下载文档原格式
第三章交通调查与交通流检测交通调查与交通流检测是道路交通组织调整获取交通需求信息的主要手段。
其中交通调查多用于静态交通组织调整，如车道渠化，单行禁左等等；而交通检测多用于动态交通组织方案的制定与调整，如信号配时调整、绿波协调、交通诱导信息发布等等。
缺少这两块工作，我们很难做到动静态交通组织的有效匹配，交通拥堵也就在所难免了。
1、对交通流基本特性的认识1.1交通流的时间变化规律1、小时交通量变化在一天24小时中，总会出现交通流高峰、平峰和低峰，每天出现的时段大致接近，因此交通流存在一个以日为周期的小时交通量变化规律，如表3-1所示。
表3-1 北京某路口昼夜24小时交通量占昼夜交通量的百分比由于道路性质不同，高峰个数与发生时段也不同，最常见的有上午高峰（8:00~11:30），下午高峰（14:30~18:30），晚高峰（20:00~21:30）。
高峰时段是交通管理的重点时段，交通拥挤堵塞一般都发生在高峰时段，特别是上午高峰，因此常把上午高峰中交通流量最大的时段作为该路口（路段）实际交通负荷的参考依据。
（1）最大小时交通量它是在全天调查中以1小时为单位所观测的结果中最大的交通量数值，一般用以确定高峰时段并评价交通负荷程度，是交通规划、交通组织、交通控制的基本数据。
（2）交通流时间分布图如图3-1所示，它可以表示出全天交通流量变化情况，为在时间上“削峰填谷”（如错时上下班，限时削减某种交通流量等）合理利用道路提供依据，同时也可以为不同时段的信号控制方案设置提供控制数据。
1002003004005006007008009001000110012000246810121416182022243-1 交通流时间分布图2、周日交通量变化由于我国实行每周40小时工作制，多数在职人员休息日是周六和周日，因此在交通上存在一个以周日为周期的日交通量变化规律。
一般周一交通量最大，而周六、周日则最小。
随着私人汽车的发展，这种状况有可能发生变化。
如何进行道路交通流测量与分析在现代社会，道路交通对我们的日常生活起着至关重要的作用。
为了更好地管理和规划道路交通，交通流的测量与分析变得尤为重要。
通过对交通流的测量与分析，我们可以了解路段的拥堵情况、交通流量峰值时段以及各种交通工具的使用情况等，以便更好地调整交通规划和改善城市交通状况。
无论是城市道路还是高速公路，道路交通流的测量与分析都采用了多种常用的方法与技术。
其中，最常见的方式之一是传感器和监控摄像机。
这些设备可以安装在道路上，通过记录和识别过往车辆的信息，获得交通流的数据。
传感器可以通过测量车辆数量、速度和车道占用时间等数据指标来获得详细的交通流信息。
监控摄像机则可通过识别车辆的类型、颜色以及车牌号码等数据来对交通流进行分析。
除了传感器和监控摄像机，GPS系统也可以用来测量和分析交通流量。
通过搭载GPS设备的出租车或私家车，可以实时获得车辆的位置和速度等信息。
这样的数据不仅可以用于实时测量交通流量，还可以用于交通拥堵的预测和路线规划等方面。
在进行道路交通流测量与分析时，数据处理和统计分析是关键的环节。
通过运用统计学原理和方法，我们可以利用收集到的数据快速、准确地分析交通流的状况。
例如，可以采用卡方检验来分析交通流量是否符合预期模式。
还可以利用回归分析来研究交通流量与不同因素之间的关系，如天气、季节和道路条件等。
此外，还可以运用热力图和流矢图等可视化分析手法，直观地展示交通拥堵的程度和时空分布等信息。
有了准确的交通流数据和详细的分析结果，我们可以制定出科学合理的交通管理政策和规划方案。
例如，可以通过调整交通信号灯的时序，优化道路饱和度和通行效率。
还可以通过增设或撤销公交车站，改善公共交通的服务质量。
