本發(fā)明涉及一種瓶頸上游車道級交通狀態(tài)預測系統(tǒng)及實現(xiàn)方法，屬于動態(tài)交通預測智能管理
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：路段交通狀態(tài)估計與預測是智能交通系統(tǒng)的重要組成部分，也是動態(tài)交通管理決策和出行決策的重要信息基礎(chǔ)。實時準確的交通狀態(tài)預測，可以為交通管理部門的動態(tài)管理、實時誘導、信息發(fā)布提供支撐，也是路段行程時間預測的基礎(chǔ)，對于動態(tài)交通管理決策與出行決策具有重要的現(xiàn)實意義。目前對路段交通狀態(tài)預測的研究，根據(jù)其原理，主要分以下3類：①基于傳統(tǒng)的數(shù)學和物理模型的數(shù)理統(tǒng)計分析方法；②人工智能分析方法；③基于交通仿真的方法。其中第①類方法主要有基于時間序列模型、參數(shù)回歸模型、指數(shù)平滑模型等；第②類方法主要包括狀態(tài)空間重構(gòu)模型，神經(jīng)網(wǎng)絡(luò)模型、小波理論等；第③類方法主要包括微觀仿真和宏觀仿真，如元胞自動機模型、CTM模型以及一些成熟的仿真軟件VISSIM等。根據(jù)其研究對象的不同，可以分為快速路的行程時間預測和城市道路的行程時間預測。但總體來說，以往研究主要是針對常規(guī)路段的，即針對在空間上和時間上都較為連續(xù)的交通流。但對于快速路來說，瓶頸處的交通狀態(tài)通常對整個快速路的運行帶來決定影響。瓶頸通?？梢苑譃槌０l(fā)性瓶頸(上下匝道等合流區(qū)、分流區(qū)或交織區(qū))和偶發(fā)性瓶頸(交通事件等引起的車道關(guān)閉)。美國聯(lián)邦公路署統(tǒng)計表明，快速路上超過70％的交通擁堵是由交通事故所導致，而交通事件所引起的擁堵占上?？焖俾房倱矶碌?0％～75％，如果計入上匝道合流區(qū)等常發(fā)性瓶頸所引發(fā)的擁堵，這一數(shù)字還會更高。因此，瓶頸處的交通狀態(tài)預測具有非常重要的意義。但是，當前的交通狀態(tài)預測方法未能體現(xiàn)出瓶頸處交通流運行的特點。對①基于傳統(tǒng)的數(shù)學和物理模型的數(shù)理統(tǒng)計分析方法；②人工智能分析方法來說，更是如此。這兩類方法嚴重依賴于歷史交通流量數(shù)據(jù)或者是上下游的交通參數(shù)，對于交通流在時空上連續(xù)的基本路段，這些方法是合適的，但是瓶頸處，特別是偶發(fā)性瓶頸，由于交通條件的變化(部分車道因交通事件而關(guān)閉)，交通狀態(tài)通常會發(fā)生突變，歷史流量數(shù)據(jù)等不再有參考意義，因此，以上兩類方法不再適合。相對來講，仿真的方法或者是排隊論、波動理論，都能反映瓶頸處的車道變化帶來的影響，但這些方法都忽略了瓶頸處的另外一個關(guān)鍵特性，即由于部分車道在瓶頸處關(guān)閉，造成瓶頸上游不同車道在合流時所具備的優(yōu)勢不同，進而會影響駕駛員的車道選擇，這種車道選擇行為對瓶頸上游交通狀態(tài)的演化具有非常重要的影響。但當前的仿真模型以及排隊論和波動理論中，都未計入這一影響，從而一定程度上降低了交通狀態(tài)預測的準確性。雖然這些信息對道路使用者來說，精度基本可以滿足要求(對于駕駛員來說，通常只需要知道前面擁堵與否，與通過的大致時間)。但是，對于道路管理者來說，其控制和管理的效果則嚴重依賴于交通狀態(tài)預測結(jié)果的準確程度，粒度粗細。因此，有必要針對瓶頸處的交通特點，建立更為準確，粒度更細的模型，從而可以為交通管理部門提供準確的交通狀態(tài)預測，為其動態(tài)控制，智能誘導、高效管理和快速決策提供理論和技術(shù)支撐。