本发明涉及智慧交通技术领域，尤其涉及一种基于拥堵态势分级的匝道控制方法。
背景技术：
随着经济的快速发展，许多城市纷纷修建城市快速路以满足日益增长的交通需求，但车辆的保有量逐年增加，交通拥堵问题日趋严重。目前能有效缓解城市快速路交通拥堵问题的主要控制方法有匝道控制、可变限速和交通诱导。匝道控制是应用最广泛且最有效的快速路交通控制手段，通过设立在匝道的信号灯控制汇入主线的车流量，从而达到提高主线通行能力的目的。入口匝道单点控制的方法主要有：需求-容量控制、占有率控制、alinea、zone、模糊控制、神经网络控制、强化学习。
alinea虽然在治理单匝道拥堵方面非常有效，但包括alinea以及许多其扩展算法将控制目标聚焦于主线的控制，忽略了匝道容易出现溢流的问题，且alinea的临界占有率值的选择对控制的影响很大，如果临界占有率值设置不合理或者占有率值无法获取，控制效果将大打折扣。拥堵态势分级方面比较常见的是利用k-means进行聚类，并在此基础上对中心点和簇数量的选择、减少算法迭代次数或者增加聚类准确性等方面进行优化，但k-means是一种硬聚类方法，通过计算对象与簇中心点的距离，将每个对象分配给最近的簇，对于一些比较难分辨的情况，缺少簇分配的概率，因此很难区分。其次k-means簇的边界为圆型，在拟合一些非圆形的数据时效果不好。
技术实现要素：
本发明为克服上述的不足之处，目的在于提供一种基于拥堵态势分级的匝道控制方法，本发明通过对历史数据的分析，利用高斯混合模型聚类重新划分拥堵态势，因为临界占有率通常很难获得，并且占有率不准确将直接影响alinea算法的性能。本发明以交通流量为alinea算法的控制参数，并根据拥堵态势自适应选择控制率，为避免匝道排队过长产生的溢流对地面交通产生影响，采用分段控制方法，增加排队长度约束，排队过长时将控制目标转移到匝道上。本发明在保证主线通行的情况下，对匝道排队以及车辆的等待时间上均有不同程度的优化，提高了道路通行效率。
本发明是通过以下技术方案达到上述目的：一种基于拥堵态势分级的匝道控制方法，包括如下步骤：
(1)收集城市快速路主线上微波检测器的微波数据以及匝道卡口电警检测的卡口数据，并统计卡口过车数；
(2)对采集到的微波数据和卡口数据进行数据预处理，采用一段时期的历史均值进行修正异常数据，以及车牌号码匹配的方法消除缺失、重复、异常情况，实现异常数据的检测与修正；
(3)基于步骤(2)得到的数据，利用高斯混合聚类算法进行聚类，按照聚类结果，以车速重新划分快速路主线的拥堵态势；
(4)利用alinea算法进行匝道信号控制；
(5)在步骤(4)的基础上增加匝道排队长度的约束,给车辆排队长度设定阈值，采取分段式控制，调整绿灯时长配时方案。
作为优选，所述步骤(1)中，为保持卡口数据与微波数据的时间采集粒度相同，定时对卡口电警记录按车牌号码进行过车数量统计，得到卡口过车数。
作为优选，所述步骤(2)中，微波数据按车道给出，需要进行整合，每个车道的数据完整则流量取和，速度取平均值；若某一时刻存在只有1个车道有数据，则流量取该车道与车道数的乘积作为上游流量，速度取该车道测出的数值；若某一时刻没有速度流量数据，则用上一时刻的数据替代；卡口数据中，针对5分钟内出现的重复数据进行剔除，即对同一车牌号出现在多条记录的情况进行剔除。
作为优选，所述步骤(3)中，首先确定聚类簇的数目k,然后进行高斯混合聚类，利用em算法，使用当前参数πk、μk、σk计算后验概率，并不断进行迭代直到取到最合适的参数；通过高斯混合聚类将微波数据集d划分为k个拥堵态势，拥堵态势的划分则由后验概率γjk确定，每个样本的簇标记为
