CN104679984A - 基于卡尔曼滤波法的城市道路与交叉口评价方法 - Google Patents

Abstract

本发明涉及一种基于卡尔曼滤波法的城市道路与交叉口评价方法，包括以下步骤：1)获取浮动车反馈的实时状态信息，计算浮动车平均停车次数；2)根据道路信息及浮动车平均停车次数建立卡尔曼滤波器的状态方程与测量方程；3)采用步骤2)的卡尔曼滤波器进行迭代计算，获得稳定的最优值，即所有车平均停车次数的估算值；4)根据所有车平均停车次数的估算值评价城市道路与交叉口。与现有技术相比，本发明具有准确性高、高效实时等优点。

Description

基于卡尔曼滤波法的城市道路与交叉口评价方法

技术领域

本发明涉及基于浮动车数据采集、处理的城市道路与交叉口评价技术领域，尤其是涉及一种基于卡尔曼滤波法的城市道路与交叉口评价方法。

背景技术

当前交叉口停车次数的计算多借助于线圈数据，利用传统方法，凭靠流量、周期、绿性比来估算停车次数。但是，这种方法假设车辆均匀到达，与实际情况不符，容易造成比较大的误差。

现如今，越来越多的城市机动车装上了全球定位系统，成为浮动车，能够实时反馈出车辆所处位置、所处时刻以及速度等各种行驶信息。当浮动车足够多时，这些实时信息能够直接用来评价城市道路和交叉口，用以识别城市道路与交叉口的好坏。而在浮动车流量不够多的当下，如何利用浮动车数据来评价交叉口的实时状况对于更好地管理城市道路、促进城市发展，有着一定积极意义与作用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确性高、高效实时的基于卡尔曼滤波法的城市道路与交叉口评价方法。

本发明的目的可以通过以下技术方案来实现：

一种基于卡尔曼滤波法的城市道路与交叉口评价方法，包括以下步骤：

1)获取浮动车反馈的实时状态信息，计算浮动车平均停车次数；

2)根据道路信息及浮动车平均停车次数建立卡尔曼滤波器的状态方程与测量方程；

3)采用步骤2)的卡尔曼滤波器进行迭代计算，获得稳定的最优值，即所有车平均停车次数的估算值；

4)根据所有车平均停车次数的估算值评价城市道路与交叉口。

所述步骤1)中，实时状态信息包括浮动车行驶位置、时间和速度信息。

所述步骤1)中，计算浮动车平均停车次数具体为：

101)通过以下公式计算浮动车的距离临界值L：

L＝L₁+L₂+ψ

$L_1=0.5\×a_a\×t_1^2+0.5\×a_d\×t_2^2$

$L_2=\left\{\begin{array}{cc}(t^{\′}-t_2-t_1)\×\stackrel{\‾}{v},& t^{\′}>t_1+t_2\\ 0,& t^{\′}\≤t_1+t_2\end{array}\right.$

其中，ψ表示为误差调整值，a_a、a_d分别表示浮动车加速度与减速度，t₁、t₂分别表示车辆刚好停车便启动时的减速时间与加速时间，t′表示连续两个时刻的时间差。

102)根据距离临界值判断浮动车是否停车，从而获得浮动车平均停车次数。

所述根据距离临界值判断浮动车是否停车具体为：

判断某连续两个时刻行驶的距离小于距离临界值，若是，则浮动车有停车行为，若否，则无停车行为。

所述道路信息包括进口道流量、车道数、浮动车到达量和浮动车比例。

所述步骤2)具体为：

201)计算卡尔曼滤波器测量方程的初始方差值：

$R=860300\·\mathrm{ex}{p}^{(-{((q_f+0.114)/0.03023)}^2)}$

其中，q_f表示浮动车到达量；

202)计算卡尔曼滤波器状态方程：

s_i,k＝a·s_i,k-1+b·q_i,k-1·ρ_i+w_k

其中，a表示状态转移系数，b表示流量系数，q_i,k-1表示卡尔曼滤波第k-1次迭代时i进口道流量，s_i,k、s_i,k-1分别表示第k、k-1次迭代时i进口道的所有车平均停车次数，ρ_i表示i进口道的浮动车比例，w_k表示第k次迭代时的状态方程误差；

203)计算卡尔曼滤波器测量方程：

z_i,k＝s_i,k+v_k

其中，z_i,k表示第k次迭代i进口道的浮动车平均停车次数，v_k为第k次迭代时的测量方程误差，v_k＝R。

与现有技术相比，本发明具有以下优点：

(1)本发明采用距离临界值方式，既可以得到浮动车在红灯时的停车次数，也可以得到浮动车在绿初因排队未消散而引入的新的停车，能够得到十分准确的浮动车停车次数，有效地规避了直接用浮动车速度为判别浮动车状态方法的弊病，能够得到包括绿初时间在内的浮动车停车次数。

(2)本发明结合卡尔曼滤波器，利用仿真得到的进口道所有车平均停车次数与浮动车平均停车次数之间的相互关系，修正了卡尔曼滤波器，能够准确利用浮动车数据估算所有车平均停车次数，从而为城市道路与交叉口的评价提供有力依据。

