基于贝叶斯网络的城市道路交通拥堵多原因自动实时识别
发布时间：2021-08-11 18:25
面对城市道路交通拥堵原因动态实时、复杂多变,识别方法主观性强、精度低、实时性差、不能自动等问题,提出了一种基于贝叶斯网络的城市道路交通拥堵多原因自动实时识别方法。将研究区域范围内城市道路交通状态的可观测变量作为输入,交通拥堵原因的0-1离散类型作为输出,将历史数据作为训练集,从而将问题转化为数据驱动的多分类问题。该方法首先对城市道路交通的动态可观测变量和多个拥堵原因之间的关系进行系统的机理分析和仿真验证,从而构建贝叶斯网络结构。再以获取的实测历史数据进行参数学习训练,得到完整的贝叶斯网络模型。最后,将该道路工作状态下交通可观测变量输入该贝叶斯网络模型,就能同时自动实时识别出交通拥堵的多个原因。该方法灵活性高、能更好地表达节点相关性、可解释性强、能充分利用专家经验知识,且能做到自动实时。对泉州市泉秀街2019年2月25日至3月3日晚高峰交通进行了案例研究。结果表明:基于贝叶斯网络的城市道路交通拥堵多原因识别模型在有行人影响、车流高峰、停车占道、信号配时不合理和过街车流影响的网络构建上较为合理;与反向传播神经网络法、多标签k近邻算法及多标签岭回归法对比,该方法的平均识别准确率总体表现较优。
【文章来源】：公路交通科技. 2020,37(11)北大核心CSCD
【文章页数】：9 页
【部分图文】：
调整后的交通拥堵原因类别
针对本研究的5个原因类型,参考福建省泉州市泉秀街(刺桐路至田安路方向)的路段情况,将部分道路分为A, B, C 3段,其道路结构如图2所示。根据道路监控视频,路段上可观测的交通状态变量见表1。为了满足建模要求,需要将连续变量处理为离散变量,各变量的设置同见表1。表1 可观测交通状态变量Tab.1 Observable traffic state variables 变量 符号 变量取值 A段停车让行次数 a1 1. [0, 4]; 2: (4, 6]; 3. (6, 8]; 4. (8, +∞) B段停车让行次数 a2 1. [0, 4]; 2. (4, 6]; 3. (6, 8]; 4. (8, +∞) C段停车让行次数 a3 1. [0, 4]; 2. (4, 6]; 3. (6, 8]; 4. (8, +∞) 左转车流二次排队 a4 1. 存在; 2. 不存在 直行车流二次排队 a5 1. 存在; 2. 不存在 A段第1车道车流量 a6 1. [0, 40); 2. [40, 50); 3. [50, +∞) A段第2车道车流量 a7 1. [0, 30); 2. [30, 40); 3. [40, +∞) B段第1车道车流量 a8 1. [0, 35); 2. [35, 45); 3. [45, +∞) B段第2车道车流量 a9 1. [0, 30); 2. [30, 40); 3. [40, +∞) C段第1车道车流量 a10 1. [0, 35); 2. [35, 45); 3. [45, +∞) C段第2车道车流量 a11 1. [0, 25); 2. [25, 35); 3. [35, +∞) A段人行横道流量 a12 1. [0, 50); 2. [50, 70); 3. [70, +∞) B段人行横道流量 a13 1. [0,115); 2. [115, 140); 3. [140, +∞) C段人行横道流量 a14 1. [0, 100); 2. [100, 120); 3. [120, +∞) 运通路通过车流量 a15 1. [0, 7]; 2. (7, 10]; 3. (10, 13]; 4. (13, +∞) 南淮路通过车流量 a16 1. [0, 7]; 2. (7, 10]; 3. (10, 13]; 4. (13, +∞) 左转流入车流量 a17 1. [0, 20]; 2. (20, 30]; 