基于时空大数据的城市网络交通流平衡原理及其应用.docx
《基于时空大数据的城市网络交通流平衡原理及其应用.docx》由会员分享，可在线阅读，更多相关《基于时空大数据的城市网络交通流平衡原理及其应用.docx（11页珍藏版）》请在冰豆网上搜索。
基于时空大数据的城市网络交通流平衡原理及其应用
交通运输信息理论及应用
课程报告
基于时空大数据的城市网络交通流平衡原理及其应用
1网络宏观基本图研究概述
1.1研究综述
宏观基本三参数之间的关系称为宏观基本图（MFD）。
在交通问题路网化的现实下，断面或基本路段的交通流基本参数之间的关系已经不能够满足实际的需求。
因此，为了能够为解决交通拥堵问题的措施提供基本的理论依据，对路网宏观交通流特性的研究尤为重要。
目前对MFD的研究上取得了初步成就，多数学者证明了宏观流量同时受到宏观密度及其空间分布的影响，但并未明确三者的关系模型，故MFD形式的外部影响因素（如路径选择、道路条件、路网结构等）分析均为定性分析，不能解释其影响机理。
大多研究基于仿真路网推导路网宏观流量、宏观密度及其空间分布之间的关系模型，并结合模型探究外部影响因素对MFD形式影响的成因。
研究成果在理论上明确了宏观流密关系模型及其影响因素，并能够为实际中的路网交通状态判别提供理论依据。
二十世纪六十年代起，就开始有学者对路网交通流特性进行研究。
Smeed[1]最早对路网层面的交通流进行研究，定义路网通行能力为单位时间内路网的流入量N。
认为N与路网结构、信号控制形式、路网中的密度分布以及车辆组成有关。
Thomson[2]利用伦敦中心城区的数据，提出了在低密度情况下路网平均速度和密度的线性模型，而高密度情况下二者则不遵循这一规律。
这些数据点中，低密度数据点通过14年每两年的数据经过一定处理获得，高密度数据点为1967年多个周日的数据。
Godfrey[3]对路网平均速度和路网密度的关系进行了研究，其中通过浮动车获得路网平均速度，通过航空照片对路网密度进行估计。
同时还研究了平均速度与路网通行效率（定义为单位时间内路网车辆运行的总距离）之间的关系，发现在某个特定的密度条件下，路网通行效率会达到最大值。
Godfrey的这项研究首次利用城市道路路网拥堵区域的实测数据，证明了路网的宏观基本参数之间存在着一定关系。
Zahavi[4]利用英国和美国若干城市的路网在同一时间间隔内的交通流数据进行路网宏观交通流的研究，提出城市宏观的流量—速度关系一个单调的负相关关系。
随着科技的不断发展，线圈监测器、红外检测器、声波检测器等在交通领域的广泛应用，如今对于整个城市道路路网数据的采集更为准确、便捷。
这些先进的科学技术为学者们对路网宏观交通流进行更深入的研究奠定了基础。
Daganzo[5]提出当路网中各部分的拥堵情况均衡时，单位时间路网交通流中所有车辆行驶的总里程P能够表示成路网累计车辆数n的函数，指出二者的关系能够描述宏观交通流在高峰时段的动态衍化特征。
Geroliminis[6]对旧金山中心城区2.5mile2的路网进行仿真，并在时间和空间上缓慢且均衡地改变路网的交通需求，绘制了P-n的关系散点图。
结果表明，以二者表征的路网交通流特征是可以进行预测的，并且二者关系不受交通需求的影响。
单位时间路网交通流中所有车辆行驶的总里程P能够表示成路网累计车辆数n的关系虽然能够描述路网宏观的交通流特性，但P并非传统的交通流参数，且在实际中难以凭借简单的方法获得。
Gerolinimis和Daganzo[7]对日本横滨城市干路上500个声波检测器和线圈检测器采集的交通数据进行分析，以路网中每条路段的流量或密度的加权平均值作为路网宏观流量或宏观密度，绘制横滨市的路网宏观基本图，结果表明路网宏观流量和密度存在着一定的关系。
随后，有关MFD的影响因素的研究不断深入。
其研究工具可以分为利用实际数据与仿真数据两种。
