基于时间平滑的排队长度优化模型研究

基于时间平滑的排队长度优化模型研究

0北京市道路交通流动态显示系统随着北京奥运会的成功，北京在交通基础设施和交通管理方面取得了很大进步，但公共交通系统的总体和系统上没有那么大变化。为此,北京市进行了“北京市道路交通流动态显示系统”的研究,其中核心的工作就是建立道路交通流的评价指标体系,信号交叉口的排队长度作为重要的评价指标,具有举足轻重的作用。笔者是在项目研究过程中,吸取国外此类研究先进经验的基础上,综合考虑北京市道路交通实际状况,提出了适用于北京实际情况且便于进行动态分析的信号交叉口排队长度优化模型,从而为北京市实施科学、规范的交通管理提供定量的基础依据。1排车器高通量模型在交通流理论的研究过程中,先后提出了多种排队长度计算方法,其中较为经典的是MILLER、AKCELIK、SYNCHRO3、SIGNAL94、TRANSYT排队长度模型,各模型的具体形式如表1所示。这些模型都是认为排队长度与来车强度和红灯时间有关。不同模型还考虑了不同的影响因素,提出不同的公式形式和参数。2不同模型的精度的比较笔者采用长安街东单路口2000年9月6日11:30-15:30的交通流数据,对上述模型的精度进行对比分析。2.1绿灯时间内通过的最大实时流率饱和流率是计算排队长度的基本参数,指交叉口进口处有相当长的车辆排队等待时,有效绿灯时间内通过的最大小时流率。笔者采用了两种调查饱和流率的方法,一种是直接利用高峰时期内出现的饱和周期直接观测,另一种方法是利用人工观测方法对非饱和周期中的饱和时段进行观测。(1)饱和周期研究根据实测数据处理了五个饱和周期,结果见表2。(2)非饱和周期样本统计结果非饱和周期从排队车辆中的第4辆车经过停车断面线以后,开始统计。实测5s非饱和周期样本281个,结果见表3。综合两种方法的处理结果,可以得到直行车道的饱和流率为1750veh/(h·lane)。2.2入口下口位置北京现有的检测线圈是为原有SCOOT系统服务的,多数的检测器都埋设在交叉口的出口位置,长安街东单路口的线圈布设位置见图1,而排队长度计算模型需要入口引道的车辆到达分布。针对这种情况,分析断面B、D的交通量分布规律,利用最小二乘法标定车队从检测器断面到入口断面的离散系数α为2.2655。2.3主要计算结果在2.1节饱和流率以及实测交通数据(包括绿灯时间、交通量、通行能力)的基础上,对比实测排队长度与表1中排队长度计算模型得出的结果;然后将它们的结果与实测排队长度对比,结果见图2。由图2可以看出:各计算方法的结果都能较好地反映实际排队长度时间的变化趋势;各计算结果都比实际排队长度小。因此,在选择现有排队长度计算模型的基础上,根据北京的实际交通状况,通过修正现有模型建立排队长度优化模型。3队列长度优化模型的建立3.1其他模型中的参数修正在模型精度都有偏差的情况下,对现有模型的筛选主要考虑的是动态特性的需求。对于MILLER、AKCELIK、SYNCHRO3、TRANSYT等模型,尽管模型中的参数物理意义明确,但由于模型参数较多,不适于动态修正。相比之下,SIGNAL94模型中只有离散系数α需要标定,且利用现有检测线圈的检测数据能够很好地标定模型参数,因此,选定SIGNAL94模型作为优化模型的基本框架,通过分析该模型在实际交通流变化情况下的适用性,建立符合北京市交通流特性的排队长度优化模型。3.2排放系数计算模型当交通需求大于通行能力时,绿灯结束时仍有一定的滞留车辆在进口引道排队,此时,必须对公式进行修正。在SIGNAL94中也提供了过饱和周期的计算方法,但是其计算方法经过实际验证,与北京市实际交通流情况相差甚远,因此,笔者提出如式(1)所示的排队长度优化模型。其中,第一项计算正常来车引起的排队,第二项计算前一周期滞留下来的排队车辆数,D0=0。Qn=αqnR+Dn-1(1)Dn={Dn-1+qnC-GS+L(Dn-1+qnC+L>GS)0(Dn-1+qnC+L≤GS)式中:C为周期长度(s);L为起动损失(veh);其他符号同表1。显然,上述模型的初始条件应该是排队长度为零。在实际交通流中,要求分析周期的前一周期为不饱和周期。除了在高峰时期,很少有交叉口总是保持在饱和状态。可见,该优化模型具有较好的稳定性,能够从多数时刻启动,开始准确的排队长度递推计算。4排序长度优化模型的精度分析4.1优化模型的求解将实测数据分为11:30~12:30、13:00~13:30和14:30~15:30三个时段,按式(1)计算,对比排队长度的计算值与实测值(图3)发现:前两个时段中,相对误差大于30%的周期数为2,占分析周期的4.0%;绝对误差小于3veh的时间占分析周期的80.0%。两个时段总的绝对误差平均值为1.09veh,相对误差平均值为11.0%。而最后一个时段,由于刚执行完勤务,信号灯一度改为手动控制。模型的初始最大排队长度近50veh,在此情况下,优化模型的计算精度有所下降,最大绝对误差为9.8veh,相对误差为20.9%。可见,优化模型能较好地描述通常交通状况下的排队长度,而计算拥挤状态的排队长度时精度有所下降。4.2时间平滑对第三时段的相对误差的影响由于交通流特性本身具有的随机性,可能导致结果的剧烈波动,为减少交通流随机性对优化模型精度的影响,选取了交通分析中通常采用的15min做时间平滑处理,结果见图4。结果发现:第一、二时段的相对误差分别由11.6%和9.9%下降到6.1%和5.2%,绝对误差也由1.09veh下降到0.89veh。时间平滑对第三时段提高精度尤为明显,其相对误差由29.6%下降到12.4%,绝对误差从4.4veh降为2.3veh。由此可见,通过简单的时间平滑处理,不仅可以提高优化模型对通常交通流状况下排队长度的计算精度,而且增强了该模型对变化剧烈的交通流状况的描述能力,同时也提高了计算精度。5模型构建及数据处理笔者利用北京市东单路口的实测数据,在标定各模型参数的前提下,对比分析了国外信号交叉口排队长度计算精度。在此基础上,选择了适合于动态分析的SIGNAL94作为描述北京市实际排队长度的基本模型,针对北京市交通状况,提出了排队长度优化