3. (30, +∞) 右转流入车流量 a18 1. [0, 10]; 2. (10, 20]; 3. (20, +∞) 直行流入车流量 a19 1. [0, 30]; 2. (30, 40]; 3. (40, +∞) 左转流出车流量 a20 1. [0, 20]; 2. (20, 30]; 3. (30, +∞) 直行流出车流量 a21 1. [0, 20]; 2. (20, 30]; 3. (30, +∞) A段两车道流量差 a22 1. [0, 15]; 2. (15, 20]; 3. (20, +∞) B段两车道流量差 a23 1. [0, 10]; 2. (10, 15]; 3. (15, +∞) C段两车道流量差 a24 1. [0, 15]; 2. (15, 20]; 3. (20, +∞)
对本研究的5种拥堵类型进行详细分析,贝叶斯网络在解决这类问题上有着较突出的优点。行人影响主要指行人分散过街情况,分散过街次数增加理论上造成停车让行次数增多[14]、路段的平均速度下降及单位时间内的车流通过数量降低[15]。车流高峰主要表现为单位时间内路段的进入车流过多,造成车速下降,同时也可能会因为更加密集的车流使得让行次数也增加[16]。停车占道(路边停车)则会造成该车道后续车流停车等待或变换车道行驶,在单位时间内最外侧车道通过车流下降,其他车道车流增多,车道流量差明显变化[17]。信号配时不合理主要是某方向上绿灯时间过长导致该方向已无车通过,而其他方向车流排队时长过长或某方向上绿灯过短,造成该方向上还存在过多的剩余车流量未流出即车辆二次排队现象严重[18]。而车道流量之差在不同方向车流就存在一定的差值,并且通过固定的绿灯放行时间难以较好地显示信号配时不合理问题,主要以剩余排队车流和方向上的流出量来反映。过街车流的增多造成的影响与行人影响类似[19],但本研究的“过街车流”不仅包括从与主路相交的支路流出的车流,还包括从主路转向支路的车流,因此若主路左右转车辆流出受阻也会降低单位时间内的车流通过数量。根据以上系统的理论分析得出的节点关系结构如图3所示。由于实际上引发一次拥堵的原因可能是单个也可能是多个,因此分别单列原因类型节点。本模型的网络结构搭建基于专家知识,根据图3的分析结果及表1中所示变量,以变量作为贝叶斯网络的节点用符号表示,相互间的影响关系为连接线,构建如图4所示的贝叶斯网络结构。根据道路的实际情况和监控视频,可以观测并统计出表1中的数据。由于视频无法得到速度信息,本试验暂不考虑速度变量。其中,c1至c5分别代表行人影响、车流高峰、停车占道、信号配时不合理和过街车流影响5种原因类型。需要注意的是,交通拥堵发生时,5种原因类型相互独立,可能有1种或者多种原因类型同时发生。
【参考文献】：
期刊论文
[1]基于路段流量均衡控制的节点拥堵治理研究——以重庆市为例[J]. 安萌,祝烨,杨强,张雯. 交通工程. 2018(05)
[2]基于支持向量机的城市快速路交通拥堵识别方法[J]. 李宇轩,韦凌翔,陈红,王永岗,魏语婷. 交通工程. 2018(01)
[3]行人穿越道路对交通运行拥堵预测仿真[J]. 崔曼,薛惠锋,陈福振,卜凡彪. 计算机仿真. 2018(02)
[4]基于FCM-粗糙集的多扇区交通拥挤识别方法研究[J]. 李桂毅,胡明华,郑哲. 交通运输系统工程与信息. 2017(06)
[5]行人从众过街对机动车流延误影响分析[J]. 张珩,徐寅峰,吴腾宇. 系统工程学报. 2016(04)
[6]大城市交通拥堵致因的故障树分析[J]. 王潇,王武宏,毛琰,郭宏伟,郭伟伟,金晶. 交通信息与安全. 2012(02)
[7]基于贝叶斯网络的城市道路交通事故分析[J]. 赵金宝,邓卫,王建. 东南大学学报(自然科学版). 2011(06)
[8]基于贝叶斯网络的一种事故分析模型[J]. 俞娉婷,刘振元,陈学广. 中国安全生产科学技术. 2006(04)
