基于多源数据的干线交通信号动态协调控制方法研究
发布时间：2021-07-21 20:31
随着我国经济水平及建设进程的不断提高,机动车保有量也呈现出持续增长的趋势。越来越多的居民将私家车作为出行的首选交通工具,导致城市道路汽车增多、通行能力有所下降,特别是通勤早晚高峰进出城的车辆数目常超过道路负荷,拥堵情况不容乐观。干线作为路网的脉络,承担着城市主要交通的通行任务,在城市道路中扮演着重要角色。其中,交叉口作为城市中多条干线的结点,其交通状况会对干线是否能够顺畅通行产生较大影响。干线交通信号协调控制通过将相邻若干个交叉口以一定方式联系起来,对整个干线系统实施协调控制,以实现降低干线延误、提高道路通行能力的目的,是城市交通管控的重要手段。目前,信号控制系统主要通过感应线圈、微波、地磁、视频及浮动车等检测技术采集所需交通数据,实际应用时多采用其中某种来源信息进行分析,信号控制效果容易受到数据精度的影响。近年来数据采集、互联网、物联网、大数据、云计算等技术的快速发展,使得交通数据来源更加广泛和多元,为干线协调控制的研究提供了新的思路。因此,本论文以多源交通数据为基础,研究了一套完整的干线交通信号动态协调控制方法。主要工作如下:（1）构建了多源交通数据的处理方法。通过数据预处理筛选有...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：硕士
【部分图文】：
设备编号DETECT_ID的位置示意图
18以黄山路-天智路交叉口为例对视频数据的提取进行说明。如图2-2所示，不同进口道设置了不同编号的视频检测器，将采集数据表格中各进口道对应编号的数据筛选出来，即为该交叉口处视频检测器获取的原始数据。图2-2黄山路-天智路交叉口设备及车道编号（3）浮动车GPS数据的提取OpenITS平台提供的数据为示范区范围内的出租车GPS数据，提取浮动车GPS数据时应注意参数之间的时间与空间匹配问题。一方面，为使得浮动车数据与其他类型检测器数据互相对应，应过滤出所需特定日期、指定时间段内的数据，实现与微波检测数据、视频检测数据在时间上的一致性。另一方面，浮动车检测是一种动态的交通采集技术，安装有车载GPS的车辆处于不断移动的状态，而本论文研究的是特定区域内的干线协调控制，因此只需提取出研究范围内的出租车GPS数据即可。以典型十字交叉口为例，对GPS数据的提取方法进行说明。由于浮动车数据回传时刻是随机的，多数时候数据并非是在目标采集地点上传的，为提取目标地点的浮动车数据，可采用以下插值的方法估计浮动车经过目标地点的时刻[78]。
19图2-3浮动车经过目标检测点的时间估计假设浮动车分别在时刻1t、2t上传了点1p和点2p的位置信息，且两点距离目标检测点的距离分别为1l、2l。由于较短距离内车辆的行驶速度波动较小，可近似认为行驶时间与距离呈线性关系，即：1122ttlttlii=（2-1）式中：it—浮动车经过目标检测点的估计时间；ip—目标检测点；1p(2p)—与目标检测点最邻近的两个浮动车回传点；1t(2t)—目标检测点的邻近浮动车回传时间；1l(2l)—目标检测点与邻近浮动车回传点之间的距离（m）。根据上式可推导出浮动车经过目标检测点的时间为：211221lltltlti++=（2-2）如下图2-4所示，假设交叉口直行、左转轨迹的范围分别为TL、LL，在进行干线交通相关研究时，学者们多将交叉口范围取为100~200m，本论文参考有关文献[79]，将转角路缘石曲线的端点当作交叉口范围起点，起点上、下游160m定为整个研究范围。交叉口范围起点邻近的两个浮动车数据上传时间分别为1t、2t，与起点之间的距离分别为1l、2l；交叉口范围终点邻近的两个浮动车数据上传时间分别为n1t、nt，与终点之间的距离分别为ne1,l、nel,。根据浮动车经过目标检测点的时间估计公式，可分别求出经过起点和终点的时间bt、et，进而得到浮动车通过交叉口的行程时间：
【参考文献】：
期刊论文
[1]适于双周期的干道绿波信号协调控制模型[J]. 荆彬彬,徐建闽,鄢小文. 交通运输系统工程与信息. 2018(01)
[2]基于多源浮动车数据融合的道路交通运行评估[J]. 孙超,张红军,陈小鸿. 同济大学学报(自然科学版). 2018(01)
[3]考虑多源不确定信息的路网交通拥堵状态辨识方法[J]. 黄大荣,柴彦冲,赵玲,孙国玺. 自动化学报. 2018(03)
