大规模路网下中心式动态交通诱导系统关键技术分析

发表时间:2019/12/18   来源:《基层建设》2019年第26期   作者:刘思哲
[导读] 摘要:本公司研发大规模路网下中心式诱导路径并行计算技术,并创新了“中心式诱导方式”的方法和技术,这为中心式诱导方式的实现提供了有效保障。
        佛山市吉大智能交通有限公司 广东 佛山 528200
        摘要:本公司研发大规模路网下中心式诱导路径并行计算技术,并创新了“中心式诱导方式”的方法和技术,这为中心式诱导方式的实现提供了有效保障。就目前而言,国内外使用最多的是分布式诱导,这种诱导以单车行使路径最优为目标进行路径优化,同时这也很容易产生拥挤。而中心式诱导一大规模路网全局最优为目标,可以有效的避免拥挤现象,是解决交通拥挤的最佳方式。但由于这项技术难点太高,无法攻克,中心式诱导在国内外仍未实现。本文以智能交通规划和核心技术产品的成果转化应用推广项目为基础,首先对浮动车路段行程时间估计方面的技术进行了分析,然后对固定型检测器和浮动车交通信息融合方面的技术进行了分析,接着对交通信息短时预测方面的技术进行了分析,最后对中心式诱导路径优化方面的技术进行了分析。
        关键词:大规模路网;中心式动态交通诱导系统;关键技术
        前 言
        中心式动态交通信息系统是减少国会城市交通拥堵的有效途径。该系统主要由交通信息中心导航设备和通讯设备组成。交通信息系统使用实时驾驶指令来选择避免拥堵的最佳路线。
        1 浮动车路段行程时间估计方面
        1.1 地图匹配技术
        地图匹配是估算浮动车辆路段行驶时间的先决条件。定位系统实时更新车辆的位置,并计算出车辆的纬度和经度以及在电子地图上的经纬度坐标通常需要坐标转换和定位。车辆的坐标与实际位置之间存在一定的差距。因此,在评估路段的行驶时间之前,必须通过地图匹配以实现电子地图中车辆位置与路段之间的时空关系。实时性、鲁棒性和准确性是衡量匹配算法质量的三个重要技术指标。在确定候选路段的匹配类别和匹配规则时,可以有效地处理影响匹配算法的实时性能和GPS数据异常状态的最重要因素。在浮动车辆GPS数据出现异常时,最主要的是要考虑算法的鲁棒性。对于GPS和地图自身而言,GPS位置坐标错误、坐标转换错误以及地图误差与GPS数据的准确性直接相关。
        1.2 路段平均行程时间统计估计技术
        路段平均行程时间统计估计方法主要是基于瞬时速度估计方法和路径行程时间估计方法。基于瞬时速度估计方法首先设置给定时间段内与同一路段相对应的所有动量速度数据的平均值,以获取道路的平均路段速度,然后获取路段的数量,速度和行驶时间。路线路段是根据时间百分比计算的。这种方法可以简单快速地计算出平均出行时间。但是,GPS数据的输出错误率通常较大,通过该方法估计的平均行进时间的精度不高,并且路段的瞬时反射率也不高,这就会导致交通信息可能无法反映道路区域的交通情况。
        1.3 浮动车样本量确定
        动态交通信息系统需要全面、准确和可靠的了解整个城市道路网络的动态交通信息。因此,浮动交通工具不仅要确保一部分道路的预计行驶时间的准确性,还必须确保道路网的完全覆盖。道路延伸的平均行驶时间的精度不会随着样本的增加而继续增加。一旦确定了计算路段平均行驶时间的间隔,道路平均行驶时间的估计精度就会随着车辆通行测试的增加而变化。目前,用于确定部分道路上的浮动车辆数据所收集的样本步骤和模型是相对完整的。但是,确定车辆样本量以从路网收集交通信息的方法尚不准确,因为路网每个部分的交通流量、车辆交通分布和车辆运行状态随时都可能会发生变化。当在浮动车辆的单个路段上进行样本量测试的结果直接上传到道路网络时,就会发生严重错误。因此,需要根据道路网络流量的实际状态来估计样本量。
