交通流模型范文-盘古文库

交通流模型范文（精选11篇）

交通流模型第1篇

自行车和机动车作为城镇居民出行的两种方式，经历了机动车急剧增长、自行车交通衰退的历程，然而随之而来的交通和环境问题，让人们开始意识到自行车交通的重要性。英国提出2030年要将本国自行车出行比例由目前的5%至少提高到15%;北京市在总体规划中明确的把自行车交通方式归为城市交通体系的重要方式之一。支路作为路网的基本组成部分，其作用不可忽视，由机动车和自行车构成的混行交通流是其重要特性，因而研究支路上的混行交通流具有重要的实际意义。

混行交通流相比单纯机动车流而言，自行车必然会对机动车行驶带来干扰。贾顺平等[1]发现在不同自行车干扰状况下，机动车行驶特性存在明显的差异。元胞自动机模型和社会力模型是研究交通流理论的重要方法。魏丽英等[2]在NS模型基础上，制定了机动车在自行车的摩擦干扰作用下的减速规则。自行车骑车者在行驶过程中会出现非法侵入机动车道行为，文献[3]以此为背景建立了机非混合交通流的元胞自动机模型。贾宁等[4]综合考虑到自行车流对机动车流的摩擦和阻滞干扰作用。陈大飞[5]则根据车辆受力情况建立了机非混合交通流的社会力模型。然而这些研究均未考虑到不同类型路段上混行交通流的特殊性，也未对元胞自动机和社会力建模的优劣性进行比较。

鉴于此，本文根据支路上的机非混行交通流特性，分别采用元胞自动机模型和社会力模型对其建模。然后以机动车流的速度—流量特性作为检验标准，通过MATLAB仿真数据和实际数据对比分析，比较两种模型的优劣性。

2 模型建立

以双向双车道支路的直线路段为研究路段，机动车和自行车构成的混行交通流为研究对象，可知单向车道宽度不低于4m[6]。建模中不考虑对向车辆的会车情况，规定车辆不能借用对向车道超车;并将单向车道划分为等宽的四车道，设每个车道宽为lane＿wide，并按图1进行划分，其中机动车在四车道上均可行驶;由于我国道路交通安全法规规定非机动车应靠车行道右侧行驶，因而规定自行车只能从1和2车道上驶入，且在同等条件下，自行车优先选择从1车道上驶入。机非混行交通流由自行车流、小汽车流构成，其中自行车长1.7～1.9m，宽0.6m;小汽车长4～5m，宽1.8m。

注:虚线所代表的道路线在实际中并不存在。

2.1 机非混行交通流元胞自动机模型

定义元胞空间长lane＿wide(垂直车道方向)，宽0.5m(平行于行车方向)。考虑到车辆行驶所需的横向和纵向安全行驶距离，规定自行车横向占1个元胞，纵向占5个元胞;小汽车横向占2个元胞，纵向占14个元胞。

在每个仿真步长中，车辆先根据换道规则判断是否换道，再进行速度和位置的更新，并规定车辆遵循在保持行车安全性的前提下尽可能缩短旅行时间的总原则。

2.1.1 换道规则[7,8]

(1)如果第i辆车为自行车并位于1车道，若满足下式:

则换道，direction=lane＿wide;否则不换道，direction=0。其中vi为第i辆车的速度，v小，max为小汽车最大速度，vhefore为同车道前方车辆的速度，vother,before为相邻车道前方车辆的速度，dother,before为第车辆与相邻车道前方车辆之间的间隙，dother,behind为车辆与相邻车道后方车辆之间的间隙，rand(1)为[0,1]之间的随机数;p1,change为自行车由1车道换到2车道的概率。

(2)如果第i辆车为自行车并位于2车道，若满足下式:

则换道，direction=-lane＿wide;否则不换道，direction=0。其中vi,max为第i辆车的最大速度，di，小after为车辆与同车道后方的小汽车之间的间隙，p2,change为自行车由2车道换到1车道的概率，其余符号意义同前式。

(3)如果第i辆车为机动车，若满足下式:

则换道。若满足条件的车道在左侧，则direction=lane＿wide;若在右侧，则direction=lane＿wide;否则direction=0。其中ai为第i辆车的加速度，vother,behind,max为相邻车道后方车辆的最大速度，dbefore为车辆与同车道前方车辆之间的间隙，dδ为车辆与相邻车道后方车辆之间的缓冲距离，p3,change为机动车换道概率，其余符号意义同上。根据波良科夫公式[9]并对其修正，可知当路段宽度达到4.8m时，才能满足机动车相互超车需求。

已有的元胞自动机模型规定不同类型车辆的加速度均为1格/步长2[7,8]，该模型在NS模型基础上进行改进，认为不同类型的车辆以不同的加速度加速，同时制定了车辆横向位置更新规则。

2.1.2 速度和位置更新规则

(1)加减速规则

(2)随机慢化规则

若rand(1)≤pi;

则vi(t+1)=max[vi(t+1)-ai,0]。

其中pi为第i辆车的随机慢化概率。

(3)位置更新规则

其中xi为第i辆车沿行车方向的位置，yi为第i辆车垂直于行车方向的位置。

2.2 机非混行交通流社会力模型

车辆在行驶过程中的各种交通行为，其实是驾驶员的个体特征与外界道路交通环境的综合作用的结果，因而社会力模型的基本理论对于车辆交通流建模同样适应。

2.2.1 前向驱动力

在行驶过程中，驾驶者均期望能以最优速度行驶。然而在实际行驶过程中，车辆i在t时刻的实际行驶速度与预期最佳速度将存在偏差，车辆驾驶者会尽可能通过加速减少这种偏差，从而车辆在行驶过程中会产生前向驱动力，并且t时刻前向驱动力大小与该偏差成正比，即:

同时由于车辆自身存在最大加速度a0，则:

2.2.2 车辆相互作用力

研究表明[10]当车速小于等于40km/h，驾驶员视野范围为100°，且机动车驾驶员后方视野范围为60°。在行驶过程中，驾驶员视野范围内的车辆会对其驾驶行为造成影响。

注:灰色区域为驾驶员盲区，虚线为虚拟车道线。

车辆j对车辆i的作用力的大小与车辆j占据车辆i的安全行驶空间d的大小有关。车辆j对车辆i的作用力大小与d成反比，并且随着d的减少，(t)呈指数增大，即:

其中:

当车辆i为自行车时:

当车辆i为机动车时:

其中为t时刻向量的单位向量，θij为车辆i中心和车辆j中心的连线与x轴正方向的夹角，U0ij、μ为常量，η取值范围为[0,1]。

2.2.3 边界作用力

车辆须在特定的道路边界范围内行驶，必受到道路边界的影响;同时驾驶员受到视野范围的限制，因而道路边界对车辆的作用力如下图所示:

表示t时刻车辆i与道路边界上点k(k=1,2)之间的距离，边界对车辆i的作用力大小与成反比，车辆i所受到的边界作用力为:

其中:

其中为t时刻边界对车辆i作用点k的位置向量，为t时刻向量k的单位向量，θik为车辆i中心和边界作用点k的连线与x轴正方向的夹角，Vik、ω为常量，η取值范围为[0,1]。

因而车辆在行驶过程中受到的合力为:

其中r(t)为车辆运行过程中的扰动项。

3 模型验证结果分析

3.1 模型数据采集

选取机动车和自行车混行并能满足机动车之间超车需求的支路直线路段作为数据采集路段。通过咨询和调查，选取株洲市钻石路为实例调查路段，并选取该支路的直线路段进行单点数据采集并统计该断面的流量、速度和混合比，使用雷达测速与人工测速相结合的方法得到车辆的单点速度，通过视频采集混行交通流的交通量和混合比。

调查时间间隔为5min。通过调查数据得知自行车的比例位于10%～15%中间，慢车的比例约等于20%，得到机动车的速度—流量的散点图，如图7所示:

3.2 混行交通流模型仿真结果分析

根据相关规范[11]和实际调查数据，规定模型中的自行车最大行驶速度为10km/h，小汽车中快车最大速度为30km/h，慢车最大速度为20km/h。规定元胞自动机模型中的自行车的加速度为1格/步长2，小汽车快车的为3格/步长2，慢车为2格/步长2。

根据实际调查车辆混合比，选取仿真程序中的自行车、小汽车快车、小汽车慢车比例为0.1:0.7:0.2和0.15:0.65:0.2两种情况进行统计。令仿真路段宽度为5m。仿真路段长度定为300m，为了消除程序运行过程中暂态的影响，选取仿真路段中点作为小汽车速度的采集点。

在元胞自动机模型中，认为只要满足换道条件，驾驶者都会选择换道。车辆的随机慢化概率均为0.2，两车之间的缓冲距离为2m。混行交通流模型的机动车速度—流量曲线图如下所示:

从图8、9可知，当车流为自由流时，两种模型的机动车速度均低于支路的计算速度30km/h，因为机动车流是由快车流和慢车流组成的，因而机动车流的自由行驶速度必然低于30km/h。图8、9也表明仿真程序中的混行交通流明显存在畅通和拥堵两种状态，与实际交通流特性相符合。同时从图中可知，当混行交通流处于畅通状态时，机动车流的速度与流量呈线性相关。

3.3 计算结果与实际数据对比分析

两种模型的机动车速度—流量仿真数据与实例数据进行比较，其示意图如下所示:

图10显示当车流处于畅通状态时，实际调查数据大部分位于元胞自动机模型的仿真曲线上方;当车流处于拥挤状态时，实际调查数据位于其下方。而图11显示，不论车流处于畅通状态还是拥挤状态，社会力模型的机动车速度—流量特性仿真曲线与实际调查数据相符合。因而社会力模型能更好的模拟混行交通流特性。

元胞自动机模型是通过定义车辆速度和位置演化规则来实现对交通流的仿真模拟，虽能通过定义不同的演化规则来实现对不同类型车辆和不同驾驶者行为的模拟，但其模拟精度与元胞空间划分相关，元胞空间划分越精细，更能模拟交通流演化规律，然而在模拟过程中，元胞空间的划分不可能无限细化，因而仿真出来的车辆速度和位置的演化具有较大的共性。而社会力模型是通过分析车辆的受力情况，促使车辆根据自身受力情况来实现速度和位置的变化，因而模拟出来的车辆更具有差异性，更符合实际交通流的特性。

4 结论

本文通过对支路上机非混行交通流建模研究，得到以下结论:

(1)本文建立的元胞自动机模型和社会力模型均能模拟混行交通流的自由流状态和拥堵状态;

(2)当交通流为畅通流时，小汽车流的速度与流量呈线性相关;

(3)较元胞自动机模型而言，社会力模型能更好描述混行交通流特性。

参考文献

[1]贾顺平,彭宏勤,郭谨一,陈海波.城市混合交通中自行车对机动车行驶影响的定量分析[J].交通运输系统工程与信息,2008,8,(2):58-63.

[2]魏丽英,应力天.基于元胞自动机的混合交通流非摩擦干扰[J].系统工程理论与实践,2010,30,(10):1909-1913.

[3]Xiaojian Hu,Wei Wang,Haifei Yang.Mixed traffic flow model considering illegal lane-changing behavior:Simulations in the framework of Kerner's three-phase theory[J].Physica A,2012,391:5102-5111.

[4]贾宁,马寿峰.自行车干扰下机动车交通流的元胞自动机模型[J].系统工程理论与实践,2010,30,(7):1333

[5]陈大飞.基于社会力的城市道路混合交通流建模与分析[D].长沙.中南大学,2011.

[6]高熙.机非混行车道最小宽度的研究探讨[J].科技信息,2013,6:388.

[7]王永明,周磊山,吕永波.基于元胞自动机交通流模型的车辆换道规则[J].中国公路学报,2008,21,(1):89-93.

[8]Jian-ping Meng,Shi-qiang Dai,Li-yun Dong,Jie-fang Zhang.Cellular automaton model for mixed traffic flow with motorcycles[J].Physica A,2007,380:470-480.

[9]郑凤玺,侯明业,赵娟娟.城市道路机动车道宽度研究[J].道路施工与机械,2013,10:67-70.

[10]Bani Anvari,Michael G.H.Bell,Aruna Sivakumar,Washington Y.Ochieng.Modelling shared space users via rule-based social force model[J].Transportation Research Part C 51,(2015),83-103.

