CN103680127A - 一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法 - Google Patents

Abstract

本发明公开了一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法，所述方法包括：原始轨迹数据预处理；提取浮动车通过各信号灯控制道路交叉口的通行轨迹片段并进行转向标识；分别针对单个浮动车通行轨迹片段进行延误计算，构建所有交叉口延误估算数据集；判断延误估算数据集规模与分布特征；根据分布特征采用不同模型计算交叉口延误，形成所有交叉口延误时序结果集。利用本发明可实现从低采样率轨迹数据中提取城市交叉口时间延误，有效弥补传统交叉口延误机理模型参数难以获取的缺陷，该方法可为城市出行信息平台、动态导航提供一种重要数据源，可应用于实时导航与位置服务系统、交通信息服务网站、交通规划管理与应急预案等。

Description

一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法

技术领域

本发明涉及移动位置服务、城市交通、移动互联网络技术，具体涉及一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法。 

背景技术

交叉口延误是交通工程学与交通地理信息系统领域的研究热点，对交通管理或出行信息服务至关重要。交叉口组织管理与控制优化是缓解现代城市交通拥堵，提高人们出行效率的主要手段之一。据北京市浮动车轨迹数据统计发现，对于城市日间出行过程，城市道路交叉口延误时间平均占出行时间的50％以上。准确计算交叉口延误可以辅助优化交叉口信号灯配时，提高交叉口通行能力，另一方面，掌握交叉口延误的时序变化规律可以辅助交通规划，提高交通管理与控制水平。此外，目前的导航系统和地图网站应用服务平台，出行路径规划算法基本上是以道路等级和长度作为依据来计算出行时间，提供出行路径规划参考结果，鲜有考虑实时路况，即使某些实验产品考虑了道路拥堵信息，也完全没有考虑道路交叉口延误。这使得几乎所有的导航产品和地图服务网站所给出的城市出行路径规划结果与出行实际体验很难相符，可用性大打折扣。如果获取了准确的交叉口延误信息，就可以得到更为准确的行程时间规划结果，提高导航系统、出行信息服务、在线地图及基于位置的服务(LBS)等的质量和可用性。 

然后，准确计算交叉口延误存在很多难点，主要原因在于道路交叉口延误的影响因素众多，如时间特征、转向类型、交叉口信号灯设置等。例如，同一个道路交叉口同一转向，早晚高峰期间交叉口延误与普通时段的交叉口延误可能差别很大；同一交叉口同一时段，不同的转向类型交叉口延误差别也很大；城市交叉口延误还可能受到职住分离等社会因素造成的交通潮汐现象的影响。鉴于交叉口延误的重要性，国内外研究学者进行过许多相关研究并提出了重要的机理模型，常用的交叉口延误计算模型有：Webster信号交叉口延误模型、HCM延误模型、心理延迟模型、基于排队论的交叉口耗费模型等。这些模型多属于理论模型的推导，在计算过程中需要考虑绿信比、饱和流量、饱和度、信号周 期等多种参数，而且受交通流量的影响比较大，计算的准确度不高。 

近年来定位技术(如GPS、RFID等)及网络技术(如移动互联网、车联网及物联网等)不断发展，移动终端迅速普及，实时获取海量的真实的移动对象出行轨迹数据成为现实，基于浮动车数据(floating car data)的城市主要道路实时路况采集系统已经得到了普及应用。同时，浮动车轨迹数据的出现也为交叉口延误的准确计算提供了数据驱动的可能解决方案。虽然浮动车轨迹数据可以用于交叉口延误计算，但是基于浮动车轨迹数据构建交叉口延误计算模型存在以下难点：(1)数据稀疏性问题：城市道路网络层次和密度不均衡性导致了路网中浮动车分布的异质性，而且以出租车为主的浮动车空间覆盖范围有限，势必带来浮动车数据稀疏问题。利用稀疏的浮动车数据进行交叉口延误计算是尚未解决的技术问题；(2)数据质量问题：受制于城市建筑密度、交通环境、电磁干扰、设备故障、移动通讯网络覆盖和运营成本的影响，浮动车上装载的GPS传感器不能保证时刻获取精确的高采样率的定位结果并进行实时传输，对浮动车轨迹数据质量产生影响。这些问题的存在使得虽然基于浮动车的城市道路实时路况发布已经普及，但目前还完全没有城市道路交叉口延误实时产品出现。 

