(1.清華大學 土木水利學院， 北京 100084；2.清華大學 交通研究所， 北京 100084；3.北京工業(yè)大學 北京市交通工程重點實驗室， 北京 100124；4.北京建筑大學 土木與交通工程學院， 北京 100044)

0 引言

飽和流率是通行能力中重要的參數(shù)，是指在連續(xù)綠燈時間內(nèi)，進口道上連續(xù)車隊通過停車線的最大流率[1]。飽和流率是計算通行能力、評價交叉口服務水平和信號配時的重要參數(shù)。目前，獲得飽和流率常用的方法有2種，一種是模型法，一種是實測法。

國內(nèi)外對于飽和流率的研究主要集中在飽和流率計算模型以及實測方法兩個方面。在飽和流率計算模型方面，國內(nèi)外學者[2-9]主要分析了本地交通特點，通過實測數(shù)據(jù)，將常見的修正系數(shù)如車道寬度、進口道坡度等進行本地化改進，針對一些特殊影響因素如公交停靠站、導流標線等構建新的修正系數(shù)計算模型。在實測方法方面，美國道路通行能力手冊(highway capacity manual, HCM)[10]、別一鳴等[1,11]主要集中在車輛飽和狀態(tài)的判別，通過動態(tài)采集飽和流率實時掌握通行能力變化，為交通控制方案制定提供支持。但就飽和流率計算模型而言，影響飽和流率的因素很多，直接從理論上推導某種規(guī)律來描述飽和流率是無法完全涵蓋的，難以通過傳統(tǒng)統(tǒng)計準確表達。就實測方法而言，無法掌握飽和流率變化與交叉口各交通特征之間的關系，對于擁堵難以準確發(fā)現(xiàn)其原因并實現(xiàn)精細化改進。因此，構建既能準確描述飽和流率與各影響因素之間關系，又能掌握飽和流率實時動態(tài)變化特征的模型，顯得十分必要。

考慮到神經(jīng)網(wǎng)絡與傳統(tǒng)統(tǒng)計學方法不同，在無先驗模型基礎上，通過訓練學習，自動生成輸入與輸出的關系表達，能夠描述任意復雜的系統(tǒng)。通過神經(jīng)網(wǎng)絡模型研究飽和流率成為可能。本文基于實測數(shù)據(jù)，提出了基于神經(jīng)網(wǎng)絡的飽和流率估算方法，并與經(jīng)典的HCM方法對比分析。本文研究成果對于提高飽和流率估算準確性，動態(tài)的交通控制方案調(diào)整，精細化的交通運行管理具有重要意義。

1 飽和流率估算方法

信號交叉口各進口道的實際飽和流率是由車道組飽和流率疊加而成。因為，進口道飽和流率是隨車道數(shù)和渠化方案變化而變化。換言之，計算某一條進口道飽和流率需要計算每個車道實際飽和流率，并進行累加。各車道飽和流率可以通過飽和車頭時距換算得到如公式(1)，也可通過對基準飽和流率進行一系列修正得到如公式(2)。

(1)

(2)

式中，ht為實測飽和車頭時距；S為實際飽和流率；S0為基本飽和流率；fi為不同交通條件、幾何條件等對應的修正系數(shù)。在實際研究中，飽和車頭時距通過人工調(diào)查或者采集設備獲得，經(jīng)過公式(1)計算可得飽和流率。無法進行數(shù)據(jù)采集的交叉口，如規(guī)劃某交叉口，可通過公式(2)計算獲得飽和流率。國家標準《城市道路交叉口規(guī)劃規(guī)范》(GB 50647—2011)[12]也是借鑒公式(2)模型。其關鍵是確定影響飽和流率因素的修正系數(shù)。

