本發(fā)明涉及城市交通流車道級預(yù)測領(lǐng)域，具體涉及一種面向城市智能網(wǎng)聯(lián)混合交通流的車道級擁堵預(yù)測方法。

背景技術(shù)：

1、隨著智能網(wǎng)聯(lián)、自動駕駛技術(shù)的快速發(fā)展，常規(guī)車輛與智能網(wǎng)聯(lián)車輛共同組成的混合交通流將在未來長期存在。c-v2x車載終端設(shè)備與智能路側(cè)設(shè)備的多源感知融合為準(zhǔn)確、實時獲取車輛運行信息提供了支持。在全面采集城市混合交通流運行數(shù)據(jù)的基礎(chǔ)上，根據(jù)歷史交通信息和實時情況進(jìn)行交通流速度預(yù)測并確定交通運行狀態(tài)的未來變化趨勢，對于實現(xiàn)城市交通狀況的精準(zhǔn)管控、擁堵及時預(yù)防與快速緩解、道路服務(wù)水平和運行效率的提升具有重要意義。

2、現(xiàn)有的擁堵趨勢分析與交通流車道級預(yù)測技術(shù)大多采用時間序列分析、概率統(tǒng)計方法和機(jī)器學(xué)習(xí)算法，通過捕捉交通流參數(shù)時間序列變化的不確定性和復(fù)雜特征進(jìn)行交通狀態(tài)推演建模，從而進(jìn)行特定場景下的交通流預(yù)測。例如專利202010262372.7采用lstm對同一路段不同車道斷面的相關(guān)關(guān)系進(jìn)行預(yù)測；專利202110114317.8通過搭建內(nèi)嵌時空注意力模塊的神經(jīng)網(wǎng)絡(luò)，將交通流預(yù)測精度提升至車道級；專利202410397699.3基于機(jī)器學(xué)習(xí)方法建模預(yù)測未來各車道的沖突風(fēng)險；專利201710065260.0通過引入車輛風(fēng)險閾值，考慮了其對駕駛行為的影響，實現(xiàn)了對交通流車道級排隊長度和平均速度的預(yù)測。然而現(xiàn)有研技術(shù)忽視了微觀車輛運動差異時空分布與交通狀態(tài)變化之間存在的遲滯效應(yīng)，并且基于機(jī)器學(xué)習(xí)的技術(shù)需要大量歷史數(shù)據(jù)進(jìn)行交通流參數(shù)特征提取與模型訓(xùn)練。此外，在實際應(yīng)用中除了需要預(yù)測交通流平均速度，對擁堵趨勢變化關(guān)鍵時間節(jié)點進(jìn)行預(yù)測也不可或缺。

3、基于上述背景，亟需設(shè)計面向智能網(wǎng)聯(lián)混合交通流的車道級擁堵預(yù)測方法，建模表達(dá)路段各車道微觀車輛運動狀態(tài)變化對目標(biāo)車道速度與擁堵演變過程的影響，將采集到的實時交通流數(shù)據(jù)作為模型輸入，輸出擁堵趨勢與交通流平均速度的預(yù)測結(jié)果，從而達(dá)到預(yù)防和緩解擁堵的目的。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題在于針對已有技術(shù)的不足，提出一種面向城市智能網(wǎng)聯(lián)混合交通流的車道級擁堵預(yù)測方法，實現(xiàn)對擁堵變化開始時刻及該時刻混合交通流平均速度的精準(zhǔn)預(yù)測，為城市交通流車道級預(yù)測與交通流組織管控提供理論與技術(shù)支撐。

2、本發(fā)明是采用如下技術(shù)方案實現(xiàn)的，說明如下：

3、步驟一、獲取智能網(wǎng)聯(lián)車輛的瞬時位移與智能網(wǎng)聯(lián)車輛的瞬時速度；

4、以數(shù)據(jù)采集區(qū)域緊鄰的下游交叉口停止線與道路中心線交點為原點、擬進(jìn)行擁堵預(yù)測的行車方向為x軸正方向、沿x軸正方向逆時針旋轉(zhuǎn)90度為y軸正方向建立坐標(biāo)系；