为此，本专利针对上述问题，提出一种利用低采样率浮动车轨迹数据计算交叉口延误的方法。该方法通过引入主曲线插值理论，通过获取周围相邻时段的浮动车轨迹数据并进行合理插值，弥补浮动车轨迹数据稀疏或缺失的不足，从而实现利用低采样率浮动车轨迹数据计算交叉口延误的方法。 

发明内容

本发明的技术解决问题是：提出一种利用低采样率浮动车数据计算交叉口延误的方法，克服低采样率浮动车数据计算交叉口延误时的数据稀疏或缺失问题，实现从低采样率的浮动车轨迹数据中提取城市信号灯控制交叉口不同时间间隔内不同转向的通行时间延误，有效弥补传统的交叉口延误机理模型参数难以获取的缺陷，进而提高交叉口延误计算的准确度。 

本发明的技术解决方案为： 

获取低采样率浮动车原始轨迹数据，对数据进行存储和预处理； 

提取浮动车通过各交叉口的通行轨迹片段，并进行转向特征标识(左转、右转和直行)，构建浮动车交叉口转向记录数据集W； 

对浮动车交叉口转向记录数据集W进行转向延误计算，构建不同转向交叉 口延误估算数据集V； 

判断交叉口延误估算数据集V的数据规模及分布是否满足计算需求； 

如果满足计算需求，则直接利用平均值模型计算每一交叉口的不同时段不同转向的通行延误； 

如果不满足计算需求，则先利用主曲线模型对交叉口延误数据V进行时序插值，修正交叉口延误估算数据集V’，然后基于平均值模型统一计算每一交叉口的不同时段不同转向的通行延误； 

存储基于低采样率浮动车轨迹数据的交叉口延误时序结果集TD； 

优选地，所述原始轨迹数据存储与预处理包括： 

海量浮动车原始轨迹数据存储方式可以采用关系型数据库(如Oracle、MySQL及PostgreSQL等)，也可以采用NoSQL数据库(如MongoDB、CouchDB、HBase等)进行数据逻辑存储与管理； 

海量浮动车原始轨迹数据预处理可以采用集中式高性能处理(如CUDA、MPI等)，也可以采用分布式集群方式(如MapReduce、BSP等)进行数据分布式处理。 

优选地，所述浮动车交叉口通行轨迹片段提取，构建交叉口转向记录数据集W包括： 

构建道路网络空间索引(如R树、R*树等)； 

构建海量浮动车轨迹数据索引(如TB树、TPR树等)； 

在构建索引的道路网络中对具有索引的浮动车轨迹数据进行地图匹配； 

提取单条轨迹交叉口标识及通行轨迹片段； 

交叉口处浮动车的左转、右转、直行标识。 

优选地，所述构建交叉口延误估算数据集V包括： 

对交叉口转向记录数据集W按照交叉口进行汇总，获取每一交叉口处所有浮动车的转向记录； 

设置交叉口空间阈值ε，并计算所有浮动车在每一交叉口处每一转向的时间延误数据，构建不同转向的交叉口延误估算数据集V； 

优选地，所述步骤交叉口延误估算数据集V是否满足计算需求包括： 

采用时间窗口范围T和交叉口处浮动车转向记录数量N是否满足预先设定阈值来判断是否达到计算需求。其中，N由满足小样本正态分布检验方法Lilliefors Test的交叉口处浮动车转向记录数量确定。 

优选地，所述利用主曲线模型对交叉口延误数据进行时序插值包括： 

从交叉口延误估算数据集V中获取交叉口相邻时段相同转向的交叉口延误估算数据； 

设置交叉口延误数据集V的均值线f^j(λ)为初始曲线，λ代表曲线上的每一点，j为当前迭代步骤； 

计算V中每个浮动车转向记录turndelayest_i在主曲线上的投影：  ${\mathrm{\λ}}_{f^j}\left(\mathrm{tdest}\right)=\sup \{\mathrm{\λ}:||\mathrm{tdest}-f\left(\mathrm{tdest}\right)||={\inf }_{\mathrm{\τ}}||\mathrm{tdest}-f\left(\mathrm{\τ}\right)|\left|\right\},$ 其中，f(τ)代表曲线f上投影至该点的所有数据点，turndelayest_i简写为tdest_i； 

基于主曲线自相合特征，计算f上每一点下一步的迭代值：  ${\text{f}}^{(j+1)}\left(\mathrm{\λ}\right)=E\left(\mathrm{tdest}\right|{\mathrm{\λ}}_{f^j}\left(\mathrm{tdest}\right)=\mathrm{\λ});$

如果

则循环停止，否则，令j＝j+1，继续计算每个转向记录tdest_i在主曲线f上的投影。一般地，ε∈[0.01，0.001]。 

本发明与现有技术相比的优点在于：本发明通过主曲线模型对交叉口延误估算数据进行时序插值，在不具备高采样率浮动车数据的情况下，或者在浮动车数据缺失的情况下，能够有效地提取城市信号灯控制道路交叉口处的不同时间窗口内的不同转向的延误数据，从而为城市出行信息平台、动态导航和城市交通规划提供一种重要数据源。 

附图说明

图1为本发明实施例利用低采样率浮动车数据计算交叉口延误方法流程图 

图2为本发明实施例案例实施方式流程图 

图3为本发明实施例案例主曲线模型时序插值示意图 

图4为本发明实施例案例全天浮动车数据拟合图 

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。 

如图1所示，本发明实施例利用低采样率浮动车数据计算交叉口延误方法流程图，包括以下步骤： 

步骤101，获取低采样率浮动车原始轨迹数据； 

步骤102，对原始轨迹数据进行存储和预处理； 

步骤103，提取浮动车通过各交叉口的通行轨迹片段，并进行转向特征(左转、右转及直行)标识，构建浮动车交叉口转向记录数据集W； 

步骤104，对浮动车交叉口转向记录数据集W进行转向延误计算，构建不同转向交叉口延误估算数据集V； 

步骤105，判断交叉口延误估算数据集V的数据规模及分布是否满足计算需求，如果满足计算需求，则转入步骤107，如果不满足计算需求，则转入步骤106； 

步骤106，利用主曲线模型对交叉口延误数据V进行时序插值，修正交叉口延误估算数据集V’； 

步骤107，基于平均值模型统一计算每一交叉口的不同时段不同转向的通行延误； 

步骤108，存储基于低采样率浮动车轨迹数据的交叉口延误时序结果集TD。 

下面进一步以北京市道路网及真实浮动车数据举例详细说明本发明实施例的实际应用过程。 

如图2所示，为本发明低采样率浮动车数据计算交叉口延误方法实施例案例实施方式流程图。本实施例在以本实施方式为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例，本实施例的具体过程包括以下的步骤： 

步骤201，获取低采样率浮动车原始轨迹数据集D_fcd及相关的北京市路网数据集D_road，具体数据格式为：(1)北京市城市路网数据集D_road，且D_road＝{road₁，road₂，...，road_p}，其中road＝{segment，node}，其中，segment＝{rs₁，rs₂，...，rs_m}，表示道路中路段的集合，node＝{(node₁，node₂，...，node_n)|node_i＝(lat_i，lon_i)，lat_i，lon_i∈R}，表示道路中交叉口的集合，则，一个路段可以表示为，rs_i＝{(node_i，node_i+1)|node_i，node_i+1∈node}。(2)浮动车轨迹数据集D_fcd，且D_fcd＝{traj₁，traj₂，...，traj_q}，traj＝{gpsfile₁，gpsfile₂，...，gpsfile_n}，其中，gpsfile_i＝{pt₁，pt₂，...，pt_n}，其中，n是集合中GPS点的数目，pt_i是第i个GPS点，可用一个三元组表示，即，pt_i＝{lat_i，lon_i，timestamp_i}，表示在某一时刻浮动车精确的经纬度。D_fcd 可以根据需要采用gpx、kml、plt和log等格式。 

步骤202，实现对海量原始轨迹数据分布式存储，在该实施例案例中采用的数据库为MongoDB集群，实现通过非结构化方式进行数据的逻辑存储与管理。在实际的存储方案中采用了数据库的自动分片策略，分布式集群处理模型采用MapReduce模型，从而实现利用分布式计算环境和存储结构进行浮动车轨迹数据的物理存储与处理。北京市道路路网数据采用SHP文件格式进行存储。 

步骤203，浮动车原始轨迹数据的预处理，具体包括：(1)坐标转换，确保精度在一定标准差内的前提下，根据原始坐标系和目标坐标系之间的对应关系，利用坐标转换模型，依据解算出的对应坐标转换参数，对所有GPS日志文件中的经度和纬度数据进行统一坐标转换。(2)时间过滤，首先提取浮动车轨迹数据中的浮动车的唯一标识生成主键，识别出每一浮动车的运行轨迹记录，然后通过设定时间间隔阈值，过滤掉浮动车空载状况下处于静止状态的轨迹记录。(3)地图匹配，在考虑道路网络的空间几何形状和拓扑结构的同时，根据道路级别、类型和限速设置等因子，合理设定不同道路网络环境下的浮动车车速阈值，以浮动车的唯一标识作为主键，采用模式识别算法对道路网络中的每一浮动车的轨迹数据片段进行地图匹配，获取与道路路网高精度匹配的浮动车轨迹记录数据集 

步骤204，提取浮动车交叉口通行轨迹片段，构建浮动车交叉口转向记录数据集W，主要包括(1)交叉口识别，空间范围阈值ε定义为以道路交叉点为圆心，r为半径的圆形范围，以交叉口唯一标识作为主键id，遍历道路网络中的每一个交叉口，在D_fcd数据集内提取浮动车在交叉口范围内的通行轨迹记录数据，用fid表示浮动车经过交叉口时的上游路段标识，tid表示浮动车经过交叉口时的下游路段标识，构建浮动车交叉口转向记录数据集Trajturn＝{trajturn₁，trajturn₂，...，trajturn_m}，其中，m是数据集中的浮动车交叉口转向记录数目。(2)交叉口转向标识判断，以交叉口唯一标识作为主键id，在Trajturn中分别提取出每一交叉口id处所有浮动车的转向记录集合W＝{riresult₁，riresult₂，...，riresult_n}，其中，n是数据集Trajturn中交叉口的数目，riresult_i是通过第i个交叉口的所有浮动车转向记录集合，即，riresult_i＝{riresult_i1，riresult_i2，...，riresult_im}，m是通过第i个交叉口的浮动车转向记录数目。通过空间分析方法在riresult_i中判断第i个交叉口处每一浮动车的左转、右转和直行状态，在W中建立浮动车转向标识，即，用ttp表示浮动车转向类别，其中，1代表左转，2代 表右转，3代表直行。 

步骤205，构建交叉口延误估算数据集V，遍历交叉口转向记录数据集W，设定交叉口空间阈值，在riresult_i中计算第i个交叉口处每一浮动车各转向的时间延误数据，用tdest表示交叉口延误估算值，遍历所有交叉口，构建不同转向的交叉口延误估算数据集Turndelayest＝{turndelayest₁，turndelayest₂，...，turndelayest_n}，其中，n是交叉口数目，turndelayest_i是第i个交叉口的各转向时间延误数据集合，turndelayest_i＝{turndelayest_i1，turndelayest_i2，...，turndelayest_im}，m是通过交叉口空间阈值范围内第i个的浮动车转向记录数目。 

