基于深度学习的快速路交织区通行能力计算方法研究

Promoting the level of roadway operation and management with the guide of accurate traffic theory is the core of urban roadway congestion management work. However, due to the imperfect capacity analysis theory of weaving area, the congestion management work of urban expressway system is difficult to effectively be promoted. In addition to the difficulty of sample data acquisition, incomplete chosen on dominant factors, insufficient analysis on recessive factors, hard judge work of crossing influence and affecting level are all the bottleneck of perfect capacity analysis of weaving area. Extracting the key influencing factors and building complex nonlinear relationship are crucial to weaving area capacity study. This study will apply deep learning technology which has the advantages of characteristic automatic extraction and high latitudes non-linear modeling to study the weaving area capacity prediction model. And the main line of this research will be traffic operation characteristics distinguishing - learning - inversion modeling, to realize the relationship expression of traffic flow operation characteristics and physical configuration, geometry size and weaving- no weaving flow mount. Introducing artificial intelligence technology into the field of traffic basic research and improving the weaving area capacity analysis application system will be the most contribution for this work.

以准确交通工程理论为指导提升道路运管水平是当前交通拥堵治理的重要工作。由于交织区通行能力分析理论不完善，致使城市快速路系统拥堵治理工作难以有效推进。除样本数据获取困难外，显性影响因素考虑不全、隐性影响因素考虑不足、因素交叉影响难以分析及因素影响层级无法判断等均是制约交织区交通流运行特征和通行能力分析不足的致因。提取关键影响因素、构建复杂非线性关系特征表达方法成为交织区通行能力研究关键。课题应用具有特征自动抽取、高纬度非线性关系建模功能的深度学习方法，以交织区交通流运行特征及通行能力特征判别—规律学习—反演建模为主线，研究交织区交通流运行特征的图谱表达方法及基于深度信念网络（DBNs）的交织区通行能力预测模型，实现交织区交通流运行特征与物理构型、几何尺寸、交织及非交织流量组合、换道行为等因素的关系表达。在交通基础研究领域引入人工智能技术，改善通行能力分析方法，完善交织区通行能力分析理论。

城市快速路交织区、分流区、合流区以及城市交通枢纽落客区均是相对复杂的道路交通设施（以下简称“复杂设施”），相比其他设施受几何设计影响以外，该类设施交通流疏导能力受交通流组合条件影响较大甚至远比几何条件影响要大，本次课题以城市快速路交织区为研究对象，探索复杂设施通行能力影响及其分析方法。复杂设施交通运行分析难点在于：1）复杂设施交通流作用过程在设施整个区间并非单一断面，使得宏观统计分析无法挖掘要素之间作用关系，精细化数据获取难度大；2）多要素作用过程分阶段体现，增加了模型构建难度。基于以上两个问题，本课题研究内容包括两个方面：.1）微观仿真模型参数标定优化研究。在以往明确校核指标、现场调研指标数据、参数敏感性分析、基于智能优化技术的仿真实验等微观交通仿真模型参数标定步骤的基础上，提出应用交通流特性曲线取代单一集计指标作为校核对象，提出全局参数通过工程实测获得、局部参数通过智能寻优获得的标定模式，提出依据各个参数集聚特性逐一分类递归取均值的方法来确定参数标定结果取值。.2）基于微观仿真的快速路交织区运行分析与建模研究。包括微观仿真模型的构建、交织区运行特性影响因素分析、通行能力分析、运行速度分析四部分内容。首先，以微观交通仿真技术平台为分析数据获取手段，通过实地调研获得仿真标定数据，通过方差分析进行参数敏感性分析，遗传算法进行智能寻优选取，最终确定微观仿真实验参数标。开展仿真实验，获得大量数据，为推进课题研究提供了数据基础。其次，分析交通流运行规律，通过单因素方差分析法明确交织区长度、汇入流量、驶出流量对通行能力的影响情况，以及通过多因素方差分析法分析因素之间的交互作用，明确交通流运行机理。最后，通过DTW-AP曲线聚类算法对流量变化曲线进行聚类分析，k-means聚类算法对通行能力进行聚类分析，明确类别特征，将相同变化趋势对应的不同道路、交通条件进行聚类分析，利用神经网络构建不同变化趋势下的通行能力分段模型。同时明确不同交织区长度允许通过的最大交织流量。同理，以相同的分析思路对运行速度进行分析，建立运行速度模型。.微观仿真技术为课题推进提供了数据来源，课题对微观仿真模型参数标定开展了深入研究取得一定成果，也为复杂设施交通流运行分析提出了新的分析思路。