CN102855760A

CN102855760A - 基于浮动车数据的在线排队长度检测方法

Info

Publication number: CN102855760A
Application number: CN2012103734722A
Authority: CN
Inventors: 庄立坚; 何兆成
Original assignee: Sun Yat Sen University
Current assignee: Sun Yat Sen University
Priority date: 2012-09-27
Filing date: 2012-09-27
Publication date: 2013-01-02
Anticipated expiration: 2032-09-27
Also published as: CN102855760B

Abstract

本发明提供一种具有良好实施性的、高效率的、低成本的基于浮动车数据的在线排队长度检测方法，包括以下步骤：步骤1，根据GPS定位信息，将车辆当前位置与电子地图相匹配；步骤2，根据预设的时间区间和统计间隔以及停车点，统计停车次数；步骤3，估计排队长度并加入误差限修正。

Description

基于浮动车数据的在线排队长度检测方法

技术领域

本发明属于交通领域。

背景技术

城市主干路通行能力制约的关键因素是信号交叉口。信号交叉口处的通行能力一般比常规路段低，由于红灯的存在，信号交叉口处会经常发生交通拥堵、延误等情况。排队长度作为评价信号交叉口运行效率的一个重要指标，能及时反应交叉口处车流运行状况，对优化信号配时有至关重要的作用。

现在的国内外研究和技术现状主要如下：

第一，模型研究方面。国内外学者对交叉口排队长度计算模型做了大量研究，较为经典的是MILLER、AKCELIK、SYNCHRO、SIGNAL94、TRANSYT等排队长度模型，还有基于交通波动理论的模型。上述模型大多基于已知的流量、信号配时等参数^[8,9]。

第二，数据来源方面。计算排队长度所用到的流量、信号配时等数据主要来源于线圈检测器、人工信息采集、视频检测等方式，会耗费大量的人力、物力和财力。

第三，实时检测方面。实时的排队长度检测方法主要有基于线圈检测器和基于视频技术两种，但这两种方法需要重新埋设线圈检测器或重新安置摄像头，这无疑增加了技术的成本，同时也降低了技术的可行性。

现有的相近技术主要有：

（1）同济大学熊英格^[1]等提出了基于GPS点密度和基于加速度两种方法估算交叉口的平均排队长度。这两种方法考虑了交叉口浮动车数据的分布特征，通过聚类统计的方法选取GPS平均密度最大的位置或者加速度突变最大的位置作为平均排队长度的估计值。但平均排队长度很多时候并不能及时反映实时交叉口排队状态，往往需要特定周期内的最大排队长度来衡量；且这两种方法要求较高的采样率（5s以内），而实际应用中的浮动车采样间隔一般都在10s以上。

（2）Gurcan Comert^[2]等应用概率统计学的方法分析浮动车比率与排队长度估计精度的关系，并提出了在已知车辆到达模型和浮动车比率的情况下利用数学期望值估算排队长度的方法。该方法需假定交叉口前的车辆分布模型，以及输入排队车流里浮动车的比例，这在实际情况中是难以明确标定的。

（3）Thorsten Neumann^[3,4]提出一种基于浮动车数据交通密度剖面图的排队长度估计方法，但稀疏的浮动车数据密度使得排队长度的估计只能依赖于历史多个小时的数据加以实现，因此只能用于离线操作。

（4）交通部公路科学研究所^[7]发明了基于浮动车数据提取车辆排队长度的方法，该方法实质上是统计车辆排队密度估计排队长度。但该方法对停止点的匹配只是单纯通过设定投影距离阈值进行过滤，但车辆在停车或者低速行驶时，GPS点会发生较大的漂移，这就会导致出现较大的匹配误差；而且该方法并没有考虑交叉口前非正常停车的情况。

发明内容

本发明提供一种具有良好实施性的、高效率的、低成本、实时的排队长度检测方法。

为解决上述技术问题，本发明采用的技术方案是：提供一种基于浮动车数据的在线排队长度检测方法，包括以下步骤：

步骤1，根据GPS定位信息，将车辆当前位置与电子地图相匹配；

步骤2，根据预设的时间区间和统计间隔以及停车点，统计停车次数；

步骤3，估计排队长度并加入误差限修正。

进一步地，所述步骤1地图匹配结果包括定位时间、经度、纬度、瞬时速度、匹配点与路段终点的距离、车辆状态、匹配到的路段编号、车牌号码。

更进一步地，所述匹配点为定位点到该路段的投影。

进一步地，所述步骤2具体包括以下步骤：

步骤2.1，输入统计间隔、交叉口编号、路段编号，导出数据集；

步骤2.2，设定标准步长和阈值，划分入口道区域；

步骤2.3，以投影点与交叉口的距离为依据，将停车点分配到每个划分的区间，对每个区间的停车点数量进行计数。

更进一步地，所述标准步长为20米。

更进一步地，所述停车点为车速小于5公里每小时的匹配点。

更进一步地，所述步骤2.3中，剔除车辆在交叉口范围因乘客上下车等事件导致的非受阻停车的数据。

更进一步地，剔除非受阻停车的数据的具体方法是，跟踪同个车牌的定位点数据，如果存在车辆状态在空车和载客之间转换，则将发生车辆状态转换的两个匹配点和下一时刻的一个点同时剔除。