5、通過車載或路測設(shè)備采集與t為數(shù)據(jù)獲取時刻，a為在t時刻經(jīng)過數(shù)據(jù)采集區(qū)域的智能網(wǎng)聯(lián)車輛編號，a＝1，2，…，m(t)，m(t)為在t時刻經(jīng)過數(shù)據(jù)采集區(qū)域的智能網(wǎng)聯(lián)車輛數(shù)，為在t時刻智能網(wǎng)聯(lián)車輛a的瞬時位移，包括兩部分，其中為t時刻智能網(wǎng)聯(lián)車輛a的瞬時位移橫坐標(biāo)，為t時刻智能網(wǎng)聯(lián)車輛a的瞬時位移縱坐標(biāo)，為在t時刻智能網(wǎng)聯(lián)車輛a的瞬時速度；

6、步驟二、測算非智能網(wǎng)聯(lián)車輛的瞬時位移與非智能網(wǎng)聯(lián)車輛的瞬時速度；

7、b為在t時刻經(jīng)過數(shù)據(jù)采集區(qū)域的非智能網(wǎng)聯(lián)車輛編號，b＝1，2，…，n(t)，n(t)為在t時刻經(jīng)過數(shù)據(jù)采集區(qū)域的非智能網(wǎng)聯(lián)車輛數(shù)，為在t時刻非智能網(wǎng)聯(lián)車輛b的瞬時位移，包括兩部分，其中為t時刻非智能網(wǎng)聯(lián)車輛b的瞬時位移橫坐標(biāo)，為t時刻非智能網(wǎng)聯(lián)車輛b的瞬時位移縱坐標(biāo)，為在t時刻非智能網(wǎng)聯(lián)車輛b的瞬時速度；

8、對于在智能網(wǎng)聯(lián)車輛感知范圍內(nèi)的非智能網(wǎng)聯(lián)車輛，通過車載或路測設(shè)備采集與對于不在智能網(wǎng)聯(lián)車輛感知范圍內(nèi)的非智能網(wǎng)聯(lián)車輛，根據(jù)前后近鄰的智能網(wǎng)聯(lián)車輛的瞬時位移與前后近鄰的智能網(wǎng)聯(lián)車輛的瞬時速度估算與

9、

10、其中，為與q(t)及q(t)有關(guān)的函數(shù)，為與q(t)及q(t)有關(guān)的函數(shù)，為q(t)、q(t)、q′(t)及q′(t)有關(guān)的函數(shù)；在t時刻，編號為b的非智能網(wǎng)聯(lián)車輛前后相鄰的智能網(wǎng)聯(lián)車輛編號分別為af與ar，編號為b的非智能網(wǎng)聯(lián)車輛左右相鄰的智能網(wǎng)聯(lián)車輛編號分別為af′與ar′；在t時刻，沿x軸方向上，智能網(wǎng)聯(lián)車輛af與智能網(wǎng)聯(lián)車輛ar之間的非智能網(wǎng)聯(lián)車輛數(shù)目為q(t)，非智能網(wǎng)聯(lián)車輛b為與智能網(wǎng)聯(lián)車輛ar近鄰的第q(t)輛非智能網(wǎng)聯(lián)車輛；在t時刻，沿y軸方向上，智能網(wǎng)聯(lián)車輛af′與智能網(wǎng)聯(lián)車輛ar′之間的非智能網(wǎng)聯(lián)車輛數(shù)目為q′(t)，非智能網(wǎng)聯(lián)車輛b為與智能網(wǎng)聯(lián)車輛ar′近鄰的第q′(t)輛非智能網(wǎng)聯(lián)車輛；為t時刻智能網(wǎng)聯(lián)車輛ar的瞬時速度，為t時刻智能網(wǎng)聯(lián)車輛ar的瞬時位移橫坐標(biāo)，為t時刻智能網(wǎng)聯(lián)車輛ar的瞬時位移縱坐標(biāo)；為t時刻智能網(wǎng)聯(lián)車輛af的瞬時速度，為t時刻智能網(wǎng)聯(lián)車輛af的瞬時位移橫坐標(biāo)，為t時刻智能網(wǎng)聯(lián)車輛af的瞬時位移縱坐標(biāo)，為t時刻智能網(wǎng)聯(lián)車輛ar′的瞬時速度，為t時刻智能網(wǎng)聯(lián)車輛af′的瞬時速度；