此外，还可以通过建设高速公路和环线道路等基础设施，缓解交通压力和分流交通流量。
当然，在进行道路交通流测量与分析时，也要注意一些限制因素和问题。
例如，可能会面临设备安装难度大、数据延迟、测量误差和隐私问题等挑战。
测绘技术中的道路交通流量测量方法引言：随着城市化的不断发展和人口的快速增长，道路交通成为了城市交通系统中不可忽视的一部分。
因此，准确测量道路交通流量对于交通规划和管理至关重要。
测绘技术在交通流量测量方面发挥着重要的作用，本文将介绍一些常用的测绘技术中的道路交通流量测量方法。
一、传感器技术测量方法：传感器技术是目前应用最广泛的测量道路交通流量的方法之一。
这些传感器通常被部署在道路上，通过感知车辆的运动和速度来测量交通流量。
其中，车辆间距和车辆速度是常用的测量参数。
这些传感器可以利用磁感应、声波或光电等原理来检测车辆通过的信息，并将数据传输到中央处理系统进行分析和统计。
然而，传感器技术也存在一些限制。
首先，传感器的部署和维护需要一定的成本和人力资源。
其次，传感器在特殊天气条件下的测量精度可能会受到干扰，例如雨雪天气或庞大车流量的情况下。
因此，在选择传感器技术时需要综合考虑其成本、可靠性和适用性。
二、视频图像处理测量方法：随着计算机视觉技术的迅速发展，视频图像处理成为测量道路交通流量的另一种重要方法。
视频图像处理技术通过分析采集到的道路交通视频，提取车辆的轮廓、颜色等特征，进而识别和跟踪车辆的运动轨迹。
通过对车辆数量和速度进行统计分析，可以实现对交通流量的测量。
视频图像处理技术相对传感器技术具有一定的优势。
首先，视频图像处理不需要额外的设备部署，只需要利用现有的道路监控摄像头即可。
其次，视频图像处理可以应对各种天气条件下的测量，具有较好的适用性。
但是，视频图像处理技术在复杂交通场景下可能存在一定的误差，需要结合其他测量方法进行校正和验证。
三、全球定位系统（GPS）测量方法：全球定位系统（GPS）也可用于测量道路交通流量。
车辆上搭载的GPS设备可以记录车辆的位置、速度和行驶方向等信息，这些数据可以通过网络传输到中央服务器进行处理和分析。
通过对多辆车辆的GPS数据进行融合和处理，可以实现对道路交通流量的测量。
如何进行道路交通流量测量与分析道路交通流量的测量与分析是交通规划和交通管理中一个至关重要的环节。
它涉及到了对交通状况进行准确评估的技术手段和方法，能够为交通决策提供科学依据。
本文将探讨如何进行道路交通流量测量与分析。
一、背景介绍在城市化进程中，人口不断增长，机动车数量不断增加，道路交通压力不断加大。
为了合理规划城市交通、优化交通组织，我们需要对道路交通流量进行测量与分析。
交通流量是指在交通网络中，在特定时间段内通过某个交通路段的车辆数量。
通过测量与分析交通流量，可以获取交通量、速度、密度等一系列重要数据，为城市交通规划和交通管理提供科学依据。
二、测量与分析方法1.传统方法传统的道路交通流量测量方法有人工计数、视频测量、车辆感应器等。
人工计数是最基本的方法，通过人员进行人工计数来获得交通流量。
这种方法操作简单，但容易受到人为因素的影响。
视频测量则利用摄像机对道路上的车辆进行监控，然后通过图像处理技术来实现自动车辆检测和计数。
车辆感应器则是通过在道路上埋设车辆感应器来感知车辆的通过从而获取交通流量信息。
这些传统方法虽然比较成熟，但有一定的局限性，如数据准确性不高、成本较高等。
2.新兴技术随着科技的不断进步，现代交通流量测量与分析方法也不断更新。
新兴技术包括无线传感器网络、智能交通系统等。
无线传感器网络是通过在道路上部署大量的无线传感器节点，采集车辆通过时的信号信息，并通过数据处理算法得到交通流量等指标。
