CN101067902A - 交通流状态分析所需的探测车采样量的获取方法 - Google Patents

Abstract

本发明涉及的是一种交通运输技术领域中交通流状态分析所需的探测车采样量的获取方法。包括1)对GPS探测车数据进行预处理；2)将GPS探测车与GIS地图进行匹配；3)获取路段平均速度；4)路网探测车采样量的获取：通过对车辆进行跟踪，剔除干扰数据；应用最近邻法进行统一的地图匹配；然后用时空曲面拟合模型获取有向路段的平均速度；通过统计GPS探测车的历史数据，统计一天中各个时段路网中GPS探测车重车和空车的平均数，应用采样频率公式计算出各个时段的采样频率；最后依据本发明提出的探测车采样量模型，实现对整个路网所需的探测车采样量的获取。具有获取信息简便、可靠性高、实用性强等优点，为整个城市交通的控制提供信息资料。

Description

交通流状态分析所需的探测车采样量的获取方法

技术领域

本发明涉及的是一种交通运输技术领域中信息处理的方法，具体是一种交通流状态分析所需的探测车采样量的获取方法。

背景技术

随着智能交通技术的发展，城市交通流的动态估计受到了越发广泛的关注。而交通状态估计离不开准确可靠的交通信息，因此检测信息方法的精度决定了交通状态估计的准确性。城市路网交通流检测信息方法有多种，主要有磁频感应线圈检测法，视频检测法等。这些研究在某些方面取得了成功并具有其实用价值，但在城市路网交通流速度的计算上存在局限性。感应线圈监测器可得到多种交通流参数，铺设感应线圈困难大，添置设备费用高，且使用寿命受人为破坏因素影响大。视频检测对硬件设备要求较高，受天气影响大。应用全球卫星定位系统(GPS(全球卫星定位系统))的信息检测方法，通过对移动车辆进行实时监控，动态获取时间、位置、速度等车辆定位信息，具有精度高，数据量大，城市范围内分布广泛，受天气影响小等优点，是目前获取实时交通信息最有效的方法。因此越来越多地学者投入到用GPS(全球卫星定位系统)探测车数据进行交通流状态分析的研究中，并得到了快速的发展。然而究竟需要多大样本的探测车才能够准确进行交通状态估计是当前首要解决的问题。

近年来，国际上很多学者尝试用GPS(全球卫星定位系统)探测车信息来计算路段平均速度和行程时间，针对需要多大样本的探测车(即探测车采样量)这一问题，进行了大量的研究。其中代表性的是1998年Quiroga和Bullock在《Institute of Transportation Engineers》期刊第68卷第8期92-98页发表的“Determination of sample sizes for travel time studies”一文中，提出的获取探测车采样量的标准方差模型。该模型通过引入一个置信区间为1-α，自由度为n-1的t分布，样本速度的标准方差s和自定义的速度误差ε_α，获取最小探测车数。应用该模型获取能够有效的获取探测车采样量。2000年Chen和Chien在《TransportationResearch Board》第79届年会上发表的“Determining the number of probe vehicles forfreeway travel time estimation using microscopic simulation”一文中，对标准方差模型进行了改进，引入了相对的速度误差ε_γ，和n个探测车计算出来的路段平均速度x来获取更加精确的探测车采样量。这两种模型由于能够有效的获取探测车采样量，近年来在采样量估计中得到了广泛的应用。然而由于两种模型都假设路段中的车辆都服从正态分布行驶，这在实际道路交通中是不可能的；此外由于样本速度的标准方差s需要由n计算，导致模型方程没有封闭解，必须进行迭代求解，这也增加了实际应用中问题的复杂性。

经对现有技术文献的检索发现，新加坡学者Cheu和Lee于2002年在《Computer-Aided Civil and Infrastructure Engineering》期刊第17期53-60页发表的“Vehicle Population and Sample Size for Arterial Speed Estimation”(主干道速度估计所需的探测车采样量)一文中，提出了一种获取探测车采样量的模型。该模型既保留了标准方差模型的优点，最重要的是克服了标准方差模型需要迭代求解的不足。同时Cheu提出的要保证计算出的路网平均速度的绝对误差低于95％(或小于5.0km/h)，每条路段上GPS(全球卫星定位系统)探测车的数量必须大于10辆的结论，大大方便了实际的道路交通管理。然而Cheu没有考虑到GPS(全球卫星定位系统)空重车信息发送周期差异，这严重影响了计算结果的准确性。此外，由于没有提出详细的解析式，导致不能快速准确的获取探测车采样量，很大程度上制约了方法的推广。