11、步驟三、計算目標(biāo)車道上混合交通流平均速度

12、為t時刻目標(biāo)車道上所有智能網(wǎng)聯(lián)車輛瞬時速度與所有非智能網(wǎng)聯(lián)車輛瞬時速度的平均值：

13、

14、a(t)為t時刻目標(biāo)車道上混合交通流車輛數(shù)，即目標(biāo)車道上所有智能網(wǎng)聯(lián)車輛數(shù)m′(t)與所有非智能網(wǎng)聯(lián)車輛數(shù)n′(t)之和，a(t)＝m′(t)+n′(t)；

15、步驟四、搜尋目標(biāo)車道上混合交通流平均速度時間序列特征點；

16、混合交通流平均速度時間序列特征點共計4類，分別定為擁堵形成起點t1′(t)、擁堵形成終點t2′(t)、擁堵消散起點t3′(t)與擁堵消散終點t4′(t)；在搜尋時，這4類混合交通流平均速度時間序列特征點時符合以下數(shù)學(xué)特征：

17、(1)擁堵形成起點t1′(t)為由高速波動轉(zhuǎn)向單調(diào)下降的極大值點對應(yīng)的時刻，其中高速波動的范圍為不低于40km/h；

18、(2)擁堵形成終點t2′(t)為由單調(diào)下降轉(zhuǎn)向低速波動的極小值點對應(yīng)的時刻，其中低速波動的范圍為不超過30km/h；

19、(3)擁堵消散起點t3′(t)為由低速波動轉(zhuǎn)向單調(diào)上升的極小值點對應(yīng)的時刻；

20、(4)擁堵消散終點t4′(t)為由單調(diào)上升轉(zhuǎn)向高速波動的極大值點對應(yīng)的時刻；

21、步驟五、計算目標(biāo)車道上混合交通流總紊亂并搜尋混合交通流總紊亂時間序列特征點；

22、數(shù)據(jù)采集區(qū)域長度為l，擬進(jìn)行擁堵預(yù)測的行車方向上的車道數(shù)為z，待預(yù)測車道編號為z0；將數(shù)據(jù)采集區(qū)域劃分為z乘k個相同大小的道路格子，計算t時刻目標(biāo)車道上混合交通流總紊亂es(t)：

23、

24、其中，z為道路格子沿y軸方向上的編號，z＝1，2，…，z，k為道路格子沿x軸方向上的編號，k＝1，2，…，k，k為單條車道上的道路格子總數(shù)，ec(z，k，t)為t時刻道路格子(z，k)上的混合交通流紊亂，es(z0，t)為t時刻目標(biāo)車道上混合交通流總紊亂，i為車輛編號，dz,k,i(t)為t時刻車輛i幾何中心到編號為(z，k)的道路格子幾何中心的距離，為t時刻數(shù)據(jù)采集區(qū)域混合交通流平均車間距，vi(t)cosδi與vj(t)cosδj分別為t時刻車輛i與車輛j沿方向的分速度，vi(t)sinδi與vj(t)sinδj分別為t時刻車輛i與車輛j垂直于方向的分速度，為t時刻車輛i與車輛j沿方向的分位移差，g表示車輛類型，g∈{i，n}，為t時刻車輛i與車輛j垂直方向的分位移差；

25、混合交通流總紊亂時間序列特征點共計4類，分別為對應(yīng)擁堵形成的混合交通流總紊亂增大起點t1(t)、對應(yīng)擁堵形成的混合交通流總紊亂增大終點t2(t)、對應(yīng)擁堵消散的混合交通流總紊亂增大起點t3(t)與對應(yīng)擁堵消散的混合交通流總紊亂增大終點t4(t)；在搜尋時，這4類混合交通流總紊亂時間序列特征點時符合以下數(shù)學(xué)特征：

26、(1)對應(yīng)擁堵形成的混合交通流總紊亂增大起點t1(t)為擁堵形成階段es(z0，t)由在低值波動開始轉(zhuǎn)向顯著增大的轉(zhuǎn)折點對應(yīng)的時刻，其中在低值波動的范圍為不超過300；

27、(2)對應(yīng)擁堵形成的混合交通流總紊亂增大終點t2(t)為擁堵形成階段es(z0，t)結(jié)束顯著增大并轉(zhuǎn)向在低值波動的轉(zhuǎn)折點對應(yīng)的時刻；

28、(3)對應(yīng)擁堵消散的混合交通流總紊亂增大起點t3(t)為擁堵消散階段es(z0，t)由在低值波動開始轉(zhuǎn)向顯著增大的轉(zhuǎn)折點對應(yīng)的時刻；