(3)本发明在估算停车次数时，不仅能在高比例浮动车的条件下获取精确地估算值，同时还能够适应较低比例浮动车的情况，获取较准确地估算值，具有高效性和实时性。

附图说明

图1为本发明浮动车停车判断原理示意图；

图2为本发明卡尔曼滤波器迭代计算过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，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。

本发明先通过计算行驶距离临界值确定浮动车是否停车，如图1所示，由此得到浮动车平均停车次数，然后开始卡尔曼波优化过程。设定初始的所有车平均停车次数，由浮动车平均停车次数、这一状态(当前状态)的卡尔曼增益、状态方程与测量方程的协方差得到这一状态的最优估计值，再由这一状态的最优估计值作为基础值重复上述过程，直至得到最优的所有车平均停车次数估计值，如图2所示。本方法具体包括以下步骤：

1)在进口道获取浮动车反馈的实时状态信息，包括浮动车行驶位置、时间和速度信息等，计算各进口道的浮动车平均停车次数。

在交叉口处，通过当前时刻与上一时刻浮动车的位置信息能够获得浮动车所行驶的距离，通过当前时刻与上一时刻的时间信息获得浮动车行驶的时间。浮动车行驶时，如果需要停车，则车辆需要经历一个“减速-停车-加速”过程。而当浮动车进行这个过程时，刚刚减速至0，便加速行驶通过交叉口时，就称对应前后两个时刻浮动车行驶距离为距离临界值。若浮动车有停车行为，则在某连续两个时刻行驶的距离应小于一个临界值；若浮动车没有停车行为，则在任何连续两个时刻行驶的距离均会大于该临界值。根据距离临界值判断浮动车是否停车，即可获得一段时间内浮动车平均停车次数。

而行驶距离临界值可通过前后两个时刻的速度以及车辆的加减速度计算得到。如图1所示，对于该距离临界值的计算简化参数的公式如下：

1、图1中t₁计算公式为：

$t_1=\min (\stackrel{\‾}{v},v_k)/a_a---\left(1\right)$

2、图1中t₂计算公式为：

$t_2=\min (\stackrel{\‾}{v},v_{k+1})/a_d---\left(2\right)$

3、连续两个时刻时间差：

t′＝t_k+1-t_k           (3)

4、连续两个时刻内“减速-停车-加速”过程行驶距离：

$L_1=0.5\×a_a\×t_1^2+0.5\×a_d\×t_2^2---\left(4\right)$

5、连续两个时刻内平均速度行驶距离：

$L_2=\left\{\begin{array}{cc}(t^{\′}-t_2-t_1)\×\stackrel{\‾}{v},& t^{\′}>t_1+t_2\\ 0,& t^{\′}\≤t_1+t_2\end{array}\right.---\left(5\right)$

6、连续两个时刻距离临界值：

L＝L₁+L₂+ψ            (6)

上述公式中，ψ表示为误差调整值，v_k为浮动车在状态k的速度，v为浮动车的平均速度，a_a、a_d分别表示浮动车加速度与减速度，t₁、t₂分别表示车辆刚好停车便启动时的减速时间与加速时间，t′表示连续两个时刻的时间差。

2)获取道路信息包括进口道流量、车道数、浮动车到达量和浮动车比例(可通过浮动车到达量与进口道流量之比求得)等，通过上述实测数据或仿真数据即可确定该卡尔曼滤波器的状态方程与测量方程，同时确认状态方程方差。测量方程的初始方差由浮动车流量计算得到，以减少迭代次数，增加优化可靠性。

通过上述建立的计算平均停车次数的卡尔曼滤波器进行迭代优化计算，迭代最后得到一个稳定的最优值，即浮动车平均停车次数的估算值。在进行迭代优化计算时，初始所有车平均停车次数可为任意值，为了减少迭代次数一般可取0或者1。在浮动车比例较高时，本发明方法所得计算值以及浮动车平均停车次数均与实际的平均停车次数接近，而当浮动车比例较低时，浮动车停车次数会渐渐偏离实际平均停车次数，该方法计算得到的估算值更接近实际值。

上述计算平均停车次数的卡尔曼滤波器的模型具体为：

1、浮动车数据计算平均停车次数的卡尔曼滤波器测量方程的初始方差值：

$R=860300\·\mathrm{ex}{p}^{(-{((q_f+0.114)/0.03023)}^2)}---\left(7\right)$

其中，q_f表示浮动车到达量。

2、浮动车数据计算平均停车次数的卡尔曼滤波器状态方程：

s_i,k＝a·s_i,k-1+b·q_i,k-1·ρ_i+w_k          (8)

其中，a表示状态转移系数，b表示流量系数，q_i,k-1表示卡尔曼滤波第k-1次迭代时i进口道流量，s_i,k、s_i,k-1分别表示第k、k-1次迭代时i进口道的所有车平均停车次数，ρ_i表示i进口道的浮动车比例，w_k表示第k次迭代时的状态方程误差。