作为优选，所述高斯混合聚类算法具体为：高斯混合聚类基于高斯混合模型使用概率模型来表示聚类原型，高斯混合分布的概率密度函数如下式所示：
该分布共由k个混合成分组成，每个混合成分对应一个高斯分布，ν(x|μk,σk)是高斯分布的概率密度函数，其中μk为均值向量，σk为协方差矩阵；其中，采用的微波数据集d＝{x1,x2,…,xm}，其中xm是一个二维的数据,；πk为混合系数，其值大于0，且
高斯混合聚类将微波数据集d划分为k个拥堵态势，拥堵态势的划分则由后验概率确定，通过式3计算每个样本的簇标记λj，如下式所示：
高斯混合模型利用em算法，先使用当前参数计算后验概率，再根据下式更新模型参数，不断进行迭代直到取到最合适的参数；
作为优选，所述步骤(4)具体如下：
(i)以快速路主线流量替换alinea算法中的占有率作为控制输入；
(ii)基于步骤(3)得到的拥堵态势，利用速度区间划分的拥堵态势作为aliena算法中控制率的选择标准，并根据拥堵态势自适应选择控制率；
(iii)针对不同拥堵态势制定相应的控制率。
作为优选，针对拥堵态势结果，匝道的信号配时采取对应的控制率，如下式所示：
其中，r(k)表示第k周期匝道的调节率；kf是控制增益；rmax是匝道信号灯控制的最大调节率；rmin是匝道信号灯控制的最小调节率；
作为优选，所述步骤(5)具体如下：
(i)根据卡口电警数据统计控制周期k内的匝道到达车辆数a(k)，通过上一周期调节率计算驶出车辆数d(k)，得到k调节周期的累积滞留车辆数q(k)：
q(k)＝q(k-1) (a(k)-d(k))
(ii)根据q(k)计算当前匝道排队长度l′：
其中，λ为匝道车道数；μ为匝道排队车辆车头间距；考虑到队列清除情况下，q(k)可能为负值，设置当q(k)为负值时，δ取0,反之δ取1；
(iii)假设匝道总长度为l,给车辆排队长度设定阈值；采取分段式控制，设定临界排队长度l1，最大排队长度l2；当排队长度超过l1时，需优先考虑适当延长绿灯时间，调整绿灯时长配时方案，使得主线放行更多的车辆。
作为优选，所述步骤(iii)还包括：当车辆排队长度处于(l1，l2]之间，计算下一周期下游允许放入车辆数时，增加匝道排队长度超出l1部分的车辆，控制率如下式所示：
当排队长度超出l2时，匝道排队临近溢流状态，即将对地面道路产生影响，此时直接以rmax进行控制；综合可得到当信号控制结合匝道排队长度约束状态时，改进后的alinea控制率为：
本发明的有益效果在于：本发明通过对历史数据的分析，利用高斯混合模型聚类重新划分拥堵态势，因为临界占有率通常很难获得，并且占有率不准确将直接影响alinea算法的性能；本发明以交通流量为alinea算法的控制参数，并根据拥堵态势自适应选择控制率，为避免匝道排队过长产生的溢流对地面交通产生影响，采用分段控制方法，增加排队长度约束，排队过长时将控制目标转移到匝道上；本发明在保证主线通行的情况下，对匝道排队以及车辆的等待时间上均有不同程度的优化，提高了道路通行效率。
附图说明
图1是本发明的方法流程示意图；
图2是本发明实施例的基于拥堵态势分级的灯带示意图；
图3是本发明实施例的匝道控制示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：如图1所示，一种基于拥堵态势分级的匝道控制方法包括如下步骤：
(1)收集城市快速路主线上微波检测器的微波数据以及匝道卡口电警检测的卡口数据，为保持卡口数据与微波数据的时间采集粒度相同，定时对卡口电警记录按车牌号码进行过车数量统计，得到卡口过车数。
