CN104821080A - 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 - Google Patents

Abstract

本发明提出一种基于宏观城市交通流的智能车辆行驶速度及时间预测方法，首先选取行驶环境下的道路和环境相关变量进行量化；其次建立智能车辆自主驾驶的GIS数据库；其次，结合回归分析法，提出行驶环境下各关键变量的组合法则，得到城市交通网络中智能车辆行驶车速大小与道路设计参数、交通条件、实时路况的多元线性关系。再次，基于梯形密度-流量基本图的宏观城市交通流理论的VLM模型，得到路段的VLM模型的动态和稳态特征，给出城市宏观交通流的速度和时间评价函数。最后，结合路段在不同的车流量密度以及初始状态下的多元线性车速模型，得到城市道路网络中智能车辆的行驶车速约束方程，进而求得满足目标函数的最优行驶车速及其行程时间。

Description

基于宏观城市交通流的智能车辆行驶速度及时间预测方法

技术领域

本发明属于城市交通中的智能车辆模型研究，涉及一种基于宏观城市交通流的智能车辆行驶速度及时间预测方法。

背景技术

交通流理论是描述所研究的道路网络中交通车辆的运动规律，阐述交通现象形成的机理，为城市道路与公路的规划设计和营运管理提供理论指导。在智能交通系统(ITS)的研究中，建立合适的城市交通网络的交通流模型是交通控制中至关重要的研究内容。宏观交通流模型是将真实的动态交通忽略个别车辆的细节并进行相应的简化后的近似。Carlos(2011)提出一种变量限速架构下的单元可变长度模型(VLM)用于高速交通网络建模，通过将路段分割为两个尺寸可变的单元来有效描述交通情况和道路拥堵程度，用于包含拥堵路段的可变限速研究中。VLM模型对路段进行可变长度的分段研究，能够充分兼顾交通流的微观特性，关注少数车辆之间的交通状态传递，且对未饱和交通流、饱和乃至过饱和交通流均有良好的描述效果。

车辆在道路网络中运行，其行驶速度除了受到交通流的影响外，还受到道路级别、坡度、平曲线率、车道数、车道宽、路段限速、匝道及互通区、交通组成及交通限速等城市公路路型设计因素的影响。同时，这些因素也会对路段的交通容量产生影响，从而影响其交通流的实时分布和建模分析的准确性。针对各种线形条件、道路设施及道路结构物等不同路况条件下的安全高效行驶，针对性地提出路段交通流模型，并由此建立准确合理的车辆行驶速度及时间模型，更适用于实际的城市道路网络中的交通情况有效描述和分析。

地理信息系统(GIS)集地理时空数据的管理、存储和可视化于一体，且对大量数据进行分析和处理的能力十分出色，被广泛应用于智能车辆的导航与路径规划、城市公共设施的选址与方案评估、环境与资源的演变与保护研究等。GIS对于车辆的路径规划和行驶控制中具有至关重要的作用，尤其在地面无人车辆(UGV)和智能车辆中的先进辅助驾驶系统(ADAS)中是不可或缺的重要组成部分。

通行速度和行程时间是智能交通系统(ITS)的许多应用系统如路径诱导系统(RGS)和先进交通管理系统(ATMS)的关键参数。随着ITS研究的深入，通行速度和行程时间预测已经成为国内外广泛关注的课题。由于交通流具有非线性、时变性和不确定性等特性，交通流模型须能准确简洁地描述实时道路交通流演变过程，对于通行速度和行程时间的预测才能更加实时和准确。

首先，选取行驶环境下的道路和环境相关变量进行收集和测定，对关键变量进行量化。其次，建立智能车辆自主驾驶的GIS数据库，分为静态经验场、动态实时场及车本体场，为行驶速度及时间模型提供经验数据和实时道路环境信息。其次，结合回归分析法，提出行驶环境下各关键变量的组合法则，得到城市交通网络中智能车辆行驶车速大小与道路设计参数、交通条件、实时路况的多元线性关系。再次，基于梯形密度-流量基本图的宏观城市交通流理论的VLM模型，得到路段的VLM模型的动态和稳态特征，给出城市宏观交通流的速度和时间评价函数。最后，结合路段在不同的车流量密度以及初始状态下的多元线性车速模型，得到城市道路网络中智能车辆的行驶车速约束方程，进而求得满足目标函数的最优行驶车速及其行程时间，从而为智能车辆在城市道路中的自主驾驶和路径选择提供行驶参考。

本发明中建立的智能车辆行驶速度及时间模型，可获得与实际交通现况相符的道路通行性能评价结果，包括路段最高通行效率的行驶速度、逼近实时交通情况的道路通行时间等；可用于指导城市智能交通网络中的地面无人车辆(UGV)和其他智能车辆的先进辅助驾驶系统(ADAS)，以最优参考行驶速度在城市路网中行驶，制定经济高效的交通出行计划；提高不同路型和交通条件下的城市交通道路的行驶安全，实现对宏观交通流快速有效地调节，同时保证交通流的稳定和道路的高效通行；充分发挥道路设施的潜在功能和作用，减小事故发生的可能性。