本發(fā)明的目的是提供一種瓶頸上游車道級交通狀態(tài)預測系統(tǒng)及其實現(xiàn)方法，這種交通狀態(tài)預測系統(tǒng)一方面可以體現(xiàn)瓶頸處交通狀態(tài)的突變特性，更重要的，可以反映瓶頸處合流對上游駕駛行為的影響，并通過合流模型和車道選擇模型反映這一影響，從而提高瓶頸上游交通狀態(tài)預測的精確程度。技術(shù)實現(xiàn)要素：本發(fā)明公開了一種瓶頸上游車道級交通狀態(tài)預測系統(tǒng)及實現(xiàn)方法，其目的在于克服現(xiàn)有的預測系統(tǒng)方法存在的只把歷史交通參數(shù)作為預測依據(jù)，而忽略了瓶頸處車道關(guān)閉對駕駛行為和通行能力造成的影響，導致交通狀態(tài)預測值粒度過粗且準確度不足等缺陷。本發(fā)明技術(shù)方案構(gòu)思：通過信息采集得到瓶頸上游交通流的初始分布和流量，基于合流模型(本發(fā)明創(chuàng)新點)得到不同車道在合流處的通行能力，通過車道選擇模型(本發(fā)明創(chuàng)新點)，得到不同駕駛傾向的車輛在瓶頸上游的車道選擇，進而通過換道操作來執(zhí)行車道選擇結(jié)果，最終得到下一時刻不同車道上的車輛分布，通過不斷反饋迭代，可以得到任意時刻瓶頸上游不同車道的交通狀態(tài)，不僅大大提高了交通狀態(tài)預測的準確程度，而且將預測的精度提升至車道級，為道路管理者的合理決策和高效管理提供有效支持，并為道路使用者提供更為準確的出行信息，。本發(fā)明技術(shù)方案是這樣實現(xiàn)的：一種瓶頸上游車道級交通狀態(tài)預測系統(tǒng)，包括信息采集模塊、處理模塊、發(fā)布模塊以及傳輸模塊；所述信息采集模塊包括信息采集單元與第一存儲單元，用于采集和儲存信息；所述第一存儲單元耦接信息采集單元；信息采集單元采集信息包括車輛通過檢測器所對應(yīng)的時刻和該時刻的車輛行駛速度信息；所述處理模塊包括狀態(tài)分布預測單元、合流模型單元、車道選擇模型單元、跟馳和換道單元；所述的狀態(tài)分布預測單元，接受信息采集單元信息，根據(jù)車輛通過檢測器的時間信息、檢測器位置信息和車輛速度信息，確定上游到達車輛的初始分布狀態(tài)及速度，同時確定出道路交通流量信息；基于車輛初始分布狀態(tài)和合流模型單元，得到車輛選擇不同車道所需通過合流點的時間；通過車道選擇模型，結(jié)合選擇不同車道的時間收益，確定不同車輛的車道選擇；做出車道選擇后，執(zhí)行跟馳和換道操作，從而得到新的車道級交通流狀態(tài)分布信息；通過該處理模塊最終得到任意時刻，瓶頸上游交通流的實時狀態(tài)；所述發(fā)布模塊，包括信息發(fā)布終端與第二存儲單元，所述信息發(fā)布終端耦接第二存儲單元，將上述步驟得到的車道級交通流狀態(tài)信息儲存于第二存儲單元，通過信息發(fā)布終端發(fā)布；所述傳輸模塊用于在采集模塊、處理模塊以及發(fā)布模塊之間數(shù)據(jù)傳輸。一種瓶頸上游車道級交通狀態(tài)預測系統(tǒng)的實現(xiàn)方法，具體步驟如下：步驟1、采集階段：車道下方布置檢測器，用于測得車道內(nèi)的每輛車通過檢測器所對應(yīng)的時刻和速度，記瓶頸合流點與該合流點上游檢測器之間的距離為L，瓶頸上游存在若干車道并在瓶頸處合并，相鄰車道間，記車道1上第j輛車通過該車道檢測器的時刻為其速度為記車道2上第k輛車通過該車道檢測器的時刻為其速度為并儲存于第一存儲模塊；步驟2、數(shù)據(jù)預處理：對第一存儲模塊數(shù)據(jù)進行預處理(本領(lǐng)域?qū)儆诔Ｒ?guī)技術(shù)，常規(guī)技術(shù)操作)，并由步驟1所獲得的車輛通過檢測器的時刻和速度信息，計算得到車輛之間的車頭時距，及任意時刻車道1或2上通過檢測器的流量，設(shè)車道1上第j輛車的車頭時距