1.一种隧道平行交通系统的构建方法,其特征在于,包括以下步骤:步骤S1:隧道现场布设卡口摄像头获取车辆在卡口点的行驶数据;
步骤S2:搭建系统后端数据库结构,实时存储卡口摄像头捕获的车辆数据;
步骤S3:对步骤S1所得的卡口车辆数据基于车牌号进行匹配并计算车辆行驶状态,识别危险品车辆和违规车辆信息,所有数据实时存入数据库;
步骤S4:对步骤S3所得到的车辆行驶数据进行处理,计算交通流特征参数并识别交通异常事件,所得结果实时存入数据库;
步骤S5:以24小时为周期,对前24小时的历史车辆行驶数据进行缺失数值插补处理,完善历史交通流数据;
步骤S6:以SUMO仿真软件为基础,通过与数据库交互读取实时数据和查询历史时间段内车辆行驶数据的方式,分别实现对隧道实时交通流状态的模拟和对查询时间段内历史交通流运行状态的再现;
步骤S7:将所构建的隧道平行交通系统,用于实现对隧道交通安全的动态管控。
2.如权利要求1所述的方法,其特征在于,步骤S1具体实现包括以下步骤;
步骤S11:根据隧道内光线和长度布设卡口摄像头,布设原则为:隧道出入口事故高发区布设密度大,隧道内部布设间距长;
步骤S12:调整隧道入口卡口摄像机安装方式、抓拍参数,确定抓拍精度,直至抓拍精度满足需求;其中,确定入口卡口摄像机精度采用相同环境采集对比的方法,即在隧道入口同一位置安装两台技术比较成熟、抓拍精度比较高的不同品牌的摄像机同时抓拍,所得两组数据互相匹配,以确定入口卡口摄像头精度;
步骤S13:调整隧道内其他卡口摄像机安装方式、抓拍参数,分别确定抓拍精度,直至满足系统需求;隧道内其他卡口摄像机精度计算方法为:各卡口摄像机采集数据均以入口卡口摄像机为标准进行对比计算准确率。
3.如权利要求1所述的方法,其特征在于,步骤S3具体实现包括以下步骤;
步骤S31:对各卡口获取到的车辆数据进行实时整合,整合方法具体描述为:按照从入口到出口的方向分别记卡口摄像机位置为卡口k1、卡口k2、…、卡口kn,卡口ki‑1与卡口ki之间的路段记为路段i‑1;对卡口k1获取的所有数据,预处理后直接存入数据库,其他卡口摄像头获取的数据基于入口处数据车牌号进行匹配并插入该车牌号对应卡口位置,反映车辆依次经过各卡口的时刻及当前位置;
步骤S32:对匹配成功的车辆数据,根据路段距离和路段行程时间实时计算车辆的行驶空间平均速度;
步骤S33:根据隧道内交通规则,步骤S32所得车辆平均速度过高或过低,则判断车辆超速或车速过低,具体表示如下式:若车辆在隧道内任一车道与入口处车道不一致,则r=1,判断该车辆违规变道;若车辆在一定时间tmax内未经过出口卡口kn,则lose取1,判断车辆在隧道内异常停车,并触发相应的报警;
步骤S34:系统根据报警信息调取相应路段闭路视频监控进行二次确认,判断是否误报与初步确定事件情况,为制定相关措施提供依据。
4.如权利要求1所述的方法,其特征在于,步骤S4具体实现包括以下步骤;
步骤S41:根据步骤S3所得的车辆行驶状态表计算隧道交通流特性参数,所需计算的参数包括:(1)空间平均速度
①分车型计算交通流平均速度 计算方法如下式所示:
式中,niγ代表计算周期内进入路段i的车型为γ的车辆数;
②交通流的空间平均速度 计算方法如式下所示:
式中,n代表计算周期内进入路段i的交通量;
(2)卡口流量
①卡口周期流量:即第t个周期时间内经过卡口ki的累计车辆数qit;
②卡口累计流量:计算累计卡口流量时,随着累计流量不断增加,不仅数据过大,不利于图形展示,而且数据位数过长,存在异常数据时图像异常趋势被放小,不利于及时发现异常状态,因此设置每天0点卡口累计流量清零,其余时间的累计流量为上一周期的累计流量加上当前周期的卡口流量,计算第t个周期卡口ki累计流量 计算过程如下式所示:(3)平均密度
第t个周期时间内路段i上车型为γ的交通流量Qitγ的计算方法为:则路段i的平均密度ki计算过程如式下所示:
式中,s为处理周期,单位为分钟;αγ为车型γ的折算系数;m为隧道内车道数;
(4)车辆折算系数
由于车辆折算系数目前仍没有明确定义,采用Chandra提出的投影面积法确定车辆折算系数,计算方法如下所示:式中, 为小客车和车型γ的平均速度之比, 为小客车与车型γ的投影面积之比;
