CN101727746B - 信号灯控制的城市道路机动车动态行程时间估计方法 - Google Patents

Abstract

本发明公开了一种信号灯控制的城市道路机动车动态行程时间估计方法，将分析时间分割成时间窗，对于当前时间窗，用等长的时间间隔分割为多个时间点；确定机动车行经道路所经过的交叉口、各交叉口间的距离，从交通信号控制系统获得各交叉口的实时信号配时数据，以及各交叉口线圈检测器采集的通用型交通流量数据，根据交通流量检测时间计算当前每一信号周期的交通流量；据此根据系统状态变化的概率，实现干道行程时间的动态估计。本发明可以实现有信号灯控制的城市道路的机动车动态行程时间估计，具有很好的可移植性，大大增强了经济性。

Description

信号灯控制的城市道路机动车动态行程时间估计方法

技术领域

本发明涉及城市道路上的机动车交通流的行程时间动态估计方法，特别涉及到利用连续若干交叉口交通信号灯控制系统的检测获得的交通流数据，来动态地估计城市信号控制道路上的机动车交通流行程时间估计方法。

背景技术

根据估计对象的不同，行程时间估计可以分为两大类：连续流行程时间估计和间断流行程时间估计。在城市道路中，通常在交叉路口设置有信号灯，由信号灯进行交通控制，受其影响，城市道路的交通流为间断交通流，同时车辆在区段上行驶时，往往受到各种因素的影响。相对连续交通流，信号控制道路的间断交通流更为复杂。因此，对干道行程时间动态估计研究异常困难，对行程时间估计的报道不多。

中国发明专利申请200710202807.3公开了一种便携式电子装置，包括：存储器，用于存储地图数据信息；输入模块，用于输入目的地信息；信号接收器，用于接收定位信号，并根据定位信号确定当前位置信息；中央处理模块，用于根据目的地信息从存储器中的地图数据信息查找对应的终点位置信息，根据当前位置信息及终点位置信息计算行程距离，并利用行程距离及便携式电子装置的运动速度计算出行程时间。但是，该装置未考虑当前实时路况的影响，用于城市道路间断交通流的估计误差较大；同时，对于未安装该装置的车辆或者道路则不能提供行程时间估计。

中国发明专利200710067061.X公开了一种城市交通行程时间智能化分析系统，其基于OD矩阵，同时考虑车流量、行程时间带来的约束、能够应用到城市复杂网路，但是这一系统必须要在城市交通网络的各个路口安装大量的抓拍识别设备、智能化服务器，各个抓拍识别设备连接智能化服务器；智能化服务器包括城市交通网络拓扑结构模块、车辆抓拍识别模块，因此获取行程时间的成本相当巨大。

中国发明专利申请200710181628.6公开了一种行程时间预测装置和方法、交通信息提供系统和程序，组合现状和统计信息，能以高精度进行行程时间的中期预测。行程时间预测装置从保持按日期种类统计处理各路段的过去的时间系列数据的行程时间推移模式的行程时间推移模式存储，然后计算出该行程时间推移模式和所述逐次输入的行程时间实时数据之间的误差减小的行程时间推移模式的变换参数，再变换所述行程时间推移模式而取得的预测函数进行预测。该方法依赖于历史的行程时间值来预测(不是估计)行程时间，但如何获取历史的行程时间并没有给出解决方案；此外该方法也未指出能否在信号灯控制的道路上使用。

可见，现有技术中虽然给出了一些行程时间估计和预测方法，但是这些方法需要安装大量的交通检测设备、或者GPS地理定位系统设备，所涉及的参数和变量数量多且难以量化，受到模型应用成本约束，这些方法难以被大规模推广应用。

目前，城市道路的交通一般由交通信号控制系统控制，其中，通常在交叉路口设置有信号灯，在交叉口的道路下设有线圈检测器，线圈检测器用于采集交通流量数据。因此，如果可以利用交通信号控制系统采集的通用型交通流量数据动态估计行程时间，就不需要安装交通检测设备，可以大大降低行程时间估计的成本。然而，目前情况下，交通信号控制系统通常将每5、10或15分钟内检测到的车辆数作为交通流量来记录，此时采样间隔大于信号灯周期长度而无法采集各个相位放行的车辆数，因此无法动态估计交叉口延误。

发明内容

本发明目的是提供一种适用于有信号灯控制的城市道路的机动车动态行程时间的估计方法，可以利用现有交通信号控制系统的数据，而不需要另行安装交通检测设备，从而以低成本实现行程时间的动态估计。

