一种考虑短时车流量的高速公路收费站车道配置方法

技术领域

本发明涉及收费站车道配置方法，尤其涉及一种考虑短时车流量的高速公路收费站车道配置方法。

背景技术

现有的对混合收费站营运期间的收费车道配置的各项研究，所建模型不具有普遍适用性，在收费站条件改变时，需要重复建模。而且都只是根据收费站各项参数得到固定的车道配置方案，这种方案一经确定就全天不变，但在每天的低峰小时期间，不可避免的会出现收费车道开放过多，收费站资源浪费的问题。而在高峰小时期间，固定的车道配置方案，随着到达收费站车辆类型的差异及数量多少的变化，也不一定达到最佳的车道配置效果，有时甚至会出现某类车道堵车，另类车道畅通的现象。

发明内容

发明目的：本发明的目的是提供一种能解决闲暇时期车道浪费、高峰时车道配置不均的考虑短时车流量的高速公路收费站车道配置方法。

技术方案：本发明的高速公路收费站车道配置方法，包括以下步骤：

S1，参数初始化；

S2，根据目标收费站的固定参数值，得到收费站运营总成本C

S3，使用双向循环长短时记忆网络进行短时交通流量预测，获取所需车道配置时段各车型的车辆到达率λ；

S4，根据目标收费站ETC车道、ETC/MTC混合车道的平均服务时间，计算各车道平均服务率μ

S5，通过车辆到达率λ和各车道平均服务率μ

S6，根据步骤S2-S5中得到的各项参数值，建立车道配置决策模型的总成本目标函数：

min C＝C

其中，N为目标收费站的车道总数，N

S7，根据总成本目标函数的最优解，得到该时段的目标收费站开启ETC车道数N

进一步，步骤S2中，获取目标收费站的固定参数值包括设备运行成本、材料购置成本、人员工资、客车平均载客量、地区人均月收入、货车平均小时收益。

进一步，收费站运营总成本C

其中，

进一步，收费站延误总成本C

C

其中，C

进一步，步骤S3中，获取车辆到达率λ的具体方法为：使用双向循环长短时记忆神经网络模型，通过对历史数据的训练、拟合，预测出未来短期的某客货车型车辆在该时段的交通量，得到每小时到达车道的车辆数，为车辆到达率λ；

其中，收费站每条ETC车道的平均车辆到达率为：

收费站每条ETC/MTC车道的平均车辆到达率为：

其中，λ

进一步，步骤S5中，车道服务强度ρ

其中，λ

本发明与现有技术相比，其显著效果如下：

1、本发明根据双向循环长短时记忆神经网络对交通流量预测的结果，通过车道配置决策模型提前得出车道配置方案，使得收费站的车道配置与交通流量相适应，不会产生收费站闲暇时期车道浪费的现象，一定程度上降低了收费站的运营成本；在高峰期，根据预测的各车型的交通流量调整相应开放的车道数量；

2、根据短时交通流量数据，得到的车道配置方案更准确；同时聚焦交通要素，推动管理方式转变，将防控与决策转被动为主动，为车道配置决策提供前瞻性方案；实验结果表明，在降低收费站总成本的基础上，达到车辆通行的最佳效果；