进一步地，所述步骤3具体包括以下步骤：

步骤3.1，判断队尾出租车的位置；

步骤3.2，加入误差限修正最大排队长度；

步骤3.3，确定排队长度。

更进一步地，所述队尾出租车判断方法如下：以停车次数最大值对应的标线为起点，往后查找到某标线之后连续N个标线的停车次数小于K，则确定该标线为队尾，其中，N、K为设定值。

与现有技术相比，有益效果是：基于浮动车GPS的数据采集技术可以实时传回车辆的经纬度信息、瞬时速度、定位时刻等信息，减少了大量的人工调查、信号配时计算、流量参数设定等环节，为交通管理者提供较为全面、可靠的交通信息，为交通状态判别、交通优化等提供了更为便捷、高效的途径。

综上所述，本研究提出的基于浮动车数据的在线排队长度检测方法具备以下几个特点：

（1）具有良好的实时性机制；

（2）可以在不增加任何现有检测设备的条件下，充分利用浮动车数据的优势，节约了技术成本；

（3）方法简单，在满足一定精度的前提下，具有较好的处理效率。

附图说明

图1是本发明所述检测方法的流程图；

图2是匹配原理示意图；

图3是交叉口划分示意图；

图4是浮动车位置与排队示意图；

图5是队尾出租车位置判断示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步地详细说明。

本发明利用一种考虑了置信点、拓扑可达性、时间可达性等特性的综合地图匹配算法，在强化对零速点的匹配精度的前提下，划定交叉口的初始排队范围，通过统计的方法，并考虑了非正常排队停车的情况，估计特定时间间隔内的最后一辆车浮动车停车的位置，修正得到最大排队长度。

步骤1，根据GPS定位信息，将车辆当前位置与电子地图相匹配。

地图匹配是依据GPS车载终端车辆在行驶过程中采集到的车辆GPS定位信息，通过特定模型和算法，将车辆的当前位置与电子地图上的道路相关联的行为。一般而言，地图匹配算法的目标是鉴别车辆正在行驶的路段和确定车辆在该路段上的位置。

对于城市路网的数据存储，每个路段都包含两个节点。当根据算法确定将一个GPS点匹配到某条路段时，匹配点为定位点到该路段的投影，此时计算该匹配点与其行驶方向一致的路段终点的距离，并存入字段DIS，如图2所示，DIS即车辆离交叉口T的距离。

地图匹配结果包括定位时间、经度、纬度、瞬时速度、匹配点与路段终点的距离（DIS）、车辆状态（4为空车，5为载客）、匹配到的路段编号、车牌号码等信息。

步骤2，根据预设的时间区间和统计间隔以及停车点，统计停车次数。

步骤2.1，确定待划分的交叉口Node和对应的路段进口道RoadID，确定统计的时间区间M和统计间隔T（在线排队长度检测可设定为10min）。根据Node、RoadID和M从匹配结果数据库中取出相应的数据，每个匹配点用。其中

表示瞬时速度值，

Figure 2012103734722100002DEST_PATH_IMAGE003

表示离交叉口的距离，

表示定位时刻，

Figure 2012103734722100002DEST_PATH_IMAGE005

表示车辆状态（4表示空车，5表示载客），

表示车牌号码。

步骤2.2，以停车线为起点划分入口道。设定标准步长为L，划定的初始排队范围一般设定为300m。从第一条标线开始分别记为N ₁ ，N ₂ ，…，N _i，如图3所示，其中第i条标线表示的排队长度由式（1）计算所得。

（1）

民用GPS的误差一般在15m以内，综合考虑定位误差、地图匹配误差等因素，本研究设定的经验步长为

。

步骤2.3，定义的匹配点为停车点。以广州市为例，作为浮动车的出租车有17000多辆。出租车有两种典型的状态，载客和空车。当出租车发生乘客上下车的情况时，GPS会立刻上传定位数据。在交叉口前，乘客上下车是非正常停车行为，应当将这部分数据剔除。处理方法是跟踪同个车牌的定位点数据，如果存在车辆状态位的“4-5”或者“5-4”转换，则将发生车辆状态转换的两个匹配点和下一时刻的一个点同时剔除。以T为统计间隔，导入已执行的数据集

