条路径的选择概率之差应该比情况一时的概率差小, 但是从计算结果可以看出, logit模型在两种情况计算出的概率完全一样;而Kirchhoff分布方程在第二种情况下计算出的路径选择概率差别很小, 而且从模型的表达式中容易看出, 随着路径出行时间的增大, 两条路径通行时间的相对差别逐渐减小, 其概率差还将进一步减少。因此考虑基于Kirchhoff分布方程能够考虑出行时间的绝对值变化对路径选择的影响, 相对logit模型更符合实际情况。
3 基于Kirchhoff分布方程交通分配模型建立
考虑网络G= (N, L) , 其中N表示网络中的节点集合, L表示网络中连接两个节点之间的路段集合。
W表示路网所有OD对集合
R表示起讫点集合。
S表示终点的集合。
fpw表示OD对w之间第p条路径的流量。
Pw表示OD对w之间的路径集合。
Ppw表示OD对w之间第p条路径。
C (fwp) 表示路径Pwp的通行时间, 其表达式如下:
其中xa表示路段a上的流量, , fwp为上的流量, 当路段a在路径p上时δa, p=1, 反之δa, p=0
假设出行者路径选择概率表达形式为Kirchhoff分布方程, 参考文献[5]中Kirchhoff分布方程概率表达式, 构建以下模型:
约束条件如下:
fwp*为模型求得的最优解, 对模型进行K-T条件分析可以得到以下结果[8]:
根据模型的表达式可知fwp>0, 因此根据式 (8) 可得
根据式 (10) 可知
根据式 (6) 可知
根据式 (11) 可知
将式 (13) 带入式 (11) 得到
从式 (14) 可知模型得到的解满足Kirchhoff分布方程形式。
4 求解算法
参考文献[9]第五章中提到的连续平均 (MSA) 求解算法对模型求解, 设计算法具体步骤如下:
步骤1:初始化, 设n=0, 所有路径流量为0, 计算各路径成本C (fwp*) ) (0) , n=n+1。
步骤2:根据式 (11) 计算所有OD对之间各条路径流量 (fwp*) ) (0) 。
步骤3:根据 (fwp*) ) (0) 及路段BPR函数更新所有OD对之间各路径成本C (fwp*) ) (0) 。
步骤4:根据C (fwp*) ) (0) 根据式 (11) 计算路径附加流量 (ywp*) ) (0) 。
步骤5:根据MSA算法对路径流量更新
步骤6:判断是否达到收敛标准: (fwp*) ) (n+1) - (fwp*) ) (0) <ε, 若满足该收敛标准则计算结束, 否则n=n+1返回步骤3。
5 算例分析
通过以下的虚拟路网对所建模型进行算例分析, 路网结构如图2所示, 该路网包括9个节点和12条路段。路段的通行时间函数采用BPR函数, 即
式中:ta (0) 为路段零流量通行时间, ca为路段a的通行能力。各路段自由流通行时间及路段的通行能力如表3所示
设敏感系数α=2, 收敛标准ε=0.05。将文献[10]中基于logit加载随机用户均衡模型 (以下称为模型1) 与本文所建模型 (以下称为模型2) 计算结果做比较, 当各条路段的零流量通行时间均增大50分钟时, 观察两个模型求得的解, 得到以下的结果:
Logit (1) 与k (1) 表示路段零流量通行时间增大前分别用模型1和模型2计算得到的路径选择概率, Logit (2) 与k (2) 则表示零流量时间增大后模型1和模型2计算得的路径选择概率。可以看出当每条路段零流量通行时间都增大50分钟后, 各条路径的零流量通行时间都在200分钟以上, 而各条路径出行时间的差值都在10分钟以内, 这对出行者来说相对差别很小, 因此对出行者来说各条路经的选择概率应该相差不大。观察到模型1计算得到的结果中P1的选择概率仍然要比其他的路径选择概率大很多, 而P6的选择概率仍旧很小, 而且其余几条路径的选择概率分布也很不均匀。而模型2计算出的路径选择概率就比较平均, 大都在16.6%上下, 相较模型1的结果更加符合实际情况。从迭代次数也容易看出模型2在两种情况下的迭代次数都远远小于模型1的迭代次数。这样便使得模型2在求解实际交通规划问题中能够大大减少计算量, 或者在同样计算强度的基础上能够对更大规模的路网进行求解。
6 结语
本文考虑路径出行时间相对差对出行者路径选择行为的影响, 构建了基于Kirchhoff分布交通分配模型, 并用MSA算法进行求解。对同一个实验路网, 将本文所建模型与基于logit随机加载交通分配模型计算结果作对比, 结果显示前者能够考虑路径出行时间相对差别对路径选择概率的影响, 当路经出行时间增大时前者计算结果更加符合实际情况, 而且迭代次数明显少于后者。