為：時刻車道1上的流量為同理可得到車道2上車輛的車頭時距和流量；步驟3、計算瓶頸上游交通流在ti時刻的初始狀態(tài)信息：設(shè)ti時刻為交通狀態(tài)預測的關(guān)鍵時刻，所述關(guān)鍵時刻是指偶發(fā)性瓶頸形成的時刻或是常發(fā)性瓶頸因為流量增加而馬上形成擁堵的時刻，這一時刻的初始狀態(tài)是下一步計算的基礎(chǔ)，具體計算方法為：車道1上第j輛車的與檢測器的距離：車道2上第k輛車的與檢測器的距離：因假設(shè)瓶頸在ti時刻才發(fā)生作用，因此交通流在ti時刻前仍然為自由流，即車輛的速度不變，仍然為其通過檢測器時的速度。由此步驟3可以得到ti時刻交通流的初始分布信息，即包括每輛車在ti時刻的位置和速度。步驟4、風險閾值賦值：采用風險閾值來代表車輛的駕駛傾向，記為車道2上車輛k的風險閾值,為為車道1上車輛j的風險閾值；根據(jù)步驟3確定的ti時刻交通流的初始分布信息(每輛車的速度)，在ti時刻前，交通流都是自由流，不存在跟馳，用車輛在通過檢測器時的速度來表征駕駛傾向，駕駛速度越快的駕駛員，其駕駛侵略性越強，相應(yīng)的，其風險閾值就越低，構(gòu)建風險閾值和車輛自由流速度的函數(shù)如下：同理，有其中，a為該地區(qū)的駕駛員平均風險閾值，由離線的調(diào)查獲得；b為該路段的平均自由流車速，由歷史數(shù)據(jù)獲得；根據(jù)步驟1檢測器采集所得到的車輛速度計算得到每輛車的風險閾值。步驟5、推算駕駛員的車道選擇5.1根據(jù)瓶頸點處不同車道在合流過程中的車道優(yōu)勢系數(shù)和車輛的風險偏好，依據(jù)合流模型得到相鄰不同車道上不同風險偏好車輛通過合流點的概率；所述“車道優(yōu)勢系數(shù)”來表征在合流點處車道間的差異；所述合流模型：其中,為車道1上車輛j可以通過合流點的概率；車道2上車輛k可以通過合流點的概率,τ為車道優(yōu)勢系數(shù)，代表不同車道在合流點的優(yōu)先程度.5.2、獲得車道選擇模型:首先根據(jù)步驟5.1確定合流點處不同車道上車輛的合流概率，確定當前時刻不同車道的通行能力；其次，確定不同車道上特定車輛與合流點之間的車輛數(shù)；由此可以計算出車輛選擇不同車道通過合流點所需要花費的時間；最終通過比較時間收益(選擇不同車道通過合流點所花費的時間差)和車輛自身的風險閾值，構(gòu)建車道選擇模型用于確定車道選擇結(jié)果。步驟6、換道執(zhí)行：依據(jù)步驟5獲得的車道選擇模型確定車輛進行車道選擇，即判斷自己當前所處車道和目標車道，產(chǎn)生換道與否的動機。若不需換道，則保持在當前車道跟馳，進入步驟7；若需換道，進入步驟6，則根據(jù)已有的換道模型，判斷是否可以執(zhí)行換道操作，若可以換道，則進行換道，若不滿足換道條件，則保持在當前車道跟馳，也進入步驟7。步驟7、交通流在任意時刻的交通狀態(tài)根據(jù)交通流在ti時刻的初始交通狀態(tài)，通過執(zhí)行步驟5和步驟6，可以得到ti+1時刻的交通狀態(tài)，將這一狀態(tài)作為下一時刻的初始狀態(tài)，回到步驟5，不斷迭代，最終可以得到不同車道在任意時刻的交通狀態(tài)；步驟8、信息發(fā)布，根據(jù)步驟7得到的車輛任一時刻的位置和速度信息，得到每條車道的排隊長度和平均行駛速度這類交通狀態(tài),發(fā)布于信息發(fā)布終端。步驟5.2中，構(gòu)建車道選擇模型，具體步驟如下：設(shè)q2為車道2在合流點處的通行能力，q1為車道1在合流點處的通行能力，則根據(jù)步驟5.1計算獲得的不同風險偏好車輛通過合流點的概率，可得到每一時刻每個車道的通行能力：設(shè)為車道2上從車輛k到合流點之間排隊的車輛數(shù),為車道1上在車輛j前面排隊的車輛數(shù)，C為單車道的通行能力，單位為輛/小時，建議C取值為1800輛/小時。