本發(fā)明屬于智能交通，涉及一種考慮事故時空影響下的交通流動態(tài)誘導(dǎo)技術(shù)，特別是一種考慮因果推斷和動態(tài)路徑誘導(dǎo)相結(jié)合的交通管理方法。

背景技術(shù)：

1、隨著社會經(jīng)濟(jì)的發(fā)展及城市化進(jìn)程的加速，城市交通資源的有限性帶來的矛盾日益凸顯，具體表現(xiàn)為城市道路網(wǎng)絡(luò)的交通需求與供給的不平衡、環(huán)境污染以及交通安全問題等。為了應(yīng)對復(fù)雜的交通問題，亟需一系列交通控制和管理方案。城市交通狀態(tài)反映了城市道路網(wǎng)絡(luò)中交通擁堵的時變、多尺度、多變量和隨機(jī)特征，量化交通擁堵程度可以使交通管理部門掌握擁堵路段的時空信息，是實(shí)施有效交通控制和管理的基礎(chǔ)。在復(fù)雜的城市道路網(wǎng)絡(luò)中，交通流的復(fù)雜性和動態(tài)性使得評價每個路段的擁堵程度變得極為挑戰(zhàn)。因此，亟需開發(fā)一個科學(xué)的、動態(tài)的城市路段交通誘導(dǎo)技術(shù)，為交通管理高效決策提供參考依據(jù)。

2、相關(guān)領(lǐng)域的研究已取得了一定的進(jìn)展。例如，論文a?real-time?traffic?flowprediction?system?based?on?deep?learning?models提出了一種基于深度學(xué)習(xí)模型的實(shí)時交通流預(yù)測系統(tǒng)，利用歷史交通數(shù)據(jù)和實(shí)時監(jiān)測信息對城市道路的交通流進(jìn)行預(yù)測，從而實(shí)現(xiàn)對未來交通狀態(tài)的評估。雖然該方法在交通流預(yù)測方面表現(xiàn)良好，但其對于突發(fā)事件引發(fā)的擁堵情況應(yīng)對不足，難以準(zhǔn)確捕捉事故發(fā)生后的交通流變化，導(dǎo)致誘導(dǎo)方案無法在緊急情況下快速調(diào)整。

3、論文dynamic?route?guidance?using?reinforcement?learning?in?urban?roadnetworks提出了一種基于強(qiáng)化學(xué)習(xí)的城市道路網(wǎng)絡(luò)動態(tài)路徑誘導(dǎo)方法。該方法利用強(qiáng)化學(xué)習(xí)技術(shù)，根據(jù)道路交通狀態(tài)的變化為車輛提供最優(yōu)路徑，以期實(shí)現(xiàn)個體行程的最小化。盡管這種方法能夠在一定程度上實(shí)現(xiàn)動態(tài)路徑誘導(dǎo)，但其局限于個體最優(yōu)的路徑選擇，缺乏對全局路網(wǎng)的整體優(yōu)化考慮。當(dāng)交通事故發(fā)生時，個體最優(yōu)路徑的選擇可能導(dǎo)致新的交通瓶頸，進(jìn)一步加劇交通擁堵，無法實(shí)現(xiàn)全路網(wǎng)系統(tǒng)的整體最優(yōu)。

4、此外，論文urban?traffic?state?evaluation?by?integrating?multiple?datasources提出了一種基于多源數(shù)據(jù)融合的城市交通狀態(tài)評估方法，利用交通監(jiān)測數(shù)據(jù)、環(huán)境信息和其他傳感器數(shù)據(jù)，通過多層次的信息融合，對交通擁堵狀態(tài)進(jìn)行評估。雖然該技術(shù)方案通過數(shù)據(jù)融合提高了交通狀態(tài)評估的準(zhǔn)確性，但信息融合過程的復(fù)雜度較高，且評估方法缺乏對事故時空擴(kuò)散效應(yīng)的考慮，無法及時響應(yīng)突發(fā)事故引發(fā)的復(fù)雜路網(wǎng)環(huán)境變化。