Buisson和Ladier[8]用法国一个中等大小的城市路网中的检测器数据，研究了线圈检测器距停车线距离对MFD的影响，并对比了不同等级道路构成的MFD的不同极其分别于整体路网MFD的区别。
结果表明检测器距离停车线越远的路段构成的路网，其宏观流量随占有率的变化率越大，且MFD的形状会显著受到构成路网的路段的道路等级的影响。
Geroliminis和Sun[9]用实际数据证实了密度分布的不均匀度是影响宏观基本图形状的主要因素，但并不是绝对的分布均匀才能够产生宏观基本图，信号控制同样会对宏观基本图产生影响，Saberi[10]采用波兰高速公路网的数据同样证实了这一观点。
利用实际数据进行的研究虽然能够得到实际情况下该城市的确切宏观基本图，但由于实际路网中并不能获取所有路段的交通流信息，得到的结果具有一定的局限性，且实际路网构成过于复杂，难以对宏观基本图进行深入的研究。
因此更多的学者采用简化的路网，利用仿真工具对MFD进行研究。
大多数利用仿真模型对MFD的都以对密度在路网分布的不均匀性对其的影响作为重点。
Ji[11]使用VISSIM对阿姆斯特丹的路网进行仿真，指出突然变化的交通需求会对MFD的形状产生巨大的影响。
Mazloumain[12]等用计算机仿真研究了车辆在路网中空间分布的不均匀情况对宏观基本图的影响，认为路网宏观流量应该是路网宏观密度和密度在空间分布的不均匀度的函数，指出密度分布的不均匀度是衡量路网运行状态的重要指标。
Zhang[13]等通过元胞自动机仿真模型，研究了在不同自适应式信号控制系统下，同一路网宏观基本图的差别。
结果说明不同的信号控制系统作用下会产生不同形状的MFD，且自适应式的信号控制系统能够有效地均衡路网密度的分布，从而优化路网交通运行情况。
Tsubota[14]等利用AIMSUN微观仿真模型研究了驾驶员的路径选择对MFD的影响，研究强调了驾驶员对路网拥堵情况的反应能力会直接影响MFD的形状，即驾驶员能否获得实时的路况信息是影响路网交通运行的重要因素。
可见车辆在道路路网分布的不均匀性是影响宏观基本图形状的重要因素。
综上所述，目前对路网宏观基本图（MFD）的深入研究主要是利用仿真数据进行，多位学者的研究均指出密度在路网中分布的不均匀性是影响MFD的重要因素。
但对MFD的研究尚处在初始阶段，宏观流量与宏观密度及其空间分布的关系函数尚未明确。
而在智能交通数据环境下，将会推进路网宏观基本图的深入研究。
1.2相关总结与思考
1）现有MFD影响因素的研究均停留在实测和仿真验证阶段，没有定量分析MFD影响因素与曲线形状之间的定量关系公式；
2）MFD反映在给定区域的基本交通流特性，研究如何确定最优的区域以及在实际控制中根据交通波的传播特性，拥挤区域会发生变化，如何根据检测数据动态确定拥挤区域并对其进行控制还需进一步研究；
3）MFD实测与控制过程中关键断面的选取的影响，选取不同断面的得出的MFD形状可能不同，需要进一步研究；
4）MFD基本图获取途径：
设置断面通过集计直接获得，车联网环境等新技术条件下虚拟断面或直接通过车辆信息集计获得；
5）根据MFD设计反馈控制策略，研究交叉口控制参数与网络特性数据的关系，实现动态反馈控制，使网络达到稳定运行状态。
2拥挤控制
在城市中心区车流总量达到饱和的的情况下，单纯的被动型信号控制无法从根本上改善早晚高峰时的道路拥堵状况，顶多使控制路口的效益最大化。
因此，应考虑把交通控制与交通诱导相结合形成一个反馈式系统，在中心区外围进行动态截流，控制进入中心区的车流，防止城市中心区域受到过饱和的不利影响，减轻城市中心区域内的交通压力[15]。
该策略是基于城市中心区域道路网络饱和流量的有效的实时交通拥挤控制策略。
其目的是利用宏观基本图的概念，限制进入城区中心区的流量，防止城市中心区域受到过饱和的不利影响，从而缓解城市交通拥堵。
2.1控制流程