根據(jù)步驟3所得的距離，判斷離瓶頸上游最近車輛的序號，與當前車輛序號相減，即可得到當前車輛與瓶頸合流點之間的車輛數(shù)。具體計算方法為，ti時刻，車道2上第m輛車與檢測器的距離為而當即第m-1輛車剛好試過瓶頸合流點，而第m輛車未駛過合流點時，即可確定第m輛車為合流點上游離合流點最近的車輛，則第k輛車與合流點之間的車輛數(shù)為：同理亦可得到車道1上第j輛車與瓶頸合流點之間的車輛數(shù)為：其中，r為車道1上合流點上游離合流點最近車輛的序號。在確定不同車道的通行能力和前方車輛數(shù)后，可以得到駕駛員選擇車道2(在瓶頸處關(guān)閉的車道)的時間收益函數(shù)，記為T，則：最終獲得車道選擇模型，即：本發(fā)明的優(yōu)點和積極效果：本發(fā)明提出的瓶頸上游車道級交通狀態(tài)預測系統(tǒng)及實現(xiàn)方法。以往交通狀態(tài)預測方法多針對基本路段，且嚴重依賴于歷史數(shù)據(jù)，忽略了瓶頸處車道關(guān)閉對駕駛行為和通行能力造成的影響，導致交通狀態(tài)預測值粒度過粗且準確度不足。本發(fā)明方法通過引入車輛風險閾值將駕駛心理和行為的影響計入，并基于車輛風險閾值，提出新的合流模型和車道選擇模型，再現(xiàn)瓶頸上游車道優(yōu)勢的不同對駕駛行為的影響。從而可大大提高交通狀態(tài)預測的準確程度，將預測的精度提升至車道級，為交通管理者的動態(tài)控制，智能誘導、高效管理和快速決策提供理論和技術(shù)支持，并為道路使用者提供更為準確的出行信息。。附圖說明圖1為本發(fā)明瓶頸上游車道級交通狀態(tài)間預測系統(tǒng)結(jié)構(gòu)示意圖；圖2為本發(fā)明瓶頸上游車道級交通狀態(tài)預測系統(tǒng)實現(xiàn)方法的流程圖；圖3為瓶頸上游車道分布示意圖。具體實施方式以下結(jié)合附圖和實施例對本發(fā)明技術(shù)內(nèi)容作進一步詳細描述，但實施例并不用于限制本發(fā)明，凡是采用本發(fā)明的相似方法及其相似變化，均應(yīng)列入本發(fā)明的保護范圍。實施例1(理論依據(jù))如圖1所示，給出的瓶頸上游車道級交通狀態(tài)預測系統(tǒng)，包括信息采集模塊、處理模塊、發(fā)布模塊以及傳輸模塊；所述信息采集模塊包括信息采集單元與第一存儲單元，用于采集和儲存信息；所述第一存儲單元耦接信息采集單元；信息采集單元采集信息包括車輛通過檢測器所對應(yīng)的時刻和該時刻的車輛行駛速度信息；所述處理模塊包括狀態(tài)分布預測單元、合流模型單元、車道選擇模型單元、跟馳和換道單元；所述的狀態(tài)分布預測單元，接受信息采集單元信息，根據(jù)車輛通過檢測器的時間信息、檢測器位置信息和車輛速度信息，確定上游到達車輛的初始分布狀態(tài)及速度，同時確定出道路交通流量信息；基于車輛初始分布狀態(tài)和合流模型單元，得到車輛選擇不同車道所需通過合流點的時間；通過車道選擇模型，結(jié)合選擇不同車道的時間收益，確定不同車輛的車道選擇；做出車道選擇后，執(zhí)行跟馳和換道操作，從而得到新的車道級交通流狀態(tài)分布信息；通過該處理模塊最終得到任意時刻，瓶頸上游交通流的實時狀態(tài)；所述發(fā)布模塊，包括信息發(fā)布終端與第二存儲單元，所述信息發(fā)布終端耦接第二存儲單元，將上述步驟得到的車道級交通流狀態(tài)信息儲存于第二存儲單元，通過信息發(fā)布終端發(fā)布；所述傳輸模塊用于在采集模塊、處理模塊以及發(fā)布模塊之間數(shù)據(jù)傳輸。如圖2所示，瓶頸上游車道級交通狀態(tài)預測系統(tǒng)的實現(xiàn)方法，具體步驟如下：步驟1、采集階段：在常發(fā)性瓶頸(合流區(qū)、交織區(qū)等)上游一定距離處，每車道下方都布置一組檢測器；對偶發(fā)性瓶頸(交通事件引發(fā)的瓶頸)，則直接采用常規(guī)布置的檢測器(目前上?？