技術(shù)實(shí)現(xiàn)思路

1、技術(shù)問題：為了解決上述問題，本發(fā)明提出了一種基于因果推斷和動態(tài)路徑誘導(dǎo)相結(jié)合的方法，能夠有效應(yīng)對交通事故引發(fā)的時空擴(kuò)散效應(yīng)和路網(wǎng)全局影響。該方法首先通過因果推斷模型對交通事故的影響進(jìn)行定量分析，結(jié)合全局路網(wǎng)的實(shí)時監(jiān)測信息，量化事故對交通流的時空擴(kuò)散效應(yīng)。在此基礎(chǔ)上，構(gòu)建了系統(tǒng)最優(yōu)的動態(tài)交通分配模型，以最小化全路網(wǎng)總出行時間為目標(biāo)，生成全局最優(yōu)的動態(tài)路徑誘導(dǎo)方案。通過將因果推斷模型計算出的路網(wǎng)數(shù)據(jù)與實(shí)際交通流監(jiān)測信息相結(jié)合，可以更精準(zhǔn)地分析和預(yù)測事故后的交通流變化，從而實(shí)現(xiàn)更科學(xué)的交通誘導(dǎo)。這種方法為交通管理和應(yīng)急響應(yīng)提供了更為科學(xué)和有效的支持，提高了突發(fā)事件的應(yīng)對能力和路網(wǎng)的整體通行效率。

2、技術(shù)方案：

3、一種考慮因果推斷和動態(tài)路徑誘導(dǎo)相結(jié)合的交通管理方法，包括如下步驟：

4、步驟一.從公開渠道獲取城市路網(wǎng)g的拓?fù)浣Y(jié)構(gòu)信息，包括節(jié)點(diǎn)(i,j)、邊、道路容量c、車道數(shù)量n和長度l等基礎(chǔ)數(shù)據(jù)為步驟二作準(zhǔn)備；

5、步驟二：構(gòu)建基于因果推斷的時空影響推斷模型；

6、步驟三：構(gòu)建動態(tài)交通分配模型。

7、作為更進(jìn)一步的優(yōu)選方案，步驟二包括：

8、s1.獲取事故影響區(qū)域，定義初始位置s和結(jié)束位置t，將初始位置s表示為源節(jié)點(diǎn)，結(jié)束位置t表示為目標(biāo)節(jié)點(diǎn)；聯(lián)網(wǎng)獲取評價路網(wǎng)區(qū)域內(nèi)的gis地理信息數(shù)據(jù)，根據(jù)歷史路網(wǎng)信息，獲得路網(wǎng)的動態(tài)車流信息，包括事故影響區(qū)域中所有路段上對應(yīng)的車輛流量等交通狀態(tài)信息，利用獲取的數(shù)據(jù)及信息對評價路網(wǎng)區(qū)域內(nèi)的交通網(wǎng)絡(luò)進(jìn)行建模；

9、s2.對評價路網(wǎng)區(qū)域內(nèi)的車輛gps軌跡數(shù)據(jù)進(jìn)行預(yù)處理，提取各路段的車輛密度和車輛流量信息，計算各路段的速度信息包括時間間隔t內(nèi)每個路段的當(dāng)前速度vij(t),為s3作準(zhǔn)備計算行程時間t(i,j)

10、

11、vij：在道路段(i,j)上的平均速度(單位：km/h或m/s)；

12、qij：在道路段(i,j)上的流量(單位：車輛/小時)；

13、ρij：在道路段(i,j)上的交通密度(單位：車輛/小時)；

14、s3.根據(jù)s1中構(gòu)建的路網(wǎng)，及s2中的速度信息，求解出車輛在各個路段的行程時間t(i,j)，作為各個路段的初始路阻；

15、

16、l(i,j)：表示路段的長度；

17、t(i,j)：表示受事故影響車輛在路段內(nèi)的行程時間；

18、s4.定義為第i個和第j個交叉口連接的路段在事故發(fā)生dur后的行程時間，r(i,j)∈(0,1)為是否發(fā)生事故，其中dur表示距離事故發(fā)生后的時長(min)，并且將dur對應(yīng)的數(shù)值作為一個更新周期；引入多個控制變量x，消除異質(zhì)性的影響，計算得到條件平均處置效應(yīng)(cate)；

