高速公路交通量优化配置 - 图文

1NWSEt122t25t2313起始点WNESt122t25t23t14t45t47t4AtABt14t45t47t4A3t56t58t78t36起始点45t58t78t56t366t69456t69t897t7B8t899t9D7tABt7B89t9Dt8Ct8C10tAE11tBEtBC1213tCD10tAE11tBEtBC1213tCD14目的地14目的地 当k1=1,k2=1,M=1时的走向图 1NWSE当k1=1,k2=1,M=3时的走向图

t122t25t2313起始点WNES8.125.859.15t14t45t47t4AtAB6.95.16.1534.955.2545t56t58t366t6945663.157t788t899t9D9.68.5578.185.192.25t7Bt8C2.552.8510tAE11tBEtBC1213tCD10115.558.12.412136.1514目的地14

k1=1,k2=1,M=4时的走向图 当当k1=1,k2=1,M=5时的走向图

图4 当选取不同M值时的路径选择图

在上述算法设计中，步骤2）在优化路线的同时，还不断地检验各路线能否满足时耗方差的约束条件(DP≤M) 。这既保证了算法的有效性，又能减少不必要的计算，提高了运算速度。算法所求得的路线解将随时耗方差上限M 的变化而变化。同一对起讫点的不同用户会根据其出行需要选择彼此互异的方差上限M 和最优路线，这也将导致用户路线选择行为的多样性,。

3) 在具有时间相关系数时以动态估计时间期望值最短为最优路径和时间估计。

在实践中,很难确切掌握系统初始状态的验前知识,甚至根本不能掌握这些统计特征。但由于卡尔曼滤波器在递推过程中不断用新息对状态估计进行修正,所以卡尔曼滤波器是渐近稳定的,也就是说当滤波时间充分长时,状态初值的估计值对x(k)的估计的影响将衰减至近于

0零,初始协方差阵P对滤波估计误差协方差阵p(k)的影响也将衰减至近于零。 因此,滤波的

- 25 -

初始条件可以用近似的算法确定。每一步迭代的过程与卡尔曼滤波器的递推过程相近,所不同的是,每递推一次,需要计算系统噪声向量ω( k) 和测量噪声向量υ( k) ,然后把每一步测量和计算出的参数{ C ( k) ,υ( k) ,ω( k) } 记录下来,最后计算出系统噪声协方差阵Q 和测量噪声协方差阵R ,一次迭代完成. 将刚求出的{ Q , R} 代入卡尔曼递推方程组再次进行迭代,直至前后两次求出的{ Q , R} 的相对误差小到预定的值为止。

结语

搜索最优路径是车辆导航系统的关键技术之一, 静态型最优路径与真实最优路径存在较大差异, 基于动态行程时间的实时动态最优路径是具有真实意义的最优路径。预测路网上各路段未来各时段的行程时间是搜索动态最优路径的基础, 尚需深入研究提高路段行程时间预测精度的预测策略、方法与技术； 交通参数采集周期和引导信息更新周期对预测结果与引导效果有重要影响, 需要进一步研究合适的周期。

文献[11]对行车时间和最优路径的计算作了如下总结，

本文在上表的指导下，总结了智能交通系统的行驶时间估测与最优路线选择问题的一些研究方法, 建立了基于经典交通流理论的几个时间估计模型,可以更好地对拥挤交通流情况下行驶时间进行估测。以应用较为广泛的Dijkstra算法为基础，建立适用于静态状态下寻找最短路径的一般算法，并且结合本文建立的时间估计模型，给出了适用于动态随机状态下的路径寻优算法，用以解决实际状况下路段行车时耗期望随时间变化的问题。

参考文献

[1] 张国强，晏克非.动态随机状态下的车辆导航及其路径寻优算法，长沙交通学院学报，2002.9

[2] 张怡. 复杂环境下车辆导航系统最优路径规划算法研究，导弹与制导学报，2005.1 [3] 杨昊，忠雁，钱大琳.城市交通流路段行程时间预测模型，北方交通大学学报，2001.4 [4] 晏克非，苏永云，黄翔，覃煜，朱培康.车辆导航系统基于IJK的动态L最短路递推解法，西安公路交通大学学报，2001.1

- 26 -

[5] 张可，刘小明，王笑京.车辆自动导航的路线优化系统，系统工程，2001.3

[6] 张亚平, 张起森.高速公路速度—流量模型研究，中国公路学报，2000.7 [7] 曹丽，刘杰，尹朝征，路加.行驶时间估测及多点交通流数据融合，仪器仪表学报，2001.06 [8] 王殿海，严宝杰.交通流理论.北京:人民交通出版社,2002.09

[9] 韩凤春,刘东编.交通工程学.北京:中国人民公安大学出版社,2002.08 [10] 倪江华编著.交通工程学计算示例.人民交通出版社，1993.06

[11] 苏永云等.车辆导航系统的动态最优路径搜索方法研究.系统工程，2000.07

附录1 源程序

％％路况分析程序 v=dlmread('v.txt',','); n=dlmread('n.txt',','); ls=length(v);

t=[3.4007:3.18/(ls-1):6.5807]; u=50.*ones(1,ls); [p1,p2]=size(v); for i=1:5 figure(1) subplot(5,1,i) plot(t,v(i,:)); hold on ; plot(t,u,'r.-') ylabel('v mile/h'); xlabel('t')

title(['Detector',num2str(i)]) axis([3.4007,6.5807,0,80]) % hold on; end

z=zeros(1,p2); for i=1:p2

for j=1:p1 if(v(j,i)<50) z(i)=z(i)+1; end end end

figure(2) plot(t,z);

xlabel('时刻T')

ylabel('堵塞次数统计');

title('路段各时刻堵塞情况统计')

axis([3.4007,6.5807,0,5.1])

%%%%%%%%%%%间接法模型%%%%%%%%%%%%%%%%%%%%%%%% v=dlmread('v.txt',',');

- 27 -

n=dlmread('n.txt',','); v=v'.*1609/3600; n=n'./20;

[p1,p2]=size(v); mi=zeros(p1,p2); % vspace=zeros(p1,p2);

% vtime=zeros(p1,p2);

% %%%%%%%%%%%%%密度%%%%%%%%%%%%%%%%%%%%%%%%%% for i=1:p1 for j=1:p2

mi(i,j)=n(i,j)./v(i,j); end

end

% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5

len=[636 417 522 475];

for i=1:p1 for j=1:p2-1

vspace(i,j)=(v(i,j+1)+v(i,j))/2;%%%%%%%%%%%空间平均速度 vtime(i,j)=vspace(i,j)+var(v(i,j),v(i,j+1))/vspace(i,j); vmean(i,j)=2/(1/vspace(i,j)+1/vtime(i,j)); end end

% for j=2:p1

% vtime(j,:)=(v(j,:)-v(j-1,:))/120;

% end

%%%%%%%%%%%%%初始条件%%%%%%%%%%%%%%%%%%%%%%% % t=60007 %%起始时刻

% x=3 %%起始监测点

%%%%%%%%%%%时间换算%%%%%%%%%%%%%%%%%%%%%%%%%%% iii=1;

timesum=0; x=1; vsum=0; m=0;n1=0;

for time=13207:120:25087 pp=1; x=1;

for ii=x:1:4

standard=13207; % a=floor(t/10000);

- 28 -