焖俾飞希瑱z測器之間的平均距離約為500米，因此偶發(fā)性瓶頸一旦形成，可以保證其與上游的檢測器距離不超過500米)。車道下方布置檢測器，用于測得車道內(nèi)的每輛車通過檢測器所對應(yīng)的時刻和速度，記瓶頸合流點與該合流點上游檢測器之間的距離為L，以瓶頸上游存在兩條車道，并在瓶頸處合并為一條為例，如圖3所示，記車道1上第j輛車通過該車道檢測器的時刻為其速度為記車道2上第k輛車通過該車道檢測器的時刻為其速度為并儲存于第一存儲模塊；步驟2、數(shù)據(jù)預處理：對第一存儲模塊數(shù)據(jù)進行預處理，剔除明顯錯誤和異常數(shù)據(jù)，并由步驟1所獲得的車輛通過檢測器的時刻和速度信息，計算得到車輛之間的車頭時距，及任意時刻車道1或2上通過檢測器的流量，設(shè)車道1上第j輛車的車頭時距為：時刻車道1上的流量為同理可得到車道2上車輛的車頭時距和流量；步驟3、計算瓶頸上游交通流在ti時刻的初始狀態(tài)信息：設(shè)ti時刻為交通狀態(tài)預測的關(guān)鍵時刻，所述關(guān)鍵時刻是指偶發(fā)性瓶頸形成的時刻或是常發(fā)性瓶頸因為流量增加而馬上形成擁堵的時刻，這一時刻的初始狀態(tài)是下一步計算的基礎(chǔ)，具體計算方法為：車道1上第j輛車的與檢測器的距離：車道2上第k輛車的與檢測器的距離：因假設(shè)瓶頸在ti時刻才發(fā)生作用，因此交通流在ti時刻前仍然為自由流，即車輛的速度不變，仍然為其通過檢測器時的速度。由此步驟3可以得到ti時刻交通流的初始分布信息，即包括每輛車在ti時刻的位置和速度。步驟4、風險閾值賦值：本發(fā)明的創(chuàng)新之處在于，首次提出了考慮駕駛員駕駛傾向的合流模型和車道選擇模型，從而可捕捉瓶頸處特殊的車道利用規(guī)則及其對駕駛員心理的影響。針對駕駛員駕駛傾向的不同，本發(fā)明又提出“風險閾值”，對車輛進行風險閾值賦值。眾所周知，駕駛員的駕駛傾向不盡相同，有的駕駛員較為保守，而有的則較為激進，侵略性強。實際上，即使同一個駕駛員，其駕駛傾向的外在體現(xiàn)也會發(fā)生變化，比如，當插隊可以節(jié)省1個小時甚至更高的時候，原本遵守規(guī)矩的駕駛員也可能去插隊。因此，駕駛員的駕駛傾向可以用一個時間參數(shù)來表征，只有當其獲得的時間收益超過這個時間參數(shù)時，他才會采取較為激進的駕駛行為，駕駛員都會做出侵略性駕駛行為，如插隊等，不同駕駛員之間的區(qū)別只在于，保守的駕駛員只有在獲得較大時間收益的誘惑下，才會進行侵略性駕駛行為；而侵略性的駕駛員則可能為了很小的時間收益就會作出侵略性駕駛行為。為此，本發(fā)明引入風險閾值來代表車輛的駕駛傾向，記為車道2上車輛k的風險閾值,為為車道1上車輛j的風險閾值。本發(fā)明所述的風險閾值代表了每輛車的駕駛傾向，即時間收益超過風險閾值時，這輛車的駕駛員就會做出冒險的駕駛行為，如強行插隊等，因此，風險閾值越低，駕駛員侵略性越強。駕駛員的“侵略性”在自由流時體現(xiàn)為較快的速度，在擁堵的時候則體現(xiàn)為緊密的跟馳行為，根據(jù)步驟3確定的ti時刻交通流的初始分布信息(每輛車的速度)，在ti時刻前，交通流都是自由流，不存在跟馳，因此，可以用車輛在通過檢測器時的速度來表征駕駛傾向，駕駛速度越快的駕駛員，其駕駛侵略性越強，相應(yīng)的，其風險閾值就越低，基于以上分析，本發(fā)明建立風險閾值和車輛自由流速度的函數(shù)如下：同理，有其中，a為該地區(qū)的駕駛員平均風險閾值，可以由離線的調(diào)查獲得；b為該路段的平均自由流車速，可以由歷史數(shù)據(jù)獲得。由此，可以根據(jù)步驟1檢測器采集所得到的車輛速度，通過本步驟4得到每輛車的風險閾值。