动态交通分配模型设计第2篇

动态交通分配区别于静态交通分配最显著的特点就是在交通分配模型中加入了时间变量，从而把静态交通分配中的路阻和流量的二维问题转化为路阻、流量和时间的三维问题，动态交通分配模型在时变需求下处理路网的动态特性。同时考虑了复杂的供需关系，因而由动态交通分配理论推导得到的交通流量分布能更好地反映路网中交通流的拥挤性、路径选择的随机性和交通需求的时变性。时间变量的引入使得动态交通分配比静态交通分配具有更高的适用性和优越性。

在现有研究的基础上，将其与静态交通分配对比，总结出动态交通分配的典型特征包括：因果性、先进先出原则、路段状态方程、路段流出函数、路段特征性函数和路段阻抗函数。

交通流模型第3篇

摘要：针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题，构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络，解决了小波神经网络初始参数选取时盲目与随机性问题，大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好，表明该模型是有效的和可靠的.

关键词：数据融合；行程时间；预测模型；小波神经网络；遗传算法

中图分类号：U121 文献标识码：A

在交通运营与管理中，高效的出行信息与路径诱导系统将发挥越来越重要的作用[1].行程时间作为其中的关键参数，能够为交通状态估计和城市路网拥堵情况的发布提供数据参考[2].同时，行程时间是衡量路段通行效率和延误的重要依据，是反映路段交通状态的直接指标，在智能交通系统中有着广泛应用[3].目前，行程时间的预测研究大都局限于单一交通数据源，由于单源交通数据受采集仪器的精度、采集方法、样本量、人为误差等影响，因而预测精度不稳定.而多源交通数据的融合，可以弥补单源数据的诸多不足，提高预测精度.本文提出利用GPS浮动车数据与微波检测器交通数据进行融合，建立行程时间数据融合模型.

目前，数据融合方法主要有以下几种[4]：加权平均法、卡尔曼滤波、Bayes方法、统计决策理论、选举决策法、模糊集理论、神经网络等.其中，神经网络具有较强的学习能力，其内部结构本质上是并行的，与数据融合的结构一致，因此具有较大的优势.

本文拟采用小波神经网络建立数据融合预测模型，同BP神经网络相比，小波神经网络具有更强的信息提取、非线性逼近和容错能力[5]，但它存在初始参数随机选取的盲目性、易形成局部极小值而得不到整体最优值等问题[6].遗传算法可以用来优化小波神经网络的初始网络参数，弥补小波神经网络自身的不足.遗传算法与神经网络的有机结合[7]，将其用于数据融合可以提高模型的收敛速度与泛化能力.

3）视频数据

视频数据调查时，将两台摄像机分别置于实验路段起迄点，同时开始拍摄.调查后同时在计算机上播放两测点的录像，从起点视频中记下车型、车牌、外廓、颜色等特征及车辆通过起点断面的时间，然后在终点视频中寻找该车，并同时记录车辆通过终点断面的播放时间，前后时间差即为该车通过调查路段的行程时间.

1.2数据的时空匹配及方法

1）时间匹配

本文采集的出租车GPS数据、微波数据及视频数据虽是同一天的交通流数据，但微波检测与视频数据采集的是早晚高峰时间段内的数据，而出租车GPS数据都是全天候的交通流数据，所以有必要依据微波与视频数据的调查时间挑选出对应时段的出租车GPS数据，这样多源数据反映的就是同一时间段的交通流信息.由于每条GPS数据记录都有接收的时间，通过excel筛选可以很方便进行时间匹配.

2）空间匹配

空间匹配是指多源交通流数据必须反映的是同一地点的交通流信息，这样进行融合才有意义.空间匹配原则是以视频与微波数据的采集现场来筛选相应道路的出租车GPS数据.首先确定视频与微波数据的采集路段的经纬度范围，如图1所示，然后用excel筛选出与采集路段相匹配的出租车GPS数据.

从图5中可以看出，GPS出租车得到的行程时间与视频观测值相比偏低，误差超过了目标阈值15%的范围.原因在于出租车频繁超车，车速高于路段车流.而微波检测器得到的行程时间大于视频观测值，误差超过15%的范围.究其原因在于实验路段大客车、大货车较多，遮挡了车流中部分小汽车，造成小汽车数据漏检.而融合后的行程时间与视频观测数据吻合性良好，误差在8%以内，满足目标阈值15%的要求.相比GPS出租车数据或微波检测器数据，融合后的行程时间在准确度和稳定性方面都有了很大提高.

4结语

本文提出了基于交通数据融合技术的行程时间预测模型，弥补了单源交通数据预测行程时间精度不高的缺陷.利用遗传算法优化小波神经网络的权值、平移因子、伸缩因子，解决了小波神经网络初始参数选取时盲目与随机性问题，大大提高了小波神经网络搜索效率与训练速度.融合后的行程时间与视频观测数据吻合性良好，表明行程时间预测的数据融合模型是有效可靠的.

参考文献

[1]邹亮，徐建闽，朱玲湘，等.基于浮动车移动检测与感应线圈融合技术的行程时间估计模型[J].公路交通科技，2007，24（6）：114-117.

[2]聂庆慧，夏井新，张韦华.基于多源ITS数据的行程时间预测体系框架及核心技术[J].东南大学学报：自然科学版，2011，41（1）：199-204.

[3]徐天东，孙立军，郝媛.城市快速路实时交通状态估计和行程时间预测[J].同济大学学报：自然科学版，2008，36（10）：253-260.

[4]石章松.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[5]张冬至，胡国清.基于遗传优化小波神经网络逆模型的油水测量[J].光学精密仪器，2011，19（7）：183-189.

[6]宋清昆，王建双，王慕坤.基于遗传算法的小波神经网络控制器设计[J].电机与控制学报，2010，14（4）：102-108.

[7]周昌能，余雪丽.基于BP网络的权值更新快速收敛算法[J].计算机应用，2006，26（8）：1940-1942.

[8]王楠，李成文，李岩.基于神经网络的数据融合方法[J].光机电信息，2010，27（3）：36-39.

[9]宗刚，刘文芝，张超，等.基于家庭决策的出行方式选择非集计模型[J].湖南大学学报：自然科学版，2013，40（4）：100-103.

[10]巩敦卫.交互式遗传算法原理及其应用[M]. 北京：国防工业出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.

关键词：数据融合；行程时间；预测模型；小波神经网络；遗传算法

中图分类号：U121 文献标识码：A

3）视频数据

1.2数据的时空匹配及方法

1）时间匹配

2）空间匹配

4结语

参考文献

[1]邹亮，徐建闽，朱玲湘，等.基于浮动车移动检测与感应线圈融合技术的行程时间估计模型[J].公路交通科技，2007，24（6）：114-117.

[2]聂庆慧，夏井新，张韦华.基于多源ITS数据的行程时间预测体系框架及核心技术[J].东南大学学报：自然科学版，2011，41（1）：199-204.

[3]徐天东，孙立军，郝媛.城市快速路实时交通状态估计和行程时间预测[J].同济大学学报：自然科学版，2008，36（10）：253-260.

[4]石章松.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[5]张冬至，胡国清.基于遗传优化小波神经网络逆模型的油水测量[J].光学精密仪器，2011，19（7）：183-189.

[6]宋清昆，王建双，王慕坤.基于遗传算法的小波神经网络控制器设计[J].电机与控制学报，2010，14（4）：102-108.

[7]周昌能，余雪丽.基于BP网络的权值更新快速收敛算法[J].计算机应用，2006，26（8）：1940-1942.

[8]王楠，李成文，李岩.基于神经网络的数据融合方法[J].光机电信息，2010，27（3）：36-39.

[9]宗刚，刘文芝，张超，等.基于家庭决策的出行方式选择非集计模型[J].湖南大学学报：自然科学版，2013，40（4）：100-103.

[10]巩敦卫.交互式遗传算法原理及其应用[M]. 北京：国防工业出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

关键词：数据融合；行程时间；预测模型；小波神经网络；遗传算法

中图分类号：U121 文献标识码：A

3）视频数据

1.2数据的时空匹配及方法

1）时间匹配

2）空间匹配

4结语

参考文献

[1]邹亮，徐建闽，朱玲湘，等.基于浮动车移动检测与感应线圈融合技术的行程时间估计模型[J].公路交通科技，2007，24（6）：114-117.

[2]聂庆慧，夏井新，张韦华.基于多源ITS数据的行程时间预测体系框架及核心技术[J].东南大学学报：自然科学版，2011，41（1）：199-204.

[3]徐天东，孙立军，郝媛.城市快速路实时交通状态估计和行程时间预测[J].同济大学学报：自然科学版，2008，36（10）：253-260.

[4]石章松.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[5]张冬至，胡国清.基于遗传优化小波神经网络逆模型的油水测量[J].光学精密仪器，2011，19（7）：183-189.

[6]宋清昆，王建双，王慕坤.基于遗传算法的小波神经网络控制器设计[J].电机与控制学报，2010，14（4）：102-108.

[7]周昌能，余雪丽.基于BP网络的权值更新快速收敛算法[J].计算机应用，2006，26（8）：1940-1942.

[8]王楠，李成文，李岩.基于神经网络的数据融合方法[J].光机电信息，2010，27（3）：36-39.

[9]宗刚，刘文芝，张超，等.基于家庭决策的出行方式选择非集计模型[J].湖南大学学报：自然科学版，2013，40（4）：100-103.

[10]巩敦卫.交互式遗传算法原理及其应用[M]. 北京：国防工业出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

交通流模型第4篇

山区公路受自然条件限制,气候相对恶劣,地质灾害频繁,导致影响山区公路交通流正常运行的干扰因素增大,尤其是随机干扰因素较多。然而,国内外研究山区公路交通流的不多,研究交通流随机干扰的也不多,将两者结合起来研究的就更少。所以研究山区公路交通流随机干扰具有较大的研究意义。

交通流理论一直随着统计学[1,2]、应用数学、物理学[3]等学科的发展而不断进步。交通流理论模型按照研究层面不同基本可划分为三类研究方法[4],即微观、中观和宏观研究方法。本文通过分析随机干扰,研究山区公路交通流的特性,建立符合山区公路规律、适合山区公路交通安全管理的基本模型。该研究有助于理解随机干扰交通流的变化规律,并为交通流的预测、诱导以及智能控制提供理论依据。

1 山区公路及其特征

山区公路即沿线自然条件以山区为主的公路。山区公路的道路条件主要包括公路技术等级、公路几何条件、交通条件等,分析这些因素对交通流的影响规律,对研究交通流随机干扰因素尤其是其对交通流的影响至关重要,将有利于提高山区公路交通安全水平。目前我国山区公路条件普遍较差,主要特征表现在[5,6]:技术等级标准偏低;气候地质条件复杂;安全管理设施匮乏;养护管理力度不足。山区公路的诸上特征说明山区公路的交通流更容易受到随机产生的干扰因素尤其是非客观因素的影响,其交通流特性有别于普通公路和城市道路。

2 山区公路交通流及随机干扰

山区公路交通流流的特点和普通公路及城市道路有显著不同。受到山区经济社会特点及山区公路自身特征的影响,山区公路交通流有如下特征:山区公路交通流中的车辆运行轨迹更趋于离散;交通流呈季节性、区段性变化;山区公路交通流车行速度接近或高于设计行车速度;车辆换道行为较多、交通流交织带密集。

山区公路交通流随机干扰是指山区公路交通流正常运行时,由于与车流有关的人、车、路以及环境突变,导致山区公路交通流正常运行状态被打破的随机干扰因素。主要指由于山区自然条件、山区公路特征、山区路网特点以及交通参与者等因素的影响,使山区公路交通流随机产生的一个不确定性因素,往往不利于山区公路交通的正常运行。

由于随机干扰产生的原因不同,随机干扰产生的危害也不尽相同,大致表现在通行能力下降、交通事故频发、服务水平降低、交通管理困难等方面。比如在恶劣气候的影响下,山区公路容易诱发交通事故,严重影响其通行能力及服务水平;山区公路线形设计条件不足易导致视角不良,导致交通事故频发,从而造成交通管理困难。