博士论文
[1]几类概率图模型结构学习算法研究[D]. 王静云.西安电子科技大学 2018
[2]基于出入流率匹配的区域交通拥挤测度与控制研究[D]. 马亚锋.西南交通大学 2018
硕士论文
[1]道路交通拥塞环境下车辆运行规律分析[D]. 孙亚南.昆明理工大学 2016
[2]无信号T型公路平面交叉口支路与主路交通流相互作用研究[D]. 俞敏健.东南大学 2015
[3]路边停车对路段交通流的影响研究[D]. 冯伟.北京交通大学 2008
本文编号：3336664
【文章来源】：公路交通科技. 2020,37(11)北大核心CSCD
【文章页数】：9 页
【部分图文】：
调整后的交通拥堵原因类别
针对本研究的5个原因类型,参考福建省泉州市泉秀街(刺桐路至田安路方向)的路段情况,将部分道路分为A, B, C 3段,其道路结构如图2所示。根据道路监控视频,路段上可观测的交通状态变量见表1。为了满足建模要求,需要将连续变量处理为离散变量,各变量的设置同见表1。表1 可观测交通状态变量Tab.1 Observable traffic state variables 变量 符号 变量取值 A段停车让行次数 a1 1. [0, 4]; 2: (4, 6]; 3. (6, 8]; 4. (8, +∞) B段停车让行次数 a2 1. [0, 4]; 2. (4, 6]; 3. (6, 8]; 4. (8, +∞) C段停车让行次数 a3 1. [0, 4]; 2. (4, 6]; 3. (6, 8]; 4. (8, +∞) 左转车流二次排队 a4 1. 存在; 2. 不存在 直行车流二次排队 a5 1. 存在; 2. 不存在 A段第1车道车流量 a6 1. [0, 40); 2. [40, 50); 3. [50, +∞) A段第2车道车流量 a7 1. [0, 30); 2. [30, 40); 3. [40, +∞) B段第1车道车流量 a8 1. [0, 35); 2. [35, 45); 3. [45, +∞) B段第2车道车流量 a9 1. [0, 30); 2. [30, 40); 3. [40, +∞) C段第1车道车流量 a10 1. [0, 35); 2. [35, 45); 3. [45, +∞) C段第2车道车流量 a11 1. [0, 25); 2. [25, 35); 3. [35, +∞) A段人行横道流量 a12 1. [0, 50); 2. [50, 70); 3. [70, +∞) B段人行横道流量 a13 1. [0,115); 2. [115, 140); 3. [140, +∞) C段人行横道流量 a14 1. [0, 100); 2. [100, 120); 3. [120, +∞) 运通路通过车流量 a15 1. [0, 7]; 2. (7, 10]; 3. (10, 13]; 4. (13, +∞) 南淮路通过车流量 a16 1. [0, 7]; 2. (7, 10]; 3. (10, 13]; 4. (13, +∞) 左转流入车流量 a17 1. [0, 20]; 2. (20, 30]; 3. (30, +∞) 右转流入车流量 a18 1. [0, 10]; 2. (10, 20]; 3. (20, +∞) 直行流入车流量 a19 1. [0, 30]; 2. (30, 40]; 3. (40, +∞) 左转流出车流量 a20 1. [0, 20]; 2. (20, 30]; 3. (30, +∞) 直行流出车流量 a21 1. [0, 20]; 2. (20, 30]; 3. (30, +∞) A段两车道流量差 a22 1. [0, 15]; 2. (15, 20]; 3. (20, +∞) B段两车道流量差 a23 1. [0, 10]; 2. (10, 15]; 3. (15, +∞) C段两车道流量差 a24 1. [0, 15]; 2. (15, 20]; 3. (20, +∞)
