CN104699956A - 一种基于移动终端的干线绿波协调效果评估方法 - Google Patents

Abstract

本发明涉及一种基于移动终端的干线绿波协调控制评估方法，其利用智能移动终端，采用绿波协调效果评估算法，能够实时在线的输出评估指标。本发明可以通过智能终端实时获取单车行驶数据，并结合数据处理算法和绿波协调控制评估算法，从而实现实时在线的对单车测试路段的绿波协调效果进行评估，同时该评估方法主要有两种评估方式，分别是轨迹时空图的绘制和评估指标的输出。本发明所述的基于移动终端的干线绿波协调效果评估方法与目前常用的人工调研、单车测试以及浮动车等方法相比，具有耗费人力物力少，能够实时在线的给出效果评估指标与优化建议等优点，具备很好的实用性，和广阔的应用前景。

Description

一种基于移动终端的干线绿波协调效果评估方法

技术领域

本发明属于智能交通领域，涉及一种智能、便携的干线绿波协调效果评估方法，利用智能终端采用绿波协调效果评估算法，实现单车行驶过程中在线绘制轨迹时空图并实时输出评估指标。

背景技术

随着智能终端平台的快速发展，人们日常生活中对信息的获取越来越依赖于诸如手机等智能移动终端平台。在交通领域也是如此，现在各个国家都在为构建智能交通网络和智慧城市不懈的努力。干线绿波协调作为智能交通领域中较为成熟的一项技术，在全世界各大城市中都得到了较为成熟的运用和推广，然而并没有一种利用智能终端平台对绿波协调路段做出实时在线评估的方法。目前，应用于干线绿波协调效果评估的常用方法主要有人工调研、单车测试以及浮动车等三种方式。

人工调研，主要是通过调用大量的人力物力在实际路段进行调查工作，其实施过程分为三个阶段：第一个阶段是制定调查方案并对调查人员采取必要的培训工作；第二个阶段是组织调查人员进行现场数据调查；第三个阶段是后期的数据整理与分析并做出最后的评估。此方法在实际应用中存在以下问题：(1)耗费大量的人力物力；(2)评估周期长；(3)不能做到实时的评估；(4)存在严重的交通与人身安全隐患。

单车测试，即调查人员利用秒表和GPS数据记录器等简单的工具，通过驾驶小汽车对绿波协调路段进行调查。其实施过程分为两个阶段：第一个阶段是现场数据调查；第二个阶段是后期的数据整理与分析并做出最后的评估。该方法虽然避免了人工调研中的诸多不足，但是单车测试也不能做到实时的评估。

浮动车，主要是通过装有GPS装置的租车获取大量的行驶数据，筛选出有用数据并对协调路段做出评估，该方法同样不能做到实时的评估。

综上所述，以上三种干线绿波协调效果的评估方法，都不能对路段做出实时在线的评估，并且每种方法都有各自一定的局限性，因此本申请发明一种基于移动终端的干线绿波协调效果评估方法。

发明内容

针对可以实时在线的对干线绿波协调控制路段进行评估这一目标，本发明提出一种基于移动终端的干线绿波协调控制评估方法，利用智能移动终端，采用绿波协调效果评估算法， 从而实时在线的输出评估指标。

干线绿波协调效果评估方法包括调用移动终端的GPS数据、数据处理算法、绿波协调效果评估算法、时空图绘制、评估指标输出步骤组成，方法总体流程图如图1所示。本方法可以实时获取单车行驶数据，并结合数据处理算法和绿波协调控制评估算法，从而实现实时在线的对单车测试路段的绿波协调效果进行评估，以及实时绘制单车运行的轨迹时空图。