3 基于宏观微观相结合的山区公路随机干扰基本模型研究

在交通流的连续性假设中,通常把交通流看作是由车辆组成的连续介质。因此,交通流的流动是由充满车道的车域的运动所构成的。为了能准确研究随机干扰对单个车辆运行的扰动规律,本文将引用交通流分析的基础方法宏观欧拉方程和微观拉格朗日方法进行综合研究。

3.1 基于欧拉方程的宏观交通流研究方法

欧拉方程宏观交通流研究方法是从交通流整体的状态去研究,忽略微观车辆间的运动,即研究交通流特性3参数的矢量场与标量场,例如速度场和流量场等,并将交通流3参数表示为坐标和时间的函数[7]。如果仅考虑交通流参数的一维空间,则交通流参数仅随着车辆运行的位移以及时间变化,可以得到交通流速度和流量的欧拉方法表达式:

$\begin{array}{l} v = v (s, t) (1) \\ q = q (s, t) (2) \\ a = \frac{d v}{d t} = \frac{\partial v}{\partial t} + \frac{\partial v}{\partial s} \frac{d s}{d t} (3) \\ a = \frac{\partial v}{\partial t} + \frac{\partial v}{\partial s} \frac{d s}{d t} = \frac{\partial v}{\partial t} + v \frac{\partial v}{\partial s} (4) \end{array}$

显然可见,用欧拉方程描述交通流规律时,车辆加速度由2部分组成:①交通流在固定断面上的速度变化率 $\frac{\partial v}{\partial t}$ ,称为固定加速度; $② v \frac{\partial v}{\partial s}$ 则表示车辆速度变化率由于空间位置不同而引起的变化,称为移动加速度。通过对交通流中所有车辆进行叠加可以得到交通流的宏观表达式。

因此,可以得到交通流3参数的时间变化率的欧拉方程一般式

$\frac{d}{d t} = \frac{\partial}{\partial t} + v \frac{\partial}{\partial s} (5)$

对于交通流的流量和密度,利用式(5)可以得到

$\begin{array}{l} \frac{d q}{d t} = \frac{\partial q}{\partial t} + v \frac{\partial q}{\partial s} (6) \\ \frac{d k}{d t} = \frac{\partial k}{\partial t} + v \frac{\partial k}{\partial s} (7) \end{array}$

3.2 基于拉格朗日法的微观车辆研究方法

实际的道路交通流过程尤其是山区公路交通流,是一个包含许多随机干扰因素的复杂过程。虽然可以用确定性微分方程描述交通流中具体微观车辆的运动,但交通流中的不同车辆的运动特征是有一定的随机差异。由于不同车辆间的随机变化很难进行叠加研究,因此,如果要了解交通流的整体规律,宏观统计模型比宏观确定模型更为合理。在交通流理论的发展过程中,能否严格从微观跟车模型计算得到宏观统计模型或确定模型是交通流理论有效性和完整性的重要标志。但是这方面的研究成果并不多,具有代表性的是同济大学的陈建阳教授对传统微观跟车模型进行了改进,在微观宏观结合方面作了一定的创新[8]。

假设在长度为l的一条单车道的几何条件均匀道路路段内有一列车队,车辆的位置和速度分别为xn(t),(n=1,2,)和vn(t),(n=1,2,)。n增加的方向与交通流运动方向相反。

根据传统的跟车模型得到:第n辆车的加速度是第n辆车与第n-1辆车速度差的函数,后车根据前车的刺激(速度)调整自己的驾驶行为:

$\frac{d [v_{n} (t + Τ)]}{d t} = λ (x) [v_{n - 1} (t) - v_{n} (t)] (8)$

式中:T为驾驶员的反应时间,λ(x)为刺激的连续函数。

线性跟驰模型认为刺激是与反应时间有关的定值,但在实际的行驶过程中,驾驶员除了对前车的速度变化敏感之外,对前后2车的间距变化也十分敏感。为了行驶安全或不感觉到紧张,后车驾驶员总希望与前车保持一定的距离,加上前车车身常可以成为“期望车头间距”。

期望车头间距的大小与车辆的加减速性能、驾驶员的反应时间、鲁莽程度以及车辆行驶速度等有关。当实际车间距大于期望间距时,驾驶员选择加速;反之,减速。基于以上分析提出了微观改进模型:

$\begin{array}{l} \frac{d}{d t} [v_{n} (t + Τ)] = c_{1} λ_{1} (v_{n - 1} (t) - v_{n} (t)) + \\ c_{2} λ_{2} [x_{n - 1} (t) - x_{n} (t) - D (v_{n} (t))] (9) \\ D (v_{n} (t)) = α_{1} v_{n}^{2} (t) + α_{2} v_{n} (t) + α_{3} (10) \end{array}$

式中:c1、c2、α1、α2、α3为常数;α1与车辆加减速性能有关;α2与驾驶员的反应时间有关。

当交通流达到稳定状态后,各路段的交通密度和速度将不再随时间发生变化,根据统计学原理,路段交通流中的车辆满足函数关系式: $v_{n} (t) = \frac{1}{n} \sum_{i = 1}^{n} v_{i} (t)$ 。同样,根据稳定交通流的加速度干扰理论原理可以得到稳态下所有车辆加速度的平均值为零:

$\frac{d v_{n} (t + Τ)}{d t} = \frac{1}{n} \sum_{i = 1}^{n} \frac{d v_{i} (t + Τ)}{d t} = 0 (11)$

如果假定式(11)中的车辆跟驰模型刺激参数λ1、λ2均为线性函数,即在线性跟驰条件下,可以得到稳态交通流满足:

$\begin{array}{l} \frac{1}{n} \sum_{i = 1}^{n} c_{1} (v_{i - 1} - v_{i}) + \\ \frac{1}{n} \sum_{i = 1}^{n} c_{2} (h_{n} - α_{1} v_{i}^{2} - α_{2} v_{i} - α_{3}) = 0 (12) \end{array}$

式中:hn=xn-1(t)-xn(t)。

在稳态交通流条件下,可以定义车辆行驶速度vi的平均值为 $\bar{v}$ ,方差为(ε $\bar{v}$ )2,hn均值为 $\bar{h}$ ,根据数理统计原理,有

$v_{n} = \frac{1}{n} \sum_{i = 1}^{n} v_{i} = \frac{1}{n - 1} \sum_{i = 1}^{n - 1} v_{i} = v_{n - 1} = \bar{v} (13)$

在稳态条件下,空间平均速度将不随位置发生变化,则得到:

$\bar{h} = α_{1} (\bar{v}^{2} + ε^{2} \bar{v}^{2}) + α_{2} \bar{v} + α_{3} = \frac{1}{Κ} (14)$

设稳态交通流的阻塞密度Kj,最大交通量为Qm,根据交通流自由流理论的格林希尔兹模型,可以得到3个参数的解为:

${\begin{cases} α_{1} = Κ_{j} (1 - Q_{m} Τ)^{2} / [4 Q_{m}^{2} (1 + ε^{2})] \\ α_{2} = Τ \\ α_{3} = 1 / Κ_{j} \end{cases} (15)$

3.3 基于宏观、微观相结合的山区公路随机干扰交通流基本模型

前面已经分析了随机干扰对山区公路交通流特性3参数的影响。由于流量小、密度低,山区公路交通流从整体来看属于低密度的稳态交通流。但同时,受到随机干扰时,交通流又属于非稳态交通流。因此,本文将从宏观和微观层面建立不同的山区公路随机干扰交通流基本模型。

3.3.1 微观模型

在随机干扰条件下,山区公路驾驶员在行驶过程中除了对前车的速度变化进行响应和保持期望间距外,还与随机干扰i的大小有关,这种影响随着交通流中车辆位置变化,即fi=F(x)。因此,考虑随机干扰的交通流微观模型可以表达为

$\begin{array}{l} \frac{d v_{i} (t + Τ)}{d t} = c_{1} λ_{1} (v_{i - 1} (t) - v_{i} (t)) + \\ c_{2} λ_{2} [x_{i - 1} (t) - x_{i} (t) - D (v_{i} (t))] + c_{3 i} \frac{d f_{i}}{d t} (16) \end{array}$

式中:fi为某种随机干扰i对山区公路交通流的影响,随时间和距离变化而变化。

3.3.2 宏观模型

从随机干扰对交通流速度的分析可以看出,在随机干扰条件下,山区公路交通流中的车辆加速度不仅与时间有关,也与随机干扰有关。因此,可以得到交通流欧拉方程的改进方程:

$\begin{array}{l} v^{'}_{E} = v_{E} - d v_{E} = v_{E} - f_{i} v b_{0} (17) \\ a = \frac{d u}{d t} - v_{0} \frac{d f_{i}}{d t} = \frac{\partial u}{\partial t} + \frac{\partial u}{\partial x} \frac{d x}{d t} - \\ v_{0} (\frac{\partial f_{i}}{\partial t} + \frac{\partial f_{i}}{\partial x} \frac{d x}{d t}) (18) \end{array}$

3.3.3 模型结合

交通流微观模型是从微观的角度描述离散的车流情况,可以将微观参量转化为宏观参量。假设随机干扰为零或者为一常量,则可进行如下转化:

vi-1(t)u(x+Δx,t);vi(t)u(x,t);xi-1(t)-xi(t)hi(t)而 $h_{i} (t) = \frac{1 000}{Q_{i} (t)} v_{i} (t)$ 且Qi(t)=Kjvi(t) $1 - \frac{v_{i} (t)}{v_{f}}$ ,则hi(t)u(x,t);D(vi(t))ue(k)。

对式(9)将上述宏观变量代入对应的微观变量,得到下列关系式

$\begin{array}{l} \frac{d u (x, t)}{d t} = \sum_{i} [\frac{u (x + Δ x, t) - u (x, t)}{τ_{i}} + \\ \frac{u (x, t) - u_{e} (k)}{Τ_{i}}] = \\ \sum_{i} [\frac{u (x, t) - u_{e} (k)}{Τ_{i}} + \sum_{i} \frac{Δ x_{i}}{τ_{i}} \frac{Δ u}{Δ x_{i}}] (19) \end{array}$

将式(10)写成宏观模型形式:

$\begin{array}{l} \frac{d u}{d t} = \sum_{i} \frac{u - u_{e} (k)}{Τ_{i}} + (\sum_{i} \frac{Δ x_{i}}{τ_{i}}) \frac{\partial u}{\partial x} \\ \frac{d u}{d t} = \frac{\partial u}{\partial t} + u \frac{\partial u}{\partial x} = \sum_{i} \frac{u - u_{e} (k)}{Τ_{i}} + \\ (\sum_{i} \frac{Δ x_{i}}{τ_{i}}) \frac{\partial u}{\partial x} (20) \end{array}$

可以看出,利用建立的微观模型进行叠加可以得到与宏观分析模型涵义相同的模型。山区公路随机干扰交通流基本模型需要进一步标定的是随机干扰i,即对随机干扰对交通流的影响进行量化分析。不同程度、不同性质的随机干扰对山区公路交通流随机干扰的影响函数是有所区别的,对山区公路交通流参数的影响也是不同的。

5 结束语

山区公路交通流与普通公路和城市道路交通流特征规律的不同,决定着在分析山区公路交通流随机干扰时采用的交通流分析方法也有所区别。本文通过分析交通流基本理论以及随机干扰因素对山区公路交通流的影响,利用交通流宏观分析的欧拉方程方法以及拉格朗日微观方程分析方法建立了山区公路随机干扰交通流基本模型,明确了研究山区公路交通流随机干扰时不能将交通流机械地认为是自由流或非自由流,必须将两种交通流的相关理论有机结合进行分析才能做到科学有效。该研究有助于理解随机干扰交通流的变化规律,并为交通流的预测、诱导以及智能控制提供理论依据。

摘要：山区公路因而受线形、纵坡和路面状况等因素的影响,其事故率高于其他公路。随机干扰因素作为山区公路事故发生的重要因素,一直是山区公路使用者的困扰,也是交通管理部门进行交通安全管理的难点。常规交通流模型大多不太适用于山区公路,为了研究适用于山区公路交通安全管理的交通流随机干扰模型,分析研究了山区公路交通流随机干扰交通特性,利用交通流宏观分析的欧拉方程方法以及拉格朗日方程微观分析方法建立了山区公路交通流随机干扰基本模型。

关键词：山区公路,随机干扰,欧拉方程,拉格朗日方程,交通流

参考文献

[1]Ahmed M S,Cook A R.Analysis of freeway traffictime-series data by using box-jenkins techniques[J].Transportation Research Record,1979(722):1-9.