1.1 飽和流率影響因素分析

HCM手冊第18章[10]列舉了影響飽和流率代表性因素，共有11類，分別為車道寬度、大車比例、進口道坡度、路內(nèi)停車情況、公交停靠站、地區(qū)類型、車道利用(多車道交通量分布不均)、左轉交通、右轉交通、行人與非機動車。每個因素對應的調(diào)整系數(shù)都是該因素與飽和流率的獨立關系表達。如果按照每個周期影響因素的變化情況分，大致可以將其分為動態(tài)因素與靜態(tài)因素。其中，靜態(tài)因素為車道寬度、進口道坡度、地區(qū)類型，其余為動態(tài)因素。由此可知，飽和流率并非恒定，而是會隨著動態(tài)因素的變化而變化。同樣，11類的影響因素也無法完全涵蓋所有交通特征。HCM手冊中11類影響因素主要適用于美國地區(qū)交通情況。而在印度這樣的發(fā)展中國家，交通流組成中兩輪摩托車的比例較高，兩輪車的車長與性能與小客車有著明顯差異，將會直接影響實際飽和流率[13]。同樣在中國，由于用地空間限制，交叉口形成短車道，由短車道長度不足引發(fā)車輛排隊溢出等現(xiàn)象導致飽和流率的變化[14]。但上述交通情況均未在HCM手冊中體現(xiàn)。

總體來說，車道飽和流率的影響因素眾多，不同車道類型(專用、共用)、不同信號類型(左轉時的許可型、保護型)所需要考慮的影響因素也不相同，一些特殊的交通特性也會導致飽和流率的變化。目前，通常做法是，分析新的影響因素與飽和流率的單獨關系，建立回歸模型[15]，推導形成新的修正系數(shù)。但在實際研究過程中發(fā)現(xiàn)，控制變量，獲得單一因素與飽和流率的直接關系較為困難。實測數(shù)據(jù)中往往會存在多因素之間的交織。如圖1 所示，作者在北京地區(qū)實地采集了不同車道寬度、不同大車比例下直行車道的飽和流率，其中“m”為實測直行車道飽和流率，“hcm”為模型對應預測飽和流率。由圖1可知，只考慮車道寬度和大車影響下，實際飽和流率的變化與模型計算不符，在窄車道大車比例高的情況下，實際飽和流率下降更加明顯，說明車道寬度和大車比例因素間存在著一定交互影響。這也進一步說明，當前HCM模型無法完全表達出各種因素之間的復雜關系。

圖1 飽和流率預測值與實測值對比Fig.1 Comparison between predicted and measured values of saturation flow rate

1.2 飽和流率神經(jīng)網(wǎng)絡預測方法

交叉口飽和流率受各種因素的影響，無法直接找到影響的參數(shù)與實際飽和流率之間準確的函數(shù)表達，而是通過采用單一參數(shù)與飽和流率之間的關系構建修正系數(shù)，并通過乘積方式對基本飽和流率進行累積，達到預測實際飽和流率的目的。但這種方法往往受隨機因素，以及因素之間的交互關系表達不足的影響，無法準確預測實際飽和流率。根據(jù)神經(jīng)網(wǎng)絡方法的特點可知，通過神經(jīng)網(wǎng)絡構建的數(shù)學模型，經(jīng)過訓練可以很好的表達輸入與輸出參數(shù)的映射關系，無需尋找因素之間的復雜非線性關系。所以本文擬構建基于神經(jīng)網(wǎng)絡的飽和流率動態(tài)估計方法。