发明内容

本发明的目的是提出一种基于宏观城市交通流的智能车辆行驶速度及时间预测方法，适用于城市道路网络中各种典型路型和实际交通流场景，能有效地评价智能车辆在城市道路环境中的行驶状况，反映道路交通网络的通行效率和运行规律，为地面无人车辆(UGV)和车辆的先进辅助驾驶系统(ADAS)的自主驾驶和路径规划提供驾驶参考，也有效提高其在城市道路网络中行驶的安全性和高效性。

一种基于宏观城市交通流的智能车辆行驶速度及时间预测方法，包括以下步骤：

步骤一、选取智能车辆各种行驶环境下，对智能车辆行驶车速和行程时间产生影响的道路关键变量，进行智能车辆城市道路行驶环境变量信息的测定；

步骤二、对步骤一中选取和测定的道路属性及城市道路交通网络信息，进行量化处理；

步骤三、设定智能车辆本体与行驶速度相关的性能参数及配置，以及在行驶过程中的实时行驶位置、行驶环境信息的检测；

步骤四、建立用于智能车辆自主驾驶的城市交通道路网络GIS数据库，对城市道路网络中不同路段的道路信息和城市道路网络进行存储和管理；

步骤五、分析影响行驶车速的道路属性的参数特点及其对行驶车速的作用，采用广义线性回归方法，得到道路属性参数和运行速度之间的多元线性关系，获得各影响车速的道路属性要素的组合法则，建立道路属性-运行速度模型；

步骤六、采用基于梯形交通流基本图的宏观交通流单元长度可变模型描述城市道路网络中交通实况和道路拥堵程度，对城市交通道路网络中的不同路段单元交通流建立符合路段特性的优化VLM模型；

步骤七、求解所述的优化VLM模型的微分方程组的解函数，得到各路段中自由流路段和拥堵路段的车流密度，及拥堵长度随时间和车辆行驶速度的函数关系；根据交通流密度-流量基本图及VLM模型方程分析行驶速度的相关约束方程，从而建立不同路段单元中交通流的宏观行驶速度模型；

步骤八、根据交通流密度-流量基本图及VLM模型方程，分析得到行驶速度的相关约束方程，满足此约束方程的行驶车速值，均是智能车辆在道路上可实现的行驶车速，并得到在当前行驶车速下的行程时间模型；

步骤九、基于城市交通网络的道路属性信息GIS数据库、城市公路设计原则对速度影响的行驶速度回归模型和城市道路网络的宏观交通流VLM模型，建立道路条件、交通实况和交通流影响下的城市道路网络的车辆交通性能评价矩阵，并根据评价模型目标函数，求得最优行驶速度和路段行程时间。

步骤一中所述的道路关键变量包括：①城市交通网络中公路、道路线性设计的参数，包括起止节点、路段长度、曲率半径、斜坡长度、路段梯度、车道数、车道宽、路肩宽；②车辆运行环境下与行驶车速有关的主要道路网路中各路段道路属性信息和交通规则相关信息，包括路口处的红绿灯、道路级别、路段限速、交通占有量、摩擦阻力参数；③道路网路实时交通实况和历史信息数据，包括交通容量、交通需求、拥塞程度、出入口密度、匝道流量、通行时间、路段交通熵、路线交叉密度。

步骤二中所述的量化处理采用以下方法：起止节点S_Node，E_Node，以其地理位置坐标表示，存储在GIS数据库中；将曲率半径R<＝1000m的路段作为圆曲线路段，曲率半径R_i＝R，曲率半径R>1000m路段作为直线路段，记为R_i＝9999；将路段坡度G<3％作为平缓路段，路段梯度G_S＝0，路段坡度G>3％作为纵坡路段，路段梯度G_S＝G；路口处的红绿灯L_Flag，在路段末端点属性记为T，F；道路级别T_i，包括高速路，一级主路，二级主路，支路四种等级，分别记为11，10，01，00；交通占有量η，统计整体车流中与智能车辆性能相近的小汽车占有比例，记为0<η<1；摩擦阻力f，根据道路级别、道路修建和使用情况、路面平整度等进行等级评定，分为非常小、小、中、大、非常大五个级别，记为0～5。