发明内容

本发明的目的在于针对上述不足及实际需要，提出一种交通流状态分析所需的探测车采样量的获取方法。本发明有效地克服了现有技术需要大量先验的、复杂的信息等问题，具有运算简便、可靠性高、实用性强等优点，为整个城市交通的控制提供信息资料。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

①对GPS(全球卫星定位系统)探测车数据进行预处理

目前能够获取到的GPS(全球卫星定位系统)探测车数据主要包括车辆位置、时间、状态、车速、行驶方向等属性。预处理主要针对路段上速度为0的GPS(全球卫星定位系统)探测车。这些探测车包括两部分：由于严重拥堵而速度为0的探测车，和车辆长时间停在某处一直没有行驶而导致速度为0的探测车。

前者是路段交通流分析中的关键部分，是正确数据；后者是干扰数据，因此需要对这部分数据进行相应的判别和处理。本发明采用的判别方法就是对车辆进行跟踪，如果发现该速度在超过一个信号周期的长时间段内始终为0时，表明该数据是干扰数据，在进行预处理时将该数据剔除。

②将GPS(全球卫星定位系统)探测车与GIS(地理信息系统)地图进行匹配

获取地理信息系统提供的路网GIS(地理信息系统)信息和预处理后的GPS(全球卫星定位系统)探测车信息，将车辆GPS(全球卫星定位系统)的位置数据视为散点数据向周围道路垂直投影，并计算投影距离，若其中某散点数据的最短投影距离大于预先设置的阈值，则认为是错误匹配点，将其过滤掉，否则取其最短投影距离所对应的道路为车辆所在的行驶道路，对应的投影点为车辆匹配后的位置，得到初步结果，完成从点到线的地图匹配。

第三、获取路段平均速度

城市路网中交叉口将道路隔离成上行和下行两个有向路段。以时间段T内处于单位有向路段上的GPS数据采样点为对象，对其进行距离、时间、速度三维空间的曲面拟合建模，得到T时间段内该单位有向路段在时空上的速度分布曲面。具体方法是根据有效的数据点的数目确定曲面拟合模型的阶数，进而确定曲面拟合模型所需要的GPS数据点的最小值M。然后对速度分布曲面在道路方向上积分，得到该时段单位有向路段的平均速度v_i(t)。

第四、路网探测车采样量的获取

探测车采样量n，是能够准确计算出路网中各个路段平均速度所需要的GPS探测车数量。它取决于车辆速度、道路等级、路段长度和探测车采样频率f(t)等因素。采样频率f(t)是指一个采样周期内，探测车驶过该路段提供的GPS数据的个数，取决于探测车在路段的平均速度。

由于GP探测车主要包括不载客的空车和载客的重车，并且空重车发送信息的周期存在很大差异。令L_i为路段i(i＝1，2....N)的长度，T_L和T_H分别为空车和重车发送数据的时间，n_L(t)和n_H(t)是采样周期内空车和重车的数量(需要通过统计历史GPS(全球卫星定位系统)数据来获取)，v_i(t)为采样周期的路段平均速度。路段i的探测车采样频率公式为：

$f_i\left(t\right)=\frac{n_L\left(t\right)*\frac{L_i}{v_i\left(t\right)*T_L}+n_H\left(t\right)*\frac{L_i}{v_i\left(t\right)*Y_H}}{n_L\left(t\right)+n_H\left(t\right)}$

本发明提出的路网所需的探测车采样量模型为：

$n\≥\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{M_i}{f_i\left(t\right){\mathrm{\ϵ}}_{\mathrm{\γ}}(1-e)}$

e是GPS(全球卫星定位系统)探测车定位误差，ε_γ是路段平均速度的置信度，M_i为路段平均速度拟合模型所需要的GPS(全球卫星定位系统)数据点的最小值。

本发明与现有技术相比的显著效果在于：本发明应用GPS(全球卫星定位系统)信息检测法获取到的移动车辆(探测车)定位数据精度高达95％，数据量大，可以覆盖到路网中所有车辆。本发明应用的时空曲面拟合模型运算速度快(运算时间为15～25秒)，可以实现对路段平均速度的实时同步获取。因此本发明能够快速、准确的获取交通流状态分析所需的探测车采样量，为整个城市的交通控制提供实时、准确的信息资料。应用本发明获取的探测车样本进行城市交通状态分析，准确率可达到90％左右。

附图说明

图1为本发明提出的城市路网所需的探测车采样量计算方法的流程框图。

图2为某路段24小时平均速度变化。

图3为上海市内环路网交通流状态分析所需的最小探测车采样量。3(a)是主干路网所需的最小探测车采样量，3(b)是次干路网所需的最小探测车采样量，3(c)是支路网所需的最小探测车采样量，3(d)是整个内环路网所需的最小探测车采样量。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