常用的拥挤控制均可分为以下几个流程[16]-[17][18]：
1）确定控制区域边界，构建区域闭合边界数据条件（与现有检测设施有关分布）；
2）通过控制区域的检测器数据，构建仿真路网，通过仿真实验与实际数据结合，获取控制区域的MFD特征曲线；
3）构建无检测器路段流量预测模型，主要方法为构建无检测器路段流量与有检测器路段流量的回归模型，通过模型计算无检测器路段流量值；
4）构建拥挤控制模型，常用的方法为反馈控制，即通过检测区域的拥挤状态实时反馈到控制器，控制拥挤区域的车辆流入量或车辆流出量等，以达到控制区域车辆数均衡的目的。
5）控制效果评价，采用仿真软件对控制效果评价，检验并进一步改进控制策略。
2.2变量关系
当控制区域边界确定后，控制区域的相关变量一般包括：
流入量、流出量、通过量、通行能力等指标。
以下将具体研究怎么计算这些指标。
其中，
为t时刻控制区域车辆流入率，
为t时刻控制区域车辆流出率，
为
时间间隔进入控制区域车辆数，
为
时间间隔驶出控制区域车辆数，
为t时刻控制区域的总车辆数。
实际边界控制中，可根据控制区域的MFD获得区域的最佳车辆数，即最优控制值。
当控制区域车辆数超过最优控制值时，可通过减少区域的车辆流入率或者增加区域的流出率来实时调整区域的总车辆数，使控制区域的车辆数在一个最优值附近波动。
2.3传统拥挤控制方法的数据环境和数据应用
传统的拥挤控制是基于MFD图，而MFD图中需要大量实际数据拟合。
其中为了获取MFD图，需要控制区域的车辆数、平均流量、平均密度等相关数据。
这些数据往往通过在区域内部设置多个检测断面，通过线圈或者视频检测器检测断面的流量、密度等数据，最后通过集计的方法获取控制区域的平均流量和平均密度等参数。
而在实时控制中，需要实时检测控制区域的车辆流入率和流出率，这些可以通过线圈检测器获取。
数据环境：
主要是基于固定检测器，如线圈检测器、视频检测器。
只能获取固定位置的车辆或者交通流特征信息。
数据应用：
交通流特征参数，流量、密度和速度等。
2.4传统拥挤控制与智能交通控制方法的差异性
与传统拥挤控制相比，智能交通控制更能体现数据的多源性、实时性、高粒度、高精度等。
智能交通环境下，数据信息将不仅仅来源于检测设施，可以直接来源于车载设施。
车载设施可以将车载相关数据，如车辆速度、加速度、位置等实时传输给控制中心。
控制中心可以根据这些数据对拥挤进行实时检测，并制定相应的控制方案。
与传统的拥挤控制相比将会有以下优点：
1）鲁棒性更好，传统的拥挤控制数据来源于固定检测设施，一旦设施故障将很大程度的影响检测效果；而基于车载设施的数据，当某个或者几个车载设施故障时，不会对系统较大的影响；
2）传统控制的数据源比较单一，不能检测车辆的状态信息。
智能交通环境下，可以实时跟踪车辆的状态信息；
3）智能交通控制实时性更强，由于智能交通环境下数据采集时间粒度较高，可以实时检测控制区域的交通流状态，当交通流趋于不理想状态时，可以马上采取控制策略来改善交通流状况。
3智能交通环境下城市网络交通时空大数据
3.1交通数据及其时空特征
交通数据由交通基础设施数据和动态交通数据构成，是通过各种渠道采集到的交通参数、路网参数等数据，通常基于电子地图进行综合管理和表现[19]-[20]。
交通基础设施数据是相对静态的，如城市道路、桥梁、隧道、立交、公交网、轨道网、停车场、人行系统等。
动态交通数据中汇聚各类动态交通运行信息，包括道路实时车速、流量、交通事故、施工占道、停车位使用等。
动态交通数据可以通过磁频、波频、视频和移动通信等技术采集。
比如，通过在交叉路口埋设感应线圈或安装在固定地点的视频监控设备，可以获得路口的交通流量；用安装在车内GPS等移动定位设备，可记录车辆位置、瞬时速度、行程时间、行程速度、行驶轨迹等交通信息；基于RFID技术可采集关键断面的分车型流量、速度等信息，并获取车辆行驶轨迹；基于手机信令可获取用户运动线路和运动速度等。