摘要：利用变分不等式建立基于Kirchhoff分布交通分配模型, 并证明模型的解满足Kirchhoff分布路径选择概率表达式, 基于K最短路算法和连续平均法, 设计求解模型算法。并与基于logit加载随机用户均衡交通分配模型作比较, 对同一个虚拟路网进行求解, 结果表明基于Kirchhoff分布分配模型不仅能够较好地考虑路径成本相对差对出行者路径选择行为的影响, 并且模型达到收敛标准所需的迭代次数大大减少。
关键词：Kirchhoff分布,随机用户均衡,路径出行时间,相对差
参考文献
[1]DAGANZO C F, SHEFFI Y.On stochastic models of traffic assignment[J].Transportation Science, 1977, 11:253-274
[2]LI ZHI-CHUN, LAM WILLIAM H K, WONG S C, et al.Modeling Park&Ride services in a multi-modal transportation network with elastic demand[C].Transportation Research Board 86th annual meeting, January 21-25, 2007, Washington D.C
[3]WU Z X, LAM W H K.A combined modal split and stochastic assignment model for congested networks with motorized and non-motorized transport modes[C].Transportation Research Board 81st annual meeting, December 13-17, 2002, Washington D.C
[4]PATRIKSSON M.Traffic Assignment Problem—Models and Methods[M].Sweden, Linkoping Institute of Technology, 2002
[5]PTV公司.VISSIUM交通仿真软件用户说明书[M].北京:人民交通出版社, 2003
[6]黄海军.城市交通网络平衡分析理论与实践[M].北京:人民交通出版社, 1994
[7]高自友, 宋一凡, 四兵锋.城市交通连续平衡网络设计理论与方法[M].北京:中国铁道出版社, 2000
[8]陈宝林.最优化理论与算法[M].北京:清华大学出版社, 2005
[9]陆化普, 黄海军.交通规划理论研究前沿[M].北京:清华大学出版社, 2007
基于域的交通联网监控模型研究 篇11
交通监控域定义为“处于一定的地域范围, 拥有一定量的交通监控资源, 处于相同的联网节点逻辑结构之内, 可以按照相同的联网规则控制的交通监控资源极其相应的道路基础设施的集合”。有了交通监控域的概念, 按照联网监控的要求, 对资源和基础设施进行了重新整合, 从而能够更好地为联网监控作好设备。
交通联网监控网络结构复杂, 层次繁琐, 不利于对整个监控网络的规划以及系统资源的整合;同时, 也不利于联网视频监控机制的实现, 如何能够提出一种新的管理方式, 是联网监控是否能够发挥其效能的一个基本前提, 于是提出基于交通监控域的联网监控模型。
1 基于域的交通联网监控模型
早期的监控网络平台是一种树形结构。这种结构看似比较简单, 然而该结构以设备为中心, 其数据流和控制流复杂而无序。简化这种模型, 从而简化与该模型相对应的数据流程和控制流程, 以期实现以最为简洁的逻辑方式对监控网络资源进行重新整合的目的。图1展示的就是基于交通监控域的管理模型结构。
从图1中可以看出, 将整个监控网络按照域的模式进行重新划分, 在新的监控网络模型中, 所有资源都按照域的划分进行了重组。有别于原来的交通监控树形结构, 新的模型中, 所有域在逻辑上是平等的, 不存在上下级的观念 (仅仅是逻辑层面, 原先的行政管理结构依旧存在) 。这样, 网络的所有实体将变成平等实体, 网络逻辑结构也从树形结构变成了对等网络结构。
2 基于域的资源管理策略
高速公路运营管理信息系统的数据是海量的, 类型也非常之多, 不同的管理与服务需求对数据详细程度需求差异也很大, 需要对高速公路运行的信息进行梳理和分类, 定义不同交通事件数据类型, 不同的信息管理属性及不同的流向。