首先，需要獲取相關數(shù)據(jù)，由于飽和流率是信號配時的關鍵參數(shù)，實時獲得飽和流率顯得十分重要。飽和流率與交通量特性不同，交通量以5 mim或15 min間隔進行實時統(tǒng)計；而由飽和流率定義可知：“在信號燈連續(xù)顯示綠燈時間，進口道上一列連續(xù)車隊通過停止線的最大流率”，其與信號周期相關，采用每個信號周期為統(tǒng)計間隔比較合適。根據(jù)神經(jīng)網(wǎng)絡模型特點，需要確定輸入與輸出參數(shù)，本文輸入?yún)?shù)是飽和流率影響因素，輸出參數(shù)是對應的實際飽和流率。對于輸出參數(shù)而言，可通過在進口道處設置的檢測器獲得，獲得方法借鑒文獻[9]，具體步驟如下：①先判斷紅燈期間排隊車輛數(shù)是否超過7 veh，如果少于7 veh說明未達到飽和狀態(tài)，無法直接獲得飽和車頭時距，不進入提取，否則繼續(xù)；②判斷第4輛車至排隊末尾車輛是否為飽和車頭時距；③提取當前周期第4輛車到處于飽和狀態(tài)的最后一輛車的平均飽和車頭時距；④根據(jù)公式(1)計算飽和流率。對于輸入?yún)?shù)而言，主要分為兩類，一類是靜態(tài)參數(shù)，一類為動態(tài)參數(shù)，通過不同方式獲得。常見的靜態(tài)參數(shù)為車道功能、寬度、坡度、地區(qū)類型等，可以通過人工采集，更新頻率為一年或視情況而定。而常見的動態(tài)參數(shù)為車輛組成(不同車型比例)，左右轉車輛比例，行人與非機動車流量等，數(shù)據(jù)獲取采用進口道設置的檢測器獲得。其次，確定神經(jīng)網(wǎng)絡結構，目前主要思路是通過當下靜態(tài)與動態(tài)參數(shù)來預測實際飽和流率。故神經(jīng)網(wǎng)絡的結構主要是，輸入層面節(jié)點個數(shù)為影響具體車道的動靜態(tài)因素個數(shù)；輸出層節(jié)點個數(shù)為1，輸出變量為實際飽和流率；隱含層節(jié)點個數(shù)參考經(jīng)驗公式[16]或者分析選取，常見的公式如下：

(3)

式中,n為輸入單元數(shù)，m為輸出神經(jīng)元數(shù)，a為取值1到10之間的常數(shù)。本文結合公式(3)確定隱含層神經(jīng)元節(jié)點數(shù)區(qū)間，并通過實驗測試獲得預測誤差，以預測誤差最小確定最佳隱含層神經(jīng)元節(jié)點數(shù)。同樣，根據(jù)實驗選取適合的激活函數(shù)、梯度下降函數(shù)以及學習速率等參數(shù)。最后，神經(jīng)網(wǎng)絡結構確定后，通過部分數(shù)據(jù)對網(wǎng)絡進行訓練驗證，可以獲得用以預測的神經(jīng)網(wǎng)絡模型?？紤]網(wǎng)絡訓練可能需要時間，可以隔一段時間重新對網(wǎng)絡進行訓練優(yōu)化。

本文采用神經(jīng)網(wǎng)絡方法預測飽和流率總結可分為以下5個步驟：

Step 1：根據(jù)實際情況分析影響當前車道飽和流率的因素，確定輸入?yún)?shù)。

Step 2：根據(jù)Step1中相關參數(shù)，確定神經(jīng)網(wǎng)絡結構，如隱含層神經(jīng)元個數(shù)，激活函數(shù)，梯度下降函數(shù)，學習速率等參數(shù)。

Step 3：選取部分歷史數(shù)據(jù)作為訓練集，啟動神經(jīng)網(wǎng)絡進行訓練優(yōu)化，經(jīng)迭代直至收斂，獲得神經(jīng)網(wǎng)絡模型。并通過另一部分歷史數(shù)據(jù)進行驗證，驗證通過后，保存當前神經(jīng)網(wǎng)絡模型參數(shù)，各層間的權重矩陣與偏差矩陣。