动态交通数据记录着随时间变化的空间和属性信息，具有动态、多源、连续、无限、时变等特征，是进行实时监控和动态分析的数据基础。
交通数据描述着人、车、路之间的动态关系，具有典型的时空特征，且受道路网络和领域值/规则的约束，是交通管理、交通控制、交通诱导、交通指挥及交通信息服务等功能的重要信息来源。
对交通数据进行不同层次的抽象，能够描述不同的时空语义，如某移动对象的位置序列构成了轨迹，单位时间内经过某区域的移动对象的数量表现为流量，超过一定阈值的流量表示为拥堵状态等。
对交通数据的集成和管理大多基于地理信息系统[21][22]，并支持对道路网络、道路设施、车辆位置、路口流量、道路状态等各类专题数据的编辑、配置、管理、分析和可视化表现。
3.2城市交通时空大数据研究内容
3.2.1时效约束的大数据多尺度汇聚计算和动态图谱
交通大数据存在多源、异质、局部性、时空关联、异步性、信息稀疏性和并发性等特点，而城市交通系统存在着对大数据汇聚处理的高时效性以及对“大而信息稀疏”的交通大数据的领域知识牵引要求。
现有的数据融合、计算理论与方法难以满足高时效性的大数据处理和基于数据的知识构建与转换等需求，亟需提出时效约束的大数据多尺度汇聚计算和动态图谱的交通大数据处理新理论与新方法。
3.2.2高维空间的隐性知识序贯挖掘与演化模型
交通主体、行为、态势、路网拓扑和环境形成了高维生态系统闭空间，相互之间存在着高度非线性、随机性和动态的耦合关系。
交通态势及其演化是交通系统的宏观体现，具有约束条件下的动态性、序贯性、自组织、随机性等特点，交通态势机理解释对解决城市交通的难题非常重要。
传统的交通理论难以发现隐含在如此高维空间的知识，对交通出行规律及其时空演化、大面积交通拥堵演变规律、环境与交通行为等进行综合知识和数据支撑的解释与评价，高维空间的隐性知识序贯挖掘与演化将为此提供坚实的理论与技术支撑。
3.2.3交通态势的预测机理与调控策略
交通态势是城市交通系统运行状态的反映，受到交通需求、网络拓扑、多交通子系统、环境、管理和调控策略等众多因素的相互影响与作用。
由于城市交通态势具有时变性、不确定性、非马氏性以及影响因素之间的相关性等特点，是一个超维的复杂巨系统，其调控与预测是世界性的难题，目前尚缺乏相关的理论与方法。
交通态势的预测机理与调控策略的研究，将创建复杂交通巨系统的预测及其控制的新理论与途径。
3.3城市交通时空大数据处理技术
在城市交通蓬勃发展的过程中，其数据采集量必然成倍增长，形成海量、动态、实时的交通大数据。
因此，以大数据处理技术为支撑的城市交通信息服务将成为未来智能交通发展的增长点。
城市交通所涉及的大数据技术，总结起来大致包括如下内容。
1）基于Hadoop框架的MapReduce模式技术
2）数据仓库技术
3）中央数据登记簿技术
4）平台GIS-T应用技术
5）基于非序列性数据操作技术
6）视频大数据处理技术
7）大数据处理技术
8）大数据融合处理技术
9）实时数据分发订阅技术
4基于时空大数据的城市交通流平衡原理
此处城市交通流平衡原理指的是特定区域的交通流平衡，采用边界控制的思想，使控制区域的交通流达到理想的平衡状态。
首先需要确定控制区域的宏观基本图，在智能交通数据环境下，网络宏观基本图很容易获取。
与传统的MFD理论相比，智能交通数据环境下，可直接获取相关参数。
在该基本图中，横轴表示交通网络宏观净流量（NetVolume，NV），即每隔一段时间内在路网中出现过的总交通量；纵轴表示重点区域净车公里数（SelectedTravelledDistance，STD），即对每一段时间内通过部分路段的交通量与其所在路段长度的乘积求和。
一般来说该图可以拟合成二次函数形式，在初始阶段，由于路段上车辆较少，重点区域净车公里数随网络宏观净流量的增加而逐渐增加；在网络宏观净流量到达最大值时，重
