考虑故障因素的交通检测器布设优化问题研究
发布时间：2020-02-27 09:03
【摘要】：交通检测器对于交通管理部门的意义重大.本文在原有经典确定性交通检测器布设优化模型的基础之上,考虑了不确定的检测器故障因素,建立了新的两阶段交通检测器随机布设优化模型模型在经典的Sioux-Falls网络上进行了实验,求解结果表明,考虑故障因素对交通检测器布设模式有很大改进.研究结果对交通管理部门决策有实践意义.
【图文】：
随机性模型最优解更稳定，，能保证在大多数故障情况下覆盖稳定的交通流量，而确定性模型最优解更激进，更倾向于获得在无故障条件下的最大覆盖流量.3.2不同预算约束的情况0.8-^70"0? 僔. 0_0.7- 0。写60- 。|? |■o°-?- o-in50“ 。* ■.想0.5_ O _40_ O歐 _o ‘ °0.4- 踩30- oo0.3-° 20-O‘I‘I‘I‘I‘I‘I‘I‘I‘I 1 1 1 1 1 ‘ 1 ■ 1 1 1 1 1 1 1 1 1 1 178910111213141516 78910111213141516检测器数量 检测器数_量图3检n,器数量与覆盖所有OD对概率之间的关系 图4检测器数量与期望覆盖流量之间的关系图3和图4显示了不同的检测器数量与流量覆盖之间的关系.其中，覆盖所有OD对的概率是指在最优解的所有故障情景中覆盖所有OD对的情景数量占总情景数量的比例.从图3和图4中可以看出，覆盖所有OD对的概率和期望覆盖流量都随着检测器数量的增加而增加.当检测器数量从8个增加到15个的时候，所有故障情景下覆盖所有OD对的概率从31%增加到79%(如图3所示)，期望覆盖流量从64877增加到222762,即期望覆盖流量占总流量的比例从20%增加到69%(如图4所示).3.3不同检测器故障概率的情况本组实验在检测器数量为12的情况下进行.图5显示了不同的检测器故障概率对于期望覆盖流量的影响，此时假定所有检测器的质量情况一致即发生故障的概率一样.当所有检测器的故障概率由0.1增加到0.55时，期望覆盖流量占总流量的比例从72.6%迅速减少到3.6%.一个值得注意的现象是:当检测器故障概率为0.1且检测器数量为12时，期望覆盖流量是233959.07,而当故障概率为0.2且检测器数量为15时，其最优解的期望覆盖流量是222762.由此可以看出，在实践中，提高检测器的质量比安装
第4期 朱宁，等：考虑故障因素的交通检测器布设优化问题研究 1001量为12时，获得的最优检测器位置安装模式为：80「70-geo- oM50- o?4140“ o_■目30-°挪20-Wo10- oQ.?0 i i i i i i i i i i 0.050.10.150.20.250.30.350.40.450.50.55检测器故障概率图5不同检测器故障概率与期望覆盖流量之间的关系3.5检测器位置模式和交通网络参数的关系本小节使用统计分析方法，根据不同实验条件下获得的最优检测器位置模式来分析最优位置模式与其他交通网络参数的关系.候选的交通网络参数包括:道路的度.道路的交通流量和经过某一道路的路径数量.其中道路的度是指与某一道路相邻的道路的数量，例如道路1的度是5(如图1所示).这些参数反映了交通网络拓扑结构以及交通需求的基本信息.由于是否在道路上安装检测器是一个0-1变量,本文使用Logistic回归来进行分析.我们分析了3.4小节和检测器数量为8到15时的最优位置模式结果.对所有9种实验的结果分别进行Logistic回归分析,结果如表3所示. 表3Logistic回归分析结果 模型 重要因素 检测器数量为8 道路流量（估计参数：7.22E-5,置信度：0.06)检测器数量为9 道路流量（估计参数：1.2E-4,置信度：0.01)检测器数量为10 道路流量（估计参数：8.86E-5,置信度：0.01)检测器数R
本文编号：2583241
【图文】：
随机性模型最优解更稳定，，能保证在大多数故障情况下覆盖稳定的交通流量，而确定性模型最优解更激进，更倾向于获得在无故障条件下的最大覆盖流量.3.2不同预算约束的情况0.8-^70"0? 僔. 0_0.7- 0。写60- 。|? |■o°-?- o-in50“ 。* ■.想0.5_ O _40_ O歐 _o ‘ °0.4- 踩30- oo0.3-° 20-O‘I‘I‘I‘I‘I‘I‘I‘I‘I 1 1 1 1 1 ‘ 1 ■ 1 1 1 1 1 1 1 1 1 1 178910111213141516 78910111213141516检测器数量 检测器数_量图3检n,器数量与覆盖所有OD对概率之间的关系 图4检测器数量与期望覆盖流量之间的关系图3和图4显示了不同的检测器数量与流量覆盖之间的关系.其中，覆盖所有OD对的概率是指在最优解的所有故障情景中覆盖所有OD对的情景数量占总情景数量的比例.从图3和图4中可以看出，覆盖所有OD对的概率和期望覆盖流量都随着检测器数量的增加而增加.当检测器数量从8个增加到15个的时候，所有故障情景下覆盖所有OD对的概率从31%增加到79%(如图3所示)，期望覆盖流量从64877增加到222762,即期望覆盖流量占总流量的比例从20%增加到69%(如图4所示).3.3不同检测器故障概率的情况本组实验在检测器数量为12的情况下进行.图5显示了不同的检测器故障概率对于期望覆盖流量的影响，此时假定所有检测器的质量情况一致即发生故障的概率一样.当所有检测器的故障概率由0.1增加到0.55时，期望覆盖流量占总流量的比例从72.6%迅速减少到3.6%.一个值得注意的现象是:当检测器故障概率为0.1且检测器数量为12时，期望覆盖流量是233959.07,而当故障概率为0.2且检测器数量为15时，其最优解的期望覆盖流量是222762.由此可以看出，在实践中，提高检测器的质量比安装
第4期 朱宁，等：考虑故障因素的交通检测器布设优化问题研究 1001量为12时，获得的最优检测器位置安装模式为：80「70-geo- oM50- o?4140“ o_■目30-°挪20-Wo10- oQ.?0 i i i i i i i i i i 0.050.10.150.20.250.30.350.40.450.50.55检测器故障概率图5不同检测器故障概率与期望覆盖流量之间的关系3.5检测器位置模式和交通网络参数的关系本小节使用统计分析方法，根据不同实验条件下获得的最优检测器位置模式来分析最优位置模式与其他交通网络参数的关系.候选的交通网络参数包括:道路的度.道路的交通流量和经过某一道路的路径数量.其中道路的度是指与某一道路相邻的道路的数量，例如道路1的度是5(如图1所示).这些参数反映了交通网络拓扑结构以及交通需求的基本信息.由于是否在道路上安装检测器是一个0-1变量,本文使用Logistic回归来进行分析.我们分析了3.4小节和检测器数量为8到15时的最优位置模式结果.对所有9种实验的结果分别进行Logistic回归分析,结果如表3所示. 表3Logistic回归分析结果 模型 重要因素 检测器数量为8 道路流量（估计参数：7.22E-5,置信度：0.06)检测器数量为9 道路流量（估计参数：1.2E-4,置信度：0.01)检测器数量为10 道路流量（估计参数：8.86E-5,置信度：0.01)检测器数R
本文编号：2583241
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2583241.html
