CN103578273B - 一种基于微波雷达数据的道路交通状态估计方法 - Google Patents

Abstract

一种基于微波雷达数据的道路交通状态估计方法，包括以下步骤：步骤1统计获取路段最大通行能力并估计饱和度；步骤2：统计计算各路段5分钟断面速度的均值和标准差，步骤3：为每条路段自动生成个性化的隶属度函数；步骤4：在模糊规则的基础上，分别赋予畅通、缓行和拥堵三个常数，然后对于每一组输入数据（速度，饱和度）计算每一条规则的强度，将3种输出的最大规则强度依次记作：w1、w2、w3，然后采用加权平均的方法求出输出值Z：步骤5：最终的Z值与畅通常数最接近则判定为畅通，与缓行常数最接近则判定为缓行，与拥堵常数最接近则判定为拥堵。本发明模型具有良好的可持续性、自适应性能力强、实用性良好。

Description

一种基于微波雷达数据的道路交通状态估计方法

技术领域

本发明属于智能交通领域，涉及一种城市道路交通状态估计方法。

背景技术

城市交通状态估计指的是运用交通传感器收集的数据，基于交通工程的基本理论和人们的认知习惯，采用合理的信息科学方法，实时判定一组路段的实际运行状态。典型地，路段运行状态包括：畅通、缓行和拥堵。当前，主要的交通状态估计方法是基于浮动车数据的技术和基于地感线圈的技术。浮动车技术只需根据速度的阈值来判定交通状态，此方法虽简单实用，但由于浮动车在时空分布上具有不均衡性，导致获得的数据存在着时空空缺，有较高的缺失率。典型地，地感线圈损坏率很高，也不足以支撑高空间覆盖率的交通状态估计。因此，研发基于其它数据源的交通状态估计技术是非常必要的，例如微波雷达传感器。

微波雷达传感器可检测断面速度、流量和车道占有率三个指标。考虑到判别精度可能受到各种测量误差的影响，用单个指标判别交通状态是不可取的，而多个不准确的指标却有可能综合得出更合理的结果。然而，已有的专利“201010561751.2”给出的方法采用了占有率或者饱和度的单一指标作为输入。采用饱和度这一指标是非常有益的，然而计算饱和度需要用绿信比和道路通行能力两个基本指标，绿信比难以获得而且是人工可调的，道路通行能力值往往采用理想值，没有考虑到实际的交通外环境的影响，因此饱和度的计算很难实现，可能在个别路段发挥作用，但无法普遍应用于所有微波监测路段。因此，论文“基于模糊综合判定的道路交通状态分析模型”虽采用了饱和度这一指标，但只能处理个别路段的情况，难以在工程上推广使用。已有的专利“200910089374.4”提出的方法只针对快速路采用速度、流量、车道占有率三个指标作为输入来判定交通状态，然而采用的模型参数均为经验参数，实际上每条快速路的实际情况并不相同，经验参数也应该有所区别，若对每条路都设置经验参数，则训练分类器的工作量极其大，无法完成。另外，若再考虑主干路、次干路等所有其他路段，则任务量之大非实际工程应用能够接受的，更不幸的是，这样的方法会随着绿信比的调整，城市道路交通基础设施的改变，快速淘汰。

综上，现有的技术中，采用单个交通指标不可取；采用标准的饱和度难以计算和普遍应用；完全采用经验参数的模型不具有可持续性，模型很容易被交通设施、信号控制和交通外环境的变化所淘汰。

因此，需要一种能够敏捷估计饱和度的方法，也需要一种针对每条路段普遍适用的“模板级”路况估计框架，能够阶段性地自适应更新模型参数，以适应交通基础设施、绿信比调整、交通外环境的变化。

发明内容

为了克服已有道路交通状态估计方法的模型不具有可持续性、自适应能力差、实用性较差的不足,本发明提供了一种模型具有良好的可持续性、自适应性能力强、实用性良好的基于微波雷达数据的道路交通状态估计方法。

本发明解决其技术问题所采用的技术方案是：

一种基于微波雷达数据的道路交通状态估计方法，所述估计方法包括以下步骤：

步骤1：统计获取路段最大通行能力并估计饱和度

采用5分钟流量的历史最大值来表达路段的最大通行能力，将估计的路段通行能力记作ECAP；5分钟路段饱和度近似表达为实际通过的车辆数与ECAP的比值，记作B；

步骤2：统计计算各路段5分钟断面速度的均值和标准差

对于某条路段，计算得到的5分钟断面速度均值记作E和标准差记作S；

步骤3：为每条路段自动生成个性化的隶属度函数

输入值包括饱和度的估计值B和5分钟断面平均速度均为精确数值，需要首先将这些量进行模糊化操作，模糊化的方法是设计隶属度函数将输入映射为隶属度值，隶属度的取值范围为[0,1]，采用三角形函数或梯形函数作为模糊化方法，并基于历史数据统计量来自动计算隶属度；

步骤4：基于模糊规则进行推理

基于交通工程的基本理论和认知习惯，给出如下的模糊规则矩阵，如下表1：

表1

在模糊规则的基础上，分别赋予畅通、缓行和拥堵三个常数，分别为畅通常数、缓行常数和拥堵常数，然后对于每一组输入数据(速度，饱和度)用如下方法计算每一条规则的强度：

x AND y＝min(truth(x),truth(y))

其中truth(x)表示x的隶属度，min(a,b)表示从a,b中取最小值。在相同输出的规则强度中选择最大的规则强度作为该输出的强度。将3种输出的最大规则强度依次记作：w1(与畅通对应)、w2(与缓行对应)、w3(与拥堵对应)，然后采用加权平均的方法求出输出值(Z)：

步骤5：去模糊化

最终的Z值与畅通常数最接近则判定为畅通，与缓行常数最接近则判定为缓行，与拥堵常数最接近则判定为拥堵。

进一步，所述步骤2中，统计周期以周或者月为单位，每天的有效时段限制在早6：00到晚9：00，每5分钟对应一个断面速度值。

再进一步，所述步骤3中，梯形函数用4个顶点的输入值来表示。

或者是：所述步骤3中，三角形函数用3个顶点的输入值来表示。

本发明的有益效果主要表现在：(1)可持续性。由于交通运行状况的复杂性，包括道路复杂性，车辆复杂性，交通外环境复杂性等因素，交通状态估计的模型或者算法往往会随着时间的推移出现问题，比如原来设置的参数现在不再适用，使得方法的精度明显下降。本发明由于建立在统计分析基础上，统计量可以在后台持续更新，尽可能地考虑到路段通行能力的变化，因此具有较好的可持续性。

(2)普遍适用性。只需根据各路段的统计量实例化该框架便可得到一个一定时期针对某条路段的模糊推理系统，而统计量的计算和更新一般可以用后台程序自动进行，一般不需要人工干涉。

(3)可扩展性。当前的方法只单纯地考虑了微波传感器的断面观测数据，如果其它传感器数据可以获得，或者其它知识可以获得，则只需增加一些新的归属函数和模糊规则，采用相似的推理方法便可进一步优化方法的输出结果。

(4)弹性。可以根据统计量直接设定参数，获得较高的精度；若条件允许(可获得一定量的标注样本)，也可以通过机器学习获得最佳训练参数，从而达到更高的判别精度。

(5)个性化。各种路段的拥堵判别标准在认知尺度存在差异。例如：快速车道当速度持续为40km/h时，可以判定为拥堵，但是对于“灵溪隧道北口”40km/h的持续速度可以宽松地判断为畅通。本发明由于建立的统计量基础上，可以自动捕获每条路段上的个性化认知尺度信息。

附图说明

图1是基于微波雷达数据的道路交通状态估计方法的流程图。

图2是实例路段在地图中的位置。

图3是隧道口-西溪路5分钟交通指标变化趋势，2013年8月14日早6：00到晚9：00，共180组值。

图4是速度的隶属度函数的示意图。

图5是饱和度的隶属度函数的示意图。

图6是推理过程示例(拥堵)的示意图，其中，(a)为速度等于20.6，(b)为饱和度为0.32，(c)为运行状态为10。

图7是推理过程示例(缓行)的示意图，其中，(a)为速度等于29.4，(b)为饱和度为0.732，(c)为运行状态为44.6。

图8是推理过程示例(畅通)的示意图，其中，(a)为速度等于38.3，(b)为饱和度为0.132，(c)为运行状态为100。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图8，一种基于微波雷达数据的道路交通状态估计方法，所述微波雷达测量的是一定时间间隔内每条车道断面的车辆平均速度、流量和时间占有率。经过统计分析，微波检测到的断面平均速度一般显著大于浮动车检测到的平均速度，因此，借用浮动车速度阈值和断面平均速度来判定交通状态不具有合理性。本方案将设计一种简单易用，有统计学支撑，并符合交通工程理论的模糊推理方法。本技术运用断面平均速度和饱和度两个指标作为主要变量，道路交通状态估计方法的流程图如图1所示，包括以下步骤：

步骤1：统计获取路段最大通行能力并估计饱和度

饱和度，又称VC比，指的是一定时间内路段或者路口实际通过的车辆数与最大通行能力的比值。最大通行能力(CAP)指的是一定时间内路口或者断面能够通过的最大车辆数。其计算方法是：

其中，S_i表示各相位的饱和车流量，λ_i表示绿信比，红灯时间越长，则道路通行能力越低。由于绿信比数据不容易获得，甚至绿信比是可调的，导致路段的最大通行能力难以通过式(1)计算。因此，需要用其它方法来估计CAP的值。基于大数据思维方式，本发明采用5分钟流量的历史最大值来表达路段的最大通行能力。为了区别于CAP，我们将估计的路段通行能力记作ECAP。相应地，5分钟路段饱和度近似表达为实际通过的车辆数与ECAP的比值，记作B。为了保证饱和性，尽可能保证所用的近期交通数据中包含交通拥堵的情况，即假设发生过拥堵现象的路段曾经达到过饱和状态。之所以用近期历史数据是为了自适应地调整ECAP的大小，该值可能受绿信比的人工调整而发生变化，也有可能受其它复杂因素(例如交通基础设施建设和交通外环境)的变化而变化。对于少量从未达到过饱和状态的路段，参考道路设计标准选择合适的经验值作为最大通行能力估计。本发明首次提出基于大数据统计分析的饱和度估计方法。

步骤2：统计计算各路段5分钟断面速度的均值和标准差

统计周期可以以周或者月为单位。每天的有效时段限制在早6：00到晚9：00，每5分钟对应一个断面速度值。对于某条路段，计算得到的断面速度均值记作E和标准差记作S。这两个量可以用于设定隶属度函数的参数。

步骤3：为每条路段自动生成个性化的隶属度函数

由于人们在表达“拥堵”、“缓行”、“畅通”、“速度大”、“饱和度小”等词汇时，都不是精确到某个数字的，而是一种大概的数值范围，并且不同的人在表达“拥堵”和“缓行”等词汇时还可能存在认知尺度上的差异。因此，需要一种能够模拟人脑模糊思维的方法来刻画取值界限不清晰的推理问题。“模糊逻辑”这一方法，首先由Zadeh教授于1965年提出，后来被扩展和应用在自动控制和人工智能等领域。采用模糊逻辑来设计基于微波数据的交通状态估计方法具有明显的合理性，因为它能够很好地模拟人的模糊思维方式，而人脑是很容易根据一组传感器数据来大概判定当前的交通状态的。一般把解决一个问题所用的模糊方法称作模糊推理系统。典型地，本技术采用Sugeno模糊推理系统范式。

设计隶属度函数对输入量进行模糊化是模糊推理系统中最重要和最基本步骤。输入值“饱和度的估计值”(B)和“5分钟断面平均速度”(E)均为精确数值，需要首先将这些量进行模糊化操作。模糊化的方法一般是设计恰当的隶属度函数将输入映射为隶属度值，隶属度的取值范围为[0,1]。例如，速度为20km/h，归属到“速度大”的范畴的隶属度是0，归属到“速度中等”的隶属度值是0.2，归属到“速度小”的隶属度是0.7。本技术方案采用三角形函数、梯形函数作为模糊化方法，并基于历史数据统计量来自动计算隶属度。

梯形函数可用4个顶点的输入值来表示，三角形函数可用3个顶点的输入值来表示。具体来讲，“5分钟断面平均速度”的隶属度函数为：[0,0,E-S,E]表示“速度小”的隶属度函数；[E-S,E,E+S]表示“速度中等”的隶属度函数；[E,E+S,150,150]表示速度大的隶属度函数。对于每条道路，E和S分别表示统计周期内的速度均值和标准差值，是个性化的。此外，用[0,0,0.4,0.6]表示“饱和度小”的隶属度函数，[0.5,0.6,0.75]表示“饱和度中等”的隶属度函数，[0.6,0.75,1,1]表示“饱和度大”的隶属度函数。饱和度的隶属度函数虽然是根据经验设定，但对于每条路段，经验参数具有不变性，不会随交通设施、绿信比和交通外环境的改变产生不适用的情况。这一点体现了饱和度相对于流量的优势，也是本发明的重要优势。

随着时间的演进，本月(周)的模糊化方法由上月(周)的统计量来支撑，这样可以尽可能适应季节变化、路网基础设施变化和绿信比变化所带来的影响。从理论上讲，不管城市路网发生了何种变化，道路通行能力的改变均可反映在近期历史数据的统计量上。

步骤4：基于模糊规则进行推理

交通工程常将车流模式分为自由流、跟驰流和阻塞流等3种典型的车流模式，从认知角度讲，这三种车流模式与畅通、缓行和拥堵三个词汇粗略对应。自由流指的是车速较大、流量较小，车辆可以自由超车的模式；跟驰流指的是车辆集结成队，以较均匀的车头时距，相近的行进速度，较大的流量行进；阻塞流指的是车辆低速行驶，车流密度较大，但流量小的行进模式。基于交通工程的基本理论和认知习惯，我们给出如下的模糊规则矩阵，如下表1：

表1

注意，表1中的模糊运算符为“and”，例如：

If(速度is小)and(饱和度is小)then(运行状态is拥堵)

在模糊规则的基础上，下面介绍模糊推理方法。事先分别赋予畅通、缓行和拥堵三个常数：100，50，10。然后对于每一组输入数据(速度，饱和度)用如下方法计算每一条规则的强度：

x AND y＝min(truth(x),truth(y))

其中truth(x)表示x的隶属度，min(a,b)表示从a,b中取最小值。在相同输出的规则强度中选择最大的规则强度作为该输出的强度。将3种输出的最大规则强度依次记作：w1(与畅通对应)、w2(与缓行对应)、w3(与拥堵对应)，然后采用加权平均的方法求出输出值(Z)：

步骤5：去模糊化

最终的Z值与100最接近则判定为畅通，与50最接近则判定为缓行，与10最接近则判定为拥堵。

以杭州市“灵溪隧道北出口(隧道口-西溪路)”为实例来展开介绍。图2所示为该路段所在的位置。从空间位置来分析，该道路是一条沟通两个子路网社区的桥梁，同时也是一条路网瓶颈。

数据及统计量：该路段安装了微波雷达传感器，可以测量1分钟断面速度、断面流量和断面车道占有率。由于交通状态估计一般以5分钟为间隔，因此，首先将1分钟的数据归并为5分钟时间间隔的数据，归并的方法是速度求平均值，流量求和，车道占有率求平均值。由于车道占有率的值往往包含较多噪声，本方法不建议使用该变量。图3所示是该路段在2013年8月14日早6：00到晚9：00时间段内的5分钟交通指标的变化趋势图，其它工作日的趋势图与此图基本类似。

下列2张表是2013年8月12日至8月16日的各指标统计量，不难看出，从周一到周五各统计值较为接近。实际上，本月其它工作日的的各指标统计量也大同小异。

表2速度(km/h)，5分钟时间戳统计量

表3流量(车辆数/5分钟)，5分钟时间戳统计量

最大通行能力估计和饱和度计算：从本周数据中找出5分钟最大通行的车辆数，将其看作本路段的最大通行能力。依据表3数据，我们将该路段的最大通行能力估计为157。每5分钟的总流量除以最大通行能力，即计算出饱和度。

估计得到的饱和度值理论上不应该大于1，但由于道路交通的复杂性，估算的饱和度有可能轻微地大于1。如果出现饱和度明显大于1的情况，则有两种可能：原先最大通行能力的估计不够合理，或者道路通行能力发生了实质性的改变，比如绿信比被调高的情况。如果出现饱和度明显大于1的情况，则有必要后台自动地更新最大通行能力的估计值。这一点使得提出的方法具有自学习的能力。

基于统计量自动生成隶属度函数：速度的隶属度函数全部基于统计量生成，参考表2的周平均值，取整后得到如下参数：小[0,0,25,31]，中等[25,31,37]，大：[31,37,60,60]。

饱和度的隶属度函数由经验或者机器学习给出，饱和度值的计算需要依托流量的最大统计值来自适应地计算，比如每个月求一次最大通行能力，相应地下一个月的饱和度值的计算公式将发生变化。按照本文方法，饱和度的隶属度函数为：小[0,0,0.4,0.6]，中等：[0.5,0.6,0.75]，大[0.6,0.75,1,1]。