为达到上述目的，本发明考虑将分析时段分割为若干个较短的时间窗，然后进一步把一个时间窗分割为多个时间间隔，通过将干道的各个交叉口处的车辆是否排队定义为干道系统的状态，由此构造出一个无记忆特性的随机过程。在一个时间窗内，确定每个时间间隔上的干道状态，再根据马尔可夫随机决策理论，实现了一个时间窗的干道行程时间估计。将该过程应用到每个时间窗上实现干道行程时间动态估计。

根据上述构思，本发明采用的技术方案是：一种信号灯控制的城市道路机动车动态行程时间估计方法，包括如下步骤：

(1)设定一时间窗用于估计行程时间，时间窗长度至少为5分钟，将时间窗用等长的时间间隔分割为多个时间点，所述时间间隔为5秒～15秒；确定机动车行经道路所经过的交叉口、各交叉口间的距离，从交通信号控制系统获得各交叉口的实时信号配时数据，以及各交叉口线圈检测器采集的通用型交通流量数据，根据交通流量检测时间计算当前每一信号周期的交通流量；

(2)利用步骤(1)采集的数据计算时间窗内各时间点各交叉口的状态，对第k个交叉口，在第t个时间点，其状态用二进制变量表示为：

则在该时间点，整个系统状态表示为X(t)，

$X\left(t\right)=\left[\begin{array}{c}{x}_1\left(t\right)\\ x_2\left(t\right)\\ \·\\ \·\\ \·\\ x_K\left(t\right)\end{array}\right]---\left(1\right)$

其中，K为行程中交叉口的个数；

对单个交叉口的状态可以根据在交叉口停车线前的车辆是否排队来确定。附图1给出一个交叉口排队的持续时间与信号灯配时之间的对应关系，其中实线表示排队持续时间，其起始时刻和红灯起亮时间一致，而其持续长度是红灯时间加排队消散时间，因此排队持续时间大于红灯时间。虚线表示没有排队情况出现的畅通持续时间，其起始时间是从前一红灯时间排队结束的时刻开始算起。

由图1可知，其某个方向的车道组上的车辆在第n个信号周期的排队持续时间dp_n为

${\mathrm{dp}}_n=\left\{\begin{array}{ccc}\frac{r_n\&CenterDot;S}{S-q_n},& \mathrm{if}& \frac{r_n\&CenterDot;q_n}{S-q_i}<g_n\\ C_n,& \mathrm{else}& \frac{r_n\&CenterDot;q_n}{S-q_n}\&GreaterEqual;g_n\end{array}\right.---\left(2\right)$

其中，C_n为第n个信号周期时长；S是车道组的饱和流率，即单位时间内能通行的车的数量(通常可以取1800辆/小时)；r_n为第n个周期的红灯时间；g_n为第n个周期的绿灯时间；q_n为第n个周期的交通流量；

根据各交叉口车辆的排队持续时间和信号配时数据，得出各个时间点的系统状态，对于K个交叉口的道路，可能的不同的状态数为2^K个；

参见附图2，在一个时间窗内，在每15秒确定干道系统状态及其变量时，确定方法如图2所示，如果交叉口为1则表示该处有停车排队，否则该处无停车排队情况；

(3)根据步骤(2)获得的整个时间窗中各个时间点的状态，干道系统状态的转移必须要考虑每个路段的交叉口停车与畅通的状态转移。干道系统的状态X(t)，包含了各个路段(包括相邻下游的交叉口)的状态变量x_k(t)。因此转移矩阵所对应的每个状态可以用1，2，...，m来表示，其状态总数为m＝2^K个，K为交叉口数量。干道的一步转移概率矩阵则表示系统经过一个时间间隔，所有状态之间可能互相转化的概率矩阵，即：

$P^1=\left(\begin{array}{cccc}{p}_{11}& p_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& p_{1m}\\ p_{21}& p_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& p_{2m}\\ \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\\ p_{m1}& p_{2m}& \&CenterDot;\&CenterDot;\&CenterDot;& p_{\mathrm{mm}}\end{array}\right)---\left(6\right)$

其中，p_ij表示系统在时间点t的状态为i，在时间点t+1转移到状态j的概率，m为2^K；

p_ij可写为如下条件概率：

p_ij＝P{X(t+1)＝j|X(t)＝i}               (7)