[4]基于人均延误最小的干线协调实时控制研究[J]. 李扬,焦朋朋,刘美琪. 系统仿真学报. 2017(09)
[5]改进的干线协调信号控制优化模型[J]. 于德新,田秀娟,杨兆升,周熙阳,程泽阳. 浙江大学学报(工学版). 2017(10)
[6]基于速度波动区间的双向绿波优化控制方法[J]. 夏井新,陶雨濛,焦恬恬. 西南交通大学学报. 2017(04)
[7]城市交通协调控制系统的相位相序优化设计[J]. 王浩,王红彩. 中国科技论文. 2017(08)
[8]基于双向最大绿波带宽的通用干道协调控制数解算法[J]. 荆彬彬,鄢小文,吴焕,徐建闽. 交通运输系统工程与信息. 2017(02)
[9]基于多源数据融合的信号交叉口延误估计研究[J]. 陈百旺,成卫. 价值工程. 2017(10)
[10]基于FCM快速路交通状态判别加权指数研究[J]. 吴启顺,蔡晓禹,蔡明. 科学技术与工程. 2017(06)
博士论文
[1]非饱和状态下交通信号控制优化方法研究[D]. 田秀娟.吉林大学 2018
[2]基于多源异质数据的高速公路交通状态估计方法研究[D]. 何赏璐.东南大学 2017
[3]车联网环境下智能交通信号控制方法研究[D]. 聂雷.武汉大学 2017
[4]城市快速路交通信息提取与协同优化研究[D]. 丁宏飞.西南交通大学 2015
[5]基于多源数据的交通状态监测与预测方法研究[D]. 李琦.吉林大学 2013
[6]交通信号协调控制基础理论与关键技术研究[D]. 卢凯.华南理工大学 2010
[7]城市交叉口信号协调控制方法研究[D]. 宋现敏.吉林大学 2008
[8]城市交通控制信号配时参数优化方法研究[D]. 栗红强.吉林大学 2004
硕士论文
[1]过饱和状态下干道协调信号控制方法研究[D]. 王鹏.吉林大学 2018
[2]城市短期交通流量预测[D]. 郭德.山东大学 2018
[3]基于多源检测器的交通流数据融合方法研究[D]. 庄广新.北京交通大学 2017
[4]城市道路干线协调控制配时优化研究[D]. 郭宏玉.长安大学 2017
[5]基于多源信息处理技术的交通状态判别研究[D]. 李晓璐.重庆交通大学 2017
[6]城市干线交通信号绿波协调控制算法的研究与应用[D]. 郑丹云.长安大学 2017
[7]城市道路干线绿波协调控制研究及效果评价[D]. 朱明浩.北京工业大学 2016
[8]基于多源数据的高速公路短时交通状态预测方法研究[D]. 葛志鹏.东南大学 2016
[9]基于信息融合的智能交通信号灯控制系统研究[D]. 王鹏.沈阳工业大学 2016
[10]干线绿波交通信号控制方法研究[D]. 侯永芳.吉林大学 2015
本文编号：3295725
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：硕士
【部分图文】：
设备编号DETECT_ID的位置示意图
18以黄山路-天智路交叉口为例对视频数据的提取进行说明。如图2-2所示，不同进口道设置了不同编号的视频检测器，将采集数据表格中各进口道对应编号的数据筛选出来，即为该交叉口处视频检测器获取的原始数据。图2-2黄山路-天智路交叉口设备及车道编号（3）浮动车GPS数据的提取OpenITS平台提供的数据为示范区范围内的出租车GPS数据，提取浮动车GPS数据时应注意参数之间的时间与空间匹配问题。一方面，为使得浮动车数据与其他类型检测器数据互相对应，应过滤出所需特定日期、指定时间段内的数据，实现与微波检测数据、视频检测数据在时间上的一致性。另一方面，浮动车检测是一种动态的交通采集技术，安装有车载GPS的车辆处于不断移动的状态，而本论文研究的是特定区域内的干线协调控制，因此只需提取出研究范围内的出租车GPS数据即可。以典型十字交叉口为例，对GPS数据的提取方法进行说明。由于浮动车数据回传时刻是随机的，多数时候数据并非是在目标采集地点上传的，为提取目标地点的浮动车数据，可采用以下插值的方法估计浮动车经过目标地点的时刻[78]。
