[发明专利]一种基于拥堵态势分级的匝道控制方法

说明书

本发明涉及一种基于拥堵态势分级的匝道控制方法，本发明通过对历史数据的分析，利用高斯混合模型聚类重新划分拥堵态势，因为临界占有率通常很难获得，并且占有率不准确将直接影响ALINEA算法的性能。本发明以交通流量为ALINEA算法的控制参数，并根据拥堵态势自适应选择控制率，为避免匝道排队过长产生的溢流对地面交通产生影响，采用分段控制方法，增加排队长度约束，排队过长时将控制目标转移到匝道上。利用SUMO仿真软件进行仿真实验，结果表明本发明在保证主线通行的情况下，对匝道排队以及车辆的等待时间上均有不同程度的优化，提高了道路通行效率。

技术领域

本发明涉及智慧交通技术领域，尤其涉及一种基于拥堵态势分级的匝道控制方法。

背景技术

随着经济的快速发展，许多城市纷纷修建城市快速路以满足日益增长的交通需求，但车辆的保有量逐年增加，交通拥堵问题日趋严重。目前能有效缓解城市快速路交通拥堵问题的主要控制方法有匝道控制、可变限速和交通诱导。匝道控制是应用最广泛且最有效的快速路交通控制手段，通过设立在匝道的信号灯控制汇入主线的车流量，从而达到提高主线通行能力的目的。入口匝道单点控制的方法主要有：需求-容量控制、占有率控制、ALINEA、ZONE、模糊控制、神经网络控制、强化学习。

ALINEA虽然在治理单匝道拥堵方面非常有效，但包括ALINEA以及许多其扩展算法将控制目标聚焦于主线的控制，忽略了匝道容易出现溢流的问题，且ALINEA的临界占有率值的选择对控制的影响很大，如果临界占有率值设置不合理或者占有率值无法获取，控制效果将大打折扣。拥堵态势分级方面比较常见的是利用k-means进行聚类，并在此基础上对中心点和簇数量的选择、减少算法迭代次数或者增加聚类准确性等方面进行优化，但k-means是一种硬聚类方法，通过计算对象与簇中心点的距离，将每个对象分配给最近的簇，对于一些比较难分辨的情况，缺少簇分配的概率，因此很难区分。其次k-means簇的边界为圆型，在拟合一些非圆形的数据时效果不好。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于拥堵态势分级的匝道控制方法，本发明通过对历史数据的分析，利用高斯混合模型聚类重新划分拥堵态势，因为临界占有率通常很难获得，并且占有率不准确将直接影响ALINEA算法的性能。本发明以交通流量为ALINEA算法的控制参数，并根据拥堵态势自适应选择控制率，为避免匝道排队过长产生的溢流对地面交通产生影响，采用分段控制方法，增加排队长度约束，排队过长时将控制目标转移到匝道上。本发明在保证主线通行的情况下，对匝道排队以及车辆的等待时间上均有不同程度的优化，提高了道路通行效率。

本发明是通过以下技术方案达到上述目的：一种基于拥堵态势分级的匝道控制方法，包括如下步骤：

(1)收集城市快速路主线上微波检测器的微波数据以及匝道卡口电警检测的卡口数据，并统计卡口过车数；

(2)对采集到的微波数据和卡口数据进行数据预处理，采用一段时期的历史均值进行修正异常数据，以及车牌号码匹配的方法消除缺失、重复、异常情况，实现异常数据的检测与修正；

(3)基于步骤(2)得到的数据，利用高斯混合聚类算法进行聚类，按照聚类结果，以车速重新划分快速路主线的拥堵态势；

(4)利用ALINEA算法进行匝道信号控制；

(5)在步骤(4)的基础上增加匝道排队长度的约束,给车辆排队长度设定阈值，采取分段式控制，调整绿灯时长配时方案。

作为优选，所述步骤(1)中，为保持卡口数据与微波数据的时间采集粒度相同，定时对卡口电警记录按车牌号码进行过车数量统计，得到卡口过车数。