为了更好地理解本实施例提出的方法，选取上海市内环路网进行交通流状态分析实例，可以应用于不同城市不同路网。本实施例要求提供上海市内环一个月内GPS(全球卫星定位系统)系统车辆卫星定位数据，包括采样车标号，时间，位置，速度，运行方向，车辆状态等信息。还有上海市内环路网的GIS(地理信息系统)信息。

如图1所示，本实施例具体实施步骤如下：

①对GPS(全球卫星定位系统)探测车数据进行预处理：

获取到的GPS(全球卫星定位系统)数据是以车的ID标号进行存储的。首先依据探测车的ID标号对车辆进行跟踪，如果探测车的所有速度值都为0，则断定该车是异常车辆，删除该文件；然后看该辆车在超过一个红绿灯信号周期时间段内速度一直为0，则判定该时间段车辆提供的是无效数据，删除该时间段内车辆的所有信息。异常数据处理后将GPS(全球卫星定位系统)数据按照时间顺序存储，将8分钟内所有车辆的GPS(全球卫星定位系统)数据存储到一个文件。方便进行动态交通流分析。

②将GPS(全球卫星定位系统)探测车与GIS(地理信息系统)地图进行匹配：

由于GPS(全球卫星定位系统)数据中探测车的位置是用经纬度坐标来表示的，因此进行地图匹配之前应该进行坐标变换，变换成GIS(地理信息系统)中的城建坐标。然后将8分钟的出租车GPS(全球卫星定位系统)数据同时读入，并将位置数据视为散点数据用最近邻法进行统一的地图匹配，将车辆的GPS(全球卫星定位系统)定位数据修正到车辆行驶的道路上。最后依据车辆运行方向进行车辆轨迹跟踪，再根据车辆数据的前后联系及路况，对不确定定位数据进行判别，处理得到修正后的车辆行驶轨迹，最终完成车辆向道路的地图匹配。

③获取路段平均速度：

把各个探测车GPS(全球卫星定位系统)数据视为路段上交通采样点(l_i，t_i，v_i)。以8分钟为一个时间段(全天分为180个时段)，对单位有向路段上的所有GPS(全球卫星定位系统)采样点数据进行时空曲面拟合得出曲面拟合，得到速度分布曲线。然后在时间和空间方向上分别进行积分，得到8分钟(480秒)内路段k的平均速度v。

$\stackrel{\%}{v}=\frac{{\∫}_0^{L_k}\underset{i=0}{\overset{\mathrm{\α}}{\mathrm{\Σ}}}\underset{j=0}{\overset{\mathrm{\β}}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{l}^i{t_0}^j\·\mathrm{dl}}{L_k}$

$v=\frac{\underset{0}{\overset{480}{\∫}}\stackrel{\%}{v}\mathrm{dt}}{480}$

其中，l为探测车到路段起始点的距离，v是路段t₀时刻的瞬时平均速度。a_ij为拟合多项式的系数，由采样周期内的GPS(全球卫星定位系统)数据信息确定。α，β为拟合时l和t的最高次数，由拟合路段上有效GPS(全球卫星定位系统)数据点的个数决定。具体取值如表1所示：

GPS(全球卫星定位系统)数据信息	[9，12]	[6，8]	[3，5]
				(α，β)	(2，3)	(2，2)	(1，1)
M	9	6	3

                         表1

GPS(全球卫星定位系统)data为路段上有效GPS(全球卫星定位系统)数据点的个数，决定了拟合模型中α，β的次数。M是拟合模型所需要的GPS(全球卫星定位系统)数据点的最小值。从数据的有限性和实际路况考虑，本实例中中选取MAX(α)＝2，MAX(β)＝3。图2是依据表一的方法动态选取拟合模型计算出的某路段24小时的平均速度。

④路网探测车采样量的获取：

统计GPS(全球卫星定位系统)探测车的历史数据，计算出平均一天中各个时段路网中重车和空车的数量。选取重车反馈信息的周期为2分钟，空车反馈信息的周期为20秒。依据采样频率公式计算出各个时段的采样频率f(t)。由于路网中的探测车数据量随时间段变化很大，因此本实例中依据路网中实际探测车数自适应选取拟合模型计算采样量。表二列出了自适应选取模型阶数的方法和不同时段上海市内环交通流状态分析所需的最小GPS(全球卫星定位系统)探测车采样量。自适应选取交通流分析模型方法及计算结果详见表2：