本评估方法分为两种评估方式，分别是轨迹时空图的绘制和评估指标的输出。以下分别给出上述两种评估方式的过程。

第一种评估方式为实时绘制轨迹时空图，时空图就是一个以时间和距离为横纵坐标轴的二维图，而轨迹时空图就是将单车行驶的路径转化为一条在时空图中随坐标变化的曲线，其示意图如图2所示。本方法调用移动终端的GPS数据，得到小汽车行驶过程中的逐秒经纬度，并通过数据处理算法将其转化为逐秒的位移变化。然后当测试车辆进入被测试的绿波协调路段时，通过匹配移动终端的系统时间与时空图中的时间轴数据，继而确定汽车在时空图中的起始点的位置，最后结合测试车辆逐秒的位移变化可以在时空图中绘制出其行驶的轨迹曲线，也就得到了轨迹时空图。从轨迹时空图中可以对测试车辆通过测试路段过程中的停驶状况和行驶速度等情况有一个直观的了解，本评估方式的流程图如图3所示。

实时绘制轨迹时空图的评估方式，具体包括以下几个步骤：

步骤一，获取前期数据调查中该绿波协调路段的基本参数。

本步骤中获取的前期调查数据主要是绿波协调路段的一些基本参数，包括各交叉口经纬度、各路口配时方案、各路口相位差、路段各交叉口间距等。

步骤二，根据基础数据绘制出时空图。

在绘制时空图之前，需要设定某个行驶方向的路口为初始路口，即主交叉口。

此处绘制的时空图即为以时间为x轴，空间为y轴的二维图。时空图绘制主要用到的基本参数包括：绿波协调路段交叉口公共周期C、路段各交叉口协调相位绿灯时长g_i和黄灯时长y_i、各交叉口间相位差ψ_1,i、各交叉口间距离S_1,i，i＝1,2…N(N为测试路段的交叉口总数)，其中各交叉口间相位差ψ_1,i和各交叉口间距离S_1,i,都是相对于主交叉口而言的，此处设定主交叉口相位差为ψ_1,1＝0s，主交叉口S_1,1＝300m，即路段主交叉口在y轴的初始位值为300m，在此S₁的初始值是为了使时空图有更好的可视性，并无具体的物理意义。

以主交叉口绿灯起始时刻视为初始时刻，即此时时间轴的初始值大小为0s，因此主交叉口在时空图中的初始坐标为(0，S_1,1)，该坐标也为主交叉口第一个周期的绿灯启亮时刻坐标。因此主交叉口第一个周期黄灯启亮时刻坐标为(g₁，S_1,1)，红灯启亮时刻坐标为(g₁+y₁，S_1,1)，第二个周期绿灯启亮时刻坐标为(C，S_1,1)，同理第j个周期的绿灯启亮时刻坐标为((j-1)C， S_1,1)，黄灯启亮时刻坐标为((j-1)C+g₁，S_1,1)，红灯启亮时刻坐标为((j-1)C+g₁+y₁，S_1,1)。

同理第i个交叉口，第j个周期的绿灯启亮时刻坐标为((j-1)C+ψ_1,i，S_1,1+S_1,i)，黄灯启亮时刻坐标为((j-1)C+ψ_1,i+g₁，S_1,1+S_1,i)，红灯启亮时刻坐标为((j-1)C+ψ_1,i+g₁+y₁，S_1,1+S_1,i)。

由此类推即可绘制出时空图。

步骤三，调用GPS数据和地图数据。

本步骤涉及移动终端的硬件和软件两个部分：

硬件部分，由于智能移动终端市场占有率几乎100％，且在售的智能移动终端的GPS模块为标准配置模块，因此用户只需开启智能移动终端上的GPS功能并运行数据采集应用程序即可轻松获取GPS数据信息，获取的GPS数据主要有两个用途，第一是将GPS数据与调用的地图数据中经纬度数据进行匹配从而确定测试车辆在地图中的位置；第二是导出GPS数据中逐秒的经纬度数据，便于下步操作。

软件部分，通过运行数据采集应用程序调用GPS数据和目前市场上常用的地图API接口调用地图数据，其中地图数据的调用主要是为了便于观察测试车辆的所在位置，并在地图上实时显示。