步驟5、推算駕駛員的車道選擇，即駕駛員比較自身的風險閾值和不同車道的時間收益，確定下一時刻應(yīng)該選擇的車道5.1確定不同車道上不同風險偏好車輛通過合流點的概率從圖3可以看出，在合流時，不同車道上的車輛優(yōu)勢不同，車道2在合流點處關(guān)閉，車道2上的車輛必須要換道到車道1，而車道1在合流點處仍然保留，因此，車道1上的車輛只需要保持跟馳。而且根據(jù)相關(guān)交通法規(guī)，在變道過程中發(fā)生交通事故，變道的車輛負全部責任?？梢?，在瓶頸處不同車道上的車輛的優(yōu)勢不同，為此，本發(fā)明引入“車道優(yōu)勢系數(shù)”來表征在合流點處車道間的差異，如對于車道1，只需要跟馳，則在合流時就存在這一優(yōu)勢系數(shù)，而車道2上的車輛，因為需要換道，則不存在優(yōu)勢系數(shù)。根據(jù)瓶頸點處不同車道在合流過程中的優(yōu)勢系數(shù)和車輛的風險偏好，依據(jù)合流模型得到不同車道上，不同風險偏好車輛通過合流點的概率；所述合流模型：其中,為車道1上車輛j可以通過合流點的概率；車道2上車輛k可以通過合流點的概率,τ為車道優(yōu)勢系數(shù)，代表不同車道在合流點的優(yōu)先程度.5.2、獲得車道選擇模型:本步驟首先根據(jù)步驟5.1確定合流點處不同車道上車輛的合流概率，確定當前時刻不同車道的通行能力；其次，確定不同車道上特定車輛與合流點之間的車輛數(shù)；由此可以計算出車輛選擇不同車道通過合流點所需要花費的時間；最終通過比較時間收益(選擇不同車道通過合流點所花費的時間差)和車輛自身的風險閾值，確定車道選擇結(jié)果。具體如下：設(shè)q2為車道2在合流點處的通行能力，q1為車道1在合流點處的通行能力，則根據(jù)步驟5.1計算獲得的不同風險偏好車輛通過合流點的概率，可得到每一時刻每個車道的通行能力：設(shè)為車道2上從車輛k到合流點之間排隊的車輛數(shù),為車道1上在車輛j前面排隊的車輛數(shù)，C為單車道的通行能力，單位為輛/小時，建議C取值為1800輛/小時。根據(jù)步驟3所得的距離，判斷離瓶頸上游最近車輛的序號，與當前車輛序號相減，即可得到當前車輛與瓶頸合流點之間的車輛數(shù)。具體計算方法為，ti時刻，車道2上第m輛車與檢測器的距離為而當即第m-1輛車剛好試過瓶頸合流點，而第m輛車未駛過合流點時，即可確定第m輛車為合流點上游離合流點最近的車輛，則第k輛車與合流點之間的車輛數(shù)為：同理亦可得到車道1上第j輛車與瓶頸合流點之間的車輛數(shù)為：其中，r為車道1上合流點上游離合流點最近的車輛的序號。在確定不同車道的通行能力和前方車輛數(shù)后，可以得到駕駛員選擇車道2(在瓶頸處關(guān)閉的車道)的時間收益函數(shù)，記為T，則：最終獲得車道選擇模型，即：步驟6、換道執(zhí)行：依據(jù)步驟5獲得的車道選擇模型確定車輛進行車道選擇，即判斷自己當前所處車道和目標車道，產(chǎn)生換道與否的動機。若不需換道，則保持在當前車道跟馳，進入步驟7；若需換道，進入步驟6，則根據(jù)已有的換道模型，判斷是否可以執(zhí)行換道操作，若可以換道，則進行換道，若不滿足換道條件，則保持在當前車道跟馳，也進入步驟7。步驟7、交通流在任意時刻的交通狀態(tài)根據(jù)交通流在ti時刻的初始交通狀態(tài)，通過執(zhí)行步驟5和步驟6，可以得到ti+1時刻的交通狀態(tài)，將這一狀態(tài)作為下一時刻的初始狀態(tài)，回到步驟5，不斷迭代，最終可以得到不同車道在任意時刻的交通狀態(tài)；步驟8、信息發(fā)布，根據(jù)步驟7得到的車輛任一時刻的位置和速度信息，得到每條車道的排隊長度和平均行駛速度這類交通狀態(tài),發(fā)布于信息發(fā)布終端。