步骤四所述的用于智能车辆自主驾驶的城市交通道路网络GIS数据库分为三个存储模块，包括静态经验场、动态实时场、车本体场；静态经验场主要包括城市主要交通网络拓扑结构图、各路段的道路属性及道路网络中的交通历史信息，作为智能车辆行驶速度及时间的预测方法的经验数据，作为后期智能车辆路径选择的先验知识；动态实时场主要包括交通网络中的实时信息，包括当前时刻交通道路网络中的拥堵路段，各路段的拥堵情况，实施交通事故及交通管制，实时路段车流量，路段中的实时交通组成；车本体场主要包括车辆在城市道路中的行驶性能以及默认行驶习惯，包括最大车速，减速性能，平缓行驶模式，激进行驶模式。所述的动态实时场数据，根据城市交通网络中的实时路况和行车情况进行实时更新，智能车辆的出行时间、起止地点和当前时段交通路况都实时更新。

本发明的有益效果：

1、本发明创新性地将城市公路路型设计参数和宏观城市交通流，引入在城市交通中智能车辆自主驾驶GIS数据库中，并将GIS数据库分为静态经验场、动态实时场及车本体场，为智能车辆的行驶速度和通行时间模型提供经验数据和行驶环境实时信息；结合回归分析法，提出行驶环境下各关键变量的组合法则，得到城市交通网络中智能车辆行驶车速大小与道路设计参数、交通条件、实时路况的多元线性关系；基于梯形密度-流量基本图的宏观城市交通流理论的VLM模型，得到路段的VLM模型的动态和稳态特征，给出城市宏观交通流的速度和时间评价函数；结合路段在不同的车流量密度以及初始状态下的多元线性车速模型，得到城市道路网络中智能车辆的行驶车速约束方程，进而求得满足目标函数的最优行驶车速及其行程时间，从而为智能车辆在城市道路中的自主驾驶和路径选择提供了行驶参考。

2、本发明中的行驶车速和行程时间模型考虑了智能车辆的车辆行驶性能、城市公路设计中的道路几何线形、实时道路环境和交通实况以及宏观城市交通流等多方面综合作用，是城市道路交通网络中智能车辆自主驾驶的最终结果及外在表现。通过对本发明中智能车辆参考行驶车速和行程时间模型的研究，可以有效的评价智能车辆在城市道路环境中的行驶状况，也反映出城市道路交通网络的通行效率和交通运行规律。同时，运行车速作为各种因素综合的外在表现，为智能车辆的出行路径选择及到达时间预估提供了较为准确的模型参考，能有效提高智能车辆在城市道路网络中自主驾驶的安全性和高效性。最后，通过实际采集的道路信息和宏观交通流参数，对交通流模型、车辆行驶速度模型及行程时间模型进行仿真验证。

3、本发明中建立的基于宏观城市交通流的智能车辆行驶速度及时间模型准确有效，可获得与实际交通现况相符的道路通行性能评价结果，包括保证路段最高通行效率的行驶速度、逼近实时交通情况的道路通行时间等；可用于指导城市智能交通网络中的地面无人车辆(UGV)和智能车辆中的先进辅助驾驶系统(ADAS)，以优参考行驶速度在城市路网中行驶，制定经济高效的交通出行计划；提高不同路型和交通条件下的城市交通道路的行驶安全，实现对交通流快速有效地调节；同时，保证交通流的稳定和道路的高效通行，充分发挥道路设施的潜在功能和作用，减小事故发生的可能性。

附图说明

图1城市道路中智能车辆自主驾驶GIS数据库结构示意图；

图2道路GIS数据库的属性表示意图；

图3宏观交通流模型梯形流量-密度曲线示意图；

图4单元长度可变模型(VLM)及其变量示意图；

图5优化VLM模型的微分方程组的解函数曲线示意图；

图6行驶速度的取值范围与车流量密度的关系曲线示意图；

图7目标函数和评价矩阵与行驶速度的关系曲线示意图；

图8路段总耗费与行驶速度的关系曲线示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种基于宏观城市交通流的智能车辆行驶速度及时间模型，具体过程为：

(1)分析选取智能车辆各运行环境下，对智能车辆行驶车速和行程时间产生相关影响的道路关键变量，进行行驶环境变量信息收集和测定；

①从城市规划局、公路设计院等单位收集城市交通网络中公路、道路线性设计等参数，此道路条件包括起止节点S_Node，E_Node；路段长度L_i；曲率半径R_i；斜坡长度L_S；路段梯度G_S；车道数N_i；车道宽W_L；路肩宽W_S，W_m等道路设计属性参数。

②实地测量，采集各种车辆运行环境下与行驶车速有关的主要道路网路中各路段道路属性信息和交通规则相关信息，此交通条件包括路口处的红绿灯L_Flag；道路级别T_i；限速V_L；交通占有量η；摩擦阻力f等实际道路属性参数。

③通过交通管理中心收集道路网路实时交通实况和历史信息数据，包括交通容量C_i；交通需求D_i；拥塞程度C_x＝f(D_i/C_i)；出入口密度θ；匝道流量D_w；通行时间T_i；路段交通熵E_i；路线交叉密度θ_X。

