基于路网在途车辆数的拥堵指数短期预测.pdf
《基于路网在途车辆数的拥堵指数短期预测.pdf》由会员分享,可在线阅读,更多相关《基于路网在途车辆数的拥堵指数短期预测.pdf(10页珍藏版)》请在咨信网上搜索。
1、文章编号:1672-4747(2023)01-0098-10基于路网在途车辆数的拥堵指数短期预测基于路网在途车辆数的拥堵指数短期预测孙士宏1,宋国华*1,孙建平2,雷 雪1,朱瑞仪3,范鹏飞1(1.北京交通大学,综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044;2.北京交通发展研究院,北京 100073;3.同济大学,数学科学学院,上海 200092)摘要:交通拥堵指数是定量评价路网车辆运行状况的指标,准确预测交通拥堵指数的发展趋势是交通工程师关注的重点。为克服天气、节假日等复杂因素对交通高峰时段拥堵指数预测精度的干扰,本文以预测未来2 h范围内每5 min的拥堵指数为目标
2、,首先,利用交通流基本图和交通波理论,从拥堵蔓延角度分析路网在途车辆数与拥堵指数的峰值滞后现象机理;其次,分析路网在途车辆数与拥堵指数的相关性,结合非线性回归方法,构建基于路网在途车辆数的拥堵指数预测模型(NV-NR模型);最后,利用北京市2018年6 9月工作日的数据集进行验证分析。结果表明,NV-NR模型在验证集中预测精度达91.9%;在拥堵指数达到中度拥堵阈值及以上的范围时效果更优,预测精度达93.8%,平均绝对误差为0.412。该方法能够有效预测交通高峰时段的拥堵指数短期变化趋势,为交通拥堵指数预测提供一种新的思路。关键词:城市交通;拥堵指数;短期预测;回归模型;路网在途车辆数中图分类
3、号:U491文献标志码:ADOI:10.19961/ki.1672-4747.2022.08.016Short-term prediction of the congestion index based on the numberof vehicles on the road networkSUN Shi-hong1,SONG Guo-hua*1,SUN Jian-ping2,LEI Xue1,ZHU Rui-yi3,FAN Peng-fei1(1.Key Laboratory of Big Data Application Technologies for Comprehensive Tra
4、nsport of Transport Industry,BeijingJiaotong University,Beijing 100044,China;2.Beijing Transport Institute,Beijing 100073,China;3.School of Mathe-matical Sciences,Tongji University,Shanghai 200092,China)Abstract:The traffic congestion index quantitatively evaluates the operation statuses of vehicles
5、 onthe road network,and the focus of traffic engineers is to accurately predict the changes in the trendsof the traffic congestion index.To overcome the interference of complex factors,such as the weatherand holidays,on the prediction accuracy of the congestion index during peak traffic hours,this s
6、tudyaims to predict the congestion index every 5 min within the next 2 h.First,we used the basic trafficflow diagram and the traffic wave theory,and analyzed the mechanism of the peak lag phenomenonbetween the number of vehicles on the road network and the congestion index from the perspectiveof con