状态方程误差的计算需要通过交通仿真数据得到相应n小时内所有车平均停车次数，并利用这几小时所有车平均停车次数计算：

$w_k=1/n\·\mathrm{\Σ}(s_j-\stackrel{\‾}{s})$

其中，s_j为交通仿真数据得到的第j小时的所有车平均停车次数，为仿真总时间的所有车平均停车次数。

3、浮动车数据计算平均停车次数的卡尔曼滤波器测量方程：

z_i,k＝s_i,k+v_k           (9)

其中，z_i,k表示第k次迭代i进口道的浮动车平均停车次数_，v_k为第k次迭代时的测量方程误差，v_k＝R。

3)根据浮动车平均停车次数的估算值评价城市道路与交叉口。

以上海市鲁班路-徐家汇路交叉口东进口2号进口道为例对本发明进行说明。

第一步，通过获取浮动车时间、位置、速度等信息，计算距离临界值，由此获得浮动车的平均停车次数为0.7241，同时利用线圈获得机动车流量和浮动车流量以此获得浮动车比例为6.0％；

第二步，浮动车到达量为0.00722veh/s，由表达式7获取测量方程的初始方差值R为0.096，并通过仿真数据(或历史数据)得到所研究进口道的状态方程为s_i,k＝1.011·s_i,k-1+5.056*10^-6·q_i,k-1·ρ_i+w_k，测量方程为z_i,k＝s_i,k+v_k以及状态方程误差为0.004；

第三步，借助于已有本发明中卡尔曼滤波器，设定初始值为1.0，迭代次数为50次，通过不断地迭代优化，得到最优平均停车次数估计值为0.6847。

对比实际结果0.6623，可发现利用本发明计算得到平均停车次数估计值误差为3.4％，比直接用浮动车平均停车次数更接近于实际值，具有较好的准确性和实时性，为城市道路与交叉口的评价提供有力依据，提高评价结果的准确性。

Claims (6)

1.一种基于卡尔曼滤波法的城市道路与交叉口评价方法，其特征在于，包括以下步骤：

1)获取浮动车反馈的实时状态信息，计算浮动车平均停车次数；

2)根据道路信息及浮动车平均停车次数建立卡尔曼滤波器的状态方程与测量方程；

3)采用步骤2)的卡尔曼滤波器进行迭代计算，获得稳定的最优值，即所有车平均停车次数的估算值；

4)根据所有车平均停车次数的估算值评价城市道路与交叉口。

2.根据权利要求1所述的基于卡尔曼滤波法的城市道路与交叉口评价方法，其特征在于，所述步骤1)中，实时状态信息包括浮动车行驶位置、时间和速度信息。

3.根据权利要求2所述的基于卡尔曼滤波法的城市道路与交叉口评价方法，其特征在于，所述步骤1)中，计算浮动车平均停车次数具体为：

101)通过以下公式计算浮动车的距离临界值L：

L＝L₁+L₂+ψ

$L_1=0.5\×a_a\×t_1^2+0.5\×a_d\×t_2^2$

$L_2=\left\{\begin{array}{cc}(t^{\′}-t_2-t_1)\×\stackrel{\‾}{v},& t^{\′}>t_1+t_2\\ 0,& t^{\′}\≤t_1+t_2\end{array}\right.$

其中，ψ表示为误差调整值，a_a、a_d分别表示浮动车加速度与减速度，t₁、t₂分别表示车辆刚好停车便启动时的减速时间与加速时间，t′表示连续两个时刻的时间差。

102)根据距离临界值判断浮动车是否停车，从而获得浮动车平均停车次数。

4.根据权利要求3所述的基于卡尔曼滤波法的城市道路与交叉口评价方法，其特征在于，所述根据距离临界值判断浮动车是否停车具体为：

判断某连续两个时刻行驶的距离小于距离临界值，若是，则浮动车有停车行为，若否，则无停车行为。

5.根据权利要求1所述的基于卡尔曼滤波法的城市道路与交叉口评价方法，其特征在于，所述道路信息包括进口道流量、车道数、浮动车到达量和浮动车比例。

6.根据权利要求5所述的基于卡尔曼滤波法的城市道路与交叉口评价方法，其特征在于，所述步骤2)具体为：

201)计算卡尔曼滤波器测量方程的初始方差值：

$R=860300\·{\exp }^{(-{((q_f+0.114)/0.03023)}^2)}$

其中，q_f表示浮动车到达量；

202)计算卡尔曼滤波器状态方程：

s_i,k＝a·s_i,k-1+b·q_i,k-1·ρ_i+w_k

其中，a表示状态转移系数，b表示流量系数，q_i,k-1表示卡尔曼滤波第k-1次迭代时i进口道流量，s_i,k、s_i,k-1分别表示第k、k-1次迭代时i进口道的所有车平均停车次数，ρ_i表示i进口道的浮动车比例，w_k表示第k次迭代时的状态方程误差；

203)计算卡尔曼滤波器测量方程：

z_i,k＝s_i,k+v_k

其中，z_i,k表示第k次迭代i进口道的浮动车平均停车次数，v_k为第k次迭代时的测量方程误差，v_k＝R。