步骤206，判断交叉口延误估算数据集V是否满足计算需求，具体计算需求采用时间窗口范围T与交叉口浮动车转向记录数量N。在该实施例案例中，设定T＝15分钟，采用小样本正态分布检验方法Lilliefors Test，设定p＝0.05，即，置信度＝95％，则满足正态分布检验的需要记录数量阈值N＝10。如果满足计算需求，转向步骤208，否则转入步骤207。 

步骤207，利用主曲线插值模型对交叉口延误数据集V进行时序插值，修正得到延误估算数据集V’，主要步骤为： 

1)初始化。f^j(λ)代表初始曲线，其中λ代表曲线上的每一点，j为当前迭代步骤，j＝0。对于高维数据可以将f设置为数据集的第一主成分线。对于交叉口延误数据集V这种一维时间序列，设置V的均值线初始化f。 

2)投影步。对V中所有的turndelayest_i(简写为tdest_i)，计算每个转向记录在主曲线上的投影： 

${\mathrm{\λ}}_{f^j}\left(\mathrm{tdest}\right)=\sup \{\mathrm{\λ}:||\mathrm{tdest}-f\left(\mathrm{tdest}\right)||={\inf }_{\mathrm{\τ}}||\mathrm{tdest}-f\left(\mathrm{\τ}\right)|\left|\right\}$

其中f(τ)代表曲线f上投影至该点的所有数据点。 

3)期望步。基于主曲线特有的自相合特征，计算曲线上每一点的下一步的迭代值： 

${\text{f}}^{(j+1)}\left(\mathrm{\λ}\right)=E\left(\mathrm{tdest}\right|{\mathrm{\λ}}_{f^j}\left(\mathrm{tdest}\right)=\mathrm{\λ})$

曲线上每一点的投影即为投影至该点所有数据点的均值。 

4)修正步。如果

则循环停止，否则，令j＝j+1，跳转至第二步。一般地，ε∈[0.01，0.001]。 

交叉口延误主曲线f生成步骤中，若设置ε＝0.01，选取通过某一交叉口处某一天内所有交叉口转向记录，形成交叉口id处延误估算数据集，利用上述步骤1)-4)生成一条通过交叉口id处延误估算数据分布的“中间”并满足“自相合”的光滑一维曲线，对交叉口id延误估算数据进行时序插值，在有效过滤异常数据的同时，可有效解决数据缺失和数据稀疏问题，其结果如图3所示。 

具体而言，以北京市朝外大街到工体东路这一交叉口为例，利用上述交叉口延误主曲线f生成步骤对2011年6月6日通过交叉口的全天24小时延误估算数据进行时序插值，ttp＝1时(左转)，其时序插值结果如图4所示。结果证明，主曲线插值后的延误数据的RMSE最优，RMSE＝64.2244，而通过均值和中值进行插值，RMSE分别为72.3482和69.2885。 

步骤208，利用平均值模型计算交叉口转向延误，利用平均值模型计算交叉口id的时间窗口t内的各个转向的通行延误值，用td表示，即，采用公式(1)在时间窗口t内计算交叉口id处各转向的时间延误估算数据tdest的算术平均值。 

$\mathrm{td}=\frac{{\mathrm{\Σ}}_{i=1}^n{\mathrm{tdest}}_i}{n}---\left(1\right)$

其中，n为时间窗口t内交叉口id处的某一转向的浮动车转向记录数目。 

步骤209，汇总交叉口延误数据得到交叉口延误时序结果集TD，且，TD＝{Turndelay₁，Turndelay₂，...，Turndelay_k}，其中，Turndelay_i＝{id，fid，tid，ttp，tiid，td}，其中，id表示交叉口唯一标识，fid表示浮动车经过交叉口时的上游路段标识，tid表示浮动车经过交叉口时的下游路段标识，ttp表示浮动车转向类别，tiid表示时间间隔编码序列，td表示交叉口延误值。 