29、(4)對應(yīng)擁堵消散的混合交通流總紊亂增大終點t4(t)為擁堵消散階段es(z0，t)結(jié)束顯著增大并轉(zhuǎn)向在低值波動的轉(zhuǎn)折點對應(yīng)的時刻；

30、步驟六、預(yù)測目標(biāo)車道單次擁堵變化的結(jié)束時刻ta′與ta′時刻的混合交通流平均速度

31、

32、es(z0，t)變化開始時刻tp包括t1(t)與t3(t)；es(z0，t)變化結(jié)束時刻ta包括t2(t)與t4(t)；目標(biāo)車道擁堵變化開始時刻tp′包括t1′(t)與t3′(t)；目標(biāo)車道擁堵變化結(jié)束時刻ta′包括t2′(t)與t4′(t)；

33、擁堵變化開始時刻對應(yīng)的混合交通流平均速度包括擁堵形成起點對應(yīng)的混合交通流平均速度與擁堵消散起點對應(yīng)的混合交通流平均速度擁堵變化結(jié)束時刻對應(yīng)的混合交通流平均速度包括擁堵形成終點對應(yīng)的混合交通流平均速度與擁堵消散終點對應(yīng)的混合交通流平均速度

34、通過觀測tp、tp′、ta、及計算各時刻es(t)求解t2′(t)與t4′(t)：

35、

36、

37、其中cw與cw′為多項式系數(shù)，w＝1，2，3，4；△es(z0，t)為t時刻es(z0，t)相較于上一時刻的變化量，△es(z0，t)＝es(z0，t)-es(z0，t-1)；s為混合交通流平均速度在單調(diào)區(qū)間[tp′，ta′]上的斜率。

38、進(jìn)一步地，所述步驟一中的數(shù)據(jù)采集區(qū)域長度不小于50米，寬度為擬進(jìn)行擁堵預(yù)測的行車方向上的所有z條車道，數(shù)據(jù)獲取時刻t與上一時刻t-1之間的時間間隔不超過2秒。

39、進(jìn)一步地，所述步驟二中根據(jù)q(t)、q(t)、q′(t)及q′(t)測算與的具體方法為：

40、

41、進(jìn)一步地，所述步驟六中的s近似等于混合交通流平均速度在單調(diào)區(qū)間[tp′，ta]上的斜率，即

42、與現(xiàn)有技術(shù)相比，本發(fā)明所述的一種面向城市智能網(wǎng)聯(lián)混合交通流的車道級擁堵預(yù)測方法的有益效果是：

43、(1)所述方法考慮了微觀車輛間運動狀態(tài)差異的時空傳遞對宏觀交通流擁堵發(fā)展過程的影響，建立了單車道混合交通流平均速度時間序列與單車道混合交通流總紊亂時間序列的多項式關(guān)系模型，模型輸入為采集與測算得到的智能網(wǎng)聯(lián)車輛與智能網(wǎng)聯(lián)車輛的實時軌跡信息，無需大量歷史交通數(shù)據(jù)進(jìn)行模型訓(xùn)練或標(biāo)定，實現(xiàn)了對擁堵形成終點時刻與擁堵消散終點時刻的預(yù)測，并輸出擁堵變化終點時刻的交通流平均速度預(yù)測值，將預(yù)測精度提升至車道級，為車輛路徑誘導(dǎo)、交通流組織管控與擁堵預(yù)防疏散提供決策依據(jù)與技術(shù)支持；

44、(2)所述方法通過路測設(shè)備與智能網(wǎng)聯(lián)車輛車載設(shè)備(包括但不限于攝像頭、毫米波雷達(dá)、激光雷達(dá)、超聲波傳感器等)采集智能網(wǎng)聯(lián)車輛以及在智能網(wǎng)聯(lián)車輛感知范圍內(nèi)的非智能網(wǎng)聯(lián)車輛的瞬時速度與瞬時位移；對于不在智能網(wǎng)聯(lián)車輛感知范圍內(nèi)的非智能網(wǎng)聯(lián)車輛，根據(jù)其與前后近鄰的智能網(wǎng)聯(lián)車輛的相對位置關(guān)系實現(xiàn)對非智能網(wǎng)聯(lián)車輛瞬時位移與瞬時速度的估算，實現(xiàn)了對混合交通流運行參數(shù)的實時采集，無需滿足高道路檢測器覆蓋率的要求，降低了數(shù)據(jù)獲取成本。