19图2-3浮动车经过目标检测点的时间估计假设浮动车分别在时刻1t、2t上传了点1p和点2p的位置信息，且两点距离目标检测点的距离分别为1l、2l。由于较短距离内车辆的行驶速度波动较小，可近似认为行驶时间与距离呈线性关系，即：1122ttlttlii=（2-1）式中：it—浮动车经过目标检测点的估计时间；ip—目标检测点；1p(2p)—与目标检测点最邻近的两个浮动车回传点；1t(2t)—目标检测点的邻近浮动车回传时间；1l(2l)—目标检测点与邻近浮动车回传点之间的距离（m）。根据上式可推导出浮动车经过目标检测点的时间为：211221lltltlti++=（2-2）如下图2-4所示，假设交叉口直行、左转轨迹的范围分别为TL、LL，在进行干线交通相关研究时，学者们多将交叉口范围取为100~200m，本论文参考有关文献[79]，将转角路缘石曲线的端点当作交叉口范围起点，起点上、下游160m定为整个研究范围。交叉口范围起点邻近的两个浮动车数据上传时间分别为1t、2t，与起点之间的距离分别为1l、2l；交叉口范围终点邻近的两个浮动车数据上传时间分别为n1t、nt，与终点之间的距离分别为ne1,l、nel,。根据浮动车经过目标检测点的时间估计公式，可分别求出经过起点和终点的时间bt、et，进而得到浮动车通过交叉口的行程时间：
【参考文献】：
期刊论文
[1]适于双周期的干道绿波信号协调控制模型[J]. 荆彬彬,徐建闽,鄢小文. 交通运输系统工程与信息. 2018(01)
[2]基于多源浮动车数据融合的道路交通运行评估[J]. 孙超,张红军,陈小鸿. 同济大学学报(自然科学版). 2018(01)
[3]考虑多源不确定信息的路网交通拥堵状态辨识方法[J]. 黄大荣,柴彦冲,赵玲,孙国玺. 自动化学报. 2018(03)
[4]基于人均延误最小的干线协调实时控制研究[J]. 李扬,焦朋朋,刘美琪. 系统仿真学报. 2017(09)
[5]改进的干线协调信号控制优化模型[J]. 于德新,田秀娟,杨兆升,周熙阳,程泽阳. 浙江大学学报(工学版). 2017(10)
[6]基于速度波动区间的双向绿波优化控制方法[J]. 夏井新,陶雨濛,焦恬恬. 西南交通大学学报. 2017(04)
[7]城市交通协调控制系统的相位相序优化设计[J]. 王浩,王红彩. 中国科技论文. 2017(08)
[8]基于双向最大绿波带宽的通用干道协调控制数解算法[J]. 荆彬彬,鄢小文,吴焕,徐建闽. 交通运输系统工程与信息. 2017(02)
[9]基于多源数据融合的信号交叉口延误估计研究[J]. 陈百旺,成卫. 价值工程. 2017(10)
[10]基于FCM快速路交通状态判别加权指数研究[J]. 吴启顺,蔡晓禹,蔡明. 科学技术与工程. 2017(06)
博士论文
[1]非饱和状态下交通信号控制优化方法研究[D]. 田秀娟.吉林大学 2018
[2]基于多源异质数据的高速公路交通状态估计方法研究[D]. 何赏璐.东南大学 2017
[3]车联网环境下智能交通信号控制方法研究[D]. 聂雷.武汉大学 2017
[4]城市快速路交通信息提取与协同优化研究[D]. 丁宏飞.西南交通大学 2015
[5]基于多源数据的交通状态监测与预测方法研究[D]. 李琦.吉林大学 2013
[6]交通信号协调控制基础理论与关键技术研究[D]. 卢凯.华南理工大学 2010
[7]城市交叉口信号协调控制方法研究[D]. 宋现敏.吉林大学 2008
[8]城市交通控制信号配时参数优化方法研究[D]. 栗红强.吉林大学 2004
硕士论文
[1]过饱和状态下干道协调信号控制方法研究[D]. 王鹏.吉林大学 2018
[2]城市短期交通流量预测[D]. 郭德.山东大学 2018
[3]基于多源检测器的交通流数据融合方法研究[D]. 庄广新.北京交通大学 2017
[4]城市道路干线协调控制配时优化研究[D]. 郭宏玉.长安大学 2017
[5]基于多源信息处理技术的交通状态判别研究[D]. 李晓璐.重庆交通大学 2017
[6]城市干线交通信号绿波协调控制算法的研究与应用[D]. 郑丹云.长安大学 2017
[7]城市道路干线绿波协调控制研究及效果评价[D]. 朱明浩.北京工业大学 2016
[8]基于多源数据的高速公路短时交通状态预测方法研究[D]. 葛志鹏.东南大学 2016
[9]基于信息融合的智能交通信号灯控制系统研究[D]. 王鹏.沈阳工业大学 2016
[10]干线绿波交通信号控制方法研究[D]. 侯永芳.吉林大学 2015
本文编号：3295725
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3295725.html