对于多车道城市道路路段，由于同一方向上可利用车道数更多，行驶自由度较大，容易出现车辆混行、变换车道频率较高、交织多等现象，且可能造成局部交通流紊乱、短时堵塞。不同车道之间的侧向交通干扰较大，在公路实际运营过程中，各条道路的通行能力并不一致。

上述获取的道路环境信息中一部分是静态不变的，如红绿灯和交通标志的位置、道路的设计和属性信息等。这些信息预先获知并存储在GIS数据库中，以提高智能车辆对周围环境信息的感知效率。

(2)对采集和测定的道路属性及城市道路网路交通信息，进行量化处理；

起止节点S_Node，E_Node，以其地理位置坐标表示，存储在GIS数据库中；根据《JTG-T_B05-2004公路项目安全性评价指南》中设定，将曲率半径R<＝1000m的路段作为圆曲线路段，曲率半径R_i＝R，曲率半径R>1000m路段作为直线路段，记为R_i＝9999；将路段坡度G<3％作为平缓路段，路段梯度G_S＝0，路段坡度G>3％作为纵坡路段，路段梯度G_S＝G；路口处的红绿灯L_Flag，在路段末端点属性记为T，F；道路级别T_i，包括高速路，一级主路，二级主路，支路四种等级，分别记为11，10，01，00；交通占有量η，主要统计整体车流中与智能车辆性能相近的小汽车占有比例，记为0<η<1；摩擦阻力f，根据道路级别、道路修建和使用情况、路面平整度等进行等级评定，分为非常小、小、中、大、非常大五个级别，记为0～5。

从安全、快速高效的角度出发，对智能车辆行驶速度的影响因素进行定性及定量的分析，将这些因素对行车速度的影响程度通过相应的指标量化，并以折减值、折减系数的方式反应在城市道路网络中智能车辆行驶参考速度的模型建立中。对于无法定量表示的属性参数，将其转化为以数字表示的分类变量。

(3)智能车辆本体与行驶速度相关的性能参数及配置设定，以及在行驶过程中的实时行驶位置、行驶环境等信息采集与测定；

采集与测定的智能车辆相关信息，包括智能车辆在实时行驶过程中，通过组合导航系统和里程计获取的当前自身位置P_now、车速V_now和行驶路线OD信息；通过激光雷达识别周围车辆、行人及障碍物等信息，避开周围车辆、行人及障碍物。

(4)建立城市交通中智能车辆自主驾驶GIS数据库，对城市道路网络中不同路段的路型和道路信息进行存储和管理；

用于智能车辆自主驾驶的城市交通道路网络GIS数据库主要存储各种道路时空属性相关信息，其软件架构分为三个存储模块，包括静态经验场、动态实时场、车本体场。静态经验场主要包括城市主要交通网络拓扑结构图、各路段的道路属性及道路网络中的交通历史信息，可作为系统的经验数据，作为后期智能车辆路径选择的先验知识。动态实时场主要包括交通网络中的实时信息，如当前时刻交通道路网络中的拥堵路段，各路段的拥堵情况，实施交通事故及交通管制，实时路段车流量，路段中的实时交通组成等。车本体场数据库主要包括车辆在城市道路中的行驶性能以及默认行驶习惯，如最大车速，减速性能，平缓行驶模式，激进行驶模式等。本发明中实时路况和行驶速度模型和行程时间模型的预测结果及其准确性修正后，应当作为历史数据存储在静态经验场，用于总结和分析道路网络通行情况，从而收集城市交通信息，并为进一步改进预测模型做准备；动态实时场数据应当根据城市交通网络中的实时路况和行车情况进行实时更新，智能车辆的出行时间、起止地点和当前时段交通路况都应实时更新。

(5)分析影响行驶车速的道路属性的参数特点及其对行驶车速的作用，采用广义线性回归(Generalized Linear Model)的方法，得到道路属性参数和运行速度之间的多元线性关系，提出了各影响车速的道路属性要素的组合法则，考虑将以上各因素作为自变量建立道路属性-运行速度模型，如公式(1)所示；

公式(1)：

Σ₁：v＝β₁(β_sβ₂v_max-β₃)

β₁＝δ_wλ_Rλ_L

      

