1.一种基于拥堵态势分级的匝道控制方法,其特征在于,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;具体如下:
(4.1)以快速路主线流量替换ALINEA算法中的占有率作为控制输入;
(4.2)基于步骤(3)得到的拥堵态势,利用速度区间划分的拥堵态势作为ALIENA算法中控制率的选择标准,并根据拥堵态势自适应选择控制率;
(4.3)针对不同拥堵态势制定相应的控制率r(k),其中r(k)表示第k周期匝道的控制率;
(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;具体如下:(5.1)根据卡口电警数据统计控制周期k内的匝道到达车辆数A(k),通过上一周期控制率计算驶出车辆数D(k),得到第k调节周期的累积滞留车辆数Q(k):Q(k)=Q(k-1)+(A(k)-D(k)) (1)其中Q(k-1)为第k-1调节周期的累积滞留车辆数;
(5.2)根据Q(k)计算当前匝道排队长度L′:
其中,λ为匝道车道数;μ为匝道排队车辆车头间距;考虑到队列清除情况下,Q(k)可能为负值,设置当Q(k)为负值时,δ取0,反之δ取1;其中δ为阈值函数;
(5.3)假设匝道总长度为L,给车辆排队长度设定阈值;采取分段式控制,设定临界排队长度L1,最大排队长度L2;当排队长度超过L1时,需优先考虑适当延长绿灯时间,调整绿灯时长配时方案,使得主线放行更多的车辆;其中还包括:当车辆排队长度处于(L1,L2]之间,计算下一周期下游允许放入车辆数时,增加匝道排队长度超出L1部分的车辆,控制率如式(3)所示:其中,KF是控制增益;表示快速路主线期望饱和流量; 是第k-1周期由上游和匝道进入下游的流量;r(k-1)表示第k-1周期匝道的控制率;
当排队长度超出L2时,匝道排队临近溢流状态,即将对地面道路产生影响,此时直接以rmax进行控制;综合可得到当信号控制结合匝道排队长度约束状态时,改进后的ALINEA控制率为:其中,rmax是匝道信号灯控制的最大控制率。
2.根据权利要求1所述的一种基于拥堵态势分级的匝道控制方法,其特征在于: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。
3.根据权利要求1所述的一种基于拥堵态势分级的匝道控制方法,其特征在于:所述步骤(2)中,微波数据按车道给出,需要进行整合,每个车道的数据完整则流量取和,速度取平均值;若某一时刻存在只有1个车道有数据,则流量取该车道与车道数的乘积作为上游流量,速度取该车道测出的数值;若某一时刻没有速度流量数据,则用上一时刻的数据替代;
卡口数据中,针对5分钟内出现的重复数据进行剔除,即对同一车牌号出现在多条记录的情况进行剔除。
4.根据权利要求1所述的一种基于拥堵态势分级的匝道控制方法,其特征在于:所述步骤(3)中,首先确定聚类簇的数目K,然后进行高斯混合聚类,利用EM算法,使用当前参数πk、μk、Σk计算后验概率,并不断进行迭代直到取到最合适的参数;通过高斯混合聚类将微波数据集D划分为k个拥堵态势,拥堵态势的划分则由后验概率γjk确定,每个样本的簇标记为其中K为大于1的整数;最终以速度作为划分条件将拥堵态势划分为四级:通畅(v≥v1)、轻度拥堵[v2,v1)、中度拥堵[v3,v2)、重度拥堵(v<v3);其中,v为车辆行驶速度,v1为通畅状态的速度临界值,v2为轻度拥堵状态的速度临界值,v3为重度拥堵状态的速度临界值。
5.根据权利要求4所述的一种基于拥堵态势分级的匝道控制方法,其特征在于:所述高斯混合聚类算法具体为:高斯混合聚类基于高斯混合模型使用概率模型来表示聚类原型,高斯混合分布的概率密度函数如下式(5)所示:该分布共由K个混合成分组成,每个混合成分对应一个高斯分布,Ν(x|μk,Σk)是高斯分布的概率密度函数,其中μk为均值向量,Σk为协方差矩阵;其中,采用的微波数据集D={x1,x2,…,xm},其中xm是一个二维的数据,;πk为混合系数,其值大于0,且 使用聚类算法时,每一个高斯分布理解为一个拥堵态势,πk看做第k类态势被选中的概率;令zj∈{1,2,…K}表示输入交通数据xj的高斯混合成分,zj的先验概率P(zj=k)对应πk,根据贝叶斯定理zj的后验概率简记为γjk,如下式(6)所示所示:高斯混合聚类将微波数据集D划分为k个拥堵态势,拥堵态势的划分则由后验概率确定,通过式(7)计算每个样本的簇标记λj,如下式(7)所示:高斯混合模型利用EM算法,先使用当前参数计算后验概率,再根据式(8)、(9)、(10)更新模型参数,不断进行迭代直到取到最合适的参数;
6.根据权利要求4所述的一种基于拥堵态势分级的匝道控制方法,其特征在于:针对拥堵态势结果,匝道的信号配时采取对应的控制率,如下式(11)所示:其中,r(k)表示第k周期匝道的控制率;KF是控制增益;rmax是匝道信号灯控制的最大控制率;rmin是匝道信号灯控制的最小控制率;表示快速路主线期望饱和流量; 是第k-1周期实时获得上游车辆平均速度; 是第k-1周期由上游和匝道进入下游的流量;r(k-1)表示第k-1周期匝道的控制率。