[2]Okutani I,Stephanedes Y J.Dynamic prediction oftraffic volume through kalman filtering theory[J].Transportation Research,1984,18B(1):1-11.

[3]Payne H J.Models of Freeway Traffic and Control[J].Mathematical Methods of Public Systems(SO170-4214),1971(1):51-61.

[4]应天力.基于元胞自动机的城市路段混合交通流建模与仿真[D].北京:北京交通大学,2008.

[5]万忠金.高寒山区公路安全性评价体系研究[D].成都;西南交通大学,2006.

[6]宋涛.山区低等级公路运行速度安全性评价方法研究[D].成都:西南交通大学,2007.

[7]熊烈强.交通流理论及其在高速公路中的应用研究[D].武汉:武汉理工大学,2003.

交通流模型第5篇

城市道路交通事故与交通冲突技术理论模型及方法研究

随着机动车数量的增加，社会机动化程度提高，交通事故日趋严重。改革开放20年来，随着经济的快速发展，我国的事故率及严重程度也居高不下，交通安全形势非常严峻。因此，为了减少交通事故发生次数、降低事故严重程度，交通工程师一直致力于交通安全的改善。本文依托昆明市交通警察支队的重点项目《昆明市交通综合治理实施方案》，通过对包括昆明市在内的云南省十个城市以及上海市、大庆市、哈尔滨市等地区近几年的城市道路交通事故资料的整理，对交通事故分布规律、原因、预测、评价以及改善措施展开了广泛而深入的研究，并引入交通冲突技术这一新兴的非事故评价方法对交通安全评价及改善进行了系统探讨。本文以昆明市的城市道路交通事故数据为依据，对交通事故的发生原因进行了深入分析，得出人和车辆是造成城市道路交通事故的主要原因的结论；引入灰色理论，建立灰色关联模型，进一步确定了人和车辆中的各种要素对交通事故的影响程度，以便使交通改善措施更具针对性。揭示了城市道路交通事故的时间分布、空间分布、事故形态分布、不同道路与交通管理条件下以及不同气候条件下等方面的分布规律。指出了城市道路交通事故分布的特点以及交通安全中存在的主要问题。针对交通安全概念的模糊性和评价者思维方式的多样性，提出了鉴别城市道路交通事故危险点的模糊评价法，建立了以万车死亡率、万车当量总事故率以及事故严重性指数为评价指标的评价模型，并运用该方法对昆明市部分交叉口进行事故危险点的鉴别。鉴于传统BP算法学习速度慢、目标函数存在局部极小点的缺点，采用改进的快速BP算法，即采用加动量项和自适应学习速率的方法来弥补这一不足，建立了基于三层BP网络的城市道路交通事故神经网络预测模型。鉴于我国交通事故统计的实际状况，该模型将城市道路交通事故的发生作为一时间序列事件，撇开了城市道路事故形成的复杂原因，确立了基于时间序列的预测城市道路交通事故、死亡人数和受伤人数的方法，最后，应用昆明市的统计及调查数据验证了该模型的有效性，具有宏观指导性。根据交通事故次数、死亡人数、受伤人数这三者和交通事故直接经济损失之间存在着的某种联系，首次提出了基于自适应神经网络模糊推理系统的城市道路交通事故经济损失预测模型。该模型是基于数据的建模，其基本思想是为模糊建模的过程提供一种能够从数据集中提取相应信息的学习方法，能够有效的计算出隶属函数的最佳参数，使得设计出的推理系统能够最好的模拟出预期的或是实际的输入输出关系，避免了采用传统数学方法建立事故损失预测模型困难大且要求数据量多的不足。目前国内外用于城市道路交通安全评价的方法很多，因具体情况不同，方法也各异。一般可以分为宏观评价和微观评价。本文首先对各种评价方法作详细的剖析，目的在于确定各方法的优缺点和使用范围，以利于交通专家能根据具体情况运用相应的方法做出客观、准确地评价。然后针对不同评价对象(交叉口、不同类型的城市道路、整个城市)，分别提出了不同评价方法以便于使用。鉴于各评价指标对交叉口安全度的影响具有一定的模糊性，本文提出了基于模糊C—均值聚类的安全评价方法，并通过昆明市的交叉口对其有效性给予了验证；对于不同类型的城市道路，为便于数据的获取本文提出了采用四项指标相对数和交通事故率的评价方法；对城市而言，鉴于整个交通安全信息不完全的特点，提出基于灰色聚类的安全评价方法，建立了灰色聚类评价模型，并借助VB程序设计语言，设计出用于交通安全评价的城市灰色聚类软件，最后选择了云南省10个城市的交通调查资料进行验证，效果良好。由于现有交通事故统计中存在的缺陷，本文引入了交通冲突技术进行城市道路的交通安全评价。提出了路段事故危险点判定模型，实现以冲突观测值作为路段事故危险点的快速判定方法。此外，引入交通冲突与混合当量交通量的比值(TC/MPCU)作为交通安全的评价指标，针对交叉口首次建立基于交通冲突技术的模糊C—均值聚类安全评价模型，采用早高峰、平峰、晚高峰三个典型时段的(TC/MPCU)值进行评价，克服了多个时段交通量与冲突数据调查所带来的耗时耗力问题，同时也比以往采用时均(TC/MPCU)比值的评价法更客观、更准确。交通冲突研究不仅能用于安全评价，而且也可用于信号相位选择。鉴于目前国内在信号控制中难于确立安全设计指标的现状，通过冲突调查，笔者就昆明市四种信号相位控制下的交叉口的交通冲突状况进行了比较分析，创新性地建立了小区域内以冲突率为指标的信号相位选择标准，从定量的角度，为信号设计建立了安全评价方法。在交通冲突调查中，既要减少观测时间，又能达到测量效果，这是急待解决的问题。为此，笔者建立了一种方法：即在获取部分信息的基础上，通过预测的方法实现。即认为，一个地区的道路系统是灰色系统，且每天至少8个小时的调查得出的冲突数是时间变化序列，因此可以运用灰色理论预测交通冲突数，达到减少交通冲突调查量的目的，拟为交通冲突调查提供一种新思路。建设性地提出了基于交通冲突技术的交通安全改善思路，并以交叉口的交通运行为例，分析了交叉口的交通冲突状况，提出了减少交叉口交通冲突的措施。最后，运用于工程实践中，验证了其有效性。进过分析研究，得出结论，信号控制是提高通行能力，改善安全状况的有效手段之一。通过对昆明市交叉口的大量调查，提出了在混合交通严重的地区，实施多相位信号控制的思路，并且提出了在交叉口实行以整

体车流为主，以车流通过交叉口通行时间均衡的原则来设计相位相序的方法，达到减少交通冲突，提高安全度的目的。

交通流模型第6篇

关键词：城轨交通运营管理岗位培养教学模型

0 引言

在现代城市不断发展的形势下，城市交通拥堵问题已经成为了困扰城市发展的重要问题。关注城市交通管理能力，推进城市交通运营管理水平的发展，对于改善城市交通环境，节能减排以及推进城市经济与社会的发展有着至关重要的作用。在开展相关专业教学的过程中，我们要关注对学生的综合能力培养，构建科学的教学模型，提高整体教学效果。下文对于城轨交通运营管理对于人才的需求和方向进行了分析，并且制定了相应的教学模型，以期更好地提高实际岗位的培训效果，为我国社会发展输送更多的高水平专业人才。

1 城轨交通运营管理对于人才的需求

城轨交通运营管理工作的开展，对于一线工作人才的专业技能水平的要求很高，需要其适应安全管理、站务管理以及票务管理等多项工作内容，并且对于整体城市轨道交通系统的结构和组成有着深入的了解和掌握。运营维护岗位则要求人才对设备的维修、维护、撤离管理等具有较强的应对能力，并且熟悉不同子系统的结构构成。乘务工作岗位的人才，其自身要具有基本的车辆构成与维修知识和能力，并且对于交通系统中的车辆有着深度的了解，并且自身具有较强的心理素质。另外，一些其他管理类的人才，其本身需要具有足够的客运管理能力，并且了解和熟悉客运、安全检查、货运以及调度等工作。

2 城轨交通运营管理岗位专业能力培养方向

结合对于不同管理岗位的人才培养需求，在人才培养方向的确定上，要以培养人才的专业能力和岗位适应能力为基础，从学生基础能力、基本素质、专业拓展能力以及职业素质等几方面进行培养。不同培养目标中，对于学生的能力培养，也要引入精细化培养的理念。在基本素质培养的过程中，要对于学生的分析计算能力、外语能力、办公自动化运用能力以及专项能力进行培养。在专业技术能力培养与职业素质培养的过程中，要对于学生的票务管理能力、行车组织能力、设备管理能力以及客运组织能力进行培养。在专业拓展能力的培养上，要关注学生商务沟通能力与经济管理分析能力的成长。在进行相关理论课程的设置上，要关注理论教学与实践教学的有机融合。人才培养的过程中，要以提高专业能力、满足工作岗位任务能力为基本导向，并且确立提高能力与素质的培养原则体系。只有保证对学生能力的科学化、全面化培养，确立培养应用型人才的目标，才能让学生更好地满足具体岗位对于人才的各方面需求。另外，人才培养的过程中，也要关注学生思想品质和创新能力的培养。针对于当前运营岗位人才培养中，可以结合相应的实训项目策略，采取订单式培养，结合实际社会岗位与企业的具体要求，有针对性地开展人才培养工作，实现人才与社会生产的无缝对接。

3 城轨交通运营管理岗位培养的教学模型

3.1 模型的设计与分析

本次教学模型的设计，结合了实际岗位的人才需求，设计了专业岗位模块、知识模块以及考核模块三个大模块。

第一，专业岗位模块。专业岗位模块教学中，关注职业岗位的具体需求，并且通过对于职业岗位进行深入、实际的调查，确定不同岗位的具体需求，并且对岗位的整体结构与构成进行深入的分析。

第二，知识模块。知识模块主要包含了岗位中的理论知识，通过对知识的重新梳理和将知识点与实际岗位进行重新整合，将零散的知识实现了系统化。调整好教学，并且按照实践的需求，对岗位进行分类，这对于提高岗位知识教学的针对性有着重要的意义，也是减少知识教学中盲目性，提高教学实效性的重要举措。

第三，考核模块。考核模块中，主要包括了阶段性考核与整体考核两种形式。两种不同的考核形式，面对不同的教学过程进行考核，并且二者共同运用，可以提高考核工作的准确性，这对于进行后续教学的调整是非常必要的。

3.2 课程设置与模型的应用

作为一门实践性较强的课程，城轨交通运营管理岗位培养中对于具体的票务管理、行车组织、信号、客运管理等内容进行了明确的规定。在课程设置和模型应用的过程中，需要通过逐项地进行设计对应。

首先，岗位模块的应用。在城市轨道交通运营管理岗位当中，主要的岗位有值班员、站长、站务员、值班站长以及调度员等多个岗位。子岗位则包括了预制票岗、售票岗位、巡视岗位、站台岗位、机动岗位、附体岗位、站台协助岗位等不同岗位。不同的岗位负责不同的工作内容，并且具有不同的职责范围。在进行课程设置的过程中，要结合模型中岗位职责的分配，对于其理论实践内容进行合理的安排与设计。

其次，知识模块的应用。知识模块应用过程中，需要对于岗位内的知识内容进行名列，并且找出不同的知识重点，并且结合每堂课的教学重点，引入实践性较强的教学内容。在岗位实践知识和理论知识学习的过程中，要将教材内容和企业实践操作内容等资料进行有效地融合与运用，让学生了解实际岗位上对于人才专业能力素质方面的需求，为人才的培养指明争取的培养方向，提高知识教学成果。

最后，考核模块的运用。不同阶段知识教学完成之后，要进行阶段性的考核工作。通过采取当堂测验和实际操作考核，对于学生的理论知识学习效果和实践操作能力进行客观的考核。考核的过程中要保证具有足够的针对性，针对于不同课堂教学内容和教学目标重点，提高考核工作的针对性。与此同时，由于不同学生的具体能力水平和特长方面都有所不同，在考核过程中也要注意有层次地落实好不同侧重点，提高考核工作的针对性和有效性。在考核工作完成之后，要对于考核内容进行全面、客观的分析，对于不同的知识点和考核数据进行深入的论证和研究，就当前人才培养中的问题进行改进，进而提高后续人才培养的整体效果。

4 结束语

总而言之，通过对于城轨交通运营管理岗位专业能力培养相关问题进行有效的分析，结合有效的手段，建立科学的教学模型，对于提高素质教育落实效果，实现素质就业有着至关重要的作用。本文对于教学模型进行了探索，并且构建了科学的教学手段和课程教学理论。教学模型关注教学理论与实践的结合，并且围绕培养学生的实际动手能力进行了课程的设置，提高了知识学习过程中的关联性和集中性，保证了良好的教学效率和教学成果。

参考文献：

[1]邓捷.基于城市轨道交通运营管理职业岗位培养的教学设计模型的研究和应用[J].时代教育，2014（09）.