7、gestion spread.Second,we analyzed the correlation between the number of vehicles on theroad network and the congestion index,and then used a nonlinear regression method to construct acongestion index prediction model based on the number of vehicles on the road network(NV-NRmodel).Finally,the dataset
8、 of the working days in Beijing from June to September 2018 was usedfor validation analysis.The results show that the prediction accuracy of the NV-NR model in the vali-收稿日期:2022-08-30录用日期:2022-09-23网络首发:2022-10-08审稿日期:2022-08-3008-31;09-1909-23基金项目:国家自然科学基金项目(71871015,51678045);国家重点研发计划项目(2018YFB16
9、00701)作者简介:孙士宏(1999),男,硕士研究生,研究方向为交通规划,E-mail:sun_通信作者:宋国华(1980),男,教授,研究方向为交通规划、交通环境、交通仿真,E-mail:引文格式:孙士宏,宋国华,孙建平,等.基于路网在途车辆数的拥堵指数短期预测J.交通运输工程与信息学报,2023,21(3):98-107.SUN Shi-hong,SONG Guo-hua,SUN Jian-ping,et al,Short-term prediction of the congestion index based on the number of vehicleson the road
10、 networkJ.Journal of Transportation Engineering and Information,2023,21(3):98-107.第21卷 第3期2023年09月交通运输工程与信息学报Journal of Transportation Engineering and InformationVol.21 No.3Sep.2023dation set is 91.9%;the effect is improved when the congestion index either reaches or exceeds themoderate congestion t
11、hreshold,and the prediction accuracy and average absolute error are 93.8%and 0.412,respectively.This method can effectively predict the short-term changes in trends of thecongestion index during the peak traffic hours,and provide a new approach for the prediction of thetraffic congestion index.Key w
12、ords:urban traffic;congestion index;short-term forecast;regression model;number of vehicleson the road network0引言交通拥堵指数是对城市路网交通总体运行状况进行定量评估的综合指数1。准确预测城市的拥堵指数变化趋势不仅能引导出行者做出合理的出行规划,也为交通管理部门制定交通管制措施提供有效依据。因此,拥堵指数预测模型的相关研究成为近年来的研究热点。交通拥堵指数预测与交通流参数(流量、速度等)预测属于同类型问题。交通流参数预测模型的研究范围通常为一条路段,或多条路段构成的拓扑结构;拥堵指数
13、预测模型的研究范围是城市整体路网。交通流参数预测模型主要分为四类2:(1)基于统计分析的预测模型,以时间序列法为代表,通常适用于交通运行状态平稳的路段,缺点是无法有效处理非线性数据,预测精度不高;(2)非线性理论模型,如基于小波分析的模型、混沌理论模型等,在复杂的交通运行状态下预测效果理想;(3)机器学习预测模型,主要包括神经网络模型和深度学习模型,能够有效学习到交通流数据和各类影响因素的非线性关系3,但在影响因素的选择方面具有一定的主观性,且难以捕捉到序列的演化趋势;(4)基于上述方法的组合预测模型,是将几种模型的优势结合,较单一模型精度明显提升,但不同模型的结合会增加预测的复杂度。现有的拥
