论文部分内容阅读
摘要：在逐段空间线性变速行程时间估计方法（PLSB）的基础上，提出一种新的轨迹行程时间研究方法，即基于逐段时间线性变速的行程时间估计方法（PCAB），它将速度作为车辆行驶时间的因变量，在线性函数中求解估计行程时间。利用AIMSUN交通仿真软件对新PCAB估计方法进行验证，采用平均绝对误差（MAE）与平均绝对百分比误差（MAPE）作为评价指标，对不同拥堵程度、不同交通事件等级等道路环境进行仿真，结果表明：同等时间窗条件下，PCAB方法的行程时间MAE估计误差精度是最小速度模型的10.29倍、半距速度模型的3.46倍、PLSB估计方法的1.61倍;MAPE估计误差精度是最小速度模型的10.19倍、半距速度模型的3.44倍、平均速度模型的1.01倍、PLSB估计方法的1.59倍。提出的PCAB估计方法具有比PLSB及其他基于轨迹的估计方法具有更高的行程时间估计精度。
关键词：行程时间估计;线性变速;AIMSUN;时间窗
1引言
行程时间信息是交通运输工程领域中的基础信息，对其行程时间估计的研究与应用可以为交通工程师、规划师、管理部门与出行者在内的各方交通参与者进行规划、设计、管理与出行提供重要的参考信息[1]。更能够帮助交通运行部门制定更优化的管理与调控措置，从而提高整个交通运输系统的运作效率[2]。准确的行程时间估计方法是行程时间预测的基础，可以对后续的行程时间预测模型进行校准和验证。根据前人的研究[3-6]，本文提出一种新型的基于逐段时间线性变速的行程时间估计方法（PCAB），开展对点传感器数据行程时间的估计方法研究。
2基于逐段时间线性变速的行程时间估计方法（PCAB）
基于逐段时间线性变速的行程时间估计方法是在前人的研究成果上，以基于轨迹逐段常速的行程时间估计方法（PCSB）和改进的逐段空间线性变速的行程时间估计方法（PLSB）为基础，提出了一种逐段时间线性变速，也即基于逐段匀加速的行程时间估计方法（Piecewise Constant Acceleartion Based，PCAB）。不同于空间线性变速运动，该方法认为车辆在相邻两个检测器之间进行时间线性变速，也即匀加速或匀减速运动。
2.1 PLSB
PLSB认为车辆速度是行驶距离的线性函数，由此，车辆通过道路上某个位置的时间可由计算得到，车辆在某个时刻通过道路上的位置可由式4.1计算得到。为了计算该路径的行程时间，首先需要确定在任意给定驶入点（x0，t0）情况下车辆在时空域（n，p）中每个单元的驶出点（x*，t*），即边界点。车辆输出时空域单元存在两种情况。第一种情况是在当前时间段p内车辆已经达到下一个路段n+1（下一个检测器之后的路段）。第二种情况是当前时间段p结束了车辆还处于当前路段n。这两种情况对应时空域单元的驶出点如式4.2所示。
2.2 PCAB
不同于PLSB，PCAB认为车辆速度是行驶时间的线性函数。也就是说，车辆以固定加速度在道路上行驶，由此车辆在某个时刻通过道路上的位置可由式4.3计算得到，式中，t为当前时刻，x（t）为车辆在当前时刻t所处的位置，t0为起始时间，xu和xd分别为上游和下游检测器的位置，μu和μd（n，p）分别为上游和下游检测器在时空域（n，p）单元中的速度。
3基于轨迹的行程时间估计方法（PCAB）验证
利用AIMSUN交通仿真软件，对行驶在道路上的车辆行为进行建模，构建道路测试路段仿真模型，对不同交通需求、交通事件等环境进行仿真。测试并获取不同环境下的交通流量，速度等检测器数据。同时，利用AIMSUN记录不同交通环境下的道路的真实行程时间。利用这些数据，对PLSB，PCAB以及其他基于轨迹方法的行程时间估计性能进行测试和比较。
3.1 模型验证条件
为了验证行程时间估计方法的有效性，拟对不同拥堵程度、不同交通事件等级等道路环境进行仿真。考虑到晚间道路上车流量较少，人们也较少关注，本文对6：00am-9：00pm，共15小时道路上的交通环境进行了仿真建模，包括早高峰、午高峰以及晚高峰三个高峰时段。实验中，假设实验道路每个车道的通行能力为2200标准车每小时。道路拥堵程度由道路的交通流量与道路的通行能力V/C比确定。道路上的大车数量为小车的5%，大车与小车的换算系数为2。一天内各时间段道路上的V/C比如表3.1-1所示。从表中可以看出，实验考虑各种不同的道路拥堵情况。
3.2 验证评价指标
采用平均绝对误差（Mean Absolute Error，MAE）与平均绝对百分比误差（Mean Absolute Percentatge Error，MAPE）两个指标对行程时间估计方法的性能进行评价。MAE和MAPE是两种最常见的用于估计与预测模型的评价指标。