[2]史志平，董健.城市轨道交通供电职业人才培养与实践[J].中国电力教育，2014（35）.

[3]张艳玲.城市轨道交通运营管理专业设置标准建设之我见[J].职业技术，2014（10）.

[4]刘浏.城市轨道交通运营管理专业实训基地功能拓展[J].职业技术，2014（10）.

交通流模型第7篇

1现有沥青路面性能预测模型

1.1 标准衰变方程

文献[1][2]将路面性能的变化过程划分为4种典型的模式,利用两个参数:寿命因子α和形状因子β,即可唯一确定路面的一条性能衰变曲线,称为路面性能标准衰变曲线,如式(1)所示。

undefined (1)

其中:P为使用性能指数(PCI,RQI或其他综合指标);P0为初始使用性能指数;y为使用年数;α、β为回归系数。该模型能够很好的预测和适应新建沥青路面性能的衰变,但是对于在使用周期内经历大中修改造后的路面则不能很好的适应。

1.2 双参数修正预测模型

针对路面性能标准衰变方程根据回归分析一次得到的α、β所确定的唯一曲线不能适应公路养护大中修工程带来的路面性能改变对其的影响。文献[3]提出,根据前一次的实测数据修正模型参数,达到不断接近实际路面性能的目的,其改进的基本预测模型见式(2)。

P=f(t,β,α)+ε (2)

从式(2)可以看出,双参数修正模型考虑了衰变规律随时间的变化,通过调整α、β两个参数,使预测结果在一定程度上更加逼近实测值。

1.3 基于灰色理论的预测模型

文献[4]基于灰色理论,利用累加或者累减的方法,生成新的数列,使新数列削弱原始数据的离散性,显现数列的规律性,其模型形式见式(3)。

undefined (3)

2 现有模型存在的问题

2.1 路面性能标准衰变方程

路面性能标准衰变方程反映了新建道路的路面性能变化趋势,并随着实测数据的增加,对方程参数可进行方便的调整,但是对于经历大中修养护后的公路路面,标准衰变方程模型不能准确的进行预测。

2.2 双参数修正预测模型

该模型能够随着实测数据的丰富,不断调整参数α、β,使预测模型曲线始终在实测值附近,但是该模型受到大中修等养护工程对路面性能提升的影响,在大中修年度及后续年度的预测中数据存在失真的可能性。

2.3 基于灰色理论的预测模型

该预测模型数学、物理含义较标准衰变模型模糊,预测结果较为准确,但是模型对于大中修过程的部分数据预测存在偏离,路面性能的阶段性变化体现不明显。

3预测模型建议

现有的预测模型均能在一定程度上对路面性能变化进行预测,但是需要大量的实测数据,并且在应对大中修后路面性能显著提升的问题上存在一定的偏差。现有的路面性能实测数据各地存在较大的差异,有的地区数据丰富,大部分地区数据相对匮乏,但是交通量观测数据都比较丰富和全面。因为文献[1]中的标准衰变模型,形式简单,参数数学、物理含义清晰,对路面性能变化的趋势性预测准确,对其进行一定的改造,即可很好的实现对路面性能全过程的预测模拟。

3.1 基于交通流统计的全过程预测模型

首先根据方程(1)和文献[2]的方法,确定寿命因子α和形状因子β,形成第一阶段预测模型,形式同方程(1)。

在经历第一次大中修养护后,路面性能指标提升量为ΔP,此数值通过养护年度末实测值进行计算。并且在养护年度后第一年末预测衰变率采用第一阶段预测模型相应指标水平的衰变率,其后根据实测指标进行参数调整,形成第二阶段衰变曲线。

在路面全寿命周期能,不断的循环进行以上两步模型修正和预测,实现路面性能的全过程模型预测。

4结论

现有的路面性能预测模型丰富多样,且各有优点,但是采用修正标准衰变模型的方法,并且根据实测交通量统计的标准轴载进行参数计算,确定各阶段的衰变曲线,物理意义明确,曲线与实际路况变化符合情况较好,预测精度将得到提高。

摘要：现有公路沥青路面使用性能预测模型主要有基于传统统计回归分析的路面性能标准衰变方程和利用灰色系统理论的预测模型。本质上两者都是在现有数据基础上进行模型检验和修正的分析方法。通过对现有模型的对比分析,可以看出路面性能标准衰变方程,数学、物理含义清晰明确,加以改造便可适应对养护需求的预测。

关键词：标准衰变方程,预测模型,养护

参考文献

[1]孙立军,刘喜平.路面使用性能的标准衰变方程[J].同济大学学报,1995,23,(5):512-518.

[2]孙立军等著.沥青路面结构行为理论[M].上海:同济大学出版社,2003,4.

[3]张占军,王笑风.沥青路面使用性能的双参数修正预测模型[J].交通运输工程学报,2007,7,(5):54-57.

交通流模型第8篇

关键词：道路权重,定点道路截面雷达试验,交通流模型

节能减排措施是当前汽车动力传动系统研究的热点和难点,城市行驶工况是检测汽车节能减排效果的主要手段。与一般公路和高速公路相比,城市交通网络错综复杂,如何获取代表城市道路出行状况的汽车运行工况参考信息,是国内外的研究热点。

研究适用于交通网络中的道路权重赋值方法,需要结合我国目前交通和通信基础设施情况,同时考虑车辆运行系统自身特点和需求。道路权重研究多见于车辆导航系统,其中道路权重的类型有出行距离、行程时间等等。不同类型的道路权重对应着不同的最优目标[1,2,3],但是这些研究并不能适用于工况设计。

吉林大学车辆运行仿真研究室于2007年长春市工况设计研究中提出了长春市中心区内外权重系数的确定方法[4]。但在这些工况设计研究中,研究人员往往利用浮动车在代表性道路上提取车辆行驶信息,方法陈旧,资源消耗较大,针对这些缺点,本文采用“以点代线”的新思路,以道路定点测速试验来代替过去的实车道路试验获取城市交通车辆运行基本数据,研究其运行规律,分析其动力学统计特征,计算交通网络中的道路权重,从而获取能够代表城市交通网络特性的汽车运行工况参考信息。

1 道路定点截面雷达测速试验

雷达定点道路截面测速试验是指采取雷达定点道路截面测速的方法来获取途径雷达的乘用车速度信息,2010年4月中旬～2010年5月末,在长春市区开展了大规模定点道路雷达测速试验。试验硬件基础由仪器:雷达测速仪,激光测距仪,笔记本计算机,电源和秒表等组成;而软件部分雷达测速仪的测速软件由车辆运行仿真研究室开发[5]。

试验设备相关信息:雷达测速仪用于采集车辆的实时速度,采样频率高,使用方便;激光测距仪用于采集路段距离和视距,测量精度高、操作简单;笔记本电脑和电源为各种仪器提供信息载体和电源,电脑内置软件读取测量数据。

在长春市选择了44个试验地点,每个点的地理位置指示试验点的当时位置。

雷达采集的原始数据包含2个信息,时间和瞬时车速。雷达测速示意图见图1。

雷达数据处理:雷达测速数据细节图2中一个一个小山状的速度图像,每一座小山就是每辆车经过雷达测速范围这段时间内的速度图像,每座小山的起点代表每辆车进入雷达测速范围起始时刻 (时刻t0) 所对应的车速数据点,同一座小山的终点代表该车离开雷达测速范围的终止时刻 (时刻t1) 所对应的车速数据点,记录图形对应这两个时刻的数据标记点,形成雷达原始数据对应Excel表格,并用Matlab程序处理数据,得到经过雷达测速范围的每辆车的起止时刻(物理时间点时刻t0和时刻t1)以及车辆在该范围内的平均车速。

经过程序处理后的雷达采集数据中,第一列是每辆车进入雷达测速范围的起始时刻(时刻t0),第二列是该车离开雷达测速范围的终止时刻(时刻t1),第三列是车辆行驶在该范围内的平均车速。

雷达采集原始车速时间数据后进行程序处理,挑出车辆行驶的速度段,包含起止时刻和平均车速这3类信息;对原始的车流量记录数据统计每15 min内的总车流量,车流量换算系数见表1;然后以15 min为间隔进行处理,计算所测道路每15 min内的平均车速和密度。

在车流量统计工作中:微型车指摩托车;小型车包括轿车和出租车等;中型车包括面包车、越野车和SUV等;大型车指公交车、大型客车和货车等。雷达测速数据、车流量统计以及密度计算结果最终都存储在一张EXCEL表里。

2 雷达标定交通流模型

首先将所有试验点的平均车速和平均密度进行数据拟合。

拟合结果: $\bar{v} = - 0.07434 \cdot \bar{Κ} + 41.505$

式中: $\bar{v}$ 为平均车速,km/h; $\bar{Κ}$ 为平均密度,veh/km。

由拟合结果可得,自由流速度是41.505 km/h;拥挤密度是558.31 veh/km,见图3。

拟合结果残差是49.475,数值太大,于是决定把数据根据道路范围分区域进行处理分析。把所有雷达定点截面测量的数据划分为10个范围,见表2。

对这10个范围的平均车速和平均密度分别拟合,其中只有data 2 和data 9的这2组数据拟合结果残差较小,见图4和图5。

与历史数据相比较,data 2的拟合结果与长春市区主干道路的车速密度特征相接近,它较能符合实际道路车流情况,所以选择data 2的拟合结果作为本文主干路车速-密度模型的结果。同理,支路的车速和密度关系模型选择data 9的拟合结果。可以得到雷达试验标定的长春市区主干路和支路的车速-密度模型,见表3。

3 基于浮动车速度和道路类型的密度推算

定点道路截面雷达测速试验是从2010年4月到5月底结束,处理同一时期出租车载GPRS行驶记录仪的数据,对其进行道路匹配,得到每条道路的所有行驶数据。数据信息包括:即时行驶时刻,经度,纬度,即时时刻的瞬时车速,车辆此刻行驶道路编号。浮动车数据总共涵盖长春市区703条道路信息。

根据道路编号信息,统计每一条道路的所有行车信息建立数据库。针对不同时间段内每一条道路的所有车速信息计算其平均车速。然后参照表3中的车速-密度模型,计算不同时间段内703条道路的平均密度。

4 基于道路密度和道路长度的道路权重计算

依据各条道路端点的经纬度,计算各条道路的长度,之前要把经纬度坐标转换为高斯坐标才可以直接求解长度[6]。

在前文中可得到长春市703条道路的起始点、途经点和终止点的经纬度信息,将这3种点的经纬度信息转换为高斯坐标,然后计算每条道路的长度。

在已知每条道路的长度和不同时间段内平均密度后,可计算长春市内每条道路在不同时间段内的道路权重。按照下列公式计算每条道路的权重,见图6。

$Ρ_{i} = \frac{Κ_{i} \cdot L_{i}}{\sum_{i = 1}^{703} Κ_{i} \cdot L_{i}}$ (1)

式中:Pi为第i条道路的权重;Ki为第i条道路的平均密度;Li为第i条道路的道路长度。

下面以道路权重的值作为道路的宽度画出前282条道路中的各条道路,见图7,在有些图中有些道路没有画出,说明该道路权重为零。黑色是主干路,灰色是支路,线条越粗表示该条道路权重值越大。

5 结束语

本文提出了利用交通流模型计算道路权重的新方法。

通过道路定点截面雷达测速试验标定了长春市区干支路交通流模型,根据与雷达试验时间范围完全一致的出租车实验数据中的各条道路平均出租车车速和交通流模型计算得到了各条道路的平均密度,并结合各道路长度,最终计算得到了各道路权重值。结果表明,本方法能够更加全面准确地表达道路权重信息,验证了本方法的正确性。

参考文献

[1]张可.车辆导航系统关键技术研究[D].北京:北京工业大学,2001.