系统用到的各类信息资源, 许多来自于路段单位已有的监测系统或数据库系统, 因而是一个典型的异构系统。从管理角度来看, 并不需要了解网络的整个结构或资源, 即无需对所有路网单位的所有信息资源, 如数据库结构、网络配置、协议实体、文件系统等, 进行全过程的内部考察。关心重点的是与管理相关的技术参数, 如配置和调整参数及函数、信息采集主要数据、阈值确定后系统的警示与自备份等。通过确立管理视图 (Management View) , 用以表述为实现管理任务, 系统所需的实际硬件和软件资源模型。
从管理体系结构的角度来看, 管理就是利用管理协议将管理命令传送到管理实体中。而管理实体所指的就是路网单位, 在信息系统中, 管理实体相当于信息“代理”, 即管理命令最终通过“代理”对信息资源进行访问。访问的方式有“读”和“写”两种, 监测则意味着要进行读访问, 控制则意味着要进行写访问。访问的结果由信息资源自身的操作语义规范来说明。
域结构示意图如图2所示。
为便于对视频联网监控资源进行管理, 提出域内信息资源和域外信息资源的概念。通常情况下, 域内资源只在域内被使用, 同级的域外用户无法调用该域资源, 只有上级域的用户可以调用。同级域用户进行资源互调时, 必须经由上级域的批准。资源管理遵循“域内管理, 共同使用”的原则, 这里的管理都是遵循属地化管理的原则, 本域的资源由本域自己进行掌控。每个工作域负责本域的全部交通资源的管理, 用户的管理也是采用属地化的原则在本域实施。
3 基于域的资源控制策略
联网监控制资源的控制方式可分为自动、半自动控制和人工控制三种方式。
半自动控制是指邻近系统根据上传的交通运行信息, 路况信息、气象参数、环境数据以及系统内的设备状况进行分析判断, 对出现的拥堵或交通事故进行告警预告, 并提出控制交通流、调整交通量的诱导提案, 经管理人员修改或确认后, 向相应的外场设备下达指令执行相应控制。
自动控制是指在半自动控制过程中, 邻近系统提出的控制诱导方案不用管理人员的修正或确认, 系统会自动发出相应的控制指令。这种方式只有在积累了多年自动运行的丰富经验并在相应软件得到验证后方可投入使用。
人工控制是指在需要时由管理人员直接操作处理发布给外场设备的诱导、限速、禁令、通行等指令, 进行交通量的诱导和调节。
由于种种原因, 高速公路上布设的监控系统外场设备密度小, 真正做到自动检测交通事故比较困难。因此, 控制方案的形成更多地需要人为因素的参与。可以根据交通状况、气象条件的可能变化预设多个方案, 当某种事件出现时, 控制人员可以选择相应的环境条件, 系统据此提出控制方案, 管理人员经过人工判断, 把控制方案下发。
信息资源的控制主要应该采用人工或半自动方式进行。因为, 数据信息具有不可见性和不直观性, 从而使得数据信息必须加入必要的人工责任确认以解决这些问题;所以, 对于交通数据信息资源, 从数据的组织到数据的上传以及数据的存储和数据的调用, 整个流程的各个环节中都必须有人工干预的成分存在。
这其中必然会涉及到数据真实性的确认问题, 为此, 可以采用人工确认的方式来对数据的真实性负责。亦即当下层的监控中心在上传数据时, 整个过程是在该路段的监控中心工作人员全程监控下操作生成。数据上传时, 该工作人员的编码也会随同数据一同上传, 同时上传信息在本地的存储系统中进行备份。
对于视频信息, 由于其具备可见性和直观性的特点, 所以其控制方式可以自动方式为主。在视频信息的整个业务流程中, 都由系统自动完成各个部分的功能。由于视频传输的延迟较大, 所以, 全程的自动控制可以减少视频信息的额外传输开销, 保证视频信息传输的实时性。联网中心所有需要上传的视频资源拥有选择权和优先权。但联网中心无权直接使用监控平台上的各种监控设备 (各类车检设备) , 以保证系统的高独立性。在视频的实现上, 检测设备端采用硬件压缩直接实现。客户端回放时, 联网视频监控系统进行软解压回放, 而在数据管理系统存储时则以数据压缩格式进行存储。
4 域用户管理策略
用户管理的主要功能是为不同级别的用户提供不同等级的数据。系统对用户进行分级, 在管理系统中, 对不同级别的用户提供不同程度的服务, 从而可以保证系统的安全。
对于用户进行属地化划分。根据配属地域的不同, 将用户划分为本地用户和异地用户两大类, 划分的方法决定了本地用户和异地用户并不是绝对独立的两种属性。在某一区域内, 该区域的用户被称为“本地用户”, 而其他域内的用户在本域内被称为“异地用户”。此种分法, 可以保证用户分类的一致性和使用的灵活性。实际操作中, 对每一独立区域的用户进行划分, 同时按照用户结构层次对不同区域的用户属性进行转换。