对本研究的5种拥堵类型进行详细分析,贝叶斯网络在解决这类问题上有着较突出的优点。行人影响主要指行人分散过街情况,分散过街次数增加理论上造成停车让行次数增多[14]、路段的平均速度下降及单位时间内的车流通过数量降低[15]。车流高峰主要表现为单位时间内路段的进入车流过多,造成车速下降,同时也可能会因为更加密集的车流使得让行次数也增加[16]。停车占道(路边停车)则会造成该车道后续车流停车等待或变换车道行驶,在单位时间内最外侧车道通过车流下降,其他车道车流增多,车道流量差明显变化[17]。信号配时不合理主要是某方向上绿灯时间过长导致该方向已无车通过,而其他方向车流排队时长过长或某方向上绿灯过短,造成该方向上还存在过多的剩余车流量未流出即车辆二次排队现象严重[18]。而车道流量之差在不同方向车流就存在一定的差值,并且通过固定的绿灯放行时间难以较好地显示信号配时不合理问题,主要以剩余排队车流和方向上的流出量来反映。过街车流的增多造成的影响与行人影响类似[19],但本研究的“过街车流”不仅包括从与主路相交的支路流出的车流,还包括从主路转向支路的车流,因此若主路左右转车辆流出受阻也会降低单位时间内的车流通过数量。根据以上系统的理论分析得出的节点关系结构如图3所示。由于实际上引发一次拥堵的原因可能是单个也可能是多个,因此分别单列原因类型节点。本模型的网络结构搭建基于专家知识,根据图3的分析结果及表1中所示变量,以变量作为贝叶斯网络的节点用符号表示,相互间的影响关系为连接线,构建如图4所示的贝叶斯网络结构。根据道路的实际情况和监控视频,可以观测并统计出表1中的数据。由于视频无法得到速度信息,本试验暂不考虑速度变量。其中,c1至c5分别代表行人影响、车流高峰、停车占道、信号配时不合理和过街车流影响5种原因类型。需要注意的是,交通拥堵发生时,5种原因类型相互独立,可能有1种或者多种原因类型同时发生。
【参考文献】：
期刊论文
[1]基于路段流量均衡控制的节点拥堵治理研究——以重庆市为例[J]. 安萌,祝烨,杨强,张雯. 交通工程. 2018(05)
[2]基于支持向量机的城市快速路交通拥堵识别方法[J]. 李宇轩,韦凌翔,陈红,王永岗,魏语婷. 交通工程. 2018(01)
[3]行人穿越道路对交通运行拥堵预测仿真[J]. 崔曼,薛惠锋,陈福振,卜凡彪. 计算机仿真. 2018(02)
[4]基于FCM-粗糙集的多扇区交通拥挤识别方法研究[J]. 李桂毅,胡明华,郑哲. 交通运输系统工程与信息. 2017(06)
[5]行人从众过街对机动车流延误影响分析[J]. 张珩,徐寅峰,吴腾宇. 系统工程学报. 2016(04)
[6]大城市交通拥堵致因的故障树分析[J]. 王潇,王武宏,毛琰,郭宏伟,郭伟伟,金晶. 交通信息与安全. 2012(02)
[7]基于贝叶斯网络的城市道路交通事故分析[J]. 赵金宝,邓卫,王建. 东南大学学报(自然科学版). 2011(06)
[8]基于贝叶斯网络的一种事故分析模型[J]. 俞娉婷,刘振元,陈学广. 中国安全生产科学技术. 2006(04)
博士论文
[1]几类概率图模型结构学习算法研究[D]. 王静云.西安电子科技大学 2018
[2]基于出入流率匹配的区域交通拥挤测度与控制研究[D]. 马亚锋.西南交通大学 2018
硕士论文
[1]道路交通拥塞环境下车辆运行规律分析[D]. 孙亚南.昆明理工大学 2016
[2]无信号T型公路平面交叉口支路与主路交通流相互作用研究[D]. 俞敏健.东南大学 2015
[3]路边停车对路段交通流的影响研究[D]. 冯伟.北京交通大学 2008
本文编号：3336664
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3336664.html