[2]陈智宏.基于动态车辆导航系统的道路权重赋值方法研究[D].北京:北京工业大学,2006.

[3]白尘.交通路网中最优路径算法的道路权重选择[D].北京:北京科技大学,2009.

[4]刘丽.乘用车城区瞬态运行工况的组合设计方法研究[D].长春:吉林大学,2007.

[5]刘晓东.基于公路线形和视距的运行速度云模型初步研究[D].长春:吉林大学,2009.

交通流模型第9篇

众所周知,道路交通系统是一个有人参与的、时变的、复杂的非线性大系统,它的显著特点之一就是具有高度的不确定性(人为的和自然的影响)。这种不确定性给短时交通流量预测带来了极大的困难。这也就是短时交通流量预测相对于中长期预测更复杂的原因所在。

在交通流量预测方面,小波分析不是一个完全陌生的工具[1,2],但是仍然处于探索性的应用阶段。实际上,这种方法在计算机网络的流量的预测中有着广泛的应用[3,4]。与计算机网络一样,车流也表现出复杂的习性。所以,可以把它的应用推广类比到交通流量的预测中来。小波分析有着与生俱来的解决非稳定时间序列的能力,所以常常被单独用来解决常规时间序列模型中的问题。

1 离散小波变换

离散小波变换(DWT)包括一系列系数的集合:

${\begin{cases} c_{j} (k) = < X, φ_{j k} (t) > \\ d_{j} (k) = < X, ψ_{j k} (t) > \end{cases} j, k \in Ζ (1)$

尖括号表示内积, ${d_{j} (k)}$ 是水平j(j=1,2,,J)下的细节系数; ${c_{j} (k)}$ 是J次分解的近似系数。初始信号X(t)用离散的小波函数:

$ψ_{j k} (t) = 2^{\frac{- j}{2}} ψ (2^{- j} t - k) (2)$

进行变换。它是由小波母函数ψ(t)通过时间平移和一个尺度伸缩变换而来的。ψjk(t)是时移后的母函数ψj(t):ψjk(t)=ψj(t-k)。离散小波函数就像一个可以从原始信号中分离出低频部分的滤波函数。因此,离散小波变换可以把原始信号分解为大尺度的低频近似信号和一系列不同小尺度的小时间序列的高频细节信号。

原始信号可以通过分解后的近似和细节系数进行重构。因此初始的信号可以表示如下:

X(t)=Aj(t)+ $\sum_{j J}$ Dj(t) (3)

式(3)是第J次分解后的近似系数cj,Dj(t)是用来重构原始信号的第J次分解好的细节系数dj。重构近似系数和每一次分解的得到的重构细节系数(D1,D2,,DJ),之和得到的信号与原始信号具有相同数量的点。

因此,尺度函数φ(t)在不同尺度下其平移系列张成了一系列的尺度空间,随着尺度的增大,其平移的间隔也越来越大,则它的线性组合不能表示函数(小于该尺度)的细微变化,只能表示缓变信号。相反,尺度的减小,它的函数组合式能表示函数更细微的变化。

2 预测流程

2.1 基于小波变换的交通流预测流程

实际观测到的交通流数据是一系列的散点,把这些散点连成一个信号,就可以对原始信号进行处理和分析了。首先,选取合适的小波和分解层次,对实际观测的交通流量数据进行小波分解。分解后的低频和多层高频系数分别进行重构,即单支重构。单支重构从严格意义上讲不是小波分析中的重构,而是属于分解的一种特例。其次,对不同尺度空间分别重构的结果用预测模型进行预测。最后,各层的预测结果叠加得到交通流的预测模型。流程图如图1所示。

2.2 模型的选取

较早期的交通流量预测方法主要以数理统计和微积分等传统数学与物理方法为基础,有:自回归滑动平均模型(ARMA)、自回归模型(AR)、滑动平均(MA)和历史平均(HA)等。这些线性预测模型考虑因素较简单,参数一般采用最小二乘法(LS)在线估计[5]。相对而言,计算简单,易于实时更新数据,便于大规模应用,但这些模型未能反映交通流的不确定性和非线性,无法克服随机因素对交通流量的影响,所以随着时间间隔的减少,模型的预测精度就会变差。

随着研究的深入,人们又提出了一批更复杂和更高精度的交通流量预测方法。其中有自回归综合移动平均(ARIMA)模型、自适应权重联合模型、卡尔曼滤波模型、指数平滑模型、各种神经网络模型、非参数回归模型、基于分形的方法等以及这些模型构成的多种组合预测模型[6]。但这些拟合模型解决的都是局部最优而不是全局最优的问题。对其中一些模型单独作用下的预测结果进行了比较。

本文在小波分解与重构的基础上,结合现存的预测方法进行研究,期望找到一种最优的结合方式得到最佳预测结果。

2.3 预测性能指标

为了比较各种流量预测方法的优劣,必须制定相应的性能数据指标,以衡量预测方法的好坏。则:

平均绝对误差(Mean Absolute Error):

$Μ A E = \frac{1}{n} \sum_{i = 1}^{n} | y_{t} - \hat{y}_{t} | (4)$

均方误差(Mean Square Error):

$Μ S E = \frac{1}{n} \sqrt{\sum_{i = 1}^{n} (y_{t} - \hat{y}_{t})^{2}} (5)$

注:假设原数据序列为yt,预测结果为 $\hat{y}_{t}$

3 关键问题的探讨

3.1 小波的选取和分解深度

紧支性是当时间和频率趋向于无穷大时,尺度函数与小波函数从一个有限值收敛到0的长度的大小,长度越短,意味着计算量越小,有定理在给定的消失矩的情形下,dbN系列小波具有最小支集;正则性反映了小波的光滑程度,正则性好能在信号和图像重构中获得较好的平滑效果,减小量化和舍入误差的视觉影响;对正交小波来说除Haar外不存在对称和反对称小波,这点dbN系列也已经严格证明了,而且由消失矩条件通过最小相位构造的小波是极不对称的,在图像处理中此性质影响很大,symN系列虽然对称性较好,但是产生了复小波;消失矩对数据的压缩、去噪、快速计算、特征提取等非常重要,因为消失矩越大,就会有更多的小波系数为零,但在一般情况下,消失矩越高,紧支性越差,所以只有在两者之间折衷,权衡。文献[7]中对小波基性质陈述有错误。

通过对小波基性质的分析,dbN和symN相对其它两种小波来说更有优势,coigN紧支性差,尽管消失矩比较大。双正交小波解决了线性相位和正交性要求的矛盾,它主要应用于图像的重构中。所以,本文选择symN作为信号分解重构的小波基。

分解深度越小,近似信号包含过多的干扰信号,导致难以确定流量变化的趋势;分解深度过大,滤波器频带过低,反映变化趋势的信息随着分解次数的增加被作为干扰信号过滤掉了。分解后的近似信号反映了系统变化的内在趋势,所以分解后得到的近似信号应当是平滑且无噪声干扰的。确定N值有两种方法[7]:(1) 描述随机变量干扰的统计量是方差,所以可以使用作为确定N值的指标;(2) 利用Matlab小波分解重构GUI,通过观察信号各分辨率上的分量信号来确定N值。

本文用第二种方法定性确定分解深度N为3。

3.2 ARMA参数的选取

ARMA模型操作流程:

(1)计算数据的自相关系数和偏相关系数,根据截尾性和拖尾性进行模型的判断和阶次的初估计;

(2)模型的参数估计;

(3)模型拟合度检验(除数据精度特别要求,一般情况可以不必进行)。

最好的预测模型来源于根据具体情况下,选择合适的模型阶数对(p,q)和参数值大小。文献[5]采用了最佳准则函数法确定模型的参数对。本文在使用ARMA模型时,通过多次实验发现,当p和q的值为4、1预测效果相对较好。

3.3 神经网络在预测中的应用

在系统建模、辨识和预报中,对于线性系统,在时域中利用回归滑动平均(ARMA)对各种参数估计,可以很好的对系统输入和输出进行描述。但是对于非线性系统,一般采用非线性自回归滑动平均模型(NARMA)进行预测,然而很难为这种模型找到恰当的参数估计方法[8]。

相比之下,神经网络在这方面具有明显的优越性。由于神经网络具有通过学习逼近任意非线性的能力,将神经网络应用与非线性系统的建模上,可以不受非线性的限制。在进行流量预测的神经网络设计中,输入维数是可变的。正是由于输入维数的不确定性以及隐含层单元的任意性使得神经网络的应用缺乏理论上的指导。在实际应用中往往要试很多种组合才得到较为理想的结果。RBF网络是一种新颖有效的前向型,由于该网络输出层是对中间层的线性加权,使得该网络相对于BP具有较高的运算速度。

鉴于神经网络和ARMA的各自优势,本文试图通过两者的结合,达到预测结果的最优。在第四部分,分别讨论了纯粹用ARMA、纯粹用神经网络、两者相结合三种情况下的预测结果,并用性能指标衡量预测效果的优劣。

4 仿真实验

本文中所用的数据,是2008年7月2日对广州市天寿路交叉口北进口上游用地感线圈所测的实际数据。观测从早上7:20开始到晚上7:20停止。因为接收地感线圈信号数据的控制机受环境影响较大,错误数据较多,所以必须从中抽去相对连续的数据用作实验。每隔两分钟计算一次交通量,作为一个数据值。总共选取90个数据即三个小时的交通量。因为交通流数据不是很大,所以在存在很大的随机因素的前提下,选取前80个数据构建模型,拟合模型。后10个数据用来作为预测值的比较对象,以检验预测效果的好坏。

本文首先直接用ARMA模型对数据进行预测,模型阶数对为(4,1);其次,80个数据中的x(t-29),x(t-28),,x(t)作为输入,x(t+1),,x(t+10)作为输出,则共有41数据对,前40个数据对作为训练样本,最后10个数据作为测试样本,RBF网络中间层的神经元个数设定为50,通过实验发现,在小样本情况下RBF分布密度spread设为1时,有较好的效果。;最后,实验的关键部分,对实验数据进行小波分解与重构(3层,重构结果如图2所示)后,对非线性即低频近似部分,第2、第3层高频部分用神经网络预测,含有较多信息的第1层高频部分用ARMA进行预测,把各部分预测结果相加,和即为总的预测值,三种预测方式的预测结果与原始数据比较如图2所示。

图3是单独用ARMA预测效果、RBF网络预测效果、基于小波的两种预测模型结合的预测效果分别与原始数据的比较图。ARMA对高频数据的预测精度比模糊神经网络预测要差很多。交通流数据含有很多随机信息,所以单纯的神经网络预测效果不理想,而低频数据呈现较有规律的函数曲线,模糊神经网络拟和这种曲线的能力是相当强。所以,对低频数据的拟和不用AR模型。因而总的预测方法是用模糊神经网络预测低频数据,ARMA模型预测高频数据。通过上图比较可知,本文运用模型组合方式具有良好的效果。

表2是在不同的预测方式下,衡量预测效果的两个指标大小。从中可以看到,基于小波分解与重构下的,数学预测模型与神经网络的结合取得了良好的效果。

5 结论

本文将交通流量数据用小波分解到不同的尺度(频率)空间,然后用传统的时间序列方法预测其高频数据部分,神经网络方法预测低频部分,最后将各尺度的预测结果求和,得到原数据序列的预测值。仿真结果表明,基于小波分解于重构的多种模型相结合,可以发挥各模型的优势,获得比传统的单纯用神经网络或时间序列分析方法的精度要高的预测结果。

摘要：将小波变换的理论应用于短时交通流量的预测。通过小波分解与重构获取交通流量数据中的低频近似部分和高频随机部分,然后在分析各种模型的优、劣的基础上,选取较有效的模型或模型结合方式,建立了交通流量预测模型。最后,利用实测交通流量数据对模型仿真,结果表明该模型可以有效地提高短时交通流量预测的精度。同时,深入研究了小波基、分解层数选取的依据,通过实验检验表明效果良好。