步骤四，利用数据处理算法得到逐秒的位移变化数据，匹配移动终端的系统时间和时空图中的时间轴数据。

下面是得到逐秒的位移变化数据的基本过程，

地球是一个近乎标准的椭球体，此处设定地球是一个完美的球体，那么它的半径就是地球的平均半径，记为R。如果以0度经线为基准，那么根据地球表面任意两点的经纬度就可以计算出这两点间的地表距离。设第一点A的经纬度为(LonA,LatA)，第二点B的经纬度为(LonB,LatB)，按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度负值(-Longitude)，北纬取90-纬度值(90-Latitude)，南纬取90+纬度值(90+Latitude)，则经过上述处理过后的两点被计为(MLonA,MLatA)和(MLonB,MLatB)。那么根据三角推导，可以得到计算两点距离D的公式如下所示：

C＝sin(MLatA)×sin(MLatB)×cos(MLonA-MLonB)+cos(MLatA)×cos(MLatB)

D＝(R*Arccos(C)*Pi/180)×1000

因此可以通过逐秒的经纬度变化数据得出逐秒的位移变化数据。

关于移动终端的系统时间和时空图中的时间轴数据的匹配，测试过程中被测车辆在主交叉口绿灯时刻开始测试，此时记录移动终端的系统时间，然后匹配步骤二中时空图的时间轴数据，即将初始时刻0改为此时的移动终端的系统时间，从而实现移动终端的系统时间和时 空图中的时间轴数据的一致性。

步骤五，在时空图中实时在线的绘制测试车辆的行驶轨迹，得到轨迹时空图。

在时空图中实时在线的绘制测试车辆行驶轨迹的过程，也就是在时空图中逐秒的绘制测试车辆所在位置对应的时空图中的坐标，即每隔一秒钟在时空图中绘制一个坐标点，然后再将绘制的坐标点拟合成一条曲线即可得到行驶轨迹。

第二种评估方式输出评估指标与给出优化建议，把第一种评估方式中得到的数据进行处理得到停车次数、停车时长、行程时间、平均行驶速度评估参数，结合绿波协调效果评估算法，最后输出效果评估指标，并给出优化建议。

输出评估指标与给出优化建议的评估方式，具体包括以下几个步骤：

步骤一，利用数据处理算法得到停车次数、停车时长、行程时间、平均行驶速度等评估参数。

需要获取的评估参数有停车次数n、每次停车时长t_i、行程时间T、平均行驶速度v。

理想情况下当测试车辆遇到红灯时会驻车等待，此时反映在轨迹时空图中的状态就是随着时间轴的移动行驶轨迹的纵坐标值保持不变，即为平行于时间轴的直线，如图2所示。然而在实际测试过程中，测试车辆可能会出现由于驾驶员的原因或者车流量过大的影响等非交叉口红灯造成的停车，这些停车不应计算在路段评估参数中，由于这些情况的停车时间较短，因此本方法对停车时间设置一个下限值Δt，即当某一停车时间t≥Δt时记为停车一次，则停车次数n累加一次，此时记录本次的停车时间t_i，总停车时间

行程时间T即测试车辆通过始末交叉口的时间，S为始末交叉口的距离，所以平均行驶速度

步骤二，利用绿波协调效果评估算法结合上述评估参数进行效果评估，并输出评价指标。

本步骤的绿波协调效果的评估算法的目标函数公式如下：

其中，α、β、γ为三个权值，n为停车次数，N为测试路段的交叉口总数，v为平均行驶速度，V为绿波协调路段的绿波方案设计速度，t_总为总停车时间，T为行程时间。 

步骤三，综合评价指标和被测绿波协调路段基础参数给出优化建议。

本步骤主要是根据上述的评价指标，给出简单的优化建议，例如当停车次数n大于某一限定值时，则建议对绿波协调方案的相位差进行优化；当平均行驶速度大于绿波协调路段的绿波方案设计速度时，则建议对绿波协调方案的设计速度进行优化；以及建议路段是否采用 双向协调或者单向协调等。

与现有评估方法相比，本方法具有以下优点：

(1)本方法在进行绿波协调效果评估时需要的人力物力较少，相比而言其他现有的三种方法都需要较大的人力物力。

(2)调查数据和评估数据都可以存储在数据库中，实现数据的电子化与去纸化，更加便于数据的后期保存、分析和整理。

(3)本方法最大的优点是可以实时在线的对绿波协调路段的运行效果做出评估，实现以轨迹时空图的方式给出直观的认识，并能够输出评价指标以及给出优化建议。

附图说明

图1为本发明所涉及的方法总体流程图。

图2为轨迹时空图的示意图。

图3为绘制轨迹时空图的流程图。

图4为输出评价指标与给出优化建议的流程图。

具体实施方式

下面结合附图和具体实施方式对本方法作进一步的说明。

如图3和图4所示，在绘制轨迹时空图的流程图中，数据处理算法是整个实施流程中的核心内容。该数据处理算法主要实现如下四方面的工作：

第一，将GPS测得的一系列经纬度的变化转化为位移的变化。地球是一个近乎标准的椭球体，它的赤道半径为6378.140千米，极半径为6356.755千米，平均半径6371.004千米。如果我们假设地球是一个完美的球体，那么它的半径就是地球的平均半径，记为R。如果以0度经线为基准，那么根据地球表面任意两点的经纬度就可以计算出这两点间的地表距离(理论上的估算值)，从而通过逐秒的经纬度数据可以得到逐秒的位移变化。

第二，将实时测得的经纬度数据与地图进行匹配。目前多数地图提供一套免费的应用接口，包括Android SDK、iOS SDK、定位SDK等多种开发工具与服务，提供基本地图展现、搜索、定位等功能，适用于PC端、移动端、服务器等多种设备，多种操作系统下的地图应用开发。结合地图API，可以在调用的地图上实时显示被测车辆的行驶路线。

第三，轨迹时空图的绘制。首先需要解决的是时间匹配问题，即根据基础参数绘制的时空图中的时间与移动终端的系统时间的匹配问题。目前的绿波协调配时方案基本上都是固定配时，也就是说同时段的绿波协调路段的配时是相同的，并且路口信号配时都具有固定周期，因此可以确定移动终端的系统时间与时空图起始时间的相对时间差，从而确定测试时刻的交通信号配时情况。最后在匹配好时间后，将测试车辆逐秒的位移数据在时空图中进行逐秒绘 制，即可得到轨迹时空图。

第四，输出评价参数。本方法中输出的评价参数主要有停车次数、单次停车时间、总停车时间、行程时间。平均速度以及行驶距离等。其中行程时间、平均速度以及行驶距离是较为容易得到的数据。下面简要说明停车次数和停车时间的获取，如果一定时间阈值△t内测试车辆没有记录到位移变化则定义停车一次，车辆位移不变的这段时间则定义为单次的停车时间。在整条测试路段累计的停车次数记为停车次数，累计的单次停车时间记为总停车时间。

如图4所示，得到上述若干评价参数后，需要将其输入绿波协调评估算法，最终输出评价指标，给出优化建议。该算法主要实现如下两个方面工作：

第一，输出评价指标。本算法中目标函数的值取决于各个评价参数值的大小与其对应的权值，同时本算法为了更直观的表示路段的协调效果，将目标函数的输出值设定四个范围，分别是一类、二类、三类和四类。其中一类表示测试路段绿波协调效果非常好，行驶过程基本为绿波通行；二类表示测试路段绿波协调效果较好，行驶过程中可以感受到绿波协调效果；三类表示测试路段绿波协调效果一般，行驶过程优于一般路段；四类表示测试路段绿波协调效果差，即在行驶过程中与一般路段无异。

第二，给出优化建议。本算法可以记录停车次数较多的交叉口，能够确定当测试车辆到达该交叉口时其协调相位的目前灯态，测试车辆的平均速度等信息，结合输出的评价指标，可以给出绿波协调方案中的关键控制参数相位差的优化建议，以及停车次数较多的交叉口信号配时方案中协调相位绿信比的优化建议等。

本发明所述的基于移动终端的干线绿波协调效果评估方法与目前常用的人工调研、单车测试以及浮动车等方法的实用前景进行比较，可以看出，基于移动终端的干线绿波协调效果评估方法，具有耗费人力物力较少，能够实时在线的给出效果评估指标与优化建议等优点，因此可以断定其具备很好的实用性，和广阔的应用前景。本方法中绿波协调评估算法可以根据实际需求，通过赋予评价参数不同权值的方式，调整输出的评价指标，这也说明该方法具备很高的灵活性。

Claims (2)

1.一种基于移动终端的干线绿波协调效果评估方法，其特征在于：该评估方法为实时绘制轨迹时空图，时空图就是一个以时间和距离为横纵坐标轴的二维图，而轨迹时空图就是将单车行驶的路径转化为一条在时空图中随坐标变化的曲线；本方法调用移动终端的GPS数据，得到小汽车行驶过程中的逐秒经纬度，并通过数据处理算法将其转化为逐秒的位移变化；然后当测试车辆进入被测试的绿波协调路段时，通过匹配移动终端的系统时间与时空图中的时间轴数据，继而确定汽车在时空图中的起始点的位置，最后结合测试车辆逐秒的位移变化可以在时空图中绘制出其行驶的轨迹曲线，也就得到了轨迹时空图；

实时绘制轨迹时空图的评估方式，具体包括以下几个步骤：

步骤一，获取前期数据调查中该绿波协调路段的基本参数。

本步骤中获取的前期调查数据主要是绿波协调路段的一些基本参数，包括各交叉口经纬度、各路口配时方案、各路口相位差、路段各交叉口间距等。

步骤二，根据基础数据绘制出时空图。

在绘制时空图之前，需要设定某个行驶方向的路口为初始路口，即主交叉口。

此处绘制的时空图即为以时间为x轴，空间为y轴的二维图。时空图绘制主要用到的基本参数包括：绿波协调路段交叉口公共周期C、路段各交叉口协调相位绿灯时长g_i和黄灯时长y_i、各交叉口间相位差ψ_1,i、各交叉口间距离S_1,i，i＝1,2…N，N为测试路段的交叉口总数，其中各交叉口间相位差ψ_1,i和各交叉口间距离S_1,i,都是相对于主交叉口而言的，此处设定主交叉口相位差为ψ_1,1＝0s，主交叉口S_1,1＝300m，即路段主交叉口在y轴的初始位值为300m，在此S₁的初始值是为了使时空图有更好的可视性，并无具体的物理意义。

以主交叉口绿灯起始时刻视为初始时刻，即此时时间轴的初始值大小为0s，因此主交叉口在时空图中的初始坐标为(0，S_1,1)，该坐标也为主交叉口第一个周期的绿灯启亮时刻坐标。因此主交叉口第一个周期黄灯启亮时刻坐标为(g₁，S_1,1)，红灯启亮时刻坐标为(g₁+y₁，S_1,1)，第二个周期绿灯启亮时刻坐标为(C，S_1,1)，同理第j个周期的绿灯启亮时刻坐标为((j-1)C，S_1,1)，黄灯启亮时刻坐标为((j-1)C+g₁，S_1,1)，红灯启亮时刻坐标为((j-1)C+g₁+y₁，S_1,1)。

同理第i个交叉口，第j个周期的绿灯启亮时刻坐标为((j-1)C+ψ_1,i，S_1,1+S_1,i)，黄灯启亮时刻坐标为((j-1)C+ψ_1,i+g₁，S_1,1+S_1,i)，红灯启亮时刻坐标为((j-1)C+ψ_1,i+g₁+y₁，S_1,1+S_1,i)；

由此类推即可绘制出时空图；

步骤三，调用GPS数据和地图数据；

本步骤涉及移动终端的硬件和软件两个部分：

硬件部分，由于智能移动终端市场占有率几乎100％，且在售的智能移动终端的GPS模块为标准配置模块，因此用户只需开启智能移动终端上的GPS功能并运行数据采集应用程序即可轻松获取GPS数据信息，获取的GPS数据主要有两个用途，第一是将GPS数据与调用的地图数据中经纬度数据进行匹配从而确定测试车辆在地图中的位置；第二是导出GPS数据中逐秒的经纬度数据，便于下步操作；