Step 4：利用訓練好的神經(jīng)網(wǎng)絡模型和檢測器當前周期相關數(shù)據(jù)，滾動式預測下一周期飽和流率。

Step 5：判斷是否達到網(wǎng)絡訓練更新時間間隔，如滿足轉到Step 3，否則轉至Step 4。

2 算例分析

為了證明本文提出模型的有效性與可靠性，選取不同復雜程度的交通場景，基于實測數(shù)據(jù)構建估計飽和流率的神經(jīng)網(wǎng)絡模型、HCM模型并對模型進行對比分析。由交通流運行特征可知，在不同類型車道上，車流所受的影響因素也有所區(qū)別。因此，在選擇交通場景時應充分考慮交通流特征和影響因素的多少，最終選取了進口道為直行、直左、直右車道的3種場景。其中，場景1(直行車道)位于北京市豐臺區(qū)石榴莊路與榴鄉(xiāng)路交叉口，該交叉口北接南三環(huán)，南接南四環(huán)與德賢路，高峰時段交通量巨大；場景2(直右車道)位于北京市海淀區(qū)車公莊西路與首都體育館南路交叉口，附近有白石橋南地鐵口，行人和非機動車流量較大；場景3(直左車道)位于北京市東城區(qū)安定門外大街與外館斜街交叉口，周圍均是居住小區(qū)，行人流量較大。

2.1 數(shù)據(jù)獲取

三種場景所在的交叉口是位于北京市中心的信號控制型交叉口，具體渠化如圖2所示。各交叉口進口道詳細的幾何特征和信號配時方案如下：

場景1(直行車道)，石榴莊路與榴鄉(xiāng)路交叉口是主干路和次干路相交，南北方道路是主干道，其中，南進口車道為2條左轉專用車道，4條直行車道，1條右轉專用車道，北進口車道為1條掉頭車道，1條左轉專用車道，5條直行車道，1條右轉專用車道。高峰時段，信號配時方案為4相位，右轉車輛不受燈控，左轉車輛與直行車輛分開放行，周期時長140 s，直行相位的黃燈時長4 s，左轉相位的黃燈時長3 s，所有相位全紅時長2 s。南北直行綠燈時長44 s，南北左轉綠燈時長15 s，東西直行綠燈時長42 s，東西左轉綠燈時長17 s。選取的是北進口與南進口9條直行車道進行分析。

場景2(直右車道)，車公莊西路與首都體育館南路交叉口是兩條主干路相交，其中，東進口車道為1條左轉專用道，2條直行車道，1條直行右轉車道，1條右轉專用車道。高峰時段，信號配時方案同樣為4相位，周期時長148 s，所有黃燈時長為3 s，全紅時長為2 s，東西直行綠燈時長40 s，東西左轉綠燈時長20 s。選取的是東進口1條直右車道分析。

場景3(直左車道)，安定門外大家與外館斜街交叉口是主干路和支路相交，東西方向為支路，其中，西進口車道為1條直左車道，1條右轉專用道。高峰時段，信號配時方案為3相位，周期時長156 s，所有黃燈時間為3 s，全紅時間為2 s，東西直行兼左轉綠燈時長42 s。選取的是西進口1條直左車道分析。

(a) 場景1交叉口

(b) 場景2交叉口

(c) 場景3交叉口

在3種場景中，飽和流率受到的影響是不同的。圖3展示了交叉口使用者爭奪沖突空間的示例，進一步說明了各影響因素特征。以直行車道為例，飽和流率受到的影響因素較少，主要受車隊內(nèi)車輛組成影響。但在調(diào)查中發(fā)現(xiàn)，在多直行車道時，經(jīng)常發(fā)生車輛之間相互干擾，車輛駛離停車線后自由選擇出口道位置，會影響后車的平穩(wěn)運行導致飽和流率的變化，實際干擾情況如圖4所示。以直右車道為例，當綠燈亮起時，直行和右轉車輛均可通過停車線，因此，飽和流率不僅受車隊內(nèi)車輛組成影響，也會受右轉車輛比例影響；當右轉車輛到達相交道路出口道時，也會受過街的行人與非機動車的干擾。以直左車道為例，同直右車道相同，也會受到左轉比例，行人與非機動車的干擾；但不同的是，綠燈亮起時對向直行車輛也會通過，左轉車輛行駛過程中也會受到對向直行車輛干擾造成飽和流率變化。