其中i，j＝1，2，...，m，t＝1，2，3，....p_ij可以这样计算：所有从状态i转移到状态j的总数除以所有从状态i转移到其他所有状态，包括状态i的总数。

根据马尔可夫链理论，对固定的状态j，不管链从什么起始状态出发，通过长时间的转移，系统将趋于稳定，到达状态j的概率都趋近于π_j，即

${\mathrm{\&pi;}}_j=\underset{t\&RightArrow;\&infin;}{\lim }P\{X_{\left(t\right)}=j/X_{(t=0)}=i\}$

$=\underset{t\&RightArrow;\&infin;}{\lim }P\{X_{\left(t\right)}=j\}---\left(8\right)$

其中i＝1，2，...m.

上式表示系统最终以极限概率到达各状态；

根据马尔可夫链的遍历性充分条件定理，极限概率的计算如下，

$\left\{\begin{array}{c}{\mathrm{\&pi;}}_j=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i{p}_{\mathrm{ij}}\\ \underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_j=1\end{array}\right.---\left(9\right)$

(4)行程时间估计

首先获得各个路段的在停车、不停车情况下的路段行程时间，然后根据马尔可夫数学期望概念，利用步骤(3)获得的各个状态的稳态概率得到整个系统的期望值，系统行程时间估计值为

获得行程时间

$\stackrel{\&OverBar;}{T}=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_j\{(1-x_k\left(t\right))\&times;{\mathrm{NDT}}_k+x_k\left(t\right)\&times;{\mathrm{DT}}_k\}---\left(10\right)$

上式表明，在一个时间窗中，干道行程时间等于各个状态的稳态概率与对应状态下的路段行程时间的乘积之和；

式中， ${\mathrm{NDT}}_k=\frac{L_k}{u_f}---\left(3\right)$

表示路段未停车的行程时间也就是自由流行程时间，

L_k是上游交叉口k-1到下游交叉口k的路段长度；u_f为自由流行程速度，取道路的设计车速；

${\mathrm{DT}}_k=\frac{L_k-L_q^{\left(k\right)}}{u_f}+d_k---\left(4\right)$

表示路段下游交叉口进口道上的车辆由于红灯出现停车，则路段行程时间是路段的自由流行程时间与交叉口延误的和，

为车辆在交叉口k的排队长度，d_k为交叉口k上某进口道的平均延误；采用HCM2000交叉口延误计算公式获得；

在实际应用(4)式来计算路段行程时间的时候，排队长度不能大于路段长度，因此(4)式可以改写为

${\mathrm{DT}}_k=\left\{\begin{array}{cc}\frac{L_k}{u_f}+d_k,& L_k>>L_q\\ d_k& L_k\&ap;L_q\end{array}\right.---\left(5\right)$

(5)重复步骤(1)至(4)获得不同时刻的时间窗的估计行程时间，即可实现干道行程时间的动态估计。

上文中，HCM2000交叉口延误计算公式是由美国交通研究委员会出版的《道路通行能力手册》中公开的交叉口延误计算公式。可以表述如下：

所述交叉口k上某进口道的平均延误d_k获取方法如下，

d_k＝d₁+d₂+d₃

$d_1=\frac{{0.5C}_n(1-\frac{g_n}{C_n})}{1-\left[\min (1,X)\frac{g_n}{C_n}\right]}$

$d_2=900T[(X_n-1)+\sqrt{{(X_n-1)}^2+\frac{{8X}_n}{\mathrm{cT}}}]$

$d_3=\frac{{1800Q}_b(1+u_n){\mathrm{dp}}_i}{\mathrm{cT}}$

式中，X_n为第n个周期检测器检测到的流量与通行能力c的比值，T为时间窗长度，Q_b为初始排队，其计算公式为W_b，i+1＝max[0，Q_b，i+cT(X_i-1)]，i＝1，2…，n，Q_b，i和X_i分别为前一期的初始排队数量和饱和度，u为延误因子其计算方法如下

由于上述技术方案运用，本发明与现有技术相比具有下列优点：

1.本发明创造性地提出了将时间窗划分成更短的时间间隔，将整个驶过的道路看成一个系统，对交叉口的状态转换构建成概率矩阵，由此可以利用采样时间较长的干道交叉口线圈检测器采集的通用型交通流量数据，结合信号控制系统的信号配时数据，实现信号控制干道行程时间动态估计。