时段	0:00-5:00	5:00-8:00	8:00-20:00	20:00-24:00
					拟合方法	一次曲面拟合	二次曲面拟合	三次曲面拟合	二次曲面拟合
(α，β)	(1，1)	(2，3)	(3，3)	(1，1)
					最小探测车采样量(辆)	1500	2500	3000	2000

                           表2

图3是分别采用表2的自适应曲面拟合模型和三次曲面拟合模型计算出的上海市内环路网交通流状态分析所需的最小探测车采样量。其中a是主干路网所需的最小探测车采样量，b是次干路网所需的最小探测车采样量，c是支路网所需的最小探测车采样量，d是整个内环路网所需的最小探测车采样量。其中白天为3000辆左右，这与上海内环真实路况保持了良好的一致性。

从本实施例中可以看出：按照本实施例获取的GPS(全球卫星定位系统)探测车样本可以有效地用于城市路网的交通流状态分析。

Claims (6)

1、一种交通流状态分析所需的探测车采样量的获取方法，其特征在于，包括以下步骤：

①对GPS探测车数据进行预处理，对车辆进行跟踪，如果发现该速度在超过一个信号周期的长时间段内始终为0时，表明该数据是干扰数据，在进行预处理时将该数据剔除；

②将GPS探测车与GIS地图进行匹配；

③获取路段平均速度；

④路网探测车采样量的获取。

2、根据权利要求1所述的交通流状态分析所需的探测车采样量的获取方法，其特征是，所述的对GPS探测车数据进行预处理，是指：目前能够获取到的GPS探测车数据包括车辆位置、时间、状态、车速、行驶方向属性；预处理针对路段上速度为0的GPS探测车。

3、根据权利要求1所述的交通流状态分析所需的探测车采样量的获取方法，其特征是，所述的将GPS探测车与GIS地图进行匹配，是指：获取地理信息系统提供的路网GIS信息和预处理后的GPS探测车信息，将车辆GPS的位置数据视为散点数据向周围道路垂直投影，并计算投影距离，若其中某散点数据的最短投影距离大于预先设置的阈值，则认为是错误匹配点，将其过滤掉，否则取其最短投影距离所对应的道路为车辆所在的行驶道路，对应的投影点为车辆匹配后的位置，得到初步结果，完成从点到线的地图匹配。

4、根据权利要求1所述的交通流状态分析所需的探测车采样量的获取方法，其特征是，所述的获取路段平均速度，是指：城市路网中交叉口将道路隔离成上行和下行两个有向路段，以时间段T内处于单位有向路段上的GPS数据采样点为对象，对其进行距离、时间、速度三维空间的曲面拟合建模，得到T时间段内该单位有向路段在时空上的速度分布曲面。

5、根据权利要求1或者4所述的交通流状态分析所需的探测车采样量的获取方法，其特征是，所述的获取路段平均速度，具体方法是根据有效的数据点的数目确定曲面拟合模型的阶数，进而确定曲面拟合模型所需要的GPS数据点的最小值M，然后对速度分布曲面在道路方向上积分，得到该时段单位有向路段的平均速度v_i(t)。

6、根据权利要求1所述的交通流状态分析所需的探测车采样量的获取方法，其特征是，所述的探测车采样量，其量值n，是能够准确计算出路网中各个路段平均速度所需要的GPS探测车数量，它取决于车辆速度、道路等级、路段长度和探测车采样频率f(t)，采样频率f(t)是指一个采样周期内，探测车驶过该路段提供的GPS数据的个数，取决于探测车在路段的平均速度；

由于GP探测车主要包括不载客的空车和载客的重车，并且空重车发送信息的周期存在很大差异，令L_i为路段i的长度，i＝1，2....N，T_L和T_H分别为空车和重车发送数据的时间，n_L(t)和n_H(t)是采样周期内空车和重车的数量，需要通过统计历史GPS数据来获取，v_i(t)为采样周期的路段平均速度，路段i的探测车采样频率公式为：

$f_i\left(t\right)=\frac{n_L\left(t\right)*\frac{L_i}{v_i\left(t\right)*T_L}+n_H\left(t\right)*\frac{L_i}{v_i\left(t\right)*T_H}}{n_L\left(t\right)+n_H\left(t\right)};$

路网所需的探测车采样量模型为：

$n\≥\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{M_i}{f_i\left(t\right){\mathrm{\ϵ}}_{\mathrm{\γ}}(1-e)}$

e是GPS探测车定位误差，ε_γ是路段平均速度的置信度，M_i为路段平均速度拟合模型所需要的GPS数据点的最小值。

Images