可见，本发明实施例一种利用低采样率浮动车数据计算交叉口延误的方法，可以解决基于浮动车数据交叉口延误计算模型所面临的数据稀疏性问题，为交叉口延误计算提供一种新的计算方案。本发明可以直接应用于动态交通信息的发布，服务于地图网站系统、公共出行信息平台和移动位置服务。 

需要说明的是，本发明实施例的方法适用于所有城市道路网络信号灯控制 交叉口延误计算过程；本发明不限制具体的城市范围及具体的浮动车数据提供商；本发明中不只局限于具体实施方式中所采用的主曲线插值模型。 

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如：ROM/RAM、磁碟、光盘等。 

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。 

Claims (5)

1.一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法，其特征在于，步骤包括： 

(1)获取低采样率浮动车原始轨迹数据，对数据进行存储和预处理； 

(2)提取浮动车通过各交叉口的通行轨迹片段，并进行转向特征标识，构建浮动车交叉口转向记录数据集W； 

(3)对浮动车交叉口转向记录数据集W进行转向延误计算，构建不同转向交叉口延误估算数据集V； 

(4)判断交叉口延误估算数据集V的数据规模及分布是否满足计算需求； 

(5)如果满足计算需求，则直接利用平均值模型计算每一交叉口的不同时段不同转向的通行延误； 

如果不满足计算需求，则先利用主曲线模型对交叉口延误数据V进行时序插值，修正交叉口延误估算数据集V’，然后基于平均值模型统一计算每一交叉口的不同时段不同转向的通行延误； 

(6)存储基于低采样率浮动车轨迹数据的交叉口延误时序结果集TD。 

2.根据权利要求1所述的方法，其特征在于，所述提取浮动车通过各交叉口的通行轨迹片段，并进行转向特征标识，构建浮动车交叉口转向记录数据集W包括： 

构建道路网络空间索引； 

构建海量浮动车轨迹数据索引； 

在构建索引的道路网络中对具有索引的浮动车轨迹数据进行地图匹配； 

提取单条轨迹交叉口标识及通行轨迹片段； 

交叉口处浮动车的左转、右转、直行标识。 

3.根据权利要求1所述的方法，其特征在于，所述构建交叉口延误估算数据集V包括： 

对交叉口转向记录数据集W按照交叉口进行汇总，获取每一交叉口处所有浮动车的转向记录； 

设置交叉口空间阈值ε，并计算所有浮动车在每一交叉口处每一转向的时间延误数据，构建不同转向的交叉口延误估算数据集V。 

4.根据权利要求1所述的方法，其特征在于，所述步骤交叉口延误估算数据集V是否满足计算需求包括： 

采用时间窗口范围T和交叉口处浮动车转向记录数量N是否满足预先设定 阈值来判断是否达到计算需求。其中，N由满足小样本正态分布检验方法Lilliefors Test的交叉口处浮动车转向记录数量确定。 

5.根据权利要求1所述的方法，其特征在于，所述利用主曲线模型对交叉口延误数据进行时序插值包括： 

从交叉口延误估算数据集V中获取交叉口相邻时段相同转向的交叉口延误估算数据； 

设置交叉口延误数据集V的均值线f^j(λ)为初始曲线，λ代表曲线上的每一点，j为当前迭代步骤； 

计算V中每条浮动车转向记录turndelayest_i在主曲线上的投影： 

其中，f(τ)代表曲线f上投影至该点的所有数据点，turndelayest_i简写为tdest_i； 

基于主曲线自相合特征，计算f上每一点下一步的迭代值： 

如果

则循环停止，否则，令j＝j+1，继续计算每个转向记录tdest_i在主曲线f上的投影。一般地，ε∈[0.01，0.001]。 

Images