点区域净车公里数到达最大值，此时区域网络达到饱和状态；之后若横轴继续增加，纵轴数值反而下降，即出现交通拥堵现象。
该定量分析表明，当区域内的交通总量接近或达到饱和时，通过区域的交通流量反而呈下降趋势。
因此，如果能够将区域内的交通总量控制在饱和区域内，就可以保证区域的交通流通过量最大。
反馈门控制策略是根据前述建立的路网宏观基本图MFD，对路网区域交通运行状态进行总体调控，利用在关键节点路段设置的探测器返回的数据对网络流入量（inflow）、网络车辆总数N（或密度K）和网络流出量（outflow）进行监控，通过区域边界设置的“反馈门”控制网络流入量，将网络车辆总数N（或密度K）维持在其合理可行范围内，以提高或维持网络流量Q。
控制逻辑如图1所示。
图1控制逻辑图
其控制结果为保证控制区域内车辆数的平衡，通过反复计算控制区域前后时间车辆数差值来实时反馈修正控制路口，如当控制区域车辆数增多时，可通过改变信号配时方案，限制车辆进去拥挤区域。
相反，如当控制区域车辆数较少时，也可改变路口信号配时方案，增加进入控制区域的车辆数。
通过动态、实时的控制措施使控制区域交通状态达到某种平衡状态。
由图1可知，具体可以分为以下几个方面：
Step1：
输入
经过叠加反馈信号和系统延误，得到
；
Step2：
代表未进行控制路段输入控制区域的车流，
代表离开控制区域的车辆数（假设其数值同
正相关：
），所以区域总量
的微小变动为
；
Step3：
由于区域内存在无检测器道路，所以
需要由
转换得出：
；
Step4：
同时根据仿真数据分析，得出
关系式，其中
代表二次函数；
Step5：
传递函数求解。
设系统各扰动为0，将原方程
在最优值
处线性化：
因为实际系统是根据时间间隔进行扫描计算，所以把上述连续方程转换为离散形式：
在智能交通环境下，在边界控制的同时，也可以根据实际交通状况对车辆进行实时诱导，使路网上的交通流呈现均衡状态。
所以，可通过实时诱导+边界控制等思想来实现城市交通流平衡。
5基于城市网络交通流数据闭合特性的拥挤控制方法的关键问题、发展方向和研究思路
5.1关键问题
1）如何采用智能交通环境数据获取控制区域的MFD特征曲线图，定量分析MFD影响因素与曲线形状之间的定量关系公式；
2）MFD反映在给定区域的基本交通流特性，研究如何确定最优的区域以及在实际控制中根据交通波的传播特性，拥挤区域会发生变化，如何根据检测数据动态确定拥挤区域并对其进行控制还需进一步研究；
3）在数据条件充足的环境下，研究不同路段流量，路段与控制路口流量的相关性，制定针对性的控制策略；
4）MFD实测与控制过程中关键断面的选取的影响，选取不同断面的得出的MFD形状可能不同，需要进一步研究；
5）MFD基本图获取途径：
设置断面通过集计直接获得，车联网环境等新技术条件下虚拟断面或直接通过车辆信息集计获得；
6）根据MFD设计反馈控制策略，研究交叉口控制参数与网络特性数据的关系，实现动态反馈控制，使网络达到稳定运行状态。
5.2发展方向
1）交通数据获取更智能化、实时化、粒度更细、精度更高；
2）多源数据融合是未来交通数据处理方法研究重点之一；
3）反馈控制、区域拥挤控制是未来城市交通控制中不可或缺的一部分；
4）结合前馈控制与反馈控制相结合的复合控制是未来拥挤控制方法的研究内容之一。
5.3研究思路
1）充分利用智能交通环境下多源数据，构建多源数据融合模型；
2）采用实时数据监控交通流运行状态；
3）实时区域边界控制+实时诱导的拥挤控制方法，以达到对拥挤区域的控制。
6结论与展望
6.1结论
本报告通过对网络宏观基本图，拥挤控制等概述的基础上，分析了智能交通环境下城市网络交通时空大数据的特点，基于此提出了基于城市时空大数据的城市交通流平衡原理。
最后提出了未来城市区域拥挤控制的关键问题、发展方向和研究思路等。