3.3 模型验证结果
表3.3-1给出了PLSB，PCAB以及其他三种基于轨迹行程时间估计方法的实验结果，其中性能比较结果C=模型i计算结果/PCAB模型计算结果，模型i=半距速度模型、最小速度模型、平均速度模型和PLSB。从表中可以看出，这几种方法中，最小速度模型的行程时间估计误差最大，精度最低。PLSB模型优于半距速度模型以及最小速度模型。验证结果表明，提出的PCAB行程时间估计模型是行之有效的。
为了验证时间窗对PCAB行程时间估计性能的影响，共以1min-5min五个不同时间窗条件来估计结果。实验证明，在不同时间窗条件下，利用PCAB估计的行程时间与真实值的差异性较小。结合表3.3-1可知，本文提出的PCAB估计方法能够对不同时间窗条件下的行程时间做出较高精度的估计。这为后续行程时间预测中时间窗的选择提供了实验基础。从上述研究结果中可以看出，本文提出的PCAB估计方法优于其他几种行程時间估计模型，能在不同交通条件下以较高的精度对行程时间进行估计。
4结语
在前人研究成果基础上，提出一种新的轨迹行程时间研究方法，即基于逐段时间线性变速的行程时间估计方法（PCAB）。采用平均绝对误差（MAE）与平均绝对百分比误差（MAPE）作为评价指标，利用AIMSUN交通仿真软件对新PCAB估计方法进行验证，对不同拥堵程度、不同交通事件等级等道路环境进行仿真，研究结果表明，同等时间窗条件下，PCAB估计方法的计算精度是最高的，具有较高的参考价值，可以为后续的工程应用提供较好的技术参考。
参考文献：
[1]刘炀. 基于网格模型的城市交通运行状态识别和行程时间预测方法研究[D]. 北京交通大学，2018.
[2]Van Lint J W C，Hoogendoorn S P，van Zuylen H J. Accurate freeway travel time prediction with state-space neural networks under missing data[J]. Transportation Research Part C：Emerging Technologies，2005，13（5-6）：347-369.
[3]徐天东，孙立军，郝媛. 城市快速路实时交通状态估计和行程时间预测[J]. 同济大学学报（自然科学版），2008，36（10）：1355-1361.
[4]欧阳黜霏. 基于隐马尔可夫模型的车辆行程时间预测方法研究[D]. 武汉大学，2015.
[5]杨兆升，保丽霞，朱国华. 基于Fuzzy回归的快速路行程时间预测模型研究[J]. 公路交通科技，2004，21（3）：78-81.
[6]基于交通数据融合技术的行程时间预测模型[J]. 湖南大学学报（自然科学版），2014（1）：33-38.
关键词：行程时间估计;线性变速;AIMSUN;时间窗
1引言
行程时间信息是交通运输工程领域中的基础信息，对其行程时间估计的研究与应用可以为交通工程师、规划师、管理部门与出行者在内的各方交通参与者进行规划、设计、管理与出行提供重要的参考信息[1]。更能够帮助交通运行部门制定更优化的管理与调控措置，从而提高整个交通运输系统的运作效率[2]。准确的行程时间估计方法是行程时间预测的基础，可以对后续的行程时间预测模型进行校准和验证。根据前人的研究[3-6]，本文提出一种新型的基于逐段时间线性变速的行程时间估计方法（PCAB），开展对点传感器数据行程时间的估计方法研究。
2基于逐段时间线性变速的行程时间估计方法（PCAB）
基于逐段时间线性变速的行程时间估计方法是在前人的研究成果上，以基于轨迹逐段常速的行程时间估计方法（PCSB）和改进的逐段空间线性变速的行程时间估计方法（PLSB）为基础，提出了一种逐段时间线性变速，也即基于逐段匀加速的行程时间估计方法（Piecewise Constant Acceleartion Based，PCAB）。不同于空间线性变速运动，该方法认为车辆在相邻两个检测器之间进行时间线性变速，也即匀加速或匀减速运动。
2.1 PLSB
PLSB认为车辆速度是行驶距离的线性函数，由此，车辆通过道路上某个位置的时间可由计算得到，车辆在某个时刻通过道路上的位置可由式4.1计算得到。为了计算该路径的行程时间，首先需要确定在任意给定驶入点（x0，t0）情况下车辆在时空域（n，p）中每个单元的驶出点（x*，t*），即边界点。车辆输出时空域单元存在两种情况。第一种情况是在当前时间段p内车辆已经达到下一个路段n+1（下一个检测器之后的路段）。第二种情况是当前时间段p结束了车辆还处于当前路段n。这两种情况对应时空域单元的驶出点如式4.2所示。
