• ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

城市交通拥塞源参数反演性能综合对比

赵雪亭 胡立伟

赵雪亭, 胡立伟. 城市交通拥塞源参数反演性能综合对比[J]. 西南交通大学学报. doi: 10.3969/j.issn.0258-2724.20230008
引用本文: 赵雪亭, 胡立伟. 城市交通拥塞源参数反演性能综合对比[J]. 西南交通大学学报. doi: 10.3969/j.issn.0258-2724.20230008
ZHAO Xueting, HU Liwei. Comprehensive Comparison of Inversion Performance of Urban Traffic Congestion Source Parameters[J]. Journal of Southwest Jiaotong University. doi: 10.3969/j.issn.0258-2724.20230008
Citation: ZHAO Xueting, HU Liwei. Comprehensive Comparison of Inversion Performance of Urban Traffic Congestion Source Parameters[J]. Journal of Southwest Jiaotong University. doi: 10.3969/j.issn.0258-2724.20230008

城市交通拥塞源参数反演性能综合对比

doi: 10.3969/j.issn.0258-2724.20230008
基金项目: 国家自然科学基金项目(42277476,61863019);云南省基础研究计划重点项目(202401AS070065)
详细信息
    作者简介:

    赵雪亭(1997—),男,博士研究生,研究方向为城市交通管理与控制,E-mail:2287937331@qq.com

    通讯作者:

    胡立伟(1977—),男,教授,博士,研究方向为城市交通管理与控制,E-mail:liweihukm@kust.edu.cn

  • 中图分类号: U491

Comprehensive Comparison of Inversion Performance of Urban Traffic Congestion Source Parameters

  • 摘要:

    为准确掌握城市交通拥塞源内在的主要参数及扩散传播规律,以实现交通拥塞源科学管控. 首先,引入用于大气污染物扩散的高斯烟羽模型并进行改进,将城市交通拥塞源划分为连续交通流和一系列间断性交通流,实现高斯烟羽模型结构解析;其次,利用Griewank、Schaffer和Rastrigin 3种测试函数对“单点源”参数反演算法进行测试,最终选用人群搜索算法;最后,通过交通拥塞源观测数据,从3个维度评估5种典型目标函数在不同参数数量(单、两、三)下的性能差异. 研究结果表明:在单参数情形下,基于单位面积交通密度偏差平方和目标函数稳定性较好;反演源强相对偏差绝对值置信区间为38.38% ± 9.94%,小于50.00%实验次数占全部实验次数的84.52%,各目标函数稳定性均较好;在两参数反演源强情形下,基于对数变换单位面积交通密度均方根误差目标函数准确性最高,反演源强相对偏差绝对值置信区间为51.42% ± 9.84%,小于50.00%实验次数占全部实验次数的92.16%,在反演位置方面,基于单位面积交通密度偏差平方和目标函数准确性最好(反演位置偏差的绝对值为37.22 m ± 10.64 m),基于相关系数的目标函数稳定性最强(变异系数为0.022);三参数情形下,准确性反演结果和两参数较一致,除对数变换目标函数外各目标函数源强稳定性均较差,但位置稳定性均较好.

     