6.2展望
未来交通信息供给手段将更多样化，将会从传统的检测技术到车联网技术转换。
所以未来智能交通环境数据将很大程度上来源于车载数据信息。
当车载数据的传送频率达到一定程度上时，将可以直接获取每辆车的行驶路径，行程车速和行程时间等。
同时采用集计的方法也可获取指定路段或断面流量，车速和密度等情况。
由于基于拥挤区域控制所需要的信息仅限于该区域内和周围区域的交通信息，所以信息的分散处理将会更流行，即在未来分布式控制系统将更能适合未来的发展条件。
参考文献
[1]SmeedRJ.THEROADCAPACITYOFCITYCENTERS[J].HighwayResearchRecord,1967.
[2]ThomsonJM.SpeedsandFlowsofTrafficinCentralLondon..[M].Printerhall,1967.
[3]GodfreyJW.Themechanismofaroadnetwork[J].TrafficEngineering&Control,1900,8（8）.
[4]ZahaviY.Trafficperformanceevaluationofroadnetworksbytheα-relationship[J].TrafficEngineeringandControl,1972,14（5-6）.
[5]DaganzoCF.Urbangridlock:
Macroscopicmodelingandmitigationapproaches[J].TransportationResearchPartBMethodological,2007,41
（1）:
49-62.
[6]GeroliminisN,GeroliminisN.AMacroscopicFundamentalDiagramofUrbanTraffic:
RecentFindings[J].TransportationResearchE-Circular,2008（E-C149）.
[7]GeroliminisN,DaganzoCF.Existenceofurban-scalemacroscopicfundamentaldiagrams:
Someexperimentalfindings[J].InstituteofTransportationStudiesResearchReportsWorkingPapersProceedings,2007,42（9）:
759-770.
[8]BuissonC,LadierC.ExploringtheImpactofHomogeneityofTrafficMeasurementsontheExistenceofMacroscopicFundamentalDiagrams[J].TransportationResearchRecordJournaloftheTransportationResearchBoard,2009,137（2124）:
127-136.
[9]GeroliminisN,SunJ.Propertiesofawell-definedmacroscopicfundamentaldiagramforurbantraffic[J].TransportationResearchPartBMethodological,2011,45（3）:
605-617.
[10]SaberiM,MahmassaniHS.ExploringPropertiesofNetworkwideFlow–DensityRelationsinaFreewayNetwork[J].TransportationResearchRecordJournaloftheTransportationResearchBoard,2012,2315（2315）:
153-163.
[11]J
升级会员 