四川中卫北斗科技有限公司

在线咨询
微信

微信扫一扫

长按二维码关注微信加好友

【智能交通青年科技】大数据视角下的城市路网动态供需分析方法及实践---夏井新

发布时间:2018-01-22 14:48

夏井新  东南大学教授,博导

  大数据视角下的城市路网动态供需分析方法及实践这个题目的来源有两方面,第一个就是交通系统一直存在的供需矛盾的问题,供需矛盾是拥堵的根源。这种供需矛盾是存在于整个交通系统的各个层级,小道车道大道一条路,再往上就是到一个区域,这个是交通系统内在的一个需求。
  1.城市路网供需分析的背景
  想知道一条路通讯能力,一个区域的能在能力,以前传统的做法都是什么?通过查阅手册和相关的规范,q-k基本关系等,而获得供给的数据西,有可能不适用。那么在大数据这种条件下,就提供了一种机会。需求侧这块也是一样的,传统是做一些调查,后来就是一些ITS方面的检测手段,这些东西应用于道路规划、公交规划、停车规划和信号配时、交通仿真等方面。
  大数据其实带来了很多的契机,带来了很多的便利。第一个,就是它的数据源是一个多发式的增长,随着互联网+的这些数据的加入,以往难以观测、只能估计的变量现在可以直接或间接观测。在这种情况下,包括大数据的云计算,机器学习,包括人工智能的发展,这些新方法和技术崛起使得计算资源的极大丰富,技术应用的门槛降低,数据价值进一步发挥和巩固,数据驱动的创新应用潜力巨大,为供需分析提供了工具。

42.png

图1 我国智能交通系统发展现状

  2.路网供给的确定及实践案例
  路网最小组成单位—车道,以前获得它的通信能力,按HCM饱和流率计算公式计算,这个公式特别麻烦,等到最终获得了通讯能力之后,才发现实际的这种通信的能力和根据HCM手册获得的这种通信能力可能差别非常大,这种情况下,导致我们终端层面上交通的精细化管控出现了问题,尤其在控制的时候。
  大数据可以提供很多的数据驱动的一些方法。举了一个最典型的,像国内的数据非常普遍,国外也有一些交通信号事件的数据,这些东西给我们提供了一些契机,数据视角下的饱和车头时距这张图,是根据数据卡警计算的,根据图可以做统计上的一种分析。

43.png

图2 数据视角下的饱和车头时距

  比如说从路网供给表里面,可以获得选择不同的时刻,不同的路口,能够获得它的反应,车面的行为道路的几何条件,综合作用下这个地方,这个车道的饱和的车头时距多少,数据驱动下可以量身订作。目前做了一些统计,这个基于整个昆山路网一天156个路口不同类型车道的饱和车头时距的分布。