关键词：小波变换,交通流预测,ARMA,神经网络

参考文献

[1] Huang Dingwei.Wavelet analysis in a traffic model.Statistical Me-chanics and its Applications,2003;329(1—2):494—498

[2] Ghosh B,Badsu B,O Mahony M.Aanlysis of trend in vehicular traf-fic flow data by wavelets.Dublin Institute of Technology,2006:298—308

[3] Shen Haipeng,Zhu Zhengyuan,Lee TC M.Robust estimation of theself-similarity parameter in network traffic using wavelet transform.Signal Processing,2007;87(9):2111—2124

[4]高光勇,吴维勇,邓安远.基于小波分析和神经网络的网络流量预测.通信技术.2008;41(4):93—95

[5]黄大荣,宋军,汪达成,等.基于ARMA和小波变换的交通流预测模型研究.计算机工程及应用,2006;36(4):191—194

[6]范鲁明,贺国光.改进非参数回归在交通流量预测中的应用.重庆交通大学学报(自然科学版),2008;27(1):96—99

[7]贺国光,马寿峰,李宇.基于小波分解与重构的短时交通流预测方法.系统工程理论与实践,2002;9(6):101—106

交通流模型第10篇

仿真是对真实事物的模拟, 交通仿真采用系统仿真技术来研究交通行为, 是用数学模型复现交通流时间空间变化的技术, 是对交通系统进行管理、控制和优化的重要试验手段和工具。交通系统仿真是试验交通工程学 (experimental traffic engineering, ETE) 理论体系中的一个组成部分, 交通仿真技术的发展, 以及进一步的试验交通工程学研究的发展, 为解决城市交通问题的研究提供了有力的工具[1]。

从20世纪50年代开始, 交通仿真的研究就非常活跃, 中国科学技术大学曾建勤概述了交通仿真的类型以及国内外交通系统仿真的研究现状与不足[2]。目前, 世界各国学者在交通仿真方面已做了大量研究工作, 而对不同仿真工具之间的对比分析的阐述还较少。本文运用对比分析的方法对基于细胞传输模型 (cell-transmission model, CTM) 的动态交通流仿真的特征以及适用性进行研究。将CTM仿真与目前应用广泛的仿真工具, 德国Vissim仿真软件 (Vissim4.2版) 进行对比。比较2种不同仿真工具的自适用性。目前对CTM的研究多为理论研究, 本文通过大量仿真结果数据, 直观体现用CTM描述交通问题的特点。文中对应同一信号控制交叉口群建立2种仿真模型, 通过比较2种仿真试验所获得交通流特征参数, 分析CTM和Vissim仿真的异同。

1 仿真模型概述

CTM和Vissim分属2种不同的交通流模型, 下面简单介绍这2种仿真模型。

1.1 CTM的基本概念

CTM的概念最早由C.F.Daganzo于1994年提出[3], 它是运动学模型 (LWR模型) 的差分离散形式。经过十几年来的发展, 国内外不少学者对其进行了进一步研究和完善, CTM已经成为模拟路网中的动态交通流传播, 研究交通流运行规律的有效工具。

CTM的方法是将交通道路分成具有相同性质的分块 (也称为细胞) , 同时将时间细分成相等的时间间隔, 满足自由行驶的交通流在一个时间间隔内行驶的距离正好等于细胞的长度。在时刻t, 系统的状态由t时每一个细胞i中的车辆数目ni (t) 所给定。对每一个细胞定义细胞空间容量Ni (t) 和交通流输入容量Qi (t) 两个常量参数, Ni (t) 取决于细胞长度和交通阻塞密度, Qi (t) 取决于时间间隔和细胞容量。

将LWR模型公式差分离散化, CTM公式可近似表示为[3]

$\begin{array}{l} n_{i} (t + 1) = n_{i} (t) + q_{i} (t) - q_{i + 1} (t) (1) \\ q_{i} (t) = \min {n_{i - 1} (t), Q_{i} (t), (w / v) \\ [Ν_{i} (t) - n_{i} (t)]} (2) \end{array}$

式中:下标i对应第i个细胞;ni (t) 为t时刻细胞i中的车辆数;qi (t) 为细胞i在时间间隔 (t, t+1) 内实际输入的交通流量;v为自由交通流速度;w为拥挤扰动反向传播速度。

式 (1) 描述了细胞i内的车辆守恒规律;式 (2) 说明了在时刻t进入细胞i的车辆数等于上游等待进入细胞i的车辆数、细胞i的交通流输入容量和细胞i的可利用空间容量函数3项之中的最小项。

由于CTM公式提供了LWR模型的近似值, LWR模型中的所有交通现象 (包括激波、排队形成与消散等) 可在CTM中得到很好地体现。LWR模型是典型的宏观交通流模型, 对宏观交通流参数的描述较为全面, 在LWR模型的基础上, CTM也能覆盖流密速基本关系图的整个范围。1995年, Daganzo将CTM进一步推广应用到具有多个OD对的交通网络之中[4]。我国有不少学者在这方面的研究也颇有建树[5]。

基于CTM, 通过分别对基本构成模块、信号灯控制CTM、普通路段交通流CTM、交通合流CTM、交通分流CTM的描述, 建立信号控制交叉口群CTM, 以便进行交叉口群交通流特征的CTM仿真研究。

1.2 Vissim简介

Vissim是德国PTV公司的产品[6]。Vissim是一种微观、时间驱动、基于驾驶行为的仿真建模工具, 用以建模和分析各种交通条件下交通的运行状况。

Vissim软件包括跟驶模型和车道变换模型。跟驶模型是Wiedemann于1974年建立的生理-心理驾驶行为模型。该模型的基本思路是:一旦后车驾驶员认为他与前车之间的距离小于其心理 (安全) 距离时, 后车驾驶员开始减速。由于后车驾驶员无法准确判断前车车速, 后车车速会在一段时间内低于前车车速, 直到前后车间的距离达到另一个心理安全距离时, 后车驾驶员开始缓慢地加速, 由此周而复始, 形成一个加速、减速的迭代过程。

车速和空间阈值的随机分布能够体现驾驶员的个体驾驶行为特征。此外, 在多车道路段上, Vissim允许驾驶员超越本车道的2辆车, 也允许其超越邻近车道的2辆车。

2 仿真特征及适用性分析

2.1 交通流特征仿真对比分析

道路上交通流运动具有随机性, 导致检测路段上的流量、速度、占有率等交通参数时刻变化, 从而检测到的实时行程时间等数据也随着交通流状态 (拥挤、通畅) 的不同而产生波动。

以张家港长安路为例建立仿真路网模型。长安路为张家港市南北向进出中心城区的重要通道, 其相交道路人民路为城市北部东西向一条重要的主干道。本文以长安路上交通最为繁忙和拥挤部分 (人民中路环城南路) 的7个交叉口组成的交叉口群为分析对象进行仿真研究, 如图1所示, 并以长安路人民路交叉口为典型交叉口进行分析。

2.2 交通流特征参数的描述

交通流特征参数主要有延误、排队长度和行程时间。下面是在CTM仿真和Vissim仿真中对这3个特征参数的描述。

1) 延误。

CTM对每个细胞中的车辆延误都有记录, 延误定义为超过车辆以自由行驶速度在细胞内行驶所需要的时间。单个细胞的延误可表示为di (t) =[ni (t) -qi+1 (t) ]Δt, 其中Δt为一个时间步长。则总延误表示为

$D = \sum_{t} \sum_{i} d_{i} (t) = \sum_{t} \sum_{i} [n_{i} (t) - q_{i + 1} (t)] Δ t$

在Vissim仿真中延误是指车辆穿越行程时间检测区段的时间, 即实际行程时间与理论行程时间的差值。在交叉口中多个行程时间检测区段组成一个延误检测区段。

2) 排队长度。

CTM中排队长度是通过检测阻塞细胞来获取的。从交叉口开始往上游检测发生阻塞的细胞, 将所有阻塞细胞中的车辆数累加起来即为排队长度, 可表示为 $Ρ = \sum_{i} p (t)$ 。

对于排队长度, Vissim仿真则通过排队计数器检测统计。记录的排队是从上游路段或连接器的排队计数器的设置位置开始计数, 直至排队状态下的最后一辆车。Vissim统计的排队长度的单位是m, 而不是车辆数。

3) 行程时间。

本文在CTM中对行程时间进行简单处理, 在获取延误值后, 只需在车均延误时间上加上以自由流车速行驶所需的时间, 即得到行程时间。以S表示2点之间的距离, v为自由行驶车速, 则行程时间可表示为

$Τ = \sum_{t} d_{i} + \frac{S}{v}$

Vissim中通过在研究段的起、终点处布设行程时间检测器, 输出车辆行驶过这一路段的时间。

2.3 仿真输入

为了使2种仿真输出结果具有可比性, 仿真试验的流量输入、车流转向、控制方案等输入条件应尽可能地保持一致。

1) 流量输入。

为研究交通流由未饱和发展到过饱和这一过程, 输入动态变化的流量, 流量按照由小到大再由大到小变化。将相同的动态变化流量值分别输入到CTM和Vissim仿真中。

流量在路网边界进口输入, 以长安路-人民路交叉口北进口为例, 输入流量如表1所列。整个路网共13个边界进口需要输入流量。

2) 车辆类型。

CTM仿真对不同车型的处理方法是将所有车型都转换为标准车, 对各类车型的不同特征考虑不多。Vissim能设置各类车辆的车型特征, 在流量输入时按照不同的比例输入各类车辆。为使2者输入的车型一致, Vissim输入车辆类型时, 仅设置小汽车类型。

3) 车流转向。

转向车流是2者输入中保持一致遇到的较棘手的问题。CTM仿真通过设置各分流车流的转向比例值来表示各个不向转向的车流量, 而Vissim则需要输入起始点之间各路径的车流比例 (即每个进口与出口之间的OD) 。

根据实地调查数据, 得到路网中各个分流与合流点处的流量转向比例, CTM中的车流转向比例可直接由调查数据计算而得;为保持输入的各向车流基本一致, Vissim仿真中的各路径车流比例近似由CTM仿真中的各分流点处的比例值计算而得, 以长安路主线南端进口的各流向比例为例, 各路径车流比例如图2所示。

各个交叉口的转向流量最终由各路网边界进口流量按比例在各转向处的分配结果叠加而得。

4) 控制方案。

结合各交叉口车道功能划分等道路条件对交叉口进行信号配时[7], 本文仅研究在一种控制方案下交通流特征随流量变化的情况, 未进行分时段控制。以长安路-人民路交叉口为例, 控制方案如表2所列, 信号周期为90 s。将控制方案保持一致地输入到2种仿真模型中。

2.4 仿真输出

通过CTM和Vissim仿真试验可以采集到2种仿真的行程时间、延误和排队长度等数据。这里取整个交叉口群的行程时间和典型交叉口的延误、排队长度来进行比较说明。

1) 行程时间。行程时间仿真结果对比如图3所示。

由行程时间对比图可以发现, 2种仿真工具在描述行程时间随不同流量变化时, 总的变化趋势大体一致。在输入段流量达到拥堵时, Vissim产生的车辆数会小于输入车辆定义数, 即拥堵车辆会消失。因此, 由Vissim所得到的行程时间曲线在没有流量输入后很快回落。Vissim的这种处理方法使其并不适用于描述过饱和交通流状况。

2) 延误。

将仿真试验输出的延误数据绘制成曲线, 2种仿真的延误对比如图4所示。

随动态的流量输入, 2种仿真输出的延误曲线的总体变化趋势基本类似。尤其是在输入交通流量较小 (0～5 400 s) 的前一个时间段内 (处于未饱和交通流状态) , CTM与Vissim的延误输出结果基本保持一致。

随着流量由小变大再变小的变化过程, CTM仿真得到的延误变化趋势与Vissim大体一致, 都呈现从小到大, 再从大到小的曲线变化趋势。当交通流畅通, 即处于未饱和交通流状态时, 2者的变化趋势比较吻合, 在描述未饱和交通流时, CTM与传统模型是相似的;CTM还可以用来描述过饱和的交通流状况, 通过一个无穷大容量的细胞将过饱和的车流存储, 然后消散, 这与实际的交通状况比较接近, CTM可用于描述宏观的交通流问题;而当车流达到过饱和时, Vissim中拥挤排队车辆会消失, 由于路段通行能力有限, 造成路网外部排队, 进口路段无法产生定义的输入车辆数, 故Vissim模型不能用于描述过饱和交通流。因此, 在图4中的直观表现为, CTM的延误值将延续到流量输入终止至车辆消散完, 并且在最大延误水平波动一段时间;而Vissim的延误变化在时间上与流量的输入变化基本相同。