實施例2(應(yīng)用例)基于以上實施例1，進一步給出應(yīng)用實施例2.瓶頸上游車道級交通狀態(tài)預測系統(tǒng)結(jié)構(gòu)如圖1所示：包括信息采集模塊、處理模塊、發(fā)布模塊以及傳輸模塊。所述信息采集模塊包括信息采集單元與第一存儲單元，用于采集和儲存信息；所述第一存儲單元耦接信息采集單元。所述發(fā)布模塊，包括信息發(fā)布終端與第二存儲單元，所述信息發(fā)布終端耦接第二存儲單元，用于顯示所述路段行程時間、每條車道的排隊長度和平均速度等。所述傳輸模塊用于采集模塊、處理模塊以及發(fā)布模塊之間數(shù)據(jù)傳輸。瓶頸上游車道級交通狀態(tài)預測系統(tǒng)實現(xiàn)方法及流程如圖2所示。1、首先在固定瓶頸上游約300米處布設(shè)車輛檢測器，基本路段每隔一定距離(上?？焖俾飞蠙z測器的平均距離為500米)，這樣交通事件發(fā)生形成偶發(fā)性瓶頸時，可以保證瓶頸離其上游檢測器小于500米。檢測器可以用通常的線圈檢測器，每個車道布置一個。車輛檢測器要能夠檢測每輛車通過檢測器的時刻和速度，時刻精確至0.01秒，速度精確至0.01公里，檢測精度達到95％以上。車輛檢測器檢測到的交通參數(shù)數(shù)據(jù)格式為：檢測器所在車道車輛序號通過檢測器時刻通過檢測器的速度2、對初始交通數(shù)據(jù)進行預處理，主要是對失真交通數(shù)據(jù)進行糾正和對缺失交通數(shù)據(jù)進行補齊。并由第一步所獲得的車輛通過檢測器的時刻和速度信息，計算得到車輛之間的車頭時距，及任意時刻車道1或2上通過檢測器的流量，假設(shè)車道1上第10輛車通過檢測器的時刻為第20秒，第9輛車通過檢測器的時刻為第18秒，則第10輛車的車頭時距為(20-18)＝2秒，第20秒時，車道1上的流量為1/(20-18)＝0.5輛/秒＝1800輛/小時，同樣道理可以計算車道2上車輛的車頭時距和流量；3、計算瓶頸上游交通流在ti時刻的初始狀態(tài)，ti時刻為交通狀態(tài)預測的關(guān)鍵時刻，指偶發(fā)性瓶頸形成的時刻或是常發(fā)性瓶頸因為流量增加而馬上形成擁堵的時刻，這一時刻的初始狀態(tài)是下一步計算的基礎(chǔ)，仍假設(shè)車道1上第10輛車在第20秒通過檢測器，其速度為19.5米/秒，第35秒，偶發(fā)性瓶頸形成(出現(xiàn)交通事件)，則可得，第35秒時，第,10輛車距離檢測器的距離：(35-20)*19.5＝292.5米，馬上到達瓶頸合流點(由這一距離可以判斷，其前方車輛已通過合流點)。同理，假設(shè)車道2上第11輛車在第19秒通過檢測器，其速度為22米/秒，第12輛車在第21秒通過檢測器，其速度為21米/秒，則車道2上第11輛車距離檢測器的距離為：(35-19)*22＝352米，已經(jīng)通過瓶頸點，而第12輛車距離檢測器的距離為：(35-21)*21＝294米，因此，車道2上第12輛車即將到達合流點。需要說明的是，因假設(shè)瓶頸在第35秒才發(fā)生作用，因此交通流在第35秒前仍然為自由流，即車輛通過檢測器后的速度保持不變。第35秒后，則根據(jù)后續(xù)步驟的相關(guān)車道選擇模型，跟馳換道模型決定其實際速度。由此可以得到ti時刻交通流的初始分布，即每輛車的位置和速度。4、風險閾值賦值，本發(fā)明的核心優(yōu)勢即在于考慮了瓶頸上游不同車道在合流時優(yōu)勢的不同，以及車輛本身的駕駛傾向不同(有的駕駛員較為保守，而有的則較為激進，侵略性強)。為此，引入風險閾值來代表車輛的駕駛傾向，記為車道2上車輛k的風險閾值,為車道1上車輛j的風險閾值。風險閾值代表了每輛車的駕駛傾向，即時間收益超過風險閾值時，這輛車的駕駛員就會做出冒險的駕駛行為，如強行插隊等。