  • 图 1  研究的交通拥塞点区域位置

    Figure 1.  Location of studied traffic congestion areas

    图 2  城市交通拥塞高斯烟羽模型结构示意

    Figure 2.  Structure of Gaussian plume model for urban traffic congestion

    图 3  GA算法流程

    Figure 3.  GA process

    图 4  PSO算法流程

    Figure 4.  PSO algorithm process

    图 5  反演源参数的过程

    Figure 5.  Inversion process of source parameters

    图 6  单参数情形下源强反演对比

    Figure 6.  Comparison of source intensity inversions in one-parameter case

    图 7  两参数情形下源强反演对比

    Figure 7.  Comparison of source intensity inversions in two-parameter case

    图 8  两参数情形下位置反演对比

    Figure 8.  Comparison of position inversions in the two-parameter case

    图 9  三参数情形下源强反演对比

    Figure 9.  Comparison of source intensity inversions in three-parameter case

    图 10  三参数情形下位置反演对比

    Figure 10.  Comparison of position inversions in three-parameter case

    图 11  源强反演性能对比

    Figure 11.  Comparison of source intensity inversion performance

    图 12  位置反演性能对比

    Figure 12.  Comparison of position inversion performance

    表  1  交通拥塞源基本参数取值

    Table  1.   The basic parameters of traffic congestion source are taken

    交通拥塞源编号 所在位置紧邻标志性建筑 道路名称 道路等级 车道数 区域平均行车速度/
    (km·h−1
    进口道断面平均速度/
    (km·h−1
    出口道断面平均速度/
    (km·h−1
    饱和度
    1 贵州省人民
    医院
    北侧—中山东路 主干路 双向 6 车道 29.87 15.34 47.92 0.819
    南侧—都司高架桥路 主干路 双向 6 车道 29.43 13.85 45.58 0.895
    西侧—市东路 支路 双向 2 车道 20.28 8.73 24.32 0.889
    东侧—宝山南路 城市快速路 双向 8 车道 + 潮汐车道 40.85 22.94 58.14 0.831
    2 亨特城市广场 北侧—中山东路 主干路 双向 6 车道 29.87 14.79 48.35 0.819
    南侧—都司高架桥路 主干路 双向 6 车道 29.43 13.19 46.39 0.895
    西侧—文昌南路 次干路 单向 4 车道 27.86 11.37 43.21 0.908
    东侧—市东路 支路 双向 2 车道 20.28 8.73 24.32 0.889
    下载: 导出CSV

    表  2  各测试函数优化结果

    Table  2.   Optimization results for each test function

    优化结果指标 GA PSO SOA
    Griewank Schaffer Rastrigin Griewank Schaffer Rastrigin Griewank Schaffer Rastrigin
    平均最优值 1.25 × 10−2 7.52 × 10−1 1.85 × 10−4 1.32 × 10−1 2.67 × 10−4 1.59 × 10−1 8.53 × 10−3 3.89 × 10−6 6.12 × 10−6
    标准差 1.19 × 10−2 2.31 3.57 × 10−4 6.74 × 10−2 3.12 × 10−4 3.79 × 10−1 3.43 × 10−3 4.21 × 10−6 6.21 × 10−6
    最大值 5.34 × 10−2 8.97 2.34 × 10−3 3.26 × 10−1 1.74 × 10−3 1.21 2.45 × 10−2 2.16 × 10−5 4.46 × 10−5
    最小值 9.26 × 10−4 7.69 × 10−7 0.89 × 10−7 1.06 × 10−2 7.08 × 10−7 3.85 × 10−6 1.86 × 10−3 4.32 × 10−8 7.96 × 10−8
    下载: 导出CSV
  • [1] ZHANG Sen, YAO Yong, HU J, et al. Deep autoencoder neural networks for short-term traffic congestion prediction of transportation networks[J]. Sensors, 2019, 19(10): 2229.1-2229.19. doi: 10.3390/s19102229
    [2] PI Mingyu, YEON H, SON H, et al. Visual cause analytics for traffic congestion[J]. IEEE Transactions on Visualization and Computer Graphics, 2019, 27(3): 2186-2201. doi: 10.1109/TVCG.2019.2940580
    [3] CHEN Hengrui, ZHOU Ruiyu, CHEN Hong, et al. A resilience-oriented evaluation and identification of critical thresholds for traffic congestion diffusion[J]. Physica A: Statistical Mechanics and its Applications, 2022, 600(8): 127592.1-127592.15. doi: 10.1016/j.physa.2022.127592
    [4] ZHU Shixiang, DING Ruyi, ZHANG Minghe, et al. Spatio-temporal point processes with attention for traffic congestion event modeling[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(7): 7298-7309. doi: 10.1109/TITS.2021.3068139
    [5] CHEN Yuting, MAO Jiannan, ZHANG Zhao, et al. A quasi-contagion process modeling and characteristic analysis for real-world urban traffic network congestion patterns[J]. Physica A: Statistical Mechanics and its Applications, 2022, 603(10): 127729.1-127729.17. doi: /10.1016/j.physa.2022.127729
    [6] 陈美林,郑治豪,郭宝,等. 基于因果关联的交通拥堵传播分析[J]. 中南大学学报 (自然科学版),2020,51(12): 3575-3583. doi: 10.11817/j.issn.1672-7207.2020.12.031

    CHEN Meilin, ZHENG Zhihao, GUO Bao, et al. Traffic congestion spreading analysis based on causal nexus[J]. Journal of Central South University (Science and Technology), 2020, 51(12): 3575-3583. doi: 10.11817/j.issn.1672-7207.2020.12.031
    [7] 石敏,蔡少委,易清明. 基于空洞-稠密网络的交通拥堵预测模型[J]. 上海交通大学学报,2021,55(2): 124-130. doi: 10.16183/j.cnki.jsjtu.2020.99.009