圖3 信號交叉口常見的沖突位置Fig.3 Common conflict zones of signalized intersections

圖4 多進口直行車道車輛之間相互干擾情況Fig.4 Interference between vehicles at multiple through approaches

鑒于涉及到數(shù)據(jù)較多，本文采用視頻攝像的方法記錄交叉口車輛運行，并通過人工提取方式獲得車頭時距數(shù)據(jù)以及相關影響因素數(shù)據(jù)。使用滾輪儀記錄進口道車道寬度以及其他幾何特征。使用秒表記錄信號周期、相位等信息。為便于分析，在提取過程中，以周期為記錄單元，記錄每個周期影響因素和對應的飽和車頭時距。直行車道主要記錄大車比例、車道的寬度、受到鄰側車道影響(受到影響記錄1，未受影響記錄0)，采集時間主要集中在2019年4月2日至4月4日晚高峰(17:30—19:30)，9條直行車道共采集了420個周期數(shù)據(jù)。直右車道主要記錄大車比例、右轉比例、行人有效流率、非機動車有效流率。直左車道主要記錄大車比例、左轉比例、行人有效流率、非機動車有效流率、對向直行車輛有效流率。采集時間集中在2018年6月12日至6月14日晚高峰(17:30—19:30)，直右和直左車道分別都采集了90個周期數(shù)據(jù)。

2.2 模型構建與標定

以3層神經(jīng)網(wǎng)絡為基礎，結合影響飽和流率的因素數(shù)據(jù)，進行模型的輸入層、隱含層、輸出層的參數(shù)設計，選取合適的隱含層節(jié)點數(shù)、激活函數(shù)、梯度下降函數(shù)、學習速率，以輸出結果誤差最小為目標，形成飽和流率估算模型。本文所使用的神經(jīng)網(wǎng)絡程序采用由Google開發(fā)的TensorFlow開源軟件庫實現(xiàn)。該軟件庫有規(guī)范化的神經(jīng)網(wǎng)絡架構，且內(nèi)置多種函數(shù)，便于代碼編寫。同時，通過TensorBoard將計算流程及結果可視化，使得程序優(yōu)化調(diào)試更加容易理解，其界面如圖5所示。

圖5 TensorBoard 界面Fig.5 TensorBoard interface

首先，要確定輸入與輸出變量。一般情況下，影響因素作為輸入變量，實際飽和流率作為輸出變量。根據(jù)上節(jié)數(shù)據(jù)獲取情況可知，不同場景下實測數(shù)據(jù)中飽和流率的影響因素不同，即不同場景下輸入變量有所差異，輸出變量均為實際飽和流率。場景1(直行車道)：3個輸入變量分別為車道寬度、車輛組成、多車道橫向干擾。場景2(直右車道)：4個輸入變量分別為車輛組成、右轉比例、行人有效流率、非機動車有效流率。場景3(直左車道)：由于觀測時間內(nèi)沒有大型車通過，大車比例每個周期均為0，所以輸入變量也為4個分別為右轉比例、行人有效流率、非機動車有效流率、對向直行車流率。其次，劃分訓練集與測試集，場景1選取300個周期數(shù)據(jù)作為訓練集，剩余120個周期數(shù)據(jù)作為測試集；場景2和場景3均選取65個周期數(shù)據(jù)作為訓練集，剩余25個周期作為測試集。然后，標定神經(jīng)網(wǎng)絡模型中的超參數(shù)并保存參數(shù)權重和偏差矩陣。在TensorFlow中，可調(diào)節(jié)的超參數(shù)主要有隱含層數(shù)、隱含層節(jié)點數(shù)、激活函數(shù)、學習速率、梯度下降函數(shù)。其中，由于輸入?yún)?shù)較少，一般情況下隱含層數(shù)選擇為1層，本文同樣選擇1層。其他超參數(shù)的標定過程如下：