根据安装在城市快速路主线上的微波检测器获得单位时间内通过该断面的流量,单位为pcu/5min，以及通过车辆的平均速度，单位为km/h。根据安装在匝道入口处的卡口电警统计单位时间内进入匝道的车流量，卡口数据主要包括车牌号码、号牌种类、车辆品牌、路口名称、过车时间，为保证卡口电警时间数据与微波数据时间粒度一致，每5分钟统计进入匝道的车辆数，单位为pcu/5min。
(2)对采集到的微波数据和卡口数据进行数据预处理，采用一段时期的历史均值进行修正异常数据，以及车牌号码匹配的方法消除缺失、重复、异常情况，实现异常数据的检测与修正；
微波数据按车道给出，需要进行整合，每个车道的数据完整则流量取和，速度取平均值；某时刻存在只有1个车道有数据，则流量取该车道与车道数的乘积作为上游流量，速度取该车道测出的数值；某时刻没有速度流量数据，用上一时刻的数据替代。卡口数据主要是针对5分钟内出现的重复数据，即同一车牌号出现在多条记录的情况进行剔除。
(3)基于步骤(2)得到的数据，利用高斯混合聚类算法进行聚类，按照聚类结果，以车速重新划分快速路主线的拥堵态势；
城市快速路主线的拥堵态势依照《中华人民共和国公共安全行业标准》分为六级(速度km/h)：非常通畅(v>65)、通畅[50,65)、轻度拥堵[35,50)、中度拥堵[20,35)、重度拥堵[5,20)、严重拥堵[0,5)。国家标准普适性较强，但考虑实际路段车道数、车道宽度等其他因素的影响，不同快速路的拥堵态势分级应当依据实际情况分析得到。实际控制中，当快速路处于严重拥堵时，匝道便不允许有更多的车辆继续汇入，此时应当关闭匝道，无需进行匝道控制。处于通畅与非常通畅状态时，主线交通通行状态良好，非常通畅可以视作信号配时为全绿放行的特殊通畅状态。因此本发明将城市快速路的拥堵态势按速度划分为四级：通畅(v≥v1)、轻度拥堵[v2,v1)、中度拥堵[v3,v2)、重度拥堵(v＜v3)。
高斯混合聚类基于高斯混合模型(gaussianmixturemodel),与k-menas等计算与中心点距离的聚类方法不同，高斯混合聚类使用概率模型来表示聚类原型，式1为高斯混合分布的概率密度函数。
该分布共由k个混合成分组成，每个混合成分对应一个高斯分布，ν(x|μk,σk)是高斯分布的概率密度函数，其中μk为均值向量，σk为协方差矩阵，本发明采用的微波数据集d＝{x1,x2,…,xm}，其中xm是一个二维的数据,源于快速路微波检测器得到的速度、流量数据。πk为混合系数，其值大于0，且
高斯混合聚类将微波数据集d划分为k个拥堵态势，拥堵态势的划分则由后验概率确定，通过式3计算每个样本的簇标记λj。
从式1中可以看出μk、σk、πk需要事先确定。采用极大似然估计，即找到一组使得似然函数取到最大值的参数，定为最合适的参数。高斯混合模型利用em算法，先使用当前参数计算后验概率，再根据式4、5、6更新模型参数，不断进行迭代直到取到最合适的参数。
对相邻路段的历史数据进行聚类分析划分拥堵态势，并绘制在同一条时间轴上，对不同拥堵区间的时段用不同颜色代替，得到如图2所示灯带图。从灯带图中可以反映出看到交通拥堵产生的时间、地点、拥堵在快速路的蔓延情况以及拥堵消散的过程，单点控制能解决小范围、程度较轻的局部拥堵问题，对于多个匝道同时产生的拥堵带来的连锁反应应对乏力，灯带图的绘制对多匝道协调控制策略的制定起到指导作用。
(4)利用alinea算法进行匝道信号控制；具体包括：以快速路主线流量替换alinea算法中的占有率作为控制输入；基于步骤(3)得到的拥堵态势，利用速度区间划分的拥堵态势作为aliena算法中控制率的选择标准，并根据拥堵态势自适应选择控制率；针对不同拥堵态势制定相应的控制率。
在本实施例中，在城市快速路匝道控制如图3所示。根据每个控制周期测得的匝道上游车速判断快速路主线的拥堵态势，针对拥堵态势分析结果，匝道的信号配时采取对应的控制率，如式7所示。