，由

取出特定间隔内的数据，由

判断是否属于停车情况，根据

将停车点归类。若

Figure 2012103734722100002DEST_PATH_IMAGE011

落在标线

和

Figure 2012103734722100002DEST_PATH_IMAGE013

之间，即

，则使

对应的计数器加1。重复处理，直到特定间隔内的所有带出数据分析完毕为止。

步骤3，利用浮动车数据估计排队长度。

基于浮动车数据的在线排队长度检测方法关键在于确定特定时间间隔内最后一辆浮动车正常停车等候的位置，而最后一辆浮动车的位置决定了估计的精度，如图4所示。理论上，以停车线为起点，只要后面还有出租车停车，则应该将队尾往后推移，直到发现最后一辆出租车的位置。

但在实际中，GPS点漂移、匹配错误、非正常停车等现象是普遍存在，这就导致了不少情况下，队尾出租车后面还会出现少量的零速点。因此，处理方法如下：以停车次数最大值对应的标线为起点，往后查找到某标线之后连续N个标线的停车次数小于K，确定该标线为队尾。如图5所示，可设定N=4和K=2，即以60m的标线为起点，往后查找到某标线后连续4个标线的停车次数小于2次，则可确定队尾出租车的位置是120m。

浮动车在排队车流里的位置不可能大于总的排队长度，所以利用浮动车数据得到的排队长度估计值一般会比实际最大排队长度值小。因此，根据式（2）进行适当修正。

Figure 2012103734722100002DEST_PATH_IMAGE015

（2）

其中，是最大排队长度估计值，

Figure 2012103734722100002DEST_PATH_IMAGE017

是队尾出租车的估计值，

是误差限（一般取10-30m）。

以上所述仅为本发明的一个实例，并非因此限制本发明的专利范围。例如以下情况，均包括在本发明的专利保护范围内。

（1）本方案中的地图匹配算法采用文献《An On-line Map Matching Framework for Floating Car Data with Low Sampling Rate in Urban Road Network》的综合匹配算法，实际应用时可以选择其他高精度的算法。

（2）本方案中的区间划分步长经验地被设定为20m，也可以根据理论误差分析或实际情况设定为弹性步长。

（3）本方案可以解决在线的排队长度检测，考虑到浮动车数量的因素，统计间隔（延时）一般设定为10min，实际应用中可以增加延时，如果浮动车数量足够，可以适当减小延时。

（4）本方案中，排队估计值的修正误差限一般取10-30m，但在实际中，误差限与浮动车占总体车流的比例是有密切关系的，可以根据理论概率分析，确定误差限的概率分布规律。

Claims

1.一种基于浮动车数据的在线排队长度检测方法，其特征是，包括以下步骤：

步骤3，估计排队长度并加入误差限修正。

2.根据权利要求1所述的检测方法，其特征是，所述步骤1地图匹配结果包括定位时间、经度、纬度、瞬时速度、匹配点与路段终点的距离、车辆状态、匹配到的路段编号、车牌号码。

3.根据权利要求2所述的检测方法，其特征是，所述匹配点为定位点到该路段的投影。

4.根据权利要求1所述的检测方法，其特征是，所述步骤2具体包括以下步骤：

步骤2.2，设定标准步长和阈值，划分入口道区域；

5.根据权利要求4所述的检测方法，其特征是，所述标准步长为20米。

6.根据权利要求4所述的检测方法，其特征是，所述停车点为车速小于5公里每小时的匹配点。

7.根据权利要求4所述的检测方法，其特征是，所述步骤2.3中，剔除车辆在交叉口范围因乘客上下车导致的非受阻停车的数据。

8.根据权利要求7所述的检测方法，其特征是，剔除非受阻停车的数据的具体方法是，跟踪同个车牌的定位点数据，如果存在车辆状态在空车和载客之间转换，则将发生车辆状态转换的两个匹配点和下一时刻的一个点同时剔除。

9.根据权利要求1所述的检测方法，其特征是，所述步骤3具体包括以下步骤：

步骤3.1，判断队尾出租车的位置；

步骤3.2，加入误差限修正最大排队长度；

步骤3.3，确定排队长度。

10.根据权利要求9所述的检测方法，其特征是，所述队尾出租车判断方法如下：以停车次数最大值对应的标线为起点，往后查找到某标线之后连续N个标线的停车次数小于K，则确定该标线为队尾，其中，N、K为设定值。