19、s5.預(yù)先選擇一系列變量作為控制變量，控制變量是一類影響事故發(fā)生的類型，地點(diǎn)，時間的變量；根據(jù)變量類型可以分為基本屬性變量交通狀態(tài)變量道路線性變量交通信號變量進(jìn)行控制變量的篩選，從而降低偏差；利用皮爾遜相關(guān)系數(shù)消除相關(guān)性較強(qiáng)的變量，刪除不利于估計的變量(非混淆變量)，使用borutashap方法作為變量剔除的判斷依據(jù)；這一步通過初步篩選控制變量(包括環(huán)境屬性、交通狀態(tài)和道路屬性變量)，利用皮爾遜相關(guān)系數(shù)和borutashap方法剔除無關(guān)或干擾變量，旨在減少模型的偏差并確保估計結(jié)果的科學(xué)性和解釋力；

20、s6.根據(jù)各變量之間的因果關(guān)系，構(gòu)建因果關(guān)系圖；

21、s7.構(gòu)建doubly?robust?learning(drl)因果推斷模型，轉(zhuǎn)入s8；這一步利用drl方法結(jié)合控制變量，構(gòu)建因果推斷模型并計算cate，從而準(zhǔn)確估計事故因果效應(yīng)，解決模型偏差問題，并提高因果推斷的穩(wěn)健性和解釋力；

22、

23、其中，因此，事故因果效應(yīng)cate的估計值為：

24、

25、s8.基于s6構(gòu)建的因果關(guān)系圖對不同dur下的速度影響值進(jìn)行doubly?robustlearning(drl)因果推斷，并基于事故影響下的對不同道路的速度影響的估計值，計算各道路在不同dur下的速度通過實(shí)時的交通流量與速度的變化，獲得受事故影響車輛在不同dur下的行程時間t1，為步驟三作準(zhǔn)備。

26、作為更進(jìn)一步的優(yōu)選方案，步驟二的s4包括：

27、s4-1.根據(jù)s4中的參數(shù)計算時間影響效應(yīng)：ate是全樣本平均的處理效應(yīng)，反映了事故發(fā)生對行程時間的總體影響；

28、

29、

30、計算出來代表事故對行程時間的影響，ate越大，事故對行程時間的負(fù)面影響越大；說明事故導(dǎo)致的擁堵、延誤程度更嚴(yán)重。需要更強(qiáng)的干預(yù)措施(如改進(jìn)交通管理)；

31、s4-2.為了解決異質(zhì)性問題，通常會引入多個控制變量表示第i個和第j個交叉口在dur下的控制變量；因此估計的結(jié)果是條件平均處置效應(yīng)(cate)：

32、

33、cate在x下，值越大，代表事故影響越嚴(yán)重。

34、作為更進(jìn)一步的優(yōu)選方案，步驟二的s8包括：

35、s8-1.計算不同條件變量組合下的傾向得分：

36、

37、s8-2.構(gòu)建逆傾向概率加權(quán)(ipw)，解決樣本不均衡問題，即用傾向得分解決樣本分布不均的問題(ipw):

38、

39、s8-3.此時ipw的ate估計為(通過drl的方法進(jìn)一步提高估計的穩(wěn)健性):