式中：r(k)表示第k周期匝道的调节率；kf是控制增益；rmax是匝道信号灯控制的最大调节率；rmin是匝道信号灯控制的最小调节率；
以上一周期内匝道上游流量和匝道的流量作为输入，计算得到上一周期内汇入下游的流量，通过与饱和流量qact求差，可以得到下一周期下游仍能容纳的流量，凌晨或者高峰期两者求差可能出现比较大的差值，为避免调节率出现大幅度波动，kf应取小于1的数值。饱和流量qact根据历史数据分析得到，考虑到天气、交通事故等干扰因素的影响，路段的容量可能会更低，其次由于采用上游流量作为输入，拥堵通常由下游产生，蔓延至上游，期望饱和流量
快速路主线处于通畅状态时，下游流量未达到饱和，调节率上升，绿灯相位不断延长，由控制率可知，若不设定上界，凌晨或者深夜车流量较少的情况下，调节率会不断上升，通过设定rmax，限制调节率的增长。调节率最大值出现的情况为匝道信号灯全绿放行，相当于无控制。
快速路主线处于轻度拥堵状态时，应当减小控制率，限制匝道汇入主线的流量。由于流量的正态分布，当速度持续下降时，流量在增长至饱和流量之后，会逐渐下降。由控制率可知qact与
(5)在步骤(4)的基础上增加匝道排队长度的约束,给车辆排队长度设定阈值，采取分段式控制，调整绿灯时长配时方案。
在本实施例中，利用卡口过车数据与调节率计算每个周期的到达和驶出的车辆数，结合该方法得到累积排队长度。设定调节周期k的匝道到达车辆数a(k)可由卡口电警数据分析得到，驶出车辆数d(k)由上一周期调节率计算得到，则k调节周期的累积滞留车辆数为：
q(k)＝q(k-1) (a(k)-d(k))(8)
累积排队长度l′为：
式中：λ为匝道车道数；μ为匝道排队车辆车头间距；考虑到队列清除情况下，q(k)可能为负值，设置当q(k)为负值时δ取0,反之δ取1。
假设匝道总长度为l,给车辆排队长度设定阈值。采取分段式控制，设定临界排队长度l1，最大排队长度l2。排队长度超过l1时，需优先考虑适当延长绿灯时间，使得主线放行更多的车辆。当车辆排队长度处于(l1，l2]之间，计算下一周期下游允许放入车辆数时，增加匝道排队长度超出l1部分的车辆，控制率如式10所示。
当排队长度超出l2时，匝道排队临近溢流状态，即将对地面道路产生影响，此时直接以rmax进行控制。综合可得到当信号控制结合匝道排队长度约束状态时，改进后的alinea控制率为：
利用sumo仿真软件进行仿真实验，结果表明本发明在保证主线通行的情况下，对匝道排队以及车辆的等待时间上均有不同程度的优化，提高了道路通行效率。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
1.一种基于拥堵态势分级的匝道控制方法，其特征在于，包括如下步骤：
(1)收集城市快速路主线上微波检测器的微波数据以及匝道卡口电警检测的卡口数据，并统计卡口过车数；
(2)对采集到的微波数据和卡口数据进行数据预处理，采用一段时期的历史均值进行修正异常数据，以及车牌号码匹配的方法消除缺失、重复、异常情况，实现异常数据的检测与修正；
(3)基于步骤(2)得到的数据，利用高斯混合聚类算法进行聚类，按照聚类结果，以车速重新划分快速路主线的拥堵态势；
(4)利用alinea算法进行匝道信号控制；
(5)在步骤(4)的基础上增加匝道排队长度的约束,给车辆排队长度设定阈值，采取分段式控制，调整绿灯时长配时方案。
2.根据权利要求1所述的一种基于拥堵态势分级的匝道控制方法，其特征在于：所述步骤(1)中，为保持卡口数据与微波数据的时间采集粒度相同，定时对卡口电警记录按车牌号码进行过车数量统计，得到卡口过车数。