β₂＝N+α₀V_L-α₁G_s-α₂η+α₃G_i-α₄θ+α₅lnR+α₆f

β₃＝(7-W_L0)B_w

其中，υ_max为在最理想道路情况下智能车辆的行驶车速，δ_w为匝道路口对行驶车速的影响系数，λ_R为道路线形中圆曲线路型对行驶车速的影响系数，λ_L为车道位置(左、中、右)对行驶车速的影响系数，δ_s为互通区车道宽度对行驶车速的影响系数，r₁为车道净空路肩实际宽度与设计宽度的折减系数，r₂为路段中车道实际宽度与设计宽度的折减系数，W_j0为车道净空路肩的设计宽度，W_j1为车道净空路肩的实际宽度，W_L0为行驶车道的设计宽度，W_L为行驶车道的实际宽度，V_L为道路网络中当前路段的限速值，G_s为道路网络中当前路段的路型梯度，η为当前交通实况下智能车辆类似车辆的交通占有率，G_i为道路网络中当前路段的道路级别，θ为当前路段的出入口车流量密度，R为道路网络中当前路段的曲率半径，f为道路网络中当前路段的摩擦系数，α_i为各因素变量的线性回归系数，i＝0，1，2，3，4，5，6，B_w为不同车道宽度时时的单宽折减系数，N为常数。

通过针对影响行驶车速的道路属性参数特点及其对行驶车速作用的研究，充分考虑了运行速度的影响因素，包括道路设计几何线型、道路行驶条件、实时交通状况、交通限速要求、车辆机动性能等相关因素，这些因素都会在不同程度上对智能车辆的合理行驶速度产生影响。因此，在建模时考虑将以上各因素作为自变量，提出了各影响车速的道路属性要素的组合法则，采用广义线性回归的方法建立道路属性-运行速度模型，找出道路属性参数和运行速度之间的线性或非线性关系，为得到高效安全的城市道路网络中智能车辆的安全行驶参考速度方案提供依据。

(6)采用基于梯形交通流基本图的宏观交通流单元长度可变模型(VariableLength Model，VLM)，描述城市道路网络中交通实况和道路拥堵程度，对城市交通道路网络中的不同路段单元交通流建立符合路段特性的优化VLM模型，如公式(2)；

公式(2)：

      

      

      

      

      

      

      

l∈Ω_l＝{l：0≤l≤L}

其中，ρ_f为当前路段中自由流单元的交通流密度，ρ_c为当前路段中拥堵单元的交通流密度，ρ_m为当前路段中交通流单元完全拥堵时的最大交通流密度，v_f为当前路段中自由流单元的行驶速度，w为当前路段中拥堵单元的拥堵波反向传播速度，l为当前路段中拥堵单元的实时长度，L为当前路段的总长度，为流入当前路段中边界流量，为流出当前路段中边界流量，D_in为当前路段的交通流流入需求量，S_f为当前路段的自由流单元的供给量，D_c为当前路段拥堵单元的需求量，S_out为当前路段可供流出的交通流供给量，为当前行驶车速下的最大交通流流量，i为路线中的VLM路段的单元序号。

VLM模型对路段进行可变长度的分段研究，能够充分兼顾交通流的微观特性，描述城市道路网络中实时交通情况和道路拥堵程度，关注少数车辆之间的交通状态传递，且对未饱和交通流、饱和乃至过饱和交通流均有良好的描述效果，可用于包含拥堵路段的可变行驶车速研究中。

求解上述模型的微分方程组的解函数，分析各路段的VLM模型的动态和稳态特征，得到各路段中自由流路段和拥堵路段的车流密度，及拥堵长度随时间和车辆行驶速度的函数关系。

(7)根据交通流密度-流量基本图及VLM模型方程分析行驶速度的相关约束方程，从而建立不同路段单元中交通流的宏观行驶速度模型，如公式(3)；

公式(3)：

Q_max＝υm_ax1ρ₁

Q_max＝υ_max2ρ₂

       $v_c=\frac{w({\mathrm{\&rho;}}_m-{\mathrm{\&rho;}}_c)}{{\mathrm{\&rho;}}_c}$

       ${\mathrm{\&rho;}}_{\mathrm{cr}}=\frac{{\mathrm{w\&rho;}}_m}{v_{\mathrm{cr}}+w}$     当υ_fmax＝υ_c＝υ_cr时；

      

      

其中，Q_max为当前路段中的最大交通量，υ_max1为最大交通容量下该路段上的最大行驶车速上限值，ρ₁为与最大行驶车速上限值υ_max1对应的交通流密度，υ_max2为最大交通容量下该路段上的最大行驶车速下限值，ρ₂为与最大行驶车速下限值υ_max2对应的交通流密度，ρ_c为当前路段中拥堵单元的交通流密度，ρ_m为当前路段中交通流单元完全拥堵时的最大交通流密度，υ_c为当前路段中拥堵单元的行驶速度，w为当前路段中拥堵单元的拥堵波反向传播速度，υ_fmax为当前路段中当前车流量下自由流单元的最大行驶速度，υ_cr为当前路段中当前车流量下自由流单元的最大行驶速度与拥堵单元行驶速度相等时的临界速度，ρ_cr为对应于此临界行驶速度υ_cr的车流量密度临界值，ρ为当前路段某位置处的车流量密度，υ(ρ)为当前路段某位置处对应于车流量密度ρ的车辆行驶速度。