40、

41、由于ipw的估計的敏感性過高，增加一項關(guān)于的回歸模型，形成drl估計：

42、

43、其中，采用分類機(jī)器學(xué)習(xí)進(jìn)行估計，采用回歸機(jī)器學(xué)習(xí)進(jìn)行估計：

44、

45、其中，為第i個交叉口與第j個交叉口在dur下的行程時間；

46、通過比較“處理組”(有某種干預(yù))的行程時間和“對照組”(無干預(yù))的行程時間差異，得到具體的cate值。

47、作為更進(jìn)一步的優(yōu)選方案，步驟三包括：

48、在因果推斷結(jié)果的基礎(chǔ)上，系統(tǒng)構(gòu)建動態(tài)交通分配，以優(yōu)化全局交通流分配；模型的目標(biāo)函數(shù)設(shè)定為最小化全網(wǎng)絡(luò)的總出行時間或總出行成本，尤其在應(yīng)急情況下需確保流量的均衡與快速疏散；決策變量定義為每條路徑上的交通流量，受多重約束條件限制，包括流量守恒約束、道路容量約束、事故影響約束和路徑唯一性約束；

49、s1.動態(tài)交通分配(計算所有交叉口之間的交通分配)；

50、對于給定的路網(wǎng)，e為第i個和第j個交叉口的集合，第i個和第j個交叉口必須為某兩個相鄰交叉口，p為p(i,j)集合，p(i,j)表示從節(jié)點(diǎn)i至節(jié)點(diǎn)j的路段，tt表示所有交通需求的總行程時間；基于個體車輛帶路徑約束的系統(tǒng)最優(yōu)動態(tài)交通分配模型可以表示為：mintt＝∑(i,j)t1(i,j)，即受事故影響區(qū)域車輛的總行程時間最小；采用數(shù)學(xué)規(guī)劃軟件gams(the?general?algebraic?modeling?system)對動態(tài)交通分配模型進(jìn)行求解，輸出路徑集ω為步驟三s2作準(zhǔn)備；(s1的目標(biāo)是最小化整體交通時間tt，屬于全局性優(yōu)化)；

51、目標(biāo)函數(shù)：min?tt＝∑(i,j)t1(i,j)

52、添加約束條件：

53、流量守恒約束：每個路段的進(jìn)入流量等于離開流量；q為流量，p表示第i個和第j個交叉口間的路段；

54、

55、道路容量約束：每條道路段的交通流量不超過其最大容量；cij為道路交通流最大容量

56、

57、事故影響約束：受事故影響的道路段容量減少；γ1表示影響道路段容量的參數(shù)；

58、受事故影響的路段

59、救援影響約束：應(yīng)急救援路徑影響的道路段容量大幅減少；γ2表示影響道路段容量的參數(shù)。

60、受事故影響的路段

61、非負(fù)性約束：所有交通流量變量必須為非負(fù)數(shù)；

62、

63、s2.生成交通誘導(dǎo)方案(基于s1的結(jié)果，進(jìn)一步生成可執(zhí)行的交通誘導(dǎo)方案)；

64、設(shè)計交通誘導(dǎo)方案，z為所有路徑實(shí)際服務(wù)交通需求與期望分配交通需求差值的平方和，z越小代表誘導(dǎo)方案越好，分配需求滿足實(shí)際服務(wù)交通；使所有路徑實(shí)際服務(wù)交通需求與期望分配交通需求差值的平方和最小，即為目標(biāo)函數(shù)，使z最小，其中對某一具體路徑而言其實(shí)際服務(wù)的交通需求由四部分組成，分別為沒有安裝車載誘導(dǎo)終端的車輛中選擇路徑i的車輛數(shù)、安裝車載誘導(dǎo)終端的車輛中遵守誘導(dǎo)方案且未選擇應(yīng)急救援路徑i的車輛數(shù)、安裝車載誘導(dǎo)終端的車輛中沒有遵守誘導(dǎo)方案但未選擇應(yīng)急救援路徑i的車輛數(shù)、安裝車載誘導(dǎo)終端的車輛沒有遵守誘導(dǎo)方案且選擇應(yīng)急救援路徑i的車輛數(shù)的車輛數(shù)；采用gams軟件對上述問題進(jìn)行求解，生成誘導(dǎo)方案實(shí)施(s2的目標(biāo)是最小化交通誘導(dǎo)方案與實(shí)際交通需求的差異，屬于局部優(yōu)化和實(shí)施層面，最后得出一套發(fā)生事故后的區(qū)域誘導(dǎo)方案，可以有效快速解決事故帶來的擁堵)；