14、堵指数预测研究主要应用和改进上述四类预测模型。董洁霜等4利用季节性趋势预测方法捕捉短时的数据突变并预测时间序列趋势,并证明在新冠肺炎疫情的影响下,该模型的韧性良好。非线性回归模型在考虑各种影响因素时,主要选取天气、节假日、限行政策、重大活动等指标5-6,并证明考虑多因素的影响能够有效提升模型精度。针对机器学习预测模型难以捕捉到序列变化趋势的问题3,李振国等7通过经验模态分解的方法将拥堵指数序列分解成多个平稳的线性本征模态函数和剩余分量,然后对分解后的每个分量分别进行建模;张璐等8通过卷积神经网络自动提取重要的时序特征,避免人工提取特征的误差。尽管现有的模型在提取拥堵指数的时序特征方面做出很多改
15、善,但仍存在待完善之处。(1)以小时、分钟为时间粒度的短期预测模型在拥堵指数序列平稳时预测效果理想,但在高峰拥堵指数波动明显的情况下预测精度有待提高6,9。(2)利用路网车辆指标(密度、数量、速度等)预测拥堵指数的研究较少。现有预测模型大多利用拥堵指数自身的序列,其影响因素如天气10、节假日、限行政策等依赖人工选取,在实际应用中局限性较大。本文研究表明,路网在途车辆数与拥堵指数之间存在稳定的关系,希望通过路网在途车辆数指标预测拥堵指数,以提高早高峰拥堵指数的预测精度,克服人工选取影响因素的难点。针对以上问题,本文以北京早高峰时段为研究范围,将路网在途车辆数与拥堵指数的峰值滞后现象作为切入点,进
16、而分析不同时刻下路网在途车辆数与拥堵指数的相关性。在此基础上,建立了NV-NR模型,用于预测短期拥堵指数变化趋势。其中,NV 代表路网在途车辆数(Number ofvehicles),NR 代表非线性回归方法(Nonlinear re-gression)。通过对比实验,结合典型案例研究,对方法的有效性进行了分析。1数据描述本文所用的原始数据分为两部分,分别为北京市六城区2017年至2019年的6月至9月共486天的路网在途车辆数和拥堵指数数据,每一天数据样本的时间范围是24小时,时间粒度为5分钟。路网在途车辆数是路网中配备车载终端监测设备的在线车辆数,反映实际路网车辆总数的抽样结果。本文中路网
17、在途车辆数的数据来源于北京市两万辆居民出行车辆的车载终端监测设备,该设备能够采集车辆的打火、熄火信息,以及车辆行程报告数据、动态数据和位置数据11。拥堵指数来源于北京交通发展研究院的大数孙士宏 等:基于路网在途车辆数的拥堵指数短期预测99第3期据平台12,本文采用基于严重拥堵里程比的拥堵指数13,计算规则如下:根据标准求出各等级道路的严重拥堵里程比,再以各等级道路的车公里数作权重,加权得到全路网的严重拥堵里程比。其计算公式为:I=i=14Si Ii(1)式中:I为全路网的严重拥堵里程比;Ii为某道路等级的严重拥堵里程比;Si为某道路等级的车公里数。进而按照一定的转换关系计算得到 0,10区间内
18、的交通运行状况指标(TPI),即拥堵指数。交通运行状况的等级分类标准见表1。表1 交通运行状况的等级分类标准Tab.1 Classification standard of the traffic operation status拥堵指数(TPI)02244668810交通运行状况畅 通基本畅通轻度拥堵中度拥堵严重拥堵2基于路网在途车辆数的拥堵指数预测(NV-NR)模型NV-NR模型的构建思路如下:首先,分析早高峰路网在途车辆数和拥堵指数的基本现象,即拥堵指数峰值和路网在途车辆数峰值之间存在滞后现象;其次,利用交通流基本图和交通波理论,从拥堵蔓延角度分析滞后现象机理,并总结规律;然后,分析路网
19、在途车辆数与拥堵指数的相关性,结合非线性回归方法,构建NV-NR模型。2.1峰值滞后现象机理将工作日早高峰(7:00 10:00)和非工作日早高峰(9:00 12:00)的路网在途车辆数和拥堵指数进行统计。统计结果显示,94%以上的样本存在拥堵指数高峰滞后于路网在途车辆数高峰现象,滞后时间为 5 min 到 50 min。各种典型情况下的峰值滞后现象如图1所示,其中图(a)为周三的统计数据,代表典型常规工作日情况;图(b)为周一的统计数据,代表典型拥堵工作日情况;图(c)为周日的统计数据,代表典型周末情况;图(d)为中秋节的统计数据,代表典型节假日情况。(a)典型常规工作日(b)典型拥堵工作日