(8)根据交通流密度-流量基本图及VLM模型方程分析得到行驶速度的相关约束方程后，在此约束方程组的取值范围中的行驶车速均能符合智能车辆在道路上的行驶，则在当前行驶车速下的行程时间模型，如公式(4)所示；

公式(4)：

       ${\mathrm{\&Sigma;}}_4:T\left(l\right)={\&Integral;}_0^L\frac{1}{\mathrm{\&upsi;}}\mathrm{dl}={\&Integral;}_0^{L-l}\frac{1}{{\mathrm{\&upsi;}}_f}\mathrm{dl}+{\&Integral;}_0^l\frac{1}{{\mathrm{\&upsi;}}_c}\mathrm{dl}$

其中，l为当前路段中拥堵单元的实时长度，L为当前路段的总长度，υ_f为当前路段中自由流单元的行驶速度，υ_c为当前路段中拥堵单元的行驶速度，υ(ρ)为当前路段某位置处的车辆瞬时行驶速度，T(l)为在总长度为L的路段中随拥堵单元长度l变化的路段行程时间。

(9)基于城市交通网络的道路属性信息GIS数据库、城市公路设计原则对速度影响的行驶速度回归模型和城市道路网络的宏观交通流VLM模型，建立道路条件、交通实况和交通流影响下的城市道路网络的车辆交通性能评价矩阵，并根据评价模型目标函数，如公式(5)，求得最优行驶速度和路段行程时间。

公式(5)：

υ^*＝argmin_v{T(l)+σ₁ITT(ρ)+σ₂TTT(ρ)-σ₃TTD(ρ)}

      

       $T^{*}={\&Integral;}_0^L\frac{1}{{\mathrm{\&upsi;}}^{*}}\mathrm{dl}$

       ${\mathrm{\&Sigma;}}_5:\left\{\begin{array}{c}\mathrm{ITT}\left(\mathrm{\&rho;}\right)=\frac{L-l}{{\mathrm{\&upsi;}}_f}+\frac{l}{{\mathrm{\&upsi;}}_c}\\ \mathrm{TTT}\left(\mathrm{\&rho;}\right)={\&Integral;}_0^T{\&Integral;}_0^L\mathrm{\&rho;}\left(\mathrm{\&tau;}\right)\mathrm{dxd\&tau;}={\&Integral;}_0^T[{\mathrm{\&rho;}}_{f}L+({\mathrm{\&rho;}}_c-{\mathrm{\&rho;}}_f)l]\mathrm{d\&tau;}\\ \mathrm{TTD}\left(\mathrm{\&rho;}\right)={\&Integral;}_0^T{\&Integral;}_0^L\mathrm{\&phi;}(\mathrm{\&rho;},\mathrm{\&tau;})\mathrm{dxd\&tau;}={\&Integral;}_0^T\{{\mathrm{\&upsi;}}_f{\mathrm{\&rho;}}_{f}L+[w({\mathrm{\&rho;}}_m-{\mathrm{\&rho;}}_c)-{\mathrm{\&upsi;}}_f{\mathrm{\&rho;}}_f\left]l\right]\mathrm{d\&tau;}\end{array}\right.$

其中，l为当前路段中拥堵单元的实时长度，L为当前路段的总长度，T为单位时间，υ_f为当前路段中自由流单元的行驶速度，υ_c为当前路段中拥堵单元的行驶速度，w为当前路段中拥堵单元的拥堵波反向传播速度，ρ为当前路段某位置处的车流量密度，ρ_m为当前路段中交通流单元完全拥堵时的最大交通流密度，ρ_f为当前路段中自由流单元的交通流密度，ρ_c为当前路段中拥堵单元的交通流密度，ITT(ρ)为当前车流量密度为ρ时的车辆即时通行时间，TTT(ρ)为当前车流量密度为ρ时的车辆全局通行时间，TTD(ρ)为当前车流量密度为ρ时的车辆全局通行距离，υ^*为达到目标函数的最优行驶速度，T^*为达到目标函数的最优行驶速度下的行程时间，σ_i为车辆交通性能评价变量的相应系数，i＝1，2，3.