65、目標(biāo)函數(shù)：

66、約束條件：

67、

68、

69、

70、

71、

72、

73、式中：z表示各路徑實(shí)際服務(wù)交通需求與期望分配交通需求差值的平方和；

74、i、j表示路徑序號；

75、ω表示路徑集；

76、表示沒有安裝車載誘導(dǎo)終端的車輛中選擇路徑i的車輛數(shù)；

77、表示安裝車載誘導(dǎo)終端的車輛中遵守誘導(dǎo)方案且未選擇應(yīng)急救援路徑i的車輛數(shù)；

78、表示安裝車載誘導(dǎo)終端的車輛中沒有遵守誘導(dǎo)方案但未選擇應(yīng)急救援路徑i的車輛數(shù)；

79、表示安裝車載誘導(dǎo)終端的車輛沒有遵守誘導(dǎo)方案且選擇應(yīng)急救援路徑i的車輛數(shù)的車輛數(shù)；

80、表示路徑i期望分配交通需求；

81、p表示該od點(diǎn)對間的總交通需求；

82、θ表示車載誘導(dǎo)終端覆蓋率；

83、αi表示無誘導(dǎo)信息條件下選擇路徑i的車輛數(shù)在總需求中所占的比例；

84、γi表示所有下發(fā)的誘導(dǎo)信息中誘導(dǎo)路徑i所占比例；

85、η表示誘導(dǎo)服從率；

86、βi表示路徑i期望分配交通需求在總需求中所占比例；

87、a表示選擇應(yīng)急救援路徑i的車輛數(shù)的比例

88、k表示ω路徑集中的一條路線。

89、有益效果：

90、1.本發(fā)明通過因果推斷模型對交通事故的時空擴(kuò)散效應(yīng)進(jìn)行分析，結(jié)合全局路網(wǎng)的實(shí)時監(jiān)測信息，能夠更精確地評估事故對全路網(wǎng)交通流的影響，從而實(shí)現(xiàn)更為科學(xué)的交通誘導(dǎo)策略，提高應(yīng)對突發(fā)事件的能力。

91、2.本發(fā)明在路徑誘導(dǎo)過程中引入了doubly?robust?learning(drl)模型，通過傾向得分模型和結(jié)果回歸模型相結(jié)合，增強(qiáng)了誘導(dǎo)方案的魯棒性與穩(wěn)定性，有效解決了傳統(tǒng)路徑誘導(dǎo)方法因不確定性導(dǎo)致誘導(dǎo)效果不佳的問題。

92、3.本發(fā)明的方法在不依賴高密度傳感器的情況下，通過綜合分析車輛gps軌跡數(shù)據(jù)、歷史交通流數(shù)據(jù)和實(shí)時交通狀態(tài)，能夠?qū)崿F(xiàn)對全局路網(wǎng)的精確誘導(dǎo)，減少了傳感器設(shè)置的復(fù)雜性和成本，使得該方案在更大范圍內(nèi)具有應(yīng)用可行性。

93、4.本發(fā)明的動態(tài)交通分配模型采用系統(tǒng)最優(yōu)的誘導(dǎo)策略，以最小化全路網(wǎng)的總出行時間為目標(biāo)，能夠有效緩解因事故引發(fā)的局部交通擁堵，并在短時間內(nèi)恢復(fù)整個交通系統(tǒng)的穩(wěn)定運(yùn)行，最大程度提高路網(wǎng)的整體通行效率。

94、5.本發(fā)明通過實(shí)時交通數(shù)據(jù)反饋不斷優(yōu)化交通誘導(dǎo)方案，能夠在交通狀況變化時迅速做出調(diào)整，確保誘導(dǎo)效果的實(shí)時性與適應(yīng)性，特別適用于事故后的應(yīng)急交通管理環(huán)境。