        2 固定型检测器和浮动车交通信息融合方面
        固定式检测器包括线圈检测器,视频检测器,微波检测器,红外检测器和超声波检测器。其中,最常用的是线圈检测器,它可以对截面流量、占有率、速度等进行快速检测,并且检测精度高。然而,由于高昂的安装和维护成本,目前我国主要城市的对该手段使用范围不到10%。作为收集最新道路网络空间信息的高级资源,浮动车不仅降低了收集交通信息的成本,而且它们还具有广泛的本地时间线。在收集信息的类型和空间时互补于传统的固定器检测。并且因为其具有强大的功能,所以可以将固定型检测器数据和浮动车数据进行有效融合,不仅可以拓宽数据收集范围,还能提高数据收集效率。同时也提高了信息获取的性价比,精确度和可靠度。
        3 交通信息短时预测方面
        3.1 基于数理统计的预测方法
        基于数理数据,预测方法采用数理统计方法。通过分析交通参数记录中新观测值之间的统计特性,可以预测未来交通参数的值。常用的模型包括回归模型,时间序列模型和卡尔曼滤波。其中,英国生物化学家加伦首先提出了回归模型。这主要是一个基于变量之间因果(或一致性)关系的模型。它可以分为不可分割一元的(或多元的)线性回归模型和可分割的一元(或多元)非线性回归模型。评估的时间序列最初是由某位数学家提出的。本质上,这主要是使用随机模型构建的预定义模型,该模型在指定模型的连续记录回合期间执行曲线逼近和参数估算。最常用的模型包括平均值模型、移动平均值、一次(或多次)指数、平滑模型以及趋势外推模型。最初的卡尔曼滤波器是卡尔曼基于线性代数和马尔可夫模型提出的滤波器。主要建立状态和观测方程,并使用“预测性测量”来描述系统的状态,并以“预测—实测—修正”的方式对系统进行预测。

这种类型的模型操作原理极其简单,且提高了预测高速公路车道上交通信息的高精度,但对于复杂的高速公路兼容性和不稳定而言使用该系统并不理想。
        3.2 基于人工智能的预测方法
        人工智能一词最早出现在1956年的Dartmouth学会上。其主要目的是利用计算机模拟逻辑思维和智力行为并解决实际问题。常用的人工智能方法包括对人工神经网络和向量机支持。其中,使用神经网络计算机来模拟人脑的神经网络结构,可以通过自学的方式对输入信息进行归纳总结。经常使用的神经网有径向基神经网络、 BP神经网络、Elman神经网络以及Hopfield神经网络。向量机支持是基于降低风险标准构建的学习系统,可以使用高维函数将低维原子数据映射到空间,以在非线性转换中将关键数据与其他数据分开,并且非线性适用于小样本的估计问题。
        3.3 组合预测方法
        组合预测的方法最早由J.N.Bates和C.W.J.Granger提出。它主要针对单个预测模型。由于数量的限制,通常可以在一段时间内实现较高的预测性能,同时期望能够使用两种或多种安全高效的预测方法。集成方法用于集成预测 这消除了每种预测方法的潜在缺点,从而提高了流量的准确性。郑伟中,王秀,倪培林,李斌,刘国林等采用最佳组合方法实现了贝叶斯协同神经网络,卡尔曼滤波,矢量支持系统和交通量的组合。该预测方法可以有效地克服单一预测方法的问题,预测效果更是优于单个预测方法,并且结果更加持久、可靠。但是,极少数会使用组合预测方法,因为标准预测需要较高的研发成本,且需要多种预测方法同时操作,计算时间过长。因此当单个预测方法的准确性很高(例如,准确性超过90%)时,建议不要使用组合预测。
        4 中心式诱导路径优化方面
        4.1 最短路径计算方法
        并行计算的原理是将计算任务划分为几个子任务,并将它们分配给多个处理器,以便大多数计算由每个处理器单元执行,即每个处理器执行一部分计算任务。在串行计算中,串行算法的计算性能与并行算法的计算性能成正比。此外,分类算法是最新技术发现方法的重要组成部分。如何选择扫描定时节点标签以及标签节点数据的结构是影响标签算法计算性能的最重要因素。该算法分为标签行为算法和标签修改算法。Zhan和Noon使用21个实时网络数据测试了15种高效路径算法的计算能力。测试结果表明,三种计算速度最快、路径最短的算法是TQQ算法、逼近桶的Dejkstra算法和双桶的Dejkstra算法。 TQQ算法基于图形开发理论,适用于计算一对多的最短距离。后两种算法基于Dejkstra算法,它更适合于计算一对一之间的最短路径。通常,这些算法中使用的数据结构和分发方法受计算机硬件级别和当时的内存量限制,从而提供了相当大的时间效率以节省空间。但是随着计算机硬件的飞速发展,存储磁盘的问题早已被解决。因此,需要对现有算法进行审查和改进,此时可以利用空间交换时间来提高最短路径算法的计算效率。
        4.2 网络分解方法
        网络分解的传统方法是在开始算法之前将每个道路网络直接传递到每个处理器。每个处理器都会为某些节点计算最短路径。并且计算过程不需要处理器与所有计算之间的通信。最后所有节点之间的最短路径也都由全局通信提供。此方法还使处理器容易造成浪费内存资源或消耗通信。划分网络的方法是根据处理器数量将整个网络划分为多个子网。计算到分配给每个处理器子网的最短路由。并且一种有效的网络降级方法不仅可以缩短处理器的平均计算时间,而且还能减少处理器的通信并改善整体并行计算。在大多数情况下,这是平衡每个处理器的路径网络节点并使截断边缘处的网络衰减最小化的基本原理。在网络配置中,不仅要考虑子网的平衡,还要根据要求减少子网之间的相邻节点数。随着每个子网上的节点增加,通信时间越长,处理器数量就越多,就越容易超过有效时间。总之,均衡分割具有多重约束,是多重博弈问题。
        结语
        本文首先从地图匹配技术、路段平均行程时间统计估计技术以及浮动车样本量确定等方面对浮动车路段行程时间估计方面进行了分析,然后对固定型检测器和浮动车交通信息融合方面的技术进行了分析,接着从基于数理统计的预测方法、基于人工智能的预测方法以及组合预测方法等方面对交通信息短时预测方面的技术进行了分析,最后从最短路径计算方法以及网络分解方法等方面对中心式诱导路径优化方面的技术进行了分析。
        参考文献:
        [1]李志林. 面向中心式与分布式协同诱导的动态路径搜索算法研究[D].吉林大学,2016.
        [2]于尧. 基于出行者行为的动态交通分配建模与实现[D].吉林大学,2014.
        [3]李大伟. 大规模路网下中心式路径优化方法研究[D].吉林大学,2011.
        [4]龚勃文. 大规模路网下中心式动态交通诱导系统关键技术研究[D].吉林大学,2010.
        收稿日期:2013-3-15
        基金项目:佛山市科技创新资金资助(项目编号:2012HC100182)
        作者简介:刘思哲  男 佛山市吉大智能交通有限公司总经理、项目总负责人
        通信作者:刘思哲
投稿 打印文章 转寄朋友 留言编辑 收藏文章
  期刊推荐
1/1
转寄给朋友
朋友的昵称:
朋友的邮件地址:
您的昵称:
您的邮件地址:
邮件主题:
推荐理由:

写信给编辑
标题:
内容:
您的昵称:
您的邮件地址: