CN101673466A - 交通信号控制下的浮动车信息处理方法 - Google Patents

Abstract

一种交通信号控制下的浮动车信息处理方法，用于解决浮动车数据处理中由于交通灯的影响而导致的旅行时间大幅度波动的问题。该方法包含以下步骤：(1)对于路径匹配后获得的车辆信息基本处理单位，应用浮动车行驶信息细化模型，获得车辆行驶中的延误时间与延误位置信息；(2)对车辆行驶中的控制性停车延误与非控制性停车延误进行分类，之后将交通信号控制所造成的控制性停车延误从数据中分离，最终获得去除交通信号控制影响后车辆行驶的速度和等待时间信息。

Description

交通信号控制下的浮动车信息处理方法

技术领域

本发明涉及智能交通系统(Intelligent Transportation System，ITS)领域基于浮动车(Float Car Data，FCD)动态交通信息服务系统，是一种在交通灯信号控制的影响下获取准确的实时路况信息的浮动车信息处理方法。

背景技术

在智能交通领域，实时和动态的交通信息能为车辆出行，交通运输等提供有效的交通诱导和出行规划信息，从而达到节省出行时间、减少尾气排放等目的。浮动车技术是近年来智能交通系统中所采用的获取实时路况信息的先进技术手段之一。其基本原理是通过装备车载全球定位系统和无线通信系统的浮动车在其行驶过程中发送车辆的位置、方向和速度等信息，在处理中心应用地图匹配、路径推测和信息融合等算法，最终获得浮动车所经道路的交通拥堵信息。如果在城市中部署足够数量的浮动车，并将这些浮动车的位置信息通过无线通讯系统定期、实时地传输到一个信息处理中心，由信息中心综合处理，就可以获得整个城市动态、实时的交通拥堵信息。

虽然基于浮动车的动态交通信息服务系统在理念和技术上具有先进性，但对于存在交通灯信号控制的城市道路，旅行时间由于受到信号控制的影响会产生大幅度的波动。这种波动不反映交通流的特性，是一种干扰数据，容易导致对路况拥堵程度判定前后不一致的情况，严重影响浮动车信息处理的准确性。同时，由于浮动车的采样周期通常较长，在车辆受到交通灯信号控制时，无法直接获得车辆停止等待的详细信息。这给浮动车的数据处理带来了一定的困难。鉴于交通灯控制在城市道路中的重要作用，需要设计一种针对交通灯控制的新的浮动车信息处理模型，同时该模型能够实现对无交通信号控制下的浮动车数据的兼容处理。

发明内容

本发明解决技术问题：针对交通信号导致浮动车旅行时间大幅度波动的情况，以及浮动车采样周期较长而无法直接获得车辆停止等待信息的情况，提供一种交通信号控制下的浮动车信息处理方法，实现交通信号控制下路况信息的准确获取，包括交通流的特征信息以及车辆在交通灯路口前的等待时间信息。

本发明的技术解决方案：交通信号控制下的浮动车信息处理方法，步骤如下：

(1)利用浮动车行驶信息细化模型，对车辆信息基本处理单位进行处理，得到的车辆停止等待的信息，包括每个停车等待点的位置信息和等待时长信息，其具体步骤如下：

第一步，获取车辆信息基本处理单位的信息

所述车辆信息基本处理单位是指浮动车路径匹配后相邻两个GPS匹配点之间的一段行驶路径，这段行驶路径的长度为distance，行驶时间为time，车辆在两个GPS匹配点的瞬时速度设为v_a和v_b，采用四元组<distance，time，v_a，v_b>表示；同时，车辆在这段行驶路径中经过的路链的序列记为LinkSet；

第二步，根据第一步获得的信息，确定该车辆信息基本处理单位所属的基本模型

根据瞬时速度v_a和v_b的不同，共有4种不同的基本模型，分别表示车辆行驶中不同的状态变化趋势，设基本模型号为M，则车辆信息基本处理单位所属的基本模型的分类如下：

(I)如果v_a＝0且v_b＝0，则M＝1；

(II)如果v_a＝0且v_b≠0，则M＝2；

(III)如果v_a≠0且v_b＝0，则M＝3；

(IV)如果v_a≠0且v_b≠0，则M＝4；

第三步，根据第一步和第二步的信息进一步确定该车辆信息基本处理单位所属的子模型

每一种基本模型包含一种或多种子模型，不同的子模型反映的车辆行驶状态变化的规律略有不同，设子模型号为N，根据第一步获得的distance、time、v_a和v_b，子模型的分类如下：

(I)如果M＝1，只存在一种子模型，N＝1；

(II)如果M＝2，存在两种子模型。根据向量 ${\stackrel{\&RightArrow;}{s}}_1=<\mathrm{dis}\tan \mathrm{ce},v_b>$ 的值，利用分类函数 $y=\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_1}\&CenterDot;\stackrel{\&RightArrow;}{s_1}+b_1$ 进行分类，其中

与b₁为通过统计方法获得的参数， $\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_1}=<{0.0916m}^{-1},0.217m^{-1}\&CenterDot;s>,$ b₁＝33.24。如果y≥0则N＝1，否则N＝2；

(III)如果M＝3，存在两种子模型，根据向量 ${\stackrel{\&RightArrow;}{s}}_2=<\mathrm{dis}\tan \mathrm{ce},v_a>$ 的值，利用分类函数 $y=\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_2}\&CenterDot;\stackrel{\&RightArrow;}{s_2}+b_2$ 进行分类，其中与b₂为通过统计方法获得的参数， $\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_2}=<-0.0120m^{-1},{0.545m}^{-1}\&CenterDot;s>,$ b₂＝-16.85，如果y≥0则N＝1，否则N＝2；

(IV)如果M＝4，存在四种子模型；

令v₁＝distance/time，v₂＝(v_a+v_b)/2，根据向量 ${\stackrel{\&RightArrow;}{s}}_3=<\stackrel{\&OverBar;}{v_1},\stackrel{\&OverBar;}{v_2}>,$ 利用分类函数 $y=\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_3}\&CenterDot;\stackrel{\&RightArrow;}{s_3}+b_3$ 进行分类，其中

与b₃为通过统计方法获得的参数， $\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_3}=<0.788m^{-1}\&CenterDot;s,-0.253m^{-1}\&CenterDot;s>,$ b₃＝-14.22，y为分类标记量。如果y≥0则N＝0否则转入以下操作：

令速度差阈值为v_thre，

如果v_a-v_b＞v_thre，则N＝1；

如果v_b-v_a＞v_thre，则N＝2；

否则N＝3；

第四步，根据分类得到的模型号M_N，计算车辆行驶过程中的峰值速度v_p，所述峰值速度v_p表示车辆在行驶过程中所实际达到的最高瞬时速度，以下公式中a₁～a₈均为统计所得参数，a₁＝0.062s^-1，a₂＝13.86m·s^-1，a₃＝0.045s^-1，a₄＝0.001，a₅＝24.673m·s^-1，a₆＝0.063s^-1，a₇＝-0.28，a₈＝17.60m·s^-1，

(I)如果M＝1，则v_p＝a₁·distance+a₂；

(II)如果M＝2，则v_p＝a₃·distance+a₄·v_b+a₅；

(III)如果M＝3且N＝1，则v_p＝v_a；

(IV)如果M＝3且N＝2，则v_p＝a₆·distance+a₇·v_a+a₈；

(V)如果M＝4，v_p取v_a和v_b中的较大者；

第五步，根据分类得到的模型号M_N，针对不同的模型进行计算车辆行驶过程中的详细参数，最终的结果表示为二元组<timeset，posset>，其中timeset表示车辆在各个停车等待点等待时间的集合，posset表示各个停车等待点到GPS匹配点起点的距离集合，timeset与posset的元素个数相同，为0、1或2，a为浮动车加速和减速的加速度。算法中<distance，time，v_a，v_b>均为车辆信息基本处理单位的参数，t_w为衡量车辆等待时间的参数。

(I)如果M＝1，令t_w＝(time-v_p/a-distance/v_p)/2，则timeset＝{t_w，t_w}，posset＝{0，distance}；

(II)如果M＝2且N＝1，令t_w＝time-(2·distance+v_pv_b/a)/(v_p+v_b)，则timeset＝{t_w}，posset＝{0}；

(III)如果M＝2且N＝2，令 $t_w=\mathrm{time}-(\mathrm{dis}\tan \mathrm{ce}-({2v}_p^2-v_b^2)/2a)/v_p-(2v_p-v_b)/a,$ 则timeset＝{t_w}，posset＝{0}；

(IV)如果M＝3，令t_w＝time-(2·distance+v_pv_a/a)/(v_p+v_a)，则timeset＝{t_w}，posset＝{distance}；

(V)如果M＝4且N＝1，令 $d=\mathrm{dis}\tan \mathrm{ce}-v_b^2/2a,$ t＝time-v_b/a，得到新的四元组<d，t，v_a，0>，重新按第二步一第五步的流程对其进行处理得到结果三元组<v₀，{t₀}，{pos}>，则原模型最终的计算结果，timeset＝{t₀}，posset＝{pos}；

(VI)如果M＝4且N＝2，令 $d=\mathrm{dis}\tan \mathrm{ce}-v_a^2/2a,$ t＝time-v_a/a，得到新的四元组<d，t，0，v_b>，重新按第二步-第五步的流程对其进行处理得到结果三元组<v₀，{t₀}，{pos}>，则原模型最终的计算结果，timeset＝{t₀}， $\mathrm{posset}=\{v_a^2/2a\};$

(VII)如果M＝4且N＝3，令 $t_w=\mathrm{time}-2\&CenterDot;\mathrm{dis}\tan \mathrm{ce}/(v_a+v_b)-(v_a^2+v_b^2)/a(v_a+v_b)-(v_a+v_b)/a,$ 同时令 $\mathrm{pos}=v_a(\mathrm{dis}\tan \mathrm{ce}-(v_a^2+v_b^2)/2a)/(v_a+v_b)+v_a^2/2a,$ 则timeset＝{t_w}，posset＝{pos}。

(VIII)如果M＝4且N＝0，则timeset＝Φ，posset＝Φ，其中Φ为空集；

第六步，根据第五步获得的二元组中的posset的值，以及车辆信息基本处理单位中浮动车所经过路链的相关信息，将停车等待的位置定位到具体的路链上，从而获得每个停车等待点的位置信息和等待时长信息，具体步骤如下：

对每一个停车点，从posset中取出对应的值pos，此值表示该点距离GPS起点的距离，对于车辆行驶中路链的序列LinkSet，此序列中路链的长度构成数组L_n，其中1≤n≤N，N为路链的条数，如果第n条路链满足： $\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{L}_n\&le;\mathrm{pos}<\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_n,$ 则将该停车点定位到该路链上，如果 $\mathrm{pos}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_n,$ 则将停车点定位到最后一条路链上。如此，为每个停车等待点确定其所处的路链。同时，每个停车等待点的等待时长信息已经由第二步至第五步的计算过程得以确定。

(2)根据浮动车行驶信息细化模型所得到的车辆停止等待的信息，对车辆行驶中的延误进行分类，区分控制性延误与非控制性延误；

所述对车辆行驶中的延误进行分类，区分控制性延误与非控制性延误的步骤如下：

第一步，对于已经进行浮动车细化模型处理的车辆信息基本处理单位，将计算所得的停车等待点，对照以下两个判断条件：

(I)车辆距离行驶方向前方最近交通灯的距离小于距离阈值d₀，d₀的值通过经验获得；

(II)车辆和行驶方向前方最近交通灯之间没有其他等待点；

如果以上两个条件均满足，则车辆在该点的停车延误判别为控制性延误，否则判定为非控制性延误；

第二步，设车辆信息基本处理单位内控制性延误的时间长度为t_d，则定义有效行驶速度v_avail＝distance/(time-t_d)，此速度表示去除车辆行驶中控制延误后能够准确反映交通流趋势的车辆行驶速度，从而得到当前周期内正常交通流状况下道路的速度和旅行时间数学期望；同时，t_d的值表示车辆在交通灯前由于受到信号控制而导致的等待时间，用于衡量控制性延误对交通流的影响程度。

本发明与现有技术的优点在于：

(1)本发明对浮动车行驶规律进行了深层次的挖掘，提出了浮动车行驶信息细化模型，用于计算车辆行驶中出现的延误信息和行驶速度信息。由于浮动车数据的采样周期通常较长，导致无法直接获得车辆行驶中的速度变化信息以及停车延误信息。这会直接影响到对路况信息的计算。而本发明提出的细化模型能够较为准确地计算车辆的停车等待以及速度变化信息，从而可以对车辆行驶进行细节性的分析。尤其是停车等待时间的获得为分离出交通灯控制延误提供了数据上的支持。

(2)提出延误分类算法，用于分离出车辆行驶中由于受到交通灯控制而产生的干扰数据，以获得真实的交通流特性。在通常情况下，想要直接分离出交通灯控制所造成的延误是相当困难的，因为车辆行驶过程中受到的延误较为复杂，需要根据具体的情况来进行分析。同时浮动车的低采样率又对这种分析的数据基础进行了制约。本发明提出的分类算法能够在现有浮动车数据的基础上有效分离出交通灯控制所造成的延误，从而对浮动车在交通灯控制下的行驶过程有一个全面的了解，能够更加细致地反映出实际的路况信息。

附图说明

图1为路网数据结构示意图；

图2为本发明中的车辆信息基本处理单位示意图；

图3为本发明中的浮动车行驶信息细化模型示意图；其中图3a为M＝1 N＝1，图3b为M＝2 N＝1，图3c为M＝2 N＝2，图3d为M＝3 N＝1，图3e为M＝3 N＝2，图3f为M＝4 N＝1，图3g为M＝4 N＝2，图3h为M＝4 N＝3，图3i为M＝4 N＝0；

图4为本发明中的浮动车行驶信息细化模型处理流程图；

图5为本发明中的延误分类处理流程图。

具体实施方式

本发明方法具体实施如下：

(1)利用浮动车行驶信息细化模型，对车辆信息基本处理单位进行处理，得到的车辆停止等待的信息，包括每个停车等待点的位置信息和等待时长信息，具体如下：

第一步，获取车辆信息基本处理单位的信息。

首先说明本发明采用的路网模型。如图1所示，节点是路网结构中最基本的概念，由经纬度坐标组成。如果两个相邻的连通性节点之间存在一条有向通路，那么这条有向通路定义为路链。浮动车路径匹配的过程实际上就是将GPS采样点定位到具体的路链上，并获得浮动车在路链上的行驶路径信息。GPS采样点在具体路链上的映射称为GPS匹配点。

车辆信息基本处理单位是指浮动车路径匹配后相邻两个GPS匹配点之间的一段行驶路径，如图2所示。这段行驶路径的长度设为distance、行驶时间设为time，车辆在两个GPS匹配点的瞬时速度设为v_a和v_b。四元组<distance，time，v_a，v_b>为以下算法的数据源。同时，车辆在这段行驶路径中经过的路链的序列记为LinkSet。

在获取车辆信息基本处理单位的信息后，利用浮动车信息细化处理模型进行后续的处理工作。细化处理模型是反映浮动车行驶规律的模型，不同的模型反映的规律不同，计算的方法也不同。

第二步，根据第一步获得的信息，确定该车辆信息基本处理单位所属的基本模型。根据瞬时速度v_a和v_b的不同，共有4种不同的基本模型，分别表示车辆行驶中不同的状态变化趋势。设基本模型号为M，则基本模型的分类方法如下：

(I)如果v_a＝0且v_b＝0，则M＝1；

(II)如果v_a＝0且v_b≠0，则M＝2；

(III)如果v_a≠0且v_b＝0，则M＝3；

(IV)如果v_a≠0且v_b≠0，则M＝4。

第三步，根据第一步和第二步的信息进一步确定该车辆信息基本处理单位所属的子模型。每一种基本模型包含一种或多种子模型，不同的子模型反映的车辆行驶状态变化的规律略有不同。设子模型号为N，根据第一步获得的distance、time、v_a和v_b，子模型的分类方法如下：

(I)如果M＝1，只存在一种子模型，N＝1。

(II)如果M＝2，存在两种子模型。根据向量 ${\stackrel{\&RightArrow;}{s}}_1=<\mathrm{dis}\tan \mathrm{ce},v_b>$ 的值，利用分类函数 $y=\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_1}\&CenterDot;\stackrel{\&RightArrow;}{s_1}+b_1$ 进行分类。其中

与b₁为通过统计方法获得的参数， $\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_1}=<0.0916m^{-1},0.217m^{-1}\&CenterDot;s>,$ b₁＝33.24。如果y≥0则N＝1，否则N＝2。

(III)如果M＝3，存在两种子模型。根据向量 ${\stackrel{\&RightArrow;}{s}}_2=<\mathrm{dis}\tan \mathrm{ce},v_a>$ 的值，利用分类函数 $y=\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_2}\&CenterDot;\stackrel{\&RightArrow;}{s_2}+b_2$ 进行分类。其中与b₂为通过统计方法获得的参数， $\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_2}=<{-0.120m}^{-1},{0.545m}^{-1}\&CenterDot;s>,$ b₂＝-16.85，如果y≥0则N＝1，否则N＝2。

(IV)如果M＝4，存在四种子模型。

令v₁＝distance/time，v₂＝(v_a+v_b)/2。根据向量 ${\stackrel{\&RightArrow;}{s}}_3=<\stackrel{\&OverBar;}{v_1},\stackrel{\&OverBar;}{v_2}>,$ 利用分类函数 $y=\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_3}\&CenterDot;\stackrel{\&RightArrow;}{s_3}+b_3$ 进行分类。其中

与b₃为通过统计方法获得的参数， $\stackrel{\&RightArrow;}{{\mathrm{\&omega;}}_3}=<{0.788m}^{-1}\&CenterDot;s,{-0.253m}^{-1}\&CenterDot;s>,$ b₃＝-14.22如果y≥0则N＝0，否则转入以下操作：

令v_thre＝25km/h为速度差阈值，那么

如果v_a-v_b＞v_thre，则N＝1；

如果v_b-v_a＞v_thre，则N＝2；

否则N＝3。

子模型所反映的车辆行驶状态变化规律如图3所示。其中(a)-(i)为9个不同的车辆行驶信息细化模型子模型，每一个图均表示不同的车辆速度变化趋势。其中图3(a)表示车辆静止-加速-平稳行驶-减速-静止的行驶规律。图3(b)和(c)表示车辆静止-加速-平稳行驶的行驶规律。图3(d)和(e)表示车辆平稳行驶-减速-静止的行驶规律。图(f)、(g)和(h)表示车辆平稳行驶-减速-静止-加速-平稳行驶的行驶规律。图(i)表示车辆一直平稳行驶的行驶规律。子模型的分类是由于对于以上的行驶规律还需要更加细致的划分。

第四步，根据分类得到的模型号M_N，计算车辆行驶过程中的峰值速度v_p。此速度表示车辆在行驶过程中所实际达到的最高瞬时速度。以下公式中a₁～a₈均为统计所得参数，a₁＝0.062s^-1，a₂＝13.86m·s^-1，a₃＝0.045s^-1，a₄＝0.001，a₅＝24.673m·s^-1，a₆＝0.063s^-1，a₇＝-0.28，a₈＝17.60m·s^-1。

(I)如果M＝1，则v_p＝a₁·distance+a₂。

(II)如果M＝2，则v_p＝a₃·distance+a₄·v_b+a₅。

(III)如果M＝3且N＝1，则v_p＝v_a。

(IV)如果M＝3且N＝2，则v_p＝a₆·distance+a₇·v_a+a₈。

(V)如果M＝4，v_p取v_a和v_b中的较大者。

第五步，根据分类得到的模型号M_N，针对不同的模型进行计算车辆行驶过程中的详细参数。最终的结果表示为二元组<timeset，posset>。其中timeset表示车辆在各个停车等待点等待时间的集合，posset表示各个停车等待点到GPS匹配点起点的距离集合。timeset与posset的元素个数相同，为0、1或2。令常量a＝2.5km/(h·s)为浮动车加速和减速的加速度。

(I)如果M＝1，令t_w＝(time-v_p/a-distance/v_p)/2，则timeset＝{t_w，t_w}，posset＝{0，distance}。

(II)如果M＝2且N＝1，令t_w＝time-(2·distance+v_pv_b/a)/(v_p+v_b)，则timeset＝{t_w}，posset＝{0}。

(III)如果M＝2且N＝2，令 $t_w=\mathrm{time}-(\mathrm{dis}\tan \mathrm{ce}-({2v}_p^2-v_b^2)/2a)/v_p-(2v_p-v_b)/a,$ 则timeset＝{t_w}，posset＝{0}。

(IV)如果M＝3，令t_w＝time-(2·distance+v_pv_a/a)/(v_p+v_a)，则timeset＝{t_w}，posset＝{distance}。

(V)如果M＝4且N＝1，令 $d=\mathrm{dis}\tan \mathrm{ce}-v_b^2/2a,$ t＝time-v_b/a，得到新的四元组<d，t，v_a，0>。重新按第二步-第五步的流程对其进行处理得到结果三元组<v₀，{t₀}，{pos}>，则原模型最终的计算结果，timeset＝{t₀}，posset＝{pos}。

(VI)如果M＝4且N＝2，令 $d=\mathrm{dis}\tan \mathrm{ce}-v_a^2/2a,$ t＝time-v_a/a，得到新的四元组<d，t，0，v_b>。重新按第二步-第五步的流程对其进行处理得到结果三元组<v₀，{t₀}，{pos}>，则原模型最终的计算结果，timeset＝{t₀}， $\mathrm{posset}=\{v_a^2/2a\}.$

(VII)如果M＝4且N＝3，令 $t_w=\mathrm{time}-2\&CenterDot;\mathrm{dis}\tan \mathrm{ce}/(v_a+v_b)-(v_a^2+v_b^2)/a(v_a+v_b)-(v_a+v_b)/a,$ 同时令 $\mathrm{pos}=v_a(\mathrm{dis}\tan \mathrm{ce}-(v_a^2+v_b^2)/2a)/(v_a+v_b)+v_a^2/2a,$ 则timeset＝{t_w}，posset＝{pos}。

(VIII)如果M＝4且N＝0，则timeset＝Φ，posset＝Φ。

第六步，根据第五步获得的二元组中的posset的值，以及车辆信息基本处理单位中浮动车所经过路链的相关信息，将停车等待的位置定位到具体的路链上，从而获得每个停车等待点的位置信息和等待时长信息。具体步骤如下：

对每一个停车点，从posset中取出对应的值pos，此值表示该点距离GPS起点的距离，对于车辆行驶中路链的序列LinkSet，此序列中路链的长度构成数组L_n，其中1≤n≤N，N为路链的条数，如果第n条路链满足： $\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{L}_n\&le;\mathrm{pos}<\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_n,$ 则将该停车点定位到该路链上，如果 $\mathrm{pos}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{L}_n,$ 则将停车点定位到最后一条路链上。如此，为每个停车等待点确定其所处的路链。同时，每个停车等待点的等待市场已经由第二步至第五步的计算过程得以确定。

整个浮动车行驶信息细化模型的处理流程图如图4所示。

(2)根据浮动车行驶信息细化模型所得到的车辆停止等待的信息，对车辆行驶中的延误进行分类，区分控制性延误与非控制性延误。

浮动车行驶中的停止等待即为停车延误。这种延误分为控制性延误与非控制性延误两种。其中控制性延误是由于交通灯的信号控制所造成的延误，不反映交通流的特性，对交通流来说是一种干扰数据；非控制性延误是交通流本身所造成的延误，因此能直接反应交通流的特性。将这两种延误分类，则能够将控制性延误对交通流的干扰去除，获得真实的交通流状况。

整个延误分类的流程图如图5所示，延误分类的操作步骤如下：

第一步，对于已经进行浮动车细化模型处理的车辆信息基本处理单位，将计算所得的停车等待点，对照以下两个判断条件：

(I)车辆距离行驶方向前方最近交通灯的距离小于距离阈值d₀。d₀的值通过经验获得。

(II)车辆和行驶方向前方最近交通灯之间没有其他等待点。

如果以上两个条件均满足，则车辆在该点的停车延误判别为控制性延误，否则判定为非控制性延误。

第二步，设车辆信息基本处理单位内控制性延误的时间长度为t_d，则定义有效行驶速度v_avail＝distance/(time-t_d)。此速度表示去除车辆行驶中控制延误后能够准确反映交通流趋势的车辆行驶速度，从而得到当前周期内正常交通流状况下道路的速度和旅行时间数学期望。同时，t_d的值表示车辆在交通灯前由于受到信号控制而导致的等待时间，用于衡量控制性延误对交通流的影响程度。

Claims (1)

1、交通信号控制下的浮动车信息处理方法，其特征在于由以下步骤实现：

(1)利用浮动车行驶信息细化模型，对车辆信息基本处理单位进行处理，得到的车辆停止等待的信息，包括每个停车等待点的位置信息和等待时长信息，其具体步骤如下：

第一步，获取车辆信息基本处理单位的信息

所述车辆信息基本处理单位是指浮动车路径匹配后相邻两个GPS匹配点之间的一段行驶路径，这段行驶路径的长度为distance，行驶时间为time，车辆在两个GPS匹配点的瞬时速度设为v_a和v_b，采用四元组<distance，time，v_a，v_b>表示；同时，车辆在这段行驶路径中经过的路链的序列记为；LinkSet；

第二步，根据第一步获得的信息，确定该车辆信息基本处理单位所属的基本模型

根据瞬时速度v_a和v_b的不同，共有4种不同的基本模型，分别表示车辆行驶中不同的状态变化趋势，设基本模型号为M，则车辆信息基本处理单位所属的基本模型的分类如下：

(I)如果v_a＝0且v_b＝0，则M＝1；

(II)如果v_a＝0且v_b≠0，则M＝2；

(III)如果v_a≠0且v_b＝0，则M＝3；

(IV)如果v_a≠0且v_b≠0，则M＝4；

第三步，根据第一步和第二步的信息进一步确定该车辆信息基本处理单位所属的子模型

每一种基本模型包含一种或多种子模型，不同的子模型反映的车辆行驶状态变化的规律略有不同，设子模型号为N，根据第一步获得的distance、time、v_a和v_b，子模型的分类如下：

(I)如果M＝1，只存在一种子模型，N＝1；

(II)如果M＝2，存在两种子模型，根据向量

的值，利用分类函数

进行分类，其中

与b₁为通过统计方法获得的参数，如果y≥0则N＝1，否则N＝2；

(III)如果M＝3，存在两种子模型，根据向量

的值，利用分类函数

进行分类，其中

与b₂为通过统计方法获得的参数，如果y≥0则N＝1，否则N＝2；

(IV)如果M＝4，存在四种子模型；

令v₁＝distance/time，v₂＝(v_a+v_b)/2，根据向量

利用分类函数

进行分类，其中与b₃为通过统计方法获得的参数，如果y≥0则N＝0，否则转入以下操作：

令速度差阈值为v_thre，

如果v_a-v_b＞v_thre，则N＝1；

如果v_b-v_a＞v_thre，则N＝2；

否则N＝3；

第四步，根据分类得到的模型号M_N，计算车辆行驶过程中的峰值速度v_p，所述峰值速度v_p表示车辆在行驶过程中所实际达到的最高瞬时速度，以下公式中a₁～a₈均为统计所得参数，

(I)如果M＝1，则v_p＝a₁·distance+a₂；

(II)如果M＝2，则v_p＝a₃·distance+a₄·v_b+a₅；

(III)如果M＝3且N＝1，则v_p＝v_a；

(IV)如果M＝3且N＝2，则v_p＝a₆·distance+a₇·v_a+a₈；

(V)如果M＝4，v_p取v_a和v_b中的较大者；

第五步，根据分类得到的模型号M_N，针对不同的模型进行计算车辆行驶过程中的详细参数，最终的结果表示为二元组<timeset，posset>，其中timeset表示车辆在各个停车等待点等待时间的集合，posset表示各个停车等待点到GPS匹配点起点的距离集合，timeset与posset的元素个数相同，为0、1或2，a为浮动车加速和减速的加速度，以下算法中<distance，time，v_a，v_b>均为车辆信息基本处理单位的参数，t_w为衡量车辆等待时间的参数；

(I)如果M＝1，令t_w＝(time-v_p/a-distance/v_p)/2，则timeset＝{t_w，t_w}，posset＝{0，distance}；

(II)如果M＝2且N＝1，令t_w＝time-(2·distance+v_pv_b/a)/(v_p+v_b)，则timeset＝{t_w}，posset＝{0}；

(III)如果M＝2且N＝2，令

则timeset＝{t_w}，posset＝{0}；

(IV)如果M＝3，令t_w＝time-(2·distance+v_pv_a/a)/(v_p+v_a)，则timeset＝{t_w}，posset＝{distance}；

(V)如果M＝4且N＝1，令

t＝time-v_b/a，得到新的四元组<d，t，v_a，0>，重新按第二步-第五步的流程对其进行处理得到结果三元组<v₀，{t₀}，{pos}>，则原模型最终的计算结果，timeset＝{t₀}，posset＝{pos}；

(VI)如果M＝4且N＝2，令

t＝time-v_a/a，得到新的四元组<d，t，0，v_b>，重新按第二步-第五步的流程对其进行处理得到结果三元组<v₀，{t₀}，{pos}>，则原模型最终的计算结果，timeset＝{t₀}，

(VII)如果M＝4且N＝3，令

同时令

则timeset＝{t_w}，posset＝{pos}。

(VIII)如果M＝4且N＝0，则timeset＝Φ，posset＝Φ，其中Φ为空集；

第六步，根据第五步获得的二元组中的posset的值，以及车辆信息基本处理单位中浮动车所经过路链的相关信息，将停车等待的位置定位到具体的路链上，从而获得每个停车等待点的位置信息和等待时长信息，具体步骤如下：

对每一个停车点，从posset中取出对应的值pos，此值表示该点距离GPS起点的距离，对于车辆行驶中路链的序列LinkSet，此序列中路链的长度构成数组L_n，其中1≤n≤N，N为路链的条数；如果第n条路链满足：

则将该停车点定位到该路链上；如果则将停车点定位到最后一条路链上；如此，为每个停车等待点确定其所处的路链，同时，每个停车等待点的等待时长信息已经由第二步至第五步的计算过程得以确定；

(2)根据浮动车行驶信息细化模型所得到的车辆停止等待的信息，对车辆行驶中的延误进行分类，区分控制性延误与非控制性延误，获得去除交通灯影响后车辆正常行驶的相关信息。其具体步骤如下：

第一步，对于已经进行浮动车细化模型处理的车辆信息基本处理单位，将计算所得的停车等待点，对照以下两个判断条件：

(I)车辆距离行驶方向前方最近交通灯的距离小于距离阈值d₀，d₀的值通过经验获得；

(II)车辆和行驶方向前方最近交通灯之间没有其他等待点；

如果以上两个条件均满足，则车辆在该点的停车延误判别为控制性延误，否则判定为非控制性延误；

第二步，设车辆信息基本处理单位内控制性延误的时间长度为t_d，则定义有效行驶速度v_avail＝distance/(time-t_d)，此速度表示去除车辆行驶中控制延误后能够准确反映交通流趋势的车辆行驶速度，从而得到当前周期内正常交通流状况下道路的速度和旅行时间数学期望；同时，t_d的值表示车辆在交通灯前由于受到信号控制而导致的等待时间，用于衡量控制性延误对交通流的影响程度。

Images