【交通篇01】城市主干道高峰通行效率效能评估（C+MALTALAB双版本）

目录

一、场景介绍

1.1 背景

1.2 评估对象

1.3 评估目标

二、指标体系构建

2.1 核心评估指标

2.2 辅助指标（可选）

三、指标数据处理

3.1 数据来源

3.2 数据预处理流程

3.3 关键计算公式

四、评估方法选择

4.1 方法对比

4.2 最终选择：改进TOPSIS + 熵权法

五、MATLAB关键代码讲解

5.1 数据读取与预处理

5.2 核心指标计算

5.3 绿波收益计算

5.4 熵权-TOPSIS评估

六、评估结果分析

6.1 指标计算结果

6.2 结果解读

6.3 优化建议

七、总结

八、代码下载

摘要：本文以城市主干道高峰时段为评估场景，围绕平均车速、延误时间、绿波收益三大核心指标，构建通行效率效能评估体系。详细阐述指标数据处理方法、评估模型选择，为交通信号优化与绿波协调控制提供量化依据。

一、场景介绍

1.1 背景

城市主干道是交通网络的“大动脉”，早晚高峰时段交通需求集中，常出现车速下降、排队延误增加、交叉口通行能力不足等问题。如何科学评估高峰时段主干道的通行效能，是信号配时优化和交通管理决策的关键前提。

1.2 评估对象

• 道路类型：双向6车道城市主干道
• 路段长度：约 3.5 km
• 交叉口数量：5个信号控制交叉口（间距 600~900 m）
• 评估时段：早高峰 7:30–9:00，晚高峰 17:30–19:00
• 控制方式：干线协调控制（绿波带）

1.3 评估目标

量化高峰时段主干道通行效率，重点回答三个问题：

二、指标体系构建

2.1 核心评估指标

指标名称

符号

单位

指标性质

说明

2.2 辅助指标（可选）

指标

说明

三、指标数据处理

3.1 数据来源

• 浮动车GPS数据：采样频率1Hz，包含时间戳、经纬度、瞬时速度
• 线圈检测器数据：各交叉口进口道流量、占有率
• 信号配时数据：周期时长、绿信比、相位差

3.2 数据预处理流程

原始数据 → 异常值剔除 → 坐标匹配 → 行程时间计算 → 指标计算

3.3 关键计算公式

平均车速：

其中 为路段长度， 为第 辆车的行程时间。

平均延误：

其中 ， 为自由流速度（取50 km/h）。

其中效能值 可综合车速与延误计算。

四、评估方法选择

4.1 方法对比

方法

优点

缺点

适用性

4.2 最终选择：改进TOPSIS + 熵权法

• 熵权法确定客观权重，避免主观偏差
• 改进TOPSIS计算各时段/方案与理想解的贴近度
• 贴近度 ，越接近1表示效能越好

五、MATLAB关键代码讲解

5.1 数据读取与预处理

%% ========== 1. 数据读取 ==========
clear; clc; close all;

% 读取浮动车数据（示例格式：时间戳, 车辆ID, 经度, 纬度, 速度）
floating_car = readtable('floating_car_data.csv');

% 读取信号配时数据
signal_timing = readtable('signal_timing.csv');

%% ========== 2. 异常值剔除（3σ原则）==========
speed = floating_car.Speed;
mu = mean(speed);
sigma = std(speed);
valid_idx = abs(speed – mu) <= 3 * sigma;
floating_car = floating_car(valid_idx, :);

fprintf('异常值剔除完成：保留 %.1f%% 数据\\n', sum(valid_idx)/length(valid_idx)*100);

5.2 核心指标计算

%% ========== 3. 计算平均车速 ==========
% 按车辆ID分组计算行程时间和平均速度
vehicle_ids = unique(floating_car.VehicleID);
L = 3.5; % 路段长度 km

v_avg_all = zeros(length(vehicle_ids), 1);
d_avg_all = zeros(length(vehicle_ids), 1);
v_free = 50; % 自由流速度 km/h

for i = 1:length(vehicle_ids)
veh_data = floating_car(floating_car.VehicleID == vehicle_ids(i), :);

% 行程时间（小时）
t_start = min(veh_data.Timestamp);
t_end = max(veh_data.Timestamp);
t_total = (t_end – t_start) / 3600; % 转为小时

% 平均车速
if t_total > 0
v_avg_all(i) = L / t_total;
else
v_avg_all(i) = NaN;
end

% 延误时间（秒）
t_free = L / v_free * 3600; % 自由流行程时间（秒）
t_actual = t_total * 3600;
d_avg_all(i) = t_actual – t_free;
end