2.本发明采用了通用的流量与信号配时数据，因此可移植性与经济性显著增强。具体表现在本方法的输入是通用的流量与信号配时数据，该数据在普通的信号控制系统上均可获得，因此可移植性大大增强；由于本方法无需增加文献其他方法需要的交通流高频检测硬件模块，因而具有很强的经济性。此外与现有技术相比，本申请无需要调查行程时间，因此适应大大提高。

附图说明

图1是一个交叉口排队的持续时间与信号灯配时之间的对应关系图；

图2是单个时间窗的干道系统状态及其变量确定方法示意图；

图3是实施例一中干道系统在8:00-8:10间的状态及其变量示意图；

图4是实施例一中中山路现场调查与模型估计行程时间对比结果图。

具体实施方式

下面结合附图及实施例对本发明作进一步描述：

实施例一：参见附图1至附图4所示，

一种信号灯控制的城市道路机动车动态行程时间估计方法，将调查时段的6小时(8:00-14:00)分为时长10分钟的时间窗，时间窗内的时间间隔定义为15秒。下面以8:00-8:10的时间窗为例，给出如何对一个时间窗的干道行程时间进行估计的示例。

(1)状态及其变量的定义

附图3是干道系统在8:00-8:10间的状态及其变量示意图，给出了在8:00-8:10的时间窗内，在每个时间间隔上，如何定义干道系统的状态及其变量，系统一共有2⁵＝32个状态，其状态编号分布为m＝1，2，...，32。根据公式(2)，可以计算出各个交叉口的排队持续时间。

(2)路段行程时间估计

路段行程时间分为不停车行程时间与停车行程时间两类。其中，(3)式可以估计不停车行程时间；而在估计路段停车行程时间时，必须考虑自由流路段长度与排队长度关系：在计算路段2的停车行程时间时，因路段长度为582米，应采用(5)式第一项，而对2、3和4三个路段，由于其长度在150米左右，则应采用(5)式第二项。停车行程时间包括路段自由流行程时间与交叉口延误时间，对于交叉口延误，为确保较高的准确度，本实施例采用了HCM2000中交叉口的延误计算公式，具体包括：均衡控制延误、随机到达及过饱和延误以及初始排队延误三项，计算过程不再赘述。表1给出的是8:00～8:10各个完整路段在停车情况、不停车情况下的行程时间。

表1路段行程时间估计值(单位：秒)

^＊在1号交叉口不停车情形下，行程从1号交叉口停车线开始计时，

因此路段1上的自由流行程时间为0。

(3)确定转移矩阵

根据干道系统状态的定义，每15秒确定各个路段是否有停车，根据(7)式可以确定转移矩阵中各个状态发生一步转移的转移概率，由于在10分钟的时间窗内，并非所有的状态都可能出现，因此对于未出现的状态，在一步转移概率矩阵中不予考虑，以确保矩阵是满秩的。表2给出的是上午8:00-8:10，该干道系统的概率转移矩阵。可以看到，在经过15秒时间间隔后，大部分状态仍然保持不变(也就是p_ii的值要大于p_ij)。根据(9)式，可以计算出各个状态的稳态概率，其结果见表2。

表2 8:00-8:10系统的一步概率转移矩阵

(4)干道行程时间估计

根据上述步骤得到各路段行程时间以及各个状态的极限概率，将公式(10)进一步改写为：

$\stackrel{\&OverBar;}{T}={\mathrm{\&pi;}}_1\&times;({\mathrm{NDT}}_1+{\mathrm{NDT}}_2+{\mathrm{NDT}}_3+{\mathrm{NDT}}_4+{\mathrm{NDT}}_5)$

$+{\mathrm{\&pi;}}_2\&times;({\mathrm{DT}}_1+{\mathrm{NDT}}_2+{\mathrm{NDT}}_3+{\mathrm{NDT}}_4+{\mathrm{NDT}}_5)$

$+{\mathrm{\&pi;}}_3\&times;({\mathrm{NDT}}_1+{\mathrm{NDT}}_2+{\mathrm{NDT}}_3+{\mathrm{NDT}}_4+{\mathrm{NDT}}_5)$

$\begin{array}{c}\&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\end{array}$

$+{\mathrm{\&pi;}}_{32}\&times;({\mathrm{DT}}_1+{\mathrm{DT}}_2+{\mathrm{DT}}_3+{\mathrm{DT}}_4+{\mathrm{DT}}_5)---\left(11\right)$

根据上面步骤1至步骤3的结果代入(11)式，则在上午8:00～8:10之间，可得到从1号交叉口到5号交叉口的平均行程时间为161.94秒。

模型估计结果分析：

将上述4个步骤反复应用到8:00～14:00间各个时间窗上，即可实现8:00～14:00间的行程时间估计。图4给出了现场调查的不同时刻行程时间与模型估计的行程时间对比情况。审视图4可以发现，有4个调查结果与估计结果相差较大，并且估计结果都偏小。在这4次跟车过程中，每次调查人员在交叉口都经历了多次停车启动而又不能驶过停车线的情况。如果将这个时间段检测到的交通流量输入HCM2000延误计算公式，则无法得出多次停车的结果。因此本申请尚不能对排队溢出情形进行行程时间的动态准确估计。计算现场跟车调查结果与模型估计结果的误差结果，模型平均估计误差小于10％(未计算排队溢出的4个样本点)。

Claims (1)

1.一种信号灯控制的城市道路机动车动态行程时间估计方法，其特征在于，包括如下步骤：

(1)设定一时间窗用于估计行程时间，时间窗长度至少为5分钟，将时间窗用等长的时间间隔分割为多个时间点，所述时间间隔为5秒～15秒；确定机动车行经道路所经过的交叉口、各交叉口间的距离，从交通信号控制系统获得各交叉口的实时信号配时数据，以及各交叉口线圈检测器采集的通用型交通流量数据，根据交通流量检测时间计算当前每一信号周期的交通流量；

(2)利用步骤(1)采集的数据计算时间窗内各时间点各交叉口的状态，对第k个交叉口，在第t个时间点，其状态用二进制变量表示为：

则在该时间点，整个系统状态表示为X(t)，

$X\left(t\right)=\left[\begin{array}{c}{x}_1\left(t\right)\\ x_2\left(t\right)\\ M\\ x_K\left(t\right)\end{array}\right]$

其中，K为行程中交叉口的个数；

对单个交叉口，其某个方向的车道组上的车辆在第n个信号周期的排队持续时间dp_n为

${\mathrm{dp}}_n=\left\{\begin{array}{ccc}\frac{r_n\&CenterDot;S}{S-q_n},& \mathrm{if}& \frac{r_n\&CenterDot;q_n}{S-q_i}<g_n\\ C_n,& \mathrm{else}& \frac{r_n\&CenterDot;q_n}{S-q_n}\&GreaterEqual;g_n\end{array}\right.$

其中，C_n为第n个信号周期时长；S是车道组的饱和流率，即单位时间内能通行的车的数量；r_n为第n个周期的红灯时间；g_n为第n个周期的绿灯时间；q_n为第n个周期的交通流量；

根据各交叉口车辆的排队持续时间和信号配时数据，得出各个时间点的系统状态，对于K个交叉点，可能的不同的状态数为2^K个；

(3)根据步骤(2)获得的整个时间窗中各个时间点的状态，获得系统经过一个时间间隔，所有状态之间可能互相转化的概率矩阵，

$P^1=\left(\begin{array}{cccc}{p}_{11}& p_{12}& L& p_{1m}\\ p_{21}& p_{22}& L& p_{2m}\\ L& L& L& L\\ p_{m1}& p_{2m}& L& p_{\mathrm{mm}}\end{array}\right)$

其中，p_ij表示系统在时间点t的状态为i，在时间点t+1转移到状态j的概率，m为2^K；

由此，系统到达状态j的概率为π_j，满足

$\left\{\begin{array}{c}{\mathrm{\&pi;}}_j=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i{p}_{\mathrm{ij}}\\ \underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_j=1\end{array}\right.$

(4)获得行程时间估计值为

$\stackrel{\&OverBar;}{T}=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_j\{(1-x_k\left(t\right))\&times;{\mathrm{NDT}}_k+x_k\left(t\right)\&times;{\mathrm{DT}}_k\}$

式中， ${\mathrm{NDT}}_k=\frac{L_k}{u_f}$

L_k是上游交叉口k-1到下游交叉口k的路段长度；u_f为自由流行程速度，取道路的设计车速；

${\mathrm{DT}}_k=\frac{L_k-L_q^{\left(k\right)}}{u_f}+d_k$

为车辆在交叉口k的排队长度，d_k为交叉口k上某进口道的平均延误；d_k采用HCM2000交叉口延误计算公式获得；

(5)重复步骤(1)至(4)获得不同时刻的时间窗的估计行程时间，即可实现干道行程时间的动态估计。

Images