论文部分内容阅读
交叉口车辆到达分布是自适应信号控制系统的重要输入,传统静态车队离散模型的参数基于历史数据、不能很好地反映交通流的动态变化特征。车联网技术的发展为这一问题的解决带来了新的机遇,在车联网环境下,车辆编号、行程时间和行程速度等数据易于获取,基于此可构建反映交通流实时变化特征的动态车队离散模型,该模型能够反映交通流的动态变化特征,成果可用于自适应信号配时优化。因此,本文基于车联网环境的假设,对动态车队离散模型有关特性进行了研究,并与静态车队离散模型进行对比分析,验证动态车队离散模型的预测结果。主要工作有:(1)对车队离散模型的有关特性进行了研究,介绍了传统经典Pacey和Robertson车队离散模型,并分析了车队离散规律的影响因素。(2)介绍了车队离散模型所需数据的采集方法及要点,以成都市九里提东路车队数据为案例,进行了车队离散特性与路段长度和交通流负荷之间关系的分析,同时验证了城市交通流存在异质现象的特点;并通过对车辆行程时间数据的多种分布拟合,验证论文关于车队离散模型中行程时间服从正态分布、截断正态分布、对数正态分布和截断对数正态分布假设的合理性,作为后续动态车队离散模型研究的基础。(3)构建了基于行程时间服从正态分布、截断正态分布、对数正态分布、截断对数正态分布等四种概率分布的动态和静态车队离散模型,并以车辆行程时间服从截断正态分布为例,进行了动态和静态车队离散模型的理论推导,同时构建了动态Robertson车队离散模型,并建立了基于MATLAB的车队离散模型数值计算方法。(4)采用调查路段平峰和高峰2个时段的数据及5种动态车队离散模型共构成十种场景,对比动态车队离散模型与静态车队离散模型的预测结果。结果表明,平峰时段五种动态车队离散模型较静态车队离散模型平均预测误差减少21.78%,高峰时段平均预测误差减少3.16%,且不同场景下的动态车队离散模型预测结果都优于静态车队离散模型结果,表明动态车队离散模型较静态车队离散模型预测结果更准确,同时动态车队离散模型也能够更好地适应交通流实时变化情况。