% 去除NaN
v_avg_all = v_avg_all(~isnan(v_avg_all));
d_avg_all = d_avg_all(~isnan(d_avg_all));

% 统计指标
v_avg = mean(v_avg_all);
d_avg = mean(d_avg_all);

fprintf('平均车速: %.2f km/h\\n', v_avg);
fprintf('平均延误: %.2f s/veh\\n', d_avg);

5.3 绿波收益计算

%% ========== 4. 绿波收益计算 ==========
% 效能值定义：E = w1 * v_avg_norm + w2 * (1 – d_avg_norm)
% 假设已有协调控制和非协调控制两组数据

% 协调控制指标
v_coord = v_avg; % 已计算的平均车速
d_coord = d_avg; % 已计算的平均延误

% 非协调控制指标（从基准数据读取）
v_uncoord = 22.5; % km/h（历史基准）
d_uncoord = 145.3; % s/veh（历史基准）

% 归一化（min-max）
v_min = 15; v_max = 50;
d_min = 30; d_max = 180;

v_coord_n = (v_coord – v_min) / (v_max – v_min);
d_coord_n = (d_coord – d_min) / (d_max – d_min);
v_uncoord_n = (v_uncoord – v_min) / (v_max – v_min);
d_uncoord_n = (d_uncoord – d_min) / (d_max – d_min);

% 效能值（等权重）
E_coord = 0.5 * v_coord_n + 0.5 * (1 – d_coord_n);
E_uncoord = 0.5 * v_uncoord_n + 0.5 * (1 – d_uncoord_n);

% 绿波收益
B_green = (E_coord – E_uncoord) / E_uncoord * 100;

fprintf('绿波收益: %.2f%%\\n', B_green);

5.4 熵权-TOPSIS评估

%% ========== 5. 熵权法 + TOPSIS 综合评估 ==========
% 构建决策矩阵（行：时段/方案，列：指标）
% 指标顺序：平均车速(+), 平均延误(-), 绿波收益(+)
D = [
28.6, 98.5, B_green; % 早高峰
26.3, 112.4, B_green; % 晚高峰
32.1, 75.2, B_green; % 平峰（参考）
];

% 指标方向：1为正向，-1为负向
direction = [1, -1, 1];

%% 5.1 数据正向化与归一化
D_norm = zeros(size(D));
for j = 1:size(D, 2)
if direction(j) == 1
D_norm(:, j) = (D(:, j) – min(D(:, j))) / (max(D(:, j)) – min(D(:, j)));
else
D_norm(:, j) = (max(D(:, j)) – D(:, j)) / (max(D(:, j)) – min(D(:, j)));
end
end

%% 5.2 熵权法确定权重
p = D_norm ./ sum(D_norm, 1);
p(p == 0) = eps; % 避免log(0)
k = 1 / log(size(D_norm, 1));
e = -k * sum(p .* log(p), 1);
g = 1 – e;
w = g / sum(g);

fprintf('指标权重: 车速=%.3f, 延误=%.3f, 绿波收益=%.3f\\n', w(1), w(2), w(3));

%% 5.3 TOPSIS计算
% 加权归一化矩阵
V = D_norm .* w;

% 正理想解与负理想解
V_pos = max(V, [], 1);
V_neg = min(V, [], 1);

% 距离计算
D_pos = sqrt(sum((V – V_pos).^2, 2));
D_neg = sqrt(sum((V – V_neg).^2, 2));

% 贴近度
C = D_neg ./ (D_pos + D_neg);

%% 5.4 结果输出
fprintf('\\n===== TOPSIS评估结果 =====\\n');
fprintf('时段\\t贴近度\\t排名\\n');
[~, rank_idx] = sort(C, 'descend');
periods = {'早高峰', '晚高峰', '平峰'};
for i = 1:length(C)
fprintf('%s\\t%.4f\\t%d\\n', periods{rank_idx(i)}, C(rank_idx(i)), i);
end

六、评估结果分析

6.1 指标计算结果

时段

平均车速 (km/h)

平均延误 (s/veh)

绿波收益 (%)

TOPSIS贴近度

排名

6.2 结果解读

6.3 优化建议

问题

建议措施

七、总结

本文构建了一套适用于城市主干道高峰通行效率的效能评估方法，核心特点：

下一步工作：可引入实时自适应评估机制，结合强化学习动态优化信号配时，进一步提升高峰时段通行效能。

八、代码下载

稍后补充。

【专栏目录】效能评估系列目录