论文部分内容阅读
快速路作为城市多层次综合道路交通路网的重要组成部分,随着城市拥堵的加剧,快速路承担的交通量大幅增加。在此背景下,掌握快速路交通需求时空分布规律,服务快速路的实时主动管控需求,是提高城市路网运行效率的重要途径。为了深分析快速路交通需求时空分布规律,本文基于数据驱动对快速路交通需求模式进行研究。
交通需求模式分为通勤需求模式与非通勤需求模式,区分两种模式的关键在于区分通勤需求。通勤出行相较于非通勤出行,在出发时刻、出行路径、出行起终点等在一定时期内均具有较为稳定的特征。现有通勤出行研究多面向交通规划及交通政策制定,为指导城市快速路的实时主动管控,本文提出一种基于数据驱动的通勤出行识别系统框架,用于分析快速路交通需求模式。在此基础上,考虑到现有交通需求估计受限于个体车辆出行特征数据获取困难,未考虑通勤需求与非通勤需求的时空分布差异,本文基于新兴交通检测设备-高清卡口车辆检测器数据深入分析不同需求模式下出入口匝道间交通需求的时空关联特征,基于入口匝道交通流信息,实现对出口匝道上的车流量分布估计。
首先,本文基于高清卡口车辆检测器数据,结合快速路数据特点,提出一种通勤出行识别框架,包括通勤出行时空特征提取、基于逼近理想解排序法和阈值法的通勤车辆识别及交通需求时空模式分析三部分。在此基础上,考虑不同需求模式的差异构建交通需求估计分配矩阵以进行不同模式下的交通需求估计和分析。最后,以江苏省昆山市中环快速路为测试路网,进行案例分析及性能评估。案例研究结果表明,在时间维度,提出方法捕捉的通勤出行的高峰时段与路网实际高峰时间一致;在空间维度,常用入口匝道与出口匝道之间存在着明显对应关系,即识别的通勤者常用的上午出发的匝道与常用的下午返回的匝道位置相近,研究从侧面验证了提出的通勤车辆识别框架能合理的识别通勤车辆。此外,通过对划分通勤和未划分通勤的需求估计结果进行分析发现,划分通勤模式后进行交通需求估计,能够在一定程度上降低交通需求估计的误差。
交通需求模式分为通勤需求模式与非通勤需求模式,区分两种模式的关键在于区分通勤需求。通勤出行相较于非通勤出行,在出发时刻、出行路径、出行起终点等在一定时期内均具有较为稳定的特征。现有通勤出行研究多面向交通规划及交通政策制定,为指导城市快速路的实时主动管控,本文提出一种基于数据驱动的通勤出行识别系统框架,用于分析快速路交通需求模式。在此基础上,考虑到现有交通需求估计受限于个体车辆出行特征数据获取困难,未考虑通勤需求与非通勤需求的时空分布差异,本文基于新兴交通检测设备-高清卡口车辆检测器数据深入分析不同需求模式下出入口匝道间交通需求的时空关联特征,基于入口匝道交通流信息,实现对出口匝道上的车流量分布估计。
首先,本文基于高清卡口车辆检测器数据,结合快速路数据特点,提出一种通勤出行识别框架,包括通勤出行时空特征提取、基于逼近理想解排序法和阈值法的通勤车辆识别及交通需求时空模式分析三部分。在此基础上,考虑不同需求模式的差异构建交通需求估计分配矩阵以进行不同模式下的交通需求估计和分析。最后,以江苏省昆山市中环快速路为测试路网,进行案例分析及性能评估。案例研究结果表明,在时间维度,提出方法捕捉的通勤出行的高峰时段与路网实际高峰时间一致;在空间维度,常用入口匝道与出口匝道之间存在着明显对应关系,即识别的通勤者常用的上午出发的匝道与常用的下午返回的匝道位置相近,研究从侧面验证了提出的通勤车辆识别框架能合理的识别通勤车辆。此外,通过对划分通勤和未划分通勤的需求估计结果进行分析发现,划分通勤模式后进行交通需求估计,能够在一定程度上降低交通需求估计的误差。