如車道1上，第10輛車的駕駛員，只有當其變道到車道2后，可以節(jié)省的時間超過自己的風險閾值時，他才會變道到車道2，否則，他將保持在車道1行駛，因為變道本身存在風險，而跟馳相對駕駛負擔更低，而且，車道2在合流點處關(guān)閉，該駕駛員要變道到車輛2還意味著在合流點處需要插隊進人車道1，因此，除非收益足夠大，該駕駛員會選擇在車道1，對車道2上的車輛也是如此，越早進入車道1可能越容易變道成功，到后來變道則需要插隊。因此，每個駕駛員都有自己的風險閾值，且風險閾值越低，駕駛員侵略性越強。駕駛員的侵略性為自由流時體現(xiàn)較快的速度，在擁堵的時候則體現(xiàn)為緊密的跟馳行為，根據(jù)步驟3的分析，在ti時刻前，交通流都是自由流，基本不存在跟馳，因此，可以用車輛在通過檢測器時的速度來表征駕駛傾向，駕駛速度越快的駕駛員，其駕駛侵略性越強，相應(yīng)的，其風險閾值就越低，根據(jù)公式(3)和(4)，給出簡單算例如下：假設(shè)該地區(qū)駕駛員的平均風險閾值為30秒，該路段的平均自由流速度為25米/秒，車道1上第10輛車的速度為19.5米/秒，很明顯，該車速度低于平均自由流速度，駕駛員較為保守，根據(jù)公式(3)可得，該車輛的風險閾值為35.1秒，高于平均風險閾值，意味著該車駕駛更為保守，體現(xiàn)了風險閾值與車輛速度的對應(yīng)特性。同理也可計算出車道2上第12輛車的風險閾值為34.8秒。5、車道選擇5.1“合流模型”根據(jù)瓶頸點處不同車道在合流過程中的優(yōu)勢系數(shù)和車輛的風險偏好，得到不同車道上，不同風險偏好車輛通過合流點的概率；而根據(jù)前面步驟，已經(jīng)得知，即將通過合流點的車輛是車道1上的第10輛車和車道2上的第12輛車，假設(shè)車道1的優(yōu)勢系數(shù)是1.2，則根據(jù)公式(5)和(6)，可以得到車道1上第10輛車通過合流點的概率為0.6,車道2上第12輛車通過合流點的概率為0.4。5.2、“車道選擇模型”:根據(jù)上一步驟計算結(jié)果，結(jié)合公式(7)和公式(8)，可得第35秒車道1的通行能力為1080輛/小時，車道2的通行能力為720輛/小時：而在我們給出的算例中，在第3步，已經(jīng)得到車道1上將要到達合流點的為第10輛車，車道2上將要到達合流點的為第12輛車，而且我們可以得到其他已通過檢測器的車輛的位置和速度，此處以車道1上第24輛車為例進行計算，假設(shè)其速度為30米/秒，于第34秒通過檢測器，則可知其與檢測器距離為30米，且根據(jù)公式(3)，可得其風險閾值為24秒，低于平均風險閾值，該車輛駕駛侵略性較強。根據(jù)公式(10)，可知車道1上，其前方車輛數(shù)為8輛，而車道2上假設(shè)其前方車輛為第14輛，則車道2上其前方車輛為2輛。則根據(jù)公式(11)，其時間收益為36.7秒。根據(jù)公式(12)可知，其時間收益大于其風險閾值，該車輛將選擇車道2.6、換道執(zhí)行：步驟5中，車道1上第24輛車將選擇車道2，在進行車道選擇后，判斷自己當前所處車道和目標車道，產(chǎn)生換道動機。根據(jù)已有的換道模型，判斷是否可以執(zhí)行換道操作，若可以換道，則進行換道，若不滿足換道條件，則保持在當前車道跟馳。7、交通流在任意時刻的交通狀態(tài)，以下一時刻為例根據(jù)交通流在ti時刻的初始交通狀態(tài)，通過執(zhí)行步驟5和步驟6，可以得到ti+1時刻的交通狀態(tài)，將這一狀態(tài)作為下一時刻的初始狀態(tài)，回到步驟5，不斷迭代，最終可以得到不同車道在任意時刻的交通狀態(tài)；8、信息發(fā)布根據(jù)步驟7獲得的任意時刻的基礎(chǔ)交通狀態(tài)(車輛速度和所在位置)，本領(lǐng)域就可以獲得例如每條車道的車輛排隊長度和平均速度等交通狀態(tài),發(fā)布于信息發(fā)布終端。當前第1頁1 2 3