44.jpg

图3 数据视角下的饱和车头时距

  可以看到左转,右转等等这些混合情况下,车流数据分布规律,有的宽一点,有的是细一点,如果仔细比对不同的,尤其是不同类型的道路的情况,可以发现,饱和车头时距还是有一定的差别的。图表中饱和车头时距平均值好像差别不大,但事实上反馈到实际中,就会发现差别很大的。在路网供给宏观这块,宏观基本图的概念,也就是路网的输出流量的问题,当然MFD从2017年提出来新的理念之后,得到了一定的长足的发展,可以用在区域的控制,比如说拥堵收费等等,这些东西其实只是一个手段。在MFD这块,其实到目前为止,仍然是没有办法具体去落地,很多研究人员做了很多的尝试,比如说把路网怎么样变成同质化,怎么样抑制路网这种情况下做这个问题。能否在大数据的这种情况下,换一种思路。也就是路网的供给,尤其是区域层面上,如果单个车道通行能力取决于道路的几何条件,大家在区域的情况下,这种存在能力能否直接推导出来?还是说跟这个地方、这个区域的交通需求叠加上去共同作用的一种结果,这个地方也做了一些尝试。
  如果一个非常理想的路网,车道的高速等等这些东西,,把路网的信息它二维化,三维化,能否直接推动它的供给,目前也做了一些尝试随机在仿真环境中的路网“模版”,这个大的路网里面,随机去抽一些路网构成子路网,然后去模拟它的MFD的一些形状,形状可能在仿真情况下比较理想化的。从路网供给的一个,刚刚举了一个例子,比如说车道举个最典型的就是信号配时的问题,这个可以把原有的固定配时,把所有的利用的情况。我们看这张过车记录云图,绿线和绿线里面是原来共有方案,在这个阶段里面,黑点是车辆到达的情况,可以把它做出来,我们也设计了一种分配的方法。这张图可以直接看出来,上面的这种固有的,一天多时段的配有的方式,下面提出的方法,在原有多时段的情况下做一个平台级的优化。看到的这种情况,到底多长的周期以及各个阶段给它多长,这种在物理角度来讲,还是属于平台级的优化。优化完了之后,如果保证系统垄断性,可以提炼成,一天到底多少个时段,每个时段到底多长,这样去做,增加它的垄断性。一种信号交叉口绿时再分配方法在昆山、吴江、张家港、常熟、北仑、衢州、萍乡等国内10余个城市正在开展试点和推广应用,其实效果是非常好的,就以萍乡中心城区三个交叉口举了一个例子,通过实施前和实施后的对比,其实这些交叉口相关的路线上的平均速度是有大的提升。MFD拿实际采集的数据做了一些分析,传统的路网的区域,基本上寻找同质的路网是非常难的,事实上拿登山的实际数据做了之后,发现问题。在这个地方,先初步做了一个探索和应用,在区域路网上,如果脱离原来单点交通状态的划分,畅通,自由流,堵塞这种状况,在区域情况下,因为很难寻找到下坠的曲线,在现实的应用当中,可以从数据驱动的角度当中,找到路网状态的一种拐点,这种对信号控制来讲,是非常重要的。做了基于时间序列之类的一种方式的集取,事实上可以找到在路网上存在路网交通状态转换点,这些点其实是从平峰到高峰,从高峰到平峰转换的显著差异。
  3.路网需求的确定及实践案例
  路网需求以前传统的一些做法,比如说局部的情况,可以根据车辆跟踪等等方法去做,受采样可靠性的影响,受检测覆盖范围影响,存在传播过程,预测可靠性较差。用这种车辆轨迹的方法做了一些分析,主要是分析局部拥堵问题。通常来说,信号控制这块,主要是主动控制等等,包括门限控制,调整信号的参数,限制车辆到达的情况,来缓解拥堵。事实情况与路口的交通流和轨迹是非常有关系的,比如说右转,或者左转是不可调整的,哪些构成要素,哪些可调整的,事实上需要知道一个路口的交通需求的一种构成,在这种地方安了这种轨迹的数据。下游关键口的交通构成跟上游哪些相关的,可以实时做监测,知道上游几个关联的交叉口过来的情况,这样的对信号控制有非常好的作用。
  从路网层级上,做车辆OD反推,但OD反推困难,先验OD准确性要求高,仿真模型运算量大,依赖人工经验调试,准确性低,范围小、项目级、场景为主,完成周期长。一般的做法是牺牲精细度,采用宏观或中观仿真模型。这个可以做到实时反推,还有交通组织反推上面去做,做了很多工程上面的项目。从中发现一个问题,无论用什么,当路网加大的时候,就碰到困难了,尤其是一百个以上路口的时候,就会发现仿真最难的并不是建路网模型,最难的是标定参数,如果一天一个小时,以小时为单位的OD一天又24个OD,一星期标下来就不得了了,当性能反馈回来发现有偏差的时候,就需要再花时间调整。从大数据的角度来讲,可能就会显示是否有另外一种思路,这是传统的缺点。也做了基于人工智能OD的路网需求确定,这个其实是抽流OD的方法,用的是一种是学习器。最简单的是,在这个里面输出了检测的数据之后,会得到非常复杂的交通分配,这里面还有交通传播等等一系列在里面。能不能找到一种方法学习它的规则。主要从两个方面开展的,第一个,可以从仿真里面捕捉观测的这些,也就是检测的交通参数和得到的最终OD之间的这种关系,这是我们第一个尝试。第二个尝试,通过轨迹速度,不依赖于路网模型,只需要路网的图,去推导OD,其实也是可行的。
  基于深度学习进行在线动态OD估计其实有一个框架,这个框架其实最核心的部分就是基于神经网,也就是机器学习去捕捉刚刚说的两种情况的关系,这种关系应用这种遗传的方法去寻优,其实可以脱离原来仿真的软件,当然这个地方做了一些现实的,这里面最难的是鲜艳OD,它要有基本的模板,可以通过号牌、识别去做的,在车辆OD图上,在非常庞大的一个路网上面做鲜艳OD,可以知道各个节点上有多少车辆出去,多少车辆进来,不需要用路网模型。同时也做了一个实际的路网的一个情况,其实基于神经网络这种机器学习的方法,性能上面有两个方面,第一个,它的精度可以快速提升,提升是非常大的。第二个就是它的耗时,运算都需要两三百秒,如果路网加大了以后,时间是指数级的上升,这种方法其实很快就可以做出来。
  4.城市路网供需研究的思考
  第一,交通大数据与交通流理论结合
  新形势下城市路网供需研究,交通大数据包括高解析度的数据—个体车辆,时空连续的数据—轨迹跟踪,立体维度的数据—人-车-路-环境。交通大数据为深入认识交通规律创造了机遇,为交通流理论的进一步发展提供了基础。
  第二,动态供需网络理论与交通运营管理结合
  支持交通运营的方法应满足准确性、实时性、可靠性。现有以拥堵状态衡量为主:供给 + 需求共同作用的结果,难以揭示供需矛盾的内因。客观供给 + 需求传播 + 拥堵状态:供给、需求的分离,揭示拥堵产生的内因。
  第三,人工智能与供需管控结合
  在交通理论这基石,建立评价指标体系,实现人工智能与交通仿真技术结合,通过仿真积累知识,最后将人工智能应用于现实世界。 

        友情链接:www.51carfi.com

扫一扫在手机上阅读本文章

版权所有© 四川中卫北斗科技有限公司    蜀ICP备14007264号-3    技术支持: 竹子建站