步骤S42:计算隧道拥堵判断阈值,交通流超过阈值时则触发拥堵预警,常用计算车辆j与j+1之间的安全距离如下公式:式中,Lj(Lj+1)表示车头间距(m);v表示行车速度(m/s,当车速≥80km/h时,取其85%,否则取其90%);ts表示制动时间(s);x表示公路隧道的最小安全间距(m);l表示汽车长度;g2
表示重力加速度(m/s);表示轮胎和路面纵向附着系数;
由于隧道内最小安全距离拥堵状态下最小安全距离会骤降甚至会消失,因此这里计算拥堵密度阈值时取消最小安全距参数,行车速度取速度限速的下限值,在已知隧道内最大限速后,根据以下公式求得隧道环境下相邻车辆的最小安全车头间距:根据最小车头间距,获取拥堵预警的最大密度,计算方法如下式所示:步骤S43:设置交通事故检测阈值,事件检测采用增量比较算法,即计算连续路段密度差,密度差达到阈值且下游路段达到拥堵阈值,则检测为事故,计算公式如下所示:式中,α为确定密度插值增量的阈值;
步骤S44:对于系统报警的交通事故事件,根据报警位置调取相应路段的闭路视频摄像头,通过人为查看的方法二次确定事件情况。
5.如权利要求1所述的方法,其特征在于,步骤S5具体实现包括以下步骤;
步骤S51:查询24小时内所有事件,若数据缺失是由于发生异常事件造成,则查询一天内发生的所有事件,即事件发生时间段内所有含有缺失时间的车牌数据,查询事件前后1小时内所有卡口车牌号与缺失数据车牌号进行重新匹配,匹配成功则插入对应卡口位置,否则认为数据缺失是由于卡口未识别车辆造成的,执行步骤S52至步骤S55;
步骤S52:通过数据缺失卡口的前一个卡口时间加前一个路段相同车型的平均行程时间,计算方法如下所示:式中,li为第i个路段长度, 为第i个路段相同车型车辆的空间平均速度,△ti为第i个路段相同车型车辆的平均行程时间;
步骤S53:缺失卡口抓拍时间可初步预测为前一个卡口时间加上相同车型行程时间后的时间,如下所示:式中,ti‑1为车辆经过前一个卡口的时刻,△ti‑1为相同车型车辆经过第i‑1个路段的平均行程时间,t'i为车辆经过当前第i个卡口的正向预测时间。
步骤S53:若直到卡口n数据依然缺失,则前向估计值即为最终估计值,估计值直接插入数据表,即有如下公式:式中,t′i为车辆经过第i个卡口的正向预测时间,为车辆经过第i个卡口的估计时间;
步骤S54:若缺失值不到卡口n,则根据后一个卡口时间反向估计上游卡口时间数据,最后取前向估计值与后向估计值的中间值作为最终预测结果值,卡口ki+1抓拍时间估计方法如下所示:式中,tm+1为车辆经过第m+1个卡口的时间,Δtm为相同类型车辆经过第m个路段的平均行程时间,t″m为车辆经过第m个卡口的反向预测时间, 为车辆经过第m个卡口的最终估计时间。
步骤S55:利用S53步骤所得的预测值和反向估计结果,直到缺失值插补结束,如下式所示:上式表示先计算车辆经过第i+1个卡口的反向预测时间,再由正向预测时间和反向预测时间的平均值作为车辆经过第i+1个卡口的最终估计时间;
综合以上两式,表示反向预测过程逐步从下游路段向上游路段推进。
6.如权利要求1所述的方法,其特征在于,步骤S6具体实现包括以下步骤;
步骤S61:设置SUMO仿真需要的道路生成文件.net.xml和路径生成文件.rou.xml,其中路网设计主要划分为三部分:隧道入口前用于发车的路段、隧道内各卡口间的路段、隧道出口以外用于缓冲的路段;
步骤S62:确定实时仿真时速度预测模型
将车辆信息大类上分为三个类型:大型车、中型车、小型车;每种车型获取连续500条数据,滑动窗口大小设置为n,初始值为各车型自由流下速度的中位数,通过滑动窗口均值的方法利用前n个数值预测第n+1个数值,为步骤S7实时仿真提供数据基础;模型评价标准选择“RMSE”,根据误差值“RMSE”随窗口大小变化确定窗口大小n值;
步骤S63:以5秒为周期,读取数据库实时车辆数据,并根据步骤S62的方法预测路段交通流实时运行速度,设置车辆仿真参数,实现与隧道实际环境同步的实时仿真;
步骤S64:对于历史数据的再现仿真,通过查询数据库内仿真时间段内所有车辆的行驶数据,计算车辆在隧道内的行驶速度、位置等并进行参数设置仿真;
步骤S65:对历史数据仿真结束,分别查询仿真时段内各分车型交通流量、车辆事件数、交通流事件数等统计数据,并对仿真时段内交通流进行简单评价。