Step 1：確定超參數(shù)的變量范圍。如隱含層節(jié)點個數(shù)范圍，可根據(jù)公式(3)計算，大致范圍在3至12之間，常見激活函數(shù)6種，學習速率一般在0.01到0.1之間，常見梯度下降函數(shù)有6種。

Step 2：控制超參數(shù)變量，進行訓練與測試。如需要確定隱含層節(jié)點數(shù)，其他參數(shù)選擇默認值，隱含層節(jié)點數(shù)從3到12，依次進行訓練，保存神經(jīng)網(wǎng)絡結構與模型參數(shù)，利用同樣的結構和參數(shù)帶入測試集，獲得預測的平均絕對誤差(mean absolute error， MAE)和平均絕對百分比誤差(mean absolute percentage error， MAPE)。

Step 3：對比模型預測誤差，確定超參數(shù)變量。針對不同實驗，對比測試集中模型的預測誤差，選取誤差最小時超參數(shù)變量作為模型標定變量。

以場景1構建的模型為例，采用上述步驟，確定的神經(jīng)網(wǎng)絡參數(shù)，具體結果如圖6所示。其中，隱含層節(jié)點數(shù)為12，激活函數(shù)為sigmoid，學習速率為0.04，梯度下降函數(shù)為RMSPropOptimizer。同理，場景2與場景3確定與場景1相似，不再贅述，具體結果見表1。就神經(jīng)網(wǎng)絡模型標定而言，在實際使用中可通過編程實現(xiàn)各超參數(shù)的自動選擇，省去人工標定的繁瑣過程。

(a) 神經(jīng)元個數(shù)確定

(b) 激活函數(shù)確定

(c) 學習速率確定

(d) 梯度下降函數(shù)確定

圖6 神經(jīng)元網(wǎng)絡模型超參數(shù)確定Fig.6 Determining the hyperparameters of neural network models

表1 三種交通場景的神經(jīng)網(wǎng)絡模型超參數(shù)標定結果Tab.1 Calibration of hyperparameters for neural network models at 3 scenarios

所有超參數(shù)確定后，將3種場景的訓練集數(shù)據(jù)分別代入模型進行訓練，訓練完成后，保存模型權重與偏差矩陣參數(shù)，將測試集數(shù)據(jù)導入訓練好的模型中，進一步查看模型預測結果。場景1，2，3模型中，輸入層與隱含層之間的權重矩陣如下。

場景1的模型中，輸入層與隱含層之間的權重矩陣W11和偏差矩陣b11如下：

隱含層與輸出層之間的權重矩陣W12和偏差矩陣b12如下：

b12=[0.476]。

同理，場景2模型的參數(shù)W21,b21,W22,b22如下：

b22=[-0.089]。

同理，場景3模型的參數(shù)W31,b31,W32,b32如下：

b32=[-0.102]。

3種場景模型的訓練集和測試集預測結果如圖7所示。訓練集和測試集中預測值和實測值較為吻合，根據(jù)計算MAPE值，場景1訓練集為0.06(準確率則為94%)，測試集為0.11(準確率為89%)，場景2訓練集為0.07(準確率則為93%)，測試集為0.07(準確率為93%)，場景3訓練集為0.04(準確率則為96%)，測試集為0.05(準確率為95%)，這說明該方法能夠較為準確的估計飽和流率。

(a) 場景1直行車道訓練集

(b) 場景1直行車道測試集

(c) 場景2直右車道訓練集

(d) 場景2直右車道測試集

(e) 場景3直左車道訓練集

(f) 場景3直左車道測試集

圖7 飽和流率預測結果與實測數(shù)據(jù)對比Fig.7 Comparison between predicted and measured results