3) 排队长度。2种仿真试验的排队长度比较如图5所示。

类似于2种仿真试验的延误比较, 从整体的大小变化趋势来看, CTM和Vissim的排队长度曲线变化基本保持一致。当描述未饱和和过饱和2种交通流状态时, 与延误的分析相同。CTM对过饱和交通流适用, 其路网中的排队车辆需要一段时间才能完成消散, 而Vissim模型在路网过饱和时, 会出现车辆消失现象, 故在流量输入终止后, 排队长度曲线也将很快回落, 路网中不再有车辆排队。

2.5 特征及适用性对比分析结论

通过对CTM和Vissim 2种仿真试验在相近输入条件下的输出结果进行对比分析可知, 在输入流量较小时, 2个模型的输出结果基本保持一致, 即在描述未饱和交通流时, CTM与传统的跟车模型结论一致;随着输入流量增大到过饱和状态, 2个模型出现了明显的差异, CTM输出的结果存在车辆消散过程, Vissim却出现车辆消失现象。可见Vissim并不适合对过饱和交通流进行仿真。与Vissim模型相比, CTM能更准确地模拟在过饱和状态下的交通流特征, 因此在探索城市交通阻塞机理问题时, CTM具有较大的优越性。CTM对流密速基本关系的覆盖范围较广, 其仿真扩展性与灵活性较好, 在科学研究层面上具有重要意义。

CTM介于宏观与微观之间, 属于中观模型, 无法展现单个车辆的运行细节。Vissim则属微观模型, 对交通系统的要素及行为的细节描述精度比CTM高。Vissim对交通流的描述是以单个车辆为基本单元的, 车辆在道路上的跟车、超车及车道变换行为等微观行为都能得到较真实的反映, 是分析和评价交通基础设施建设中各种方案适应性状况的重要工具。一般而言, 在工程应用层面上具有重要的价值。

CTM与Vissim的仿真特性如表3所列。

3 结束语

采用仿真对比分析方法, 对基于CTM模型的动态交通流仿真的特征及适用性进行了研究。主要通过交通流特征的仿真结果分析来比较CTM和Vissim2种仿真工具, 得到如下结论。

1) 实现了CTM的仿真手段, 为后续进一步利用仿真平台研究城市交通问题打下基础。

2) 比较CTM和Vissim 2种不同的仿真方法, 得出其各自的适用性。

CTM模型与传统跟车模型在描述未饱和交通流问题时得到的总体趋势是一致的, CTM在描述过饱和交通流问题时, 较Vissim优越;相对而言, CTM模型能覆盖流密速基本关系图的整个范围, 在科学研究层面上具有较重要的意义;而Vissim则已经过多年的发展及优化, 从应用层面角度看, Vissim较优于CTM。

3) 基于仿真数据平台研究CTM, 直观展现了用CTM既能描述未饱和交通流, 也能描述过饱和交通流。

在后续的研究中, 笔者采用CTM研究城市交通流的演化特征, 以期在缓解城市交通阻塞问题中发挥更大的作用。

摘要：运用对比分析的方法, 对基于细胞传输模型 (CTM) 的交通流仿真的特征及适用性进行了研究。通过对仿真结果数据进行分析, 比对了CTM和Vissim 2种仿真方法的不同特点, 对其各自的适用性进行说明。在描述未饱和交通流问题时, CTM和Vissim具有一致性, 而CTM在描述过饱和问题上具有优越性。相对而言, CTM对流密速基本关系的覆盖范围较广, 基于CTM的仿真模型扩展性和灵活性较好, 对于科学研究具有较好的适应性;而Vissim发展较为成熟、应用方便, 具有更高的工程应用价值。

关键词：细胞传输模型 (CTM) ,Vissim,仿真,对比分析

参考文献

[1]吴娇蓉.交通系统仿真及应用[M].上海:同济大学出版社, 2004

[2]曾建勤.基于MAS的城市道路交通系统建模与仿真[D].安徽:中国科学技术大学, 2005

[3]Daganzo C F.The cell-transmission model:A sim-ple dynamic representation of highway traffic[J].Trans, Res., 1994, 288 (4) :269-281

[4]Daganzo C F.The Cell-Transmission model[J].Part:network traffic.Trans, Res., -B.1995, 29B:79-93

[5]Lo Hong K.Performance of A New Cell-based Dy-namic Traffic Control Approach.TRB:00-1640

[6]Vissim4.0用户手册中文版.同济大学交通工程实验研究中心.2005

随机参数的交通需求模型第11篇

1 随机参数的交通需求预测模型定义

1.1 参数是常数时的模型定义

假定有n个交通需求数据样本,第j个样本的调查结果为Dj,交通需求的影响因素共有m个,第i个影响因素对交通需求的影响权重记为ai(需要标定的常数),第j个样本的第i个影响因素记为xij。

把交通需求作为因变量,交通需求的影响因素作为自变量,对任意一个交通需求调查样本Dj可以建立如下方程

对于全部交通需求调查样本,可以建立如下方程组

此时,式中的ai为需要标定的常数。

1.2 参数服从概率分布时的模型定义

随机参数模型可以在常数参数模型的基础上进行拓展得到。当ai为满足正态分布的随机参数时,式a1x1j+a2x2j+…+aixij+…+anxnj也将满足正态分布,记,则

式中:ai～N(μi,σ)。

在随机参数情况下,Dj仅仅是的一个可能的取值,并且因为是连续分布的随机变量,所以它在任何一个确定的实数点处取值的概率都是0。

记表示在区间((1-θ)Dj,(1+θ)Dj)中取值的可能性,其中θ作为模型的输入,用来在Dj点两侧确定一个微小积分区间。

记的概率密度函数为f■j(x),f■j(x)是以(μ1,μ2,…μn;σ,σ,…,σ)为参数的函数,f■j(x)=f■j(x|μ1,μ2,…,μn;σ,σ22,…,σ),则。

建立似然函数为

为了计算的方便,利用对数函数的性质,我们求上述似然函数的对数为

在给定θ的情况下,确定使上述似然函数或者对数似然函数取得最大值的参数向量(μ1,μ2,…,μn;σ,σ,…,σ)的取值为模型参数标定的结果。

2 随机参数的交通需求预测模型求解

根据正态分布的性质可知,两个满足正态分布的随机变量X1～(μ1,σ)和X2～(μ2,σ),他们的线性组合aX1+bX2也满足正态分布,即(aX1+bX2)～(aμ1+bμ2,a2σ+b2σ)。在假定随机分布参数ai满足正态分布的情况下,即ai～(μi,σ)时,根据正态分布的性质,则可以得到(a1x1j+a2x2j+…+aixij+…+anxnj)～(x1jμ1+x2jμ2+…+xnjμn,xσ+xσ+…+xσ),即,所以可以得到的概率密度函数为

确定一组(μ1,μ2,…,μn;σ,σ,…,σ),使得上述对数似然函数在该处取得最大值。由于此问题为典型的非线性优化问题,本文计划采用遗传算法求解该非线性优化问题的解。

遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法。它由美国的J.Holland教授1975年首先提出,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定,具有内在的隐并行性和更好的全局寻优能力。采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。

遗传算法以一种群体中的所有个体为对象,并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中,选择、交叉和变异构成了遗传算法的遗传操作;参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定5个要素组成了遗传算法的核心内容。作为一种新的全局优化搜索算法,遗传算法具有简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点。遗传算法的这些性质,已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域,是现代智能计算中的关键技术之一。遗传算法求解问题的主要步骤如下:

1)编码。GA在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据,这些串结构数据的不同组合便构成了不同的点。本问题参数(μ1,μ2,…,μn;σ,σ,…,σ)的解空间为实数空间。

2)生成初始群体。随机产生N个初始串结构数据,每个串结构数据称为一个个体,N个个体构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。群体中的任何一个个体均为一个维的向量。

3)评估检测适应性值。适应性函数表明个体或解的优劣性。不同的问题,适应性函数的定义方式也不同。本问题中,针对每一个个体,带入到似然函数中,计算得到似然函数值即为适应性值。

4)选择。选择的目的是为了从当前群体中选出优良的个体,使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想,进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。本问题中,选择适应性值(似然函数值)比较大的个体作为优良个体,使这些个体作为父代形成下一代群体。

5)杂交。杂交操作是遗传算法中最主要的遗传操作。通过杂交换操作可以得到新一代个体,新个体组合了其父辈个体的特性,杂交体现了信息交换的思想。针对本问题中的优良父代实施杂交操作。

6)变异。变异首先在群体中随机选择一个个体,对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样,GA中变异发生的概率很低,通常取值在0.001～0.01之间。变异为新个体的产生提供了机会。本问题中,对上一代群体实施变异操作。

7)循环。把杂交和变异之后得到的群体作为新的群体,重复第三步到第六步的操作,直到满足一定的终止条件,结束循环。本问题结束循环时得到的群体中使似然函数得到最大值的个体即为本优化问题的解。

3 模型案例分析

假定有三个调查样本值,选择两个影响因素作为自变量,则可以建立如下方程

并且a1～(μ1,σ),a2～(μ2,σ),根据正态分布的性质,可以得到如下分布

得到如下分布

似然函数为

对数似然函数为

选取θ=0.05,采用遗传算法进行求解,在区间(0,1)上按照均匀分布随机生成20个个体组成的初始群体进行计算,三次计算的结果如表1所示。第一、第二和第三个初始群体的计算过程见图1。

续表1

从三次计算结果来看,第二个初始群体所得结果最好,对数似然函数值最大,所以采用第二个计算结果作为模型参数标定的结果,因此得到a1～N(59.412 11,0.444 97)2,a2～N(89.198 34,0.162 76)2,也就是说a1满足均值为59.412 11、标准差为0.444 97的正态分布,a2满足均值为89.198 34、标准差为0.162 76的正态分布。a1和a2的概率密度分别见图2和图3。

根据标定的结果,我们对三个调查样本点进行分析,得到三个调查样本点的概率密度函数为

4 结束语

本文探讨了参数服从概率分布的交通需求预测模型,根据极大似然理论给出了模型的结构,并利用遗传算法求出了模型解。案例分析结果表明,该模型不仅在理论上可行,而且算法也是收敛的,因此具有一定的实际应用意义。本文提出的随机参数交通需求模型还有若干需要研究的地方,如缩小积分区间参数θ的取值对标定结果的影响等。

参考文献

[1]杜刚诚,彭国雄.交通组合模型在交通需求预测中的应用研究[J].武汉理工大学学报:交通科学与工程版,2004(1):28-30.

[2]石飞,江薇,王炜,等.基于土地利用形态的交通生成理论预测方法研究[J].土木工程学报,2005,38(3):115-118,124

[3]姜虹,高自友.用遗传算法求解拥挤条件下的公共交通随机用户配流均衡模型[J].公路交通科技,2000(4):37-41

[4]姜灵敏.基于改进遗传算法的车辆路径问题求解[J].计算机应用与软件,2006(4):95-98

交通流模型范文

交通流模型第1篇

动态交通分配模型设计第2篇

交通流模型第3篇

交通流模型第4篇

交通流模型第5篇

交通流模型第6篇

交通流模型第7篇

交通流模型第8篇

交通流模型第9篇

交通流模型第10篇

随机参数的交通需求模型第11篇

交通流模型范文

猜你喜欢

栏目

最近更新

热门标签

交通流模型范文

交通流模型 第1篇

动态交通分配模型设计 第2篇

交通流模型 第3篇

交通流模型 第4篇

交通流模型 第5篇

交通流模型 第6篇

交通流模型 第7篇

交通流模型 第8篇

交通流模型 第9篇

交通流模型 第10篇

随机参数的交通需求模型 第11篇

交通流模型范文

猜你喜欢

栏目

最近更新

热门标签

交通流模型第1篇

动态交通分配模型设计第2篇

交通流模型第3篇

交通流模型第4篇

交通流模型第5篇

交通流模型第6篇

交通流模型第7篇

交通流模型第8篇

交通流模型第9篇

交通流模型第10篇

随机参数的交通需求模型第11篇