3.根据权利要求1所述的一种基于拥堵态势分级的匝道控制方法，其特征在于：所述步骤(2)中，微波数据按车道给出，需要进行整合，每个车道的数据完整则流量取和，速度取平均值；若某一时刻存在只有1个车道有数据，则流量取该车道与车道数的乘积作为上游流量，速度取该车道测出的数值；若某一时刻没有速度流量数据，则用上一时刻的数据替代；卡口数据中，针对5分钟内出现的重复数据进行剔除，即对同一车牌号出现在多条记录的情况进行剔除。
4.根据权利要求1所述的一种基于拥堵态势分级的匝道控制方法，其特征在于：所述步骤(3)中，首先确定聚类簇的数目k,然后进行高斯混合聚类，利用em算法，使用当前参数πk、μk、σk计算后验概率，并不断进行迭代直到取到最合适的参数；通过高斯混合聚类将微波数据集d划分为k个拥堵态势，拥堵态势的划分则由后验概率γjk确定，每个样本的簇标记为
5.根据权利要求4所述的一种基于拥堵态势分级的匝道控制方法，其特征在于：所述高斯混合聚类算法具体为：高斯混合聚类基于高斯混合模型使用概率模型来表示聚类原型，高斯混合分布的概率密度函数如下式(1)所示：
该分布共由k个混合成分组成，每个混合成分对应一个高斯分布，ν(x|μk,σk)是高斯分布的概率密度函数，其中μk为均值向量，σk为协方差矩阵；其中，采用的微波数据集d＝{x1,x2,…,xm}，其中xm是一个二维的数据,；πk为混合系数，其值大于0，且
高斯混合聚类将微波数据集d划分为k个拥堵态势，拥堵态势的划分则由后验概率确定，通过式3计算每个样本的簇标记λj，如下式(3)所示：
高斯混合模型利用em算法，先使用当前参数计算后验概率，再根据式(4)、(5)、(6)更新模型参数，不断进行迭代直到取到最合适的参数；
6.根据权利要求1所述的一种基于拥堵态势分级的匝道控制方法，其特征在于：所述步骤(4)具体如下：
(i)以快速路主线流量替换alinea算法中的占有率作为控制输入；
(ii)基于步骤(3)得到的拥堵态势，利用速度区间划分的拥堵态势作为aliena算法中控制率的选择标准，并根据拥堵态势自适应选择控制率；
(iii)针对不同拥堵态势制定相应的控制率。
7.根据权利要求6所述的一种基于拥堵态势分级的匝道控制方法，其特征在于：针对拥堵态势结果，匝道的信号配时采取对应的控制率，如下式(7)所示：
其中，r(k)表示第k周期匝道的调节率；kf是控制增益；rmax是匝道信号灯控制的最大调节率；rmin是匝道信号灯控制的最小调节率；
8.根据权利要求1所述的一种基于拥堵态势分级的匝道控制方法，其特征在于：所述步骤(5)具体如下：
(i)根据卡口电警数据统计控制周期k内的匝道到达车辆数a(k)，通过上一周期调节率计算驶出车辆数d(k)，得到k调节周期的累积滞留车辆数q(k)：
q(k)＝q(k-1) (a(k)-d(k))(8)
(ii)根据q(k)计算当前匝道排队长度l′：
其中，λ为匝道车道数；μ为匝道排队车辆车头间距；考虑到队列清除情况下，q(k)可能为负值，设置当q(k)为负值时，δ取0,反之δ取1；(iii)假设匝道总长度为l,给车辆排队长度设定阈值；采取分段式控制，设定临界排队长度l1，最大排队长度l2；当排队长度超过l1时，需优先考虑适当延长绿灯时间，调整绿灯时长配时方案，使得主线放行更多的车辆。
9.根据权利要求8所述的一种基于拥堵态势分级的匝道控制方法，其特征在于：所述步骤(iii)还包括：当车辆排队长度处于(l1，l2]之间，计算下一周期下游允许放入车辆数时，增加匝道排队长度超出l1部分的车辆，控制率如式(10)所示：
当排队长度超出l2时，匝道排队临近溢流状态，即将对地面道路产生影响，此时直接以rmax进行控制；综合可得到当信号控制结合匝道排队长度约束状态时，改进后的alinea控制率为：