20、(c)典型周末(d)典型节假日图1典型峰值滞后现象Fig.1 Typical peak lag phenomenon100交通运输工程与信息学报第21卷路网在途车辆数和拥堵指数之间存在峰值滞后现象的原因可解释为:路网车辆数达到峰值时刻,拥堵区域的拥堵蔓延现象导致路网严重拥堵里程继续增加,从而使拥堵指数变大。但此时,路网中超过 80%的路段处于正常运行状态14,尚未达到通行能力,故造成路网车辆总数减少。本文在路网中部分区域严重拥堵的场景下,进一步分析拥堵指数高峰滞后于路网在途车辆数高峰现象的产生机理。采用交通流基本图表示高峰时段拥堵路段和非拥堵路段的交通运行状态,抛物线形流量-密度关系模型的基本
21、公式如下:q=ufk-ufk2kj(2)式中:uf为自由流速度;kj为阻塞密度。抛物线形流量-密度关系图如图2(a)所示,其中qm代表最大流量;km代表最大流量时的密度。图中虚线框代表高峰时段拥堵蔓延路段的交通状态,其中出口为拥堵状态,进口为非拥堵状态;箭头代表密度和流量随时间的变化,表示出口处先形成拥堵,随后拥堵逐渐消散,进口处交通需求先增大后减小。图2(b)表示流量随时间的变化,其中t1表示进口和出口流量相等的时刻。(a)密度-流量曲线(b)流量随时间变化图图2 高峰时段拥堵蔓延路段交通状态Fig.2 Traffic status of the congested sprawl secti
22、on during peak hours交通波理论用于计算拥堵蔓延速度15,波速的计算公式为:uw=q1-q2k1-k2(3)式中:uw为波速;q1为上游断面流量;q2为下游断面流量;k1为上游车辆区间密度;k2为下游车辆区间密度。由图2(a)可知,拥堵蔓延路段的出口交通密度大于进口交通密度,根据出口和进口流量随时间的变化,结合波速计算公式可得,在t1时刻之前,波速为负,拥堵蔓延里程增加;在t1时刻之后,波速为正,拥堵消散,因此t1时刻是拥堵蔓延里程峰值。按照拥堵指数的计算规则,全路网的严重拥堵里程比转换到0,10区间上得到拥堵指数,因此拥堵蔓延里程峰值时刻代表拥堵指数峰值时刻。由文献14可知
23、,早高峰超过80%的路段属于非拥堵状态,因此路网在途车辆数的数量主要取决于非拥堵路段的车流量。由图(b)中非拥堵状态流量随时间的变化曲线可知,流量在t0时刻达到峰值,因此,路网在途车辆数峰值在t0时刻附近。综上所述,峰值滞后时间近似为(t1-t0)。通过峰值滞后现象机理研究,有如下结论:(1)高峰时段拥堵指数峰值滞后于路网在途车辆数峰值的现象稳定存在。(2)滞后现象在路网拥堵较严重时规律明显,而路网交通运行状态畅通或基本畅通时,拥堵蔓延效应不明显。这是由于高峰时段的畅通状态一般出现在非工作日,居民出行需求弹性较大,导致路网车辆数变化规律性不显著。故利用路网在途车辆数预测拥堵指数在工作日场景下更
24、加适用,且在高峰时段拥堵指数较高的范围内效果较好。2.2相关性分析本节采用2018年路网在途车辆数和拥堵指数数据集的工作日样本,每一个工作日样本的时间范围为7:00到9:25,时间间隔5 min,共计30个时孙士宏 等:基于路网在途车辆数的拥堵指数短期预测101第3期刻。皮尔逊相关系数广泛用于度量两个变量之间的相关程度,其值介于-1与1之间,系数的绝对值大于0.8为强相关,0.5 0.8为显著相关,0.3 0.5为低度相关,小于0.3为不存在相关关系。将每一个时刻下的路网在途车辆数或拥堵指数作为一个变量,共计60个变量,计算皮尔逊相关系数如下:r=i=1n(xi-x )()yi-y i=1n(
25、)xi-x 2i=1n()yi-y 2(4)式中:n是变量的样本个数,n=85;xi和yi是变量x、y在日期i的实际值;x 是x变量的平均数;y 是y变量的平均数。为便于表示,将时刻 7:00,7:05,9:25 用t表示,t1,30。设起始时刻为t,t时刻的变量x与t+时刻的变量y的相关系数组成序列,如下所示:Rt=(rt,t+)t0,(5)式中:Rt代表相关系数的序列;表示序列的长度。令变量x表示路网在途车辆数,变量y表示拥堵指数,根据公式(5)分析路网在途车辆数与拥堵指数的相关性。同理,令变量变量x为拥堵指数,变量y为拥堵指数,分析拥堵指数的自相关性。在起始时刻为7:00、7:05、7:
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 路网 在途 车辆 拥堵 指数 短期 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。