软件部分，通过运行数据采集应用程序调用GPS数据和目前市场上常用的地图API接口调用地图数据，其中地图数据的调用主要是为了便于观察测试车辆的所在位置，并在地图上实时显示；

步骤四，利用数据处理算法得到逐秒的位移变化数据，匹配移动终端的系统时间和时空图中的时间轴数据；

下面是得到逐秒的位移变化数据的基本过程，

地球是一个近乎标准的椭球体，此处设定地球是一个完美的球体，那么它的半径就是地球的平均半径，记为R；如果以0度经线为基准，那么根据地球表面任意两点的经纬度就可以计算出这两点间的地表距离；设第一点A的经纬度为(LonA,LatA)，第二点B的经纬度为(LonB,LatB)，按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度负值(-Longitude)，北纬取90-纬度值(90-Latitude)，南纬取90+纬度值(90+Latitude)，则经过上述处理过后的两点被计为；那么根据三角推导，可以得到计算两点距离D的公式如下所示：

C＝sin(MLatA)×sin(MLatB)×cos(MLonA-MLonB)+cos(MLatA)×cos(MLatB)

D＝(R*Arccos(C)*Pi/180)×1000

因此可以通过逐秒的经纬度变化数据得出逐秒的位移变化数据；

关于移动终端的系统时间和时空图中的时间轴数据的匹配，测试过程中被测车辆在主交叉口绿灯时刻开始测试，此时记录移动终端的系统时间，然后匹配步骤二中时空图的时间轴数据，即将初始时刻0改为此时的移动终端的系统时间，从而实现移动终端的系统时间和时空图中的时间轴数据的一致性；

步骤五，在时空图中实时在线的绘制测试车辆的行驶轨迹，得到轨迹时空图；

在时空图中实时在线的绘制测试车辆行驶轨迹的过程，也就是在时空图中逐秒的绘制测试车辆所在位置对应的时空图中的坐标，即每隔一秒钟在时空图中绘制一个坐标点，然后再将绘制的坐标点拟合成一条曲线即可得到行驶轨迹。

2.一种基于移动终端的干线绿波协调效果评估方法，其特征在于：该评估方法为输出评估指标与给出优化建议，把实时绘制轨迹时空图的评估方式中得到的数据进行处理得到停车次数、停车时长、行程时间、平均行驶速度评估参数，结合绿波协调效果评估算法，最后输出效果评估指标，并给出优化建议；

输出评估指标与给出优化建议的评估方式，具体包括以下几个步骤，

步骤一，利用数据处理算法得到停车次数、停车时长、行程时间、平均行驶速度评估参数；

需要获取的评估参数有停车次数n、每次停车时长t_i、行程时间T、平均行驶速度v；

理想情况下当测试车辆遇到红灯时会驻车等待，此时反映在轨迹时空图中的状态就是随着时间轴的移动行驶轨迹的纵坐标值保持不变，即为平行于时间轴的直线；然而在实际测试过程中，测试车辆可能会出现由于驾驶员的原因或者车流量过大的影响等非交叉口红灯造成的停车，这些停车不应计算在路段评估参数中，由于这些情况的停车时间较短，因此本方法对停车时间设置一个下限值Δt，即当某一停车时间t≥Δt时记为停车一次，则停车次数n累加一次，此时记录本次的停车时间t_i，总停车时间

行程时间T即测试车辆通过始末交叉口的时间，S为始末交叉口的距离，所以平均行驶速度

步骤二，利用绿波协调效果评估算法结合上述评估参数进行效果评估，并输出评价指标；

本步骤的绿波协调效果的评估算法的目标函数公式如下：

其中，α、β、γ为三个权值，n为停车次数，N为测试路段的交叉口总数，v为平均行驶速度，V为绿波协调路段的绿波方案设计速度，t_总为总停车时间，T为行程时间；

步骤三，综合评价指标和被测绿波协调路段基础参数给出优化建议；

本步骤主要是根据上述的评价指标，给出简单的优化建议，例如当停车次数n大于某一限定值时，则建议对绿波协调方案的相位差进行优化；当平均行驶速度大于绿