用户信息的注册与管理都是遵循属地化的原则实施的, 用户的注册信息都保存在本地授权服务器上, 用户登陆也在本地授权服务器进行登陆。当用户有跨域调看得请求时, 用户权限进行漫游并完成跨域调用。用户等级依据监控层次进行划分, 用户权限细分为调看、控制、监管和修改四种子权限。
5 系统监管机制
系统监管, 用于管理层面及时的对系统运行状况进行掌控, 及时地发现系统故障, 并予以排除。
监管主要体现在对系统的网络运行状况进行监管。主要考察的是网络是否通畅, 依照系统的网络结构, 采用逐层测试, 合成统计, 中心汇总的方式进行。
对网络的运行状况进行监控, 基本的方式就是发送测试包, 从起始节点向目的节点发送一数据包, 该数据包到达目的节点返回, 发送方就可以根据数据包的运行时间来判断两节点间网络是否通畅。
依照系统的网络拓扑结构, 所有的数据都会在总中心域进行汇总, 根据用户权限, 如果用户具有监管权限的话, 将会在其监控平台界面上进行网络运行状态的显示, 使用户可以方便地获知当前系统的网络状况。
将网络运行状况划分为四个等级, 具体如表1所示。
在表1的四个等级中, 绿色和黄色等级都是系统正常的工作状态, 正常工作状态下, 网络通畅, 视频传输效果较好, 图像基本没有延迟;在橙色工作状态下, 网络阻塞较为严重, 传输效果一般, 图像延迟比较明显;红色状态下, 网络处于瘫痪状态, 视频传输停滞, 图像传输不可达。
所有的网络状态信息都汇总到了中心域管理服务器上, 而监测的过程, 分级完成, 中心域节点只负责与下属域间的网络状态监测, 而下属域负责与其管辖的检测设备间的网络状态监测。
监管信息是一组动态信息, 网络的状态是不断变化, 所以监管信息也在不断变化。信息应该是在不断的更新过程, 但是如果更新间隔设置的较短, 则对系统而言, 资源的耗费会较大, 但如果设置的较长的话, 又会对用户的使用带来影响。所以采取设定多组监测周期的方式, 允许用户进行选择。监测周期分为以下几档:10 s, 30 s, 60 s, 120 s, 180 s, 300 s和600 s七个值, 可随机选择设置。
监管信息的安全性保证至关重要, 所以要保证监管信息的安全性。保障的基本点在于只能让拥有监管权限的用户可以使用该信息。当监管权限用户使用平台时, 其BV界面上会对所有媒体发布服务器和视频编码器的链路通畅度进行显示, 从而方便用户的使用。对于无权限用户, 其平台上并不显示系统监管信息, 当用户是需要调看某路图像时, 如果网络故障时, 系统会向用户发出错误信息, 但并不解释原因。
有了监管机制, 就可以使得系统能够自动地监控自身工作状态, 并能方便高级用户的使用。
6 结 语
采用域的方式对联网监控系统的设计进行重新规划以及设备的布设, 可以提高监控设备的使用率以及联网监控系统的工作效率, 从而更好地为交通管理部门以及道路用户提供高质量、高效率的道路服务。这对于今后的监控系统体系结构开发, 有着很好的借鉴作用。
参考文献
[1]江苏省交通厅.区域高速公路交通实时数据交换与发布系统研究[R].2006.
[2]蔡华.高速公路事故信息采集和信息服务[J].上海公路, 1998 (4) :20-22.
[3]刘永刚, 金辉.高速公路管理信息系统中的共用信息平台[J].齐齐哈尔大学学报, 2004 (4) :50-53.
[4]王晓楠.高速公路网信息共享机制与互连研究[D].西安:长安大学, 2007.
[5]孙大跃.高速公路紧急救援体系研究[D].西安:长安大学, 2006.
[6]国家高速公路网规划[S].北京:中华人民共和国交通部, 2005.
[7]蒲琪, 李枫.关于建立高速公路紧急救援系统的研究[J].上海铁道大学学报, 1999, 20 (12) :21-22.
[8]美国运输部联邦公路局.交通控制系统手册[M].李海渊, 秦吉玛, 王彦卿, 译.北京:人民交通出版社, 1987.
[9]Michalopouls P G.Vehicle Detection Video Through ImageProcessing:The Autoscope System[J].IEEE Trans.on Ve-hicular Technology, 1991, 40 (1) :21-29.
【交通模型】推荐阅读：
交通需求模型05-31
微观交通模型09-21
城市交通数学模型06-03
交通流基本模型09-03
道路交通噪声预测模型10-02
交通与交通拥挤06-22
交通计量与交通经济07-07
交通规划交通站点设置06-08
山东交通学院交通工程08-14
模型组织07-14