这种方法具有覆盖面广、灵活性高等优点。
智能交通系统则是利用先进的信息与通信技术，将道路、车辆、驾驶员等各个环节进行智能化连接和管理，从而实现对交通状况的实时监测与调控。
这类技术的引入，极大地提高了交通流量测量和分析的准确性和效率。
三、数据分析与应用测量到的交通流量数据可以进行深入分析，为交通规划和交通管理提供科学依据。
首先可以通过统计分析方法对数据进行处理，计算得到平均交通流量、高峰期交通流量等指标，用于交通网络规划和道路设计。
交通流特性参数的识别与测量王桂珠 郝 莹 张惠群(天津大学自动化学院 天津 300050) 收稿日期:2000-12-05文 摘 提出一种用于交通流管理控制系统中交通流特性参数自动检测的新办法,介绍该方法的基本原理、识别模型及据此方法研制成功的在线实时智能检测系统的实验结果。
这个系统较好地应用了模式识别技术,故不仅能自动区分机动车与非机动车,判别车型,准确地检测出机动车流特性参数,而且能自动准确地检测出非机动车(自行车)群体流量。
此系统样机现场连续运行3年多,已获满意结果。
主题词 +交通流特性参数 +模式识别 +动态频差引 言城市经济发展要求交通安全畅通、道路建设和交通管理现代化、信息化,因此,在线实时准确地测量交通流特性参数十分必要。
国外一些发达国家主要研究机动车特性参数的测量,采用的方法有棒式、导电橡胶、压电陶瓷、超声波、环型线圈、光电式。
我国交通状况与西方发达国家很不相同,自行车拥有量很大。
目前,大中小城市自行车拥有量已达饱和状态,高峰期间自行车群体与机动车争道,使交通造成阻塞和延误。
因此,我国城市交通流比发达国家复杂得多,是机动车和非机动车的混合流。
显然,上述测量方法对我国并不完全适用,迫切需要研制一种高质量的交通流特性参数测量系统,要求它不仅能自动区分机动车与非机动车,判别机动车车型,进而准确地检测出机动车流特性参数,而且还能自动准确地检测出非机动车(自行车)群体的流量。
本文作者提出了一种利用ILD (电感线圈)、采用动态频差法配PR (模式识别)技术,完成对混合交通流特性参数在线自动检测的新方法,并据此方法研制成一种新型在线实时智能式交通流特性参数的检测系统。
经实验基地和交叉路口现场实际运行,此方法有效、可靠、测量准确度高。
图1 本检测系统组成原理框图1 基本原理与检测系统如图1所示,该检测系统由电感线圈、驱动变送器、测量单元、识别与数据处理单元、显示单元及输出接口等组成。
图2是一个交叉路口交通流参数检测采用ILD 的布置原理图。
ILD 埋设在各方向进口车道距停车线一定距离的路面下,可覆盖7m 的路面。
A 1、A 2、A 3、A 4表示交叉路口4个方向的路段。
在各个方向上,A 11、A 21、A 31、A 41分别为机动车道,A12、A22、A32、A42分别为非机动车道。
U1、U2、U3、U4分别为A11、A21、A31、A41上的传感器, b1、b2、b3、b4分别为A12、A22、A32、A42上的传感器。
C1、C2、C3、C4为传输线,G为该系统的测量显示装置。
当车辆(机动车或非机动车)通过ILD上方时,被测车辆与ILD相互作用,根据毕奥-萨伐定律和基尔霍夫定律可求出Z m=R1+R22M2R22+ 2L22+j [L1-L22M2R22+ 2L22](1)L=L1-L22M2R22+ 2L22=L1-M2L2[(R2L2)2+1](2)图2 交叉路口的布置图式中,L1,R1—ILD的电感和电阻,c—谐振电容,L2,R2—被测车辆(铁磁物质)的等效电感和电阻,M—ILD与被测车辆之间的互感系数,通常,( L2)2〉〉R22,因此L≈L1-M2L2(3)进而可求出整个等效电路的阻抗Z: Z=Z m 1j c Z m+1j c=R( c)2R2+( L-1c)2-jL2c+R2c-Lc2R2+( L-1c)2 根据谐振条件I m(Z)=0得=1L Lc-R2,f=121L c-(RL)2(4) 式中,f为系统的频率。