2.3 對比分析

為了進一步驗證本文所提出方法的有效性，對采集的數(shù)據(jù)同時采用HCM方法和傳統(tǒng)統(tǒng)計學方法進行計算，將結果進行對比分析。場景1中影響飽和流率的因素還包含有多車道橫向干擾因素，而該因素在HCM方法中并未體現(xiàn)，因此可以采用統(tǒng)計學方法進行計算。常用的有兩種，第一種是尋找該因素與飽和流率之間的關系，經(jīng)過推導得出該因素對應的修正系數(shù)，然后納入HCM乘法方程計算，該方法適用于單一因素與飽和流率之間的關系容易確定的情況，在無法剝離單一因素時，該方法會出現(xiàn)一定偏差。HCM方法中，重點需要確定兩類參數(shù)，一是基本飽和流率，二是各影響因素對應的修正系數(shù)。為了使估算飽和流率更符合實際的交通運行特征，將基本飽和流率、車道寬度修正系數(shù)、重車率修正系數(shù)采用《城市道路交叉口規(guī)劃規(guī)范》(GB 50647—2011)中給定的推薦值。左轉修正系數(shù)、右轉修正系數(shù)、行人和自行車修正系數(shù)國標中未給出，本文采用美國通行能力手冊中的計算方法，此處不再贅述。基于3個場景的測試集數(shù)據(jù)，分別采用訓練好的神經(jīng)網(wǎng)絡模型，以及確定好參數(shù)的HCM模型對飽和流率進行估算。并計算每個周期估算值的誤差，形成誤差分布，具體如圖8所示。

(a) 場景1各模型估算誤差分布

(b) 場景2各模型估算誤差分布

(c) 場景3各模型估算誤差分布

(d) 各模型估算的MAPE對比

圖8 HCM與神經(jīng)網(wǎng)絡模型估計精度對比Fig.8 Comparison of the predicted accuracy with HCM, Neural Network methods

兩種模型的估計飽和流率的平均絕對值百分比誤差在場景1中分別為29.30%，11.23%，場景2中分別為21.60%， 7.02%，場景3中分別為24.53%， 4.70%。由此可知，神經(jīng)網(wǎng)絡模型均優(yōu)于HCM模型。進一步分析，隨著場景復雜程度的提升，HCM模型精度明顯提升，尤其在場景2與場景3中，飽和流率受到的影響因素較多，除受自身(本車隊)內(nèi)部干擾還會受到外部(行人與非機動車)其他交通參與者干擾，此時神經(jīng)網(wǎng)絡優(yōu)勢明顯。

3 結論

本文將信號交叉口進口道飽和流率以周期為單位統(tǒng)計，同時記錄相關影響因素，按時間序列進行排列，采用神經(jīng)網(wǎng)絡的方法動態(tài)實時計算飽和流率，通過與HCM模型對比可以得到如下結論：

① 影響飽和流率的因素較多，有靜態(tài)因素有動態(tài)因素，因此飽和流率并非恒定，而是隨交通條件變化而不斷變化。

② HCM只給出了基本影響因素，缺少特有交通特性下的影響因素，且因素之間的復雜關系難以用傳統(tǒng)統(tǒng)計學方法表達，神經(jīng)網(wǎng)絡可以用來描述多影響因素與飽和流率之間的關系。

③ 與HCM方法相比，交通場景越復雜影響因素越多，神經(jīng)網(wǎng)絡模型的優(yōu)勢愈加明顯，在直左和直右進口道場景下，神經(jīng)網(wǎng)絡模型預測誤差更小，平均誤差分別為7.02%，4.70%。

本文提出的動態(tài)估計飽和流率的方法是在能夠動態(tài)獲取影響因素基礎上實現(xiàn)，在實際應用過程中，還需將模型構建與標定過程實現(xiàn)自動化，并通過與信號配時系統(tǒng)連接，進一步達到精細化交通管理與控制的目標。