3、本发明提出的车道配置决策模型具有普遍适用性，采用的两个成本符合收费站的一般情况，需要调查的参数较易获取。

附图说明

图1为本发明的流程图；

图2(a)为误差函数随时间变化的预测效果图，

图2(b)为对测试集进行的交通流预测效果图。

具体实施方式

下面结合说明书附图和具体实施方式对本发明做进一步详细描述。

如图1所示，本发明的高速公路收费站车道配置优化方法，包括以下步骤：

S1，参数初始化；

S2，调查获取目标收费站的固定参数值，得到收费站运营总成本C

S3，使用双向循环长短时记忆网络进行短时交通流量预测，获取所需车道配置时段各车型的交通流量的参数值，即车辆到达率λ；

S4，根据实际道路调查，获取该目标收费站ETC车道、ETC/MTC混合车道的平均服务时间，根据平均服务时间算出参数值，即平均服务率μ

S5，通过S3、S4中得到的车辆到达率λ和各车道平均服务率μ

S6，根据S2-S5中得到的各项参数值，建立总成本目标函数；

S7，在符合约束条件的情况下，计算S6中建立的总成本目标函数得到最优解，即得到该时段的目标收费站开启ETC车道数N

首先将ETC车道运营成本、MTC车道运营成本、收费站总运营成本初始化为车道配置前的数值进行初始化，然后通过调查获取C

(一)收费站运营成本

收费站运营成本主要包含设备运作成本、材料购置成本、人员工资三部分。设备运作成本括日常支持设备运行的电费和定期检查维护的维修费用。人员工资按每人每月工作22天，每天工作8小时来算。收费站运营成本如式(1)-(3)所示：

其中，C

(二)收费站延误成本

延误成本是指车辆通过收费站时减速、排队、接受服务、加速离去等过程中的时间损失费用，即在收费车道的逗留时间成本与无此收费站时乘客以正常车速通过排队以及收费路段的时间成本差值。

客车的延误成本与客车的载客数量以及人均时间价值有关。通常用收入法来衡量人均价值，因此某小时到达收费站的客车延误成本为式(4)：

其中C

货车的延误成本由单辆货车单小时的纯收益决定，某个小时到达收费站的货车延误成本为式(5)：

C

其中C

由于货车在收费站通行时需要对其重量进行检测，且其受车道影响较大，一般来说在车道中的通行速度相对较低；MTC车辆在通行时需要停车进行取卡(还卡)或缴费，整体的通行速度也较低。为了避免客货之间、快慢车之间相互干扰，影响车辆通行效率，降低收费广场的通行能力，收费广场采取“客货分离、快慢分开”的思路设置收费车道。即根据收费广场通行特点，ETC专用车道、ETC/MTC混合车道从左向右依次设置。ETC专用车道主要服务于ETC客车快速通行，ETC/MTC混合车道主要服务于ETC货车、MTC客车、MTC货车通行。因此收费站的延误成本又可表示为式(6)-(8):

C

其中，C

使用双向循环长短时记忆网络进行短时交通流量预测，获取所需车道配置时段各车型的交通流量，即车辆到达率λ；

收费站每条ETC车道的平均车辆到达率为：

收费站每条ETC/MTC混合车道的平均车辆到达率为：

其中，λ

根据实际道路调查，获取该收费站ETC车道，ETC/MTC混合车道的平均服务时间，根据平均服务时间算出平均服务率μ

一般情况下，车辆到达收费站符合泊松分布，对于ETC车道和混合车道，各个车辆的服务时间相互独立(可将ETC车道在高峰时期的最小车头时距视为其服务时间)，可认为其服从负指数分布。由于驶入收费广场的车辆很少能够随意换队，因此根据排队论，可将收费站视作一个多路排队多通道服务的M/M/N排队系统，其服务强度为：

其中，λ

各类成本、车道的服务率、人员工资、地区人均月收入均为已知数，车辆到达率指的是每小时到达车道的车辆数，可以使用双向循环长短时记忆神经网络模型，通过对历史数据的训练，拟合，从而预测出未来短期的某客货车型车辆在该时段的交通量，即车辆到达率。

图2(a)为误差函数随时间的变化情况，可见训练数据的误差在快速减小。此外，由于测试的数据误差没有增加，所以还可以说没有发生过拟合现象。图2(b)是对测试集进行的交通流预测情况，拟合情况较为良好，训练误差在8％左右。因此双向循环长短时记忆神经网络可以为本发明车道配置决策模型提供较为准确的车辆达到率参数。则总成本C可化为N

根据以上分析，将各参数值代入公式(1)-(7)，各公式相加，建立总成本目标函数；可以得出一个总成本C关于N

在Lingo软件中输入该目标函数，并写出约束条件，通过软件算出目标函数最优解，即该时段开启的ETC车道数量N

本发明的车道配置方法可以根据双向循环长短时记忆神经网络对交通流量预测的结果，通过车道配置决策模型提前得出车道配置方案，使得收费站的车道配置与交通流量相适应，不会产生收费站闲暇时期车道浪费的现象，一定程度上降低了收费站的运营成本。在高峰期，也能根据预测的各车型的交通流量调整相应开放的车道数量。

以上提供的具体实施方式只是本申请总的构思下的示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。