由式(3)、(4)可以看出:当车辆进入ILD检测范围时,M增大导致L减小,则f增大;而当车辆离开ILD检测范围时,M减小导致L增大,则f减小,直至恢复到无车辆通过时的稳定值。
因此从理论上讲,通过测量反映L变化的f可以实现交通流特性参数的测量,这正是本系统选择ILD测量的原始依据。
而实际应用系统的频率f=F(a,b,d,,!,∀,c,N,T,h),它是一个多变量函数,其中a,b,d—ILD的几何尺寸(长、宽、直径);,!—ILD的物理参数(磁导率、电导率);∀—车辆在ILD上所处的位置;c—电容;N—检测系统输出值(即ILD上方通过的交通流特性参数值);T,h—ILD所处的环境温度、湿度。
当ILD确定后,影响f变化的因素不仅有车辆通过检测系统的作用,就是周围环境、外界干扰及电子器件本身的变化也会使f发生变化。
经实验测量,长时间累积的变化可达1200Hz。
因此,用直接测量反映L变化的f来测量交通流特性参数必将给测量带来较大的误差。
设f为当前时刻输出频率,f0为谐振回路理论中心频率,#f1为车辆通过时f发生的变化,#f2为周围环境等变化引起的f的变化,则f的变化量#f为#f=#f1+#f2=f-f0(5) 欲获得车辆通过ILD产生的信号,必须求#f1。
为此,作者采用动态频差法,由式(5)得: #f1=f-(f0+#f2)。
若#f1=0,则f=f0+#f2。
在这里,f0+#f2就是无车通过时的频率,只要求得f0+#f2,就可求出#f1。
2 识别模型的建立识别模型F(x)是对被识别信号进行处理的数学方法,识别过程就是求得输出结果y的过程,y=F(X)。
许多系统,x与y之间有确定的关系,但在本检测系统中,传感器产生的频率信号与输出y之间无确定的函数关系,应从频率信号变化过程中给出的信息来识别输出结果。
研究发现,频率信号变化过程包含很多信息,如变化最大值、峰值个数等,但由于ILD传感器灵敏度分布不均匀,环境因素的影响以及车辆通过ILD上方时情况复杂(自行车群体流是一种随机离散的交通现象,可能并行、尾随或犬牙交错行驶,并且有行使的集团性和可压缩性,尤其是上、下班高峰期间自行车群体潮涌地覆盖路面),造成这些信息与特性参数之间关系十分复杂。
图3图4给出了自行车群体流行驶状态的频移信号。
由图3和图4看出,即使通过图3 九辆自行车通过ILD的频移信号图4 十辆自行车通过ILD的频移信号ILD的车辆数相同,由于它们通过时的位置、状态不同,对ILD的影响也不同,致使频移信号有不小的差异。
因此,交通流特性参数测量中群体流量信号的处理是本检测系统的技术难点之一。
我们用模式识别(PR )等技术较好地解决了这个问题。
识别系统框图如图5所示。
2.1 样本数据库的建立将大量已知类别的信号进行数据存储,即在已知通过ILD 车辆的情况下的传感器信号的变化情况记录下来,建立样本数据库。
2.2 数据预处理图5 识别系统框图数据预处理的目的在于消除干扰噪声,增强有用信号以提高识别的准确性。
这里所说的信号预处理是指数字信号滤波。
当无车辆通过时,采样信号不应发生变化。
而由于电路中各种因素及环境变化的影响,往往造成采样信号存在一个随时间变化的趋势项,也就造成了采样信号由真正的信号与趋势项叠加而成,为正确处理真实信号,必须设法消除趋势项。
相对于真实信号,趋势项是一个慢变信号,因此,可用多项式拟合。
其阶次视趋势项的形状而定。