模糊规则：本实例运用表1给出的规则进行推理。

推理方法：下面以实例给出推理方法。假定某5分钟断面速度的平均值为20.6km/h，5分钟总流量为50辆，断面最大通行能力为157。那么，该路段运行状态是什么？

计算过程和推理方法如下：

a)计算饱和度：B＝50/157＝0.32

b)速度数据模糊化：VS＝1,VM＝0,VL＝0，其中，VS、VM、VL分别表示归属于“速度小”、“速度中等”、“速度大”的隶属度值

c)饱和度数据模糊化：BS＝1,BM＝0,BL＝0，其中BS、BM、BL分别表示归属于“饱和度小”、“饱和度中等”、“饱和度大”的隶属度值

d)用3个常数分别代替运行状态：拥堵(10)，缓行(50)，畅通(100)。

运用9条推理规则分别得到如图6所示的输出结果。其中的推理方法为：在输出结果为“拥堵”的规则1、2的规则强度中选择最大值，即max(1,0)＝1；在输出结果均为“缓行”的规则3、4、5、6、9各自的输出结果中选择最大值，由于这5条规则均输出0，所以输出为“缓行”的强度为max(0,0,0,0,0)＝0；同理，输出结果为“拥堵”的强度为max(0,0)＝0。

e)利用线形平均法得到最终的输出值，即

此外，为了充分展示本文方法的合理性，我们还给出了运行状态为“缓行”和“畅通”的两个例子，参数和推理方法见图7和图8。

去模糊化：图6所示的例子中，由于Z＝10，因此运行状态为“拥堵”。图7中的例子中，Z＝44.6，运行状态与50最接近，可判定为“缓行”。图8所示的例子中，Z＝100，可直接判定为“畅通”。

Claims (4)

1.一种基于微波雷达数据的道路交通状态估计方法，其特征在于：所述估计方法包括以下步骤：

步骤1：统计获取路段最大通行能力并估计饱和度

采用5分钟流量的历史最大值来表达路段的最大通行能力，将估计的路段通行能力记作ECAP；5分钟路段饱和度近似表达为实际通过的车辆数与ECAP的比值，记作B；

步骤2：统计计算各路段5分钟断面速度的均值和标准差

对于某条路段，计算得到的5分钟断面速度均值记作E和标准差记作S，断面速度均值E和标准差S用于设定隶属度函数的参数；

步骤3：为每条路段自动生成个性化的隶属度函数

输入值包括饱和度的估计值B和5分钟断面速度均值均为精确数值，需要首先将这些量进行模糊化操作，模糊化的方法是设计隶属度函数将输入映射为隶属度值，隶属度的取值范围为[0,1]，采用三角形函数或梯形函数作为模糊化方法，并基于历史数据统计量来自动计算隶属度；

步骤4：基于模糊规则进行推理

基于交通工程的基本理论和认知习惯，给出如下的模糊规则矩阵，如下表1：

表1

在模糊规则的基础上，分别赋予畅通、缓行和拥堵三个常数，分别为畅通常数、缓行常数和拥堵常数，然后对于每一组输入数据(速度，饱和度)用如下方法计算每一条规则的强度：

x AND y＝min(truth(x),truth(y))

其中truth(x)表示x的隶属度，min(a,b)表示从a,b中取最小值，在相同输出的规则强度中选择最大的规则强度作为该输出的强度；将3种输出的最大规则强度依次记作：w1、w2、w3，w1与畅通对应，w2与缓行对应的，w3与拥堵对应，然后采用加权平均的方法求出输出值Z：

$Z=\frac{w1*100+w2*50+w3*10}{w1+w2+w3}$

步骤5：去模糊化

最终的Z值与畅通常数最接近则判定为畅通，与缓行常数最接近则判定为缓行，与拥堵常数最接近则判定为拥堵。

2.如权利要求1所述的一种基于微波雷达数据的道路交通状态估计方法，其特征在于：所述步骤2中，统计周期以周或者月为单位，每天的有效时段限制在早6：00到晚9：00，每5分钟对应一个断面速度值。

3.如权利要求1或2所述的一种基于微波雷达数据的道路交通状态估计方法，其特征在于：所述步骤3中，梯形函数用4个顶点的输入值来表示。

4.如权利要求1或2所述的一种基于微波雷达数据的道路交通状态估计方法，其特征在于：所述步骤3中，三角形函数用3个顶点的输入值来表示。