    SHI Min, CAI Shaowei, YI Qingming, et al. A traffic congestion prediction model based on dilated-dense network[J]. Journal of Shanghai Jiao Tong University, 2021, 55(2): 124-130. doi: 10.16183/j.cnki.jsjtu.2020.99.009
    [8] 曾筠程,邵敏华,孙立军,等. 基于有向图卷积神经网络的交通预测与拥堵管控[J]. 中国公路学报,2021,34(12): 239-248. doi: 10.3969/j.issn.1001-7372.2021.12.018

    ZENG Yuncheng, SHAO Minhua, SUN Lijun, et al. Traffic prediction and congestion control based on directed graph convolution neural network[J]. China Journal of Highway and Transport, 2021, 34(12): 239-248. doi: 10.3969/j.issn.1001-7372.2021.12.018
    [9] 周辉宇,李瑞敏,黄安强,等. 基于时空关联规则挖掘的城市交通拥堵传导预测[J]. 系统工程理论与实践,2022,42(8): 2210-2223. doi: 10.12011/SETP2020-2752

    ZHOU Huiyu, LI Ruimin, HUANG Anqiang, et al. Forecasting urban traffic congestion conduction based on spatiotemporal association rule mining[J]. Systems Engineering-Theory & Practice, 2022, 42(8): 2210-2223. doi: 10.12011/SETP2020-2752
    [10] 梁军,彭嘉恒. 考虑路网拓扑时变的交通拥堵自适应预测方法研究[J]. 中国公路学报,2022,35(9): 157-170. doi: 10.19721/j.cnki.1001-7372.2022.09.012

    LIANG Jun, PEN Jiaheng. Research on an adaptive traffic congestion prediction method considering a time-varying network topology[J]. China Journal of Highway and Transport, 2022, 35(9): 157-170. doi: 10.19721/j.cnki.1001-7372.2022.09.012
    [11] 马庆禄,牛圣平,曾皓威,等. 网联环境下混合交通流偶发拥堵演化机理研究[J]. 交通运输系统工程与信息,2022,22(5): 97-106. doi: 10.16097/j.cnki.1009-6744.2022.05.010

    MA Qinglu, NIU Shengping, ZENG Haowei, et al. Mechanism of non-recurring congestion evolution under mixed traffic flow with connected and autonomous vehicles[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22(5): 97-106. doi: 10.16097/j.cnki.1009-6744.2022.05.010
    [12] 孙超,尹浩为,张玮,等. 基于有限理性的交通网络可靠性均衡模型[J]. 西南交通大学学报,2023,58(1): 83-90. doi: 10.3969/j.issn.0258-2724.20210679

    SUN Chao, YIN Haowei, ZHANG Wei, et al. Traffic equilibrium model of reliable network based on bounded rationality[J]. Journal of Southwest Jiaotong University, 2023, 58(1): 83-90. doi: 10.3969/j.issn.0258-2724.20210679
    [13] 王丽,刘小明,任福田,等. 烟羽模型在交通影响分析中的应用[J]. 公路交通科技,2001,18(6): 82-85.

    WANG Li, LIU Xiaoming, REN Futian, et al. The application of cloud model in traffic impact analysis[J]. Journal of Highway and Transportation Research and Development, 2001, 18(6): 82-85.
    [14] 胡立伟,杨锦青,何越人,等. 城市交通拥塞辐射模型及其对路网服务能力损伤研究[J]. 中国公路学报,2019,32(3): 145-154. doi: 10.19721/j.cnki.1001-7372.2019.03.0016

    HU Liwei, YANG Jinqing, HE Yueren, et al. Urban traffic congestion radiation model and damage caused to service capacity of road network[J]. China Journal of Highway and Transport, 2019, 32(3): 145-154. doi: 10.19721/j.cnki.1001-7372.2019.03.0016
    [15] 刘立群,韩俊英,代永强,等. 果蝇优化算法优化性能对比研究[J]. 计算机技术与发展,2015,25(8): 94-98. doi: 10.3969/j.issn.1673-629X.2015.08.020

    LIU Liqun, HAN Junying, DAI Yongqiang, et al. Comparative study on optimization performance of fruit fly optimization algorithm[J]. Computer Technology and Development, 2015, 25(8): 94-98. doi: 10.3969/j.issn.1673-629X.2015.08.020
  • 加载中
图(12) / 表(2)
计量
  • 文章访问数:  39
  • HTML全文浏览量:  30
  • PDF下载量:  5
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-01-03
  • 修回日期:  2023-06-06
  • 网络出版日期:  2024-11-13

目录

    /

    返回文章
    返回