若多项式已确定,则从采样信号X (n )中减去趋势项,就可以得到真正的信号。
本系统不但用这种方法除去了趋势项,而且实现了对信号的平滑。
该滤波器的转移函数为H (z )=121[-2z -3+3z -2+6z -1+7+6z +3z 2-2z -3](6)当用软件实现这个转移函数时,可使用式(7)实现。
H ′(z )=121[-2z -6+3z -5+6z -4+7z -3+6z -2+3z -1-2](7)2.3 识别过程交通流特性参数的识别分: 少车群与多车群的群类识别; 少车群识别; 多车群识别。
2.3.1 特征的提取特征的提取是模式识别的关键环节。
我们从所获的大量样本中,分析车辆通过ILD 上方时引起的频率变化,找出各类相互间的差别,提取出以下几个特征: N p 峰值数; 最大值y m ; 通过时间T ;!通过面积S 。
于是,特征向量X =(N p ,y m ,T ,S )。
2.3.2 特征的选择特征的选择要求在尽可能保留识别信息的前提下,求出一组对分类最为有效的特征。
因此,需要一个定量准则(或称判据)来衡量特征对分类的有效性。
我们采用基于距离的可分性判据——类内类间距离,选择出二维特征X =(y m ,S )。
2.3.3 分类器设计与分类错误率分析首先,我们应用非参数估计方法对概率密度函数进行了估计,估计结果示于图6。
这里仅以少车群为例简介分类器设计:若各类状态用 i 表示,i =1,2,3。
对于各类别 i 出现的先验概率p ( 1)及类条件概率密度函数p (x i )是已知的,则利用Bay es 公式p ( i x )=p (x i )p ( j )∃3j =1p (x i )p ( j )(8)以及基于最小错误率的Bayes 决策规则p ( i x )=m ax j =1,…,3p ( j x ),则x ∈ i (9)将x 归为后验概率最大的类别。
本系统计算出基于y m 与s 特征的决策边界示于图7。
由此,得到以下判据:图6 概率密度函数曲线图7 基于y m 和s 的决策图判据(1)y m ≤91判定为一辆车91<y m <127判定为二辆车y m ≥127判定为三辆车判据(2)s ≤456判定为一辆车456<s <893判定为二辆车s ≥893判定为三辆车 错误率是指平均错误概率p (e ),p (e )=∫∞-∞p (e ,x )d x =∫∞-∞p (e /x )p (x )d x (10) 对于3个类别,要把特征空间分成R 1、R 2、R 3个区域,其平均错误率为p (e )=∃3i =1∃e j =1j ≠i [p (x ∈R j i )]p ( i )(11)考虑到直接求p (e )的计算量很大,因此采用计算平均正确分类概率p (c )p (c )=∃3j =1p (x ∈R j j )p ( i )=∃3j =1∫Ri p (x i )p ( i )d x (12)则p (e )=1-p (c ),计算得p ym (e )=0.093 p s (e )=0.077由于p ym (e )>p s (e ),因此,我们最终采用s 进行识别(即采用判据2),使得p s (e )=0.077。
其结果说明,少车群的识别是满足要求的。
3 试 验依据本文原理研制成的检测系统样机实地连接到天津市南京路-鞍山道交叉路口智能控制机(天津大学研制)上,现场连续运行三年多,积累了大量实验数据(限于篇幅,在此不一一列举)。
实验结果表明: 当传输距离增至400m时,其信号幅值仍没有衰减,完全满足车辆检测长距离传输的要求。
实时在线自动可靠测量交通流特性参数,准确度高。
特别能完成在线自动可靠测量自行车群体流量(其测量准确度高于85%),该系统达国际先进水平,已获国家专利和科技进步奖。