为了验证上述提出的基于宏观城市交通流的智能车辆行驶速度及时间预测的方法的有效性，本发明利用城市道路网络中的某路段为例，结合说明书附图，进一步对智能车辆的行驶速度及时间模型进行建模和仿真研究。

分析选取智能车辆行驶环境下的道路和环境的关键变量，进行收集和测定；对获取的道路属性及城市道路网路交通信息，进行量化处理；建立城市交通中智能车辆自主驾驶GIS数据库，其结构如附图1所示。

城市交通中智能车辆自主驾驶GIS数据库，分为静态经验场、动态实时场及车本体场，对城市道路网络中不同路段的路型和道路信息进行存储和管理。实际采集的各城市交通网络路段存储在GIS数据库中，其属性表结构如附图2所示。

结合回归分析法，提出各运行环境下的关键变量的组合法则，得到城市交通网络中智能车辆行驶车速大小与城市道路设计参数、交通条件、实时路况的多元线性关系。经以上分析与实验，考虑以道路设计属性、实时交通条件和智能车辆本体信息为自变量建立的智能车辆在城市道路网络中的道路属性-运行速度多元线性模型中，实测模型参数如下δ_w为匝道路口对行驶车速的影响系数，λ_R为道路线形中圆曲线路型对行驶车速的影响系数，λ_L为车道位置(左、中、右)对行驶车速的影响系数，r₁为车道净空路肩实际宽度与设计宽度的折减系数，路段中车道实际宽度与设计宽度的折减系数r₂＝10.38，路段的限速值对行驶速度影响系数α₀＝1.08，路段的路型梯度对行驶速度影响系数α₁＝0.867，路段的与智能车辆车型类似车辆的交通占有率对行驶速度影响系数α₂＝60.768，路段的道路等级对行驶速度影响系数α₃＝8.806，路段的出入口车流量密度对行驶速度影响系数α₄＝0.09，路段曲率半径对行驶速度影响系数α₅＝6.19，路段摩擦力系数对行驶速度影响系数α₆＝13.72，常数N＝15.8。

      

      

      

β₁＝δ_wλ_Rλ_L

      

      

β₂＝15.8+1.08V_L-0.867G_s-60.768η+8.806G_i-0.09θ+6.19lnR+13.72f

      

β₃＝(7-W_L0)B_w

则道路属性-行驶速度多元线性回归方程为：

Σ₁：v＝β₁(δ_sβ₂v_max-β₃)

本发明中，采用的宏观交通流模型梯形流量-密度曲线，如附图3所示。

采用基于梯形交通流基本图的宏观交通流单元长度可变模型(VLM)，描述城市道路网络中交通实况和道路拥堵程度，对城市交通道路网络中的不同路段单元交通流建立符合路段特性的优化VLM模型，VLM模型及其变量如附图4所示。

路段的优化VLM模型初始参数设置如下：

当前路段的总长度L＝0.8km，单位时间T＝200s，当前路段中的最大交通量Q_max＝800veh/km，最大交通容量下该路段上的最大行驶车速上限值υ_max1＝100km/h，与最大行驶车速上限值υ_max1对应的交通流密度ρ₁＝8veh/km，最大交通容量下该路段上的最大行驶车速下限值υ_max2＝80km/h，与最大行驶车速下限值υ_max2对应的交通流密度ρ₂＝10veh/km，当前路段中自由流单元的初始交通流密度当前路段中拥堵单元的初始交通流密度当前路段中拥堵单元的初始长度l⁰＝500m，当前路段中交通流单元完全拥堵时的最大交通流密度ρ_m＝260veh/km，当前路段中拥堵单元的拥堵波反向传播速度w＝40km/h，路线中的VLM路段的单元序号i＝2，相邻的VLM路段单元自由流行驶速度υ_f，i-1＝υ_f，i+1＝60km/h。

将以上参数带入优化VLM模型的微分方程组Σ₂，可解得ρ_c，ρ_f，l关于υ(ρ)，t的函数曲线，如附图5所示。

由图5可见，当行驶速度由增长至时，当前路段中自由流单元的交通流密度随时间变化明显，且随着行驶速度增加而减小，即路段中的自由流单元车流密度随行驶速度加快而降低；而当前路段中自由流单元的交通流密度随时间变化也较明显，但随着行驶速度增加并没有明显变化，仍保持较大车流密度，即当车流密度达到一定程度时，行驶速度继续增加，当前路段的拥堵单元密度接近饱和，受其影响不大；与此同时，当前路段中拥堵单元的长度随时间变化也较明显，且随着行驶速度增加而增大，即当行驶速度加快时，路段的拥堵情况加剧，这一结论与实际情况相符。

将以上参数及优化VLM模型的微分方程组的解函数带入基于宏观交通流的行驶速度约束方程组，解得行驶速度的取值范围，如附图6所示。

将优化VLM模型的微分方程组的解函数及行驶速度带入目标函数和评价矩阵，可得评价矩阵曲线，如附图7所示。

车辆交通性能评价变量的相应系数分别为σ₁＝0.2，σ₃＝1.2，由于保持稳定不变，对最终结果无影响。最终，可求得最优行驶速度和路段行程时间，如附图8所示。总结上述过程，结合附图5～8，可看出该路段最优行驶速度，带入目标函数可求得路段行程时间。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于宏观城市交通流的智能车辆行驶速度及时间预测方法，其特征在于，包括以下步骤：