2.2 PCAB
不同于PLSB，PCAB认为车辆速度是行驶时间的线性函数。也就是说，车辆以固定加速度在道路上行驶，由此车辆在某个时刻通过道路上的位置可由式4.3计算得到，式中，t为当前时刻，x（t）为车辆在当前时刻t所处的位置，t0为起始时间，xu和xd分别为上游和下游检测器的位置，μu和μd（n，p）分别为上游和下游检测器在时空域（n，p）单元中的速度。
3基于轨迹的行程时间估计方法（PCAB）验证
利用AIMSUN交通仿真软件，对行驶在道路上的车辆行为进行建模，构建道路测试路段仿真模型，对不同交通需求、交通事件等环境进行仿真。测试并获取不同环境下的交通流量，速度等检测器数据。同时，利用AIMSUN记录不同交通环境下的道路的真实行程时间。利用这些数据，对PLSB，PCAB以及其他基于轨迹方法的行程时间估计性能进行测试和比较。
3.1 模型验证条件
为了验证行程时间估计方法的有效性，拟对不同拥堵程度、不同交通事件等级等道路环境进行仿真。考虑到晚间道路上车流量较少，人们也较少关注，本文对6：00am-9：00pm，共15小时道路上的交通环境进行了仿真建模，包括早高峰、午高峰以及晚高峰三个高峰时段。实验中，假设实验道路每个车道的通行能力为2200标准车每小时。道路拥堵程度由道路的交通流量与道路的通行能力V/C比确定。道路上的大车数量为小车的5%，大车与小车的换算系数为2。一天内各时间段道路上的V/C比如表3.1-1所示。从表中可以看出，实验考虑各种不同的道路拥堵情况。
3.2 验证评价指标
采用平均绝对误差（Mean Absolute Error，MAE）与平均绝对百分比误差（Mean Absolute Percentatge Error，MAPE）两个指标对行程时间估计方法的性能进行评价。MAE和MAPE是两种最常见的用于估计与预测模型的评价指标。
3.3 模型验证结果
表3.3-1给出了PLSB，PCAB以及其他三种基于轨迹行程时间估计方法的实验结果，其中性能比较结果C=模型i计算结果/PCAB模型计算结果，模型i=半距速度模型、最小速度模型、平均速度模型和PLSB。从表中可以看出，这几种方法中，最小速度模型的行程时间估计误差最大，精度最低。PLSB模型优于半距速度模型以及最小速度模型。验证结果表明，提出的PCAB行程时间估计模型是行之有效的。
为了验证时间窗对PCAB行程时间估计性能的影响，共以1min-5min五个不同时间窗条件来估计结果。实验证明，在不同时间窗条件下，利用PCAB估计的行程时间与真实值的差异性较小。结合表3.3-1可知，本文提出的PCAB估计方法能够对不同时间窗条件下的行程时间做出较高精度的估计。这为后续行程时间预测中时间窗的选择提供了实验基础。从上述研究结果中可以看出，本文提出的PCAB估计方法优于其他几种行程時间估计模型，能在不同交通条件下以较高的精度对行程时间进行估计。
4结语
在前人研究成果基础上，提出一种新的轨迹行程时间研究方法，即基于逐段时间线性变速的行程时间估计方法（PCAB）。采用平均绝对误差（MAE）与平均绝对百分比误差（MAPE）作为评价指标，利用AIMSUN交通仿真软件对新PCAB估计方法进行验证，对不同拥堵程度、不同交通事件等级等道路环境进行仿真，研究结果表明，同等时间窗条件下，PCAB估计方法的计算精度是最高的，具有较高的参考价值，可以为后续的工程应用提供较好的技术参考。
参考文献：
[1]刘炀. 基于网格模型的城市交通运行状态识别和行程时间预测方法研究[D]. 北京交通大学，2018.
[2]Van Lint J W C，Hoogendoorn S P，van Zuylen H J. Accurate freeway travel time prediction with state-space neural networks under missing data[J]. Transportation Research Part C：Emerging Technologies，2005，13（5-6）：347-369.
[3]徐天东，孙立军，郝媛. 城市快速路实时交通状态估计和行程时间预测[J]. 同济大学学报（自然科学版），2008，36（10）：1355-1361.
[4]欧阳黜霏. 基于隐马尔可夫模型的车辆行程时间预测方法研究[D]. 武汉大学，2015.
[5]杨兆升，保丽霞，朱国华. 基于Fuzzy回归的快速路行程时间预测模型研究[J]. 公路交通科技，2004，21（3）：78-81.
[6]基于交通数据融合技术的行程时间预测模型[J]. 湖南大学学报（自然科学版），2014（1）：33-38.