步骤一、选取智能车辆各种行驶环境下，对智能车辆行驶车速和行程时间产生影响的道路关键变量，进行智能车辆城市道路行驶环境变量信息的测定；

步骤二、对步骤一中选取和测定的道路属性及城市道路交通网络信息，进行量化处理；

步骤三、设定智能车辆本体与行驶速度相关的性能参数及配置，以及在行驶过程中的实时行驶位置、行驶环境信息的检测；

步骤四、建立用于智能车辆自主驾驶的城市交通道路网络GIS数据库，对城市道路网络中不同路段的道路信息和城市道路网络进行存储和管理；

步骤五、分析影响行驶车速的道路属性的参数特点及其对行驶车速的作用，采用广义线性回归方法，得到道路属性参数和运行速度之间的多元线性关系，获得各影响车速的道路属性要素的组合法则，建立道路属性-运行速度模型；

步骤六、采用基于梯形交通流基本图的宏观交通流单元长度可变模型描述城市道路网络中交通实况和道路拥堵程度，对城市交通道路网络中的不同路段单元交通流建立符合路段特性的优化VLM模型；

步骤七、求解所述的优化VLM模型的微分方程组的解函数，得到各路段中自由流路段和拥堵路段的车流密度，及拥堵长度随时间和车辆行驶速度的函数关系；根据交通流密度-流量基本图及VLM模型方程分析行驶速度的相关约束方程，从而建立不同路段单元中交通流的宏观行驶速度模型；

步骤八、根据交通流密度-流量基本图及VLM模型方程，分析得到行驶速度的相关约束方程，满足此约束方程的行驶车速值，均是智能车辆在道路上可实现的行驶车速，并得到在当前行驶车速下的行程时间模型；

步骤九、基于城市交通网络的道路属性信息GIS数据库、城市公路设计原则对速度影响的行驶速度回归模型和城市道路网络的宏观交通流VLM模型，建立道路条件、交通实况和交通流影响下的城市道路网络的车辆交通性能评价矩阵，并根据评价模型目标函数，求得最优行驶速度和路段行程时间。

2.如权利要求1所述的一种基于宏观城市交通流的智能车辆行驶速度及时间预测方法，其特征在于，步骤一中所述的道路关键变量包括：①城市交通网络中公路、道路线性设计的参数，包括起止节点、路段长度、曲率半径、斜坡长度、路段梯度、车道数、车道宽、路肩宽；②车辆运行环境下与行驶车速有关的主要道路网路中各路段道路属性信息和交通规则相关信息，包括路口处的红绿灯、道路级别、路段限速、交通占有量、摩擦阻力参数；③道路网路实时交通实况和历史信息数据，包括交通容量、交通需求、拥塞程度、出入口密度、匝道流量、通行时间、路段交通熵、路线交叉密度。

3.如权利要求2所述的一种基于宏观城市交通流的智能车辆行驶速度及时间预测方法，其特征在于，步骤二中所述的量化处理采用以下方法：起止节点S_Node，E_Node，以其地理位置坐标表示，存储在GIS数据库中；将曲率半径R<＝1000m的路段作为圆曲线路段，曲率半径R_i＝R，曲率半径R>1000m路段作为直线路段，记为R_i＝9999；将路段坡度G<3％作为平缓路段，路段梯度G_S＝0，路段坡度G>3％作为纵坡路段，路段梯度G_S＝G；路口处的红绿灯L_Flag，在路段末端点属性记为T，F；道路级别T_i，包括高速路，一级主路，二级主路，支路四种等级，分别记为11，10，01，00；交通占有量η，统计整体车流中与智能车辆性能相近的小汽车占有比例，记为0<η<1；摩擦阻力f，根据道路级别、道路修建和使用情况、路面平整度等进行等级评定，分为非常小、小、中、大、非常大五个级别，记为0～5。

4.如权利要求3所述的一种基于宏观城市交通流的智能车辆行驶速度及时间预测方法，其特征在于，步骤四所述的用于智能车辆自主驾驶的城市交通道路网络GIS数据库分为三个存储模块，包括静态经验场、动态实时场、车本体场；静态经验场主要包括城市主要交通网络拓扑结构图、各路段的道路属性及道路网络中的交通历史信息，作为智能车辆行驶速度及时间的预测方法的经验数据，作为后期智能车辆路径选择的先验知识；动态实时场主要包括交通网络中的实时信息，包括当前时刻交通道路网络中的拥堵路段，各路段的拥堵情况，实施交通事故及交通管制，实时路段车流量，路段中的实时交通组成；车本体场主要包括车辆在城市道路中的行驶性能以及默认行驶习惯，包括最大车速，减速性能，平缓行驶模式，激进行驶模式。所述的动态实时场数据，根据城市交通网络中的实时路况和行车情况进行实时更新，智能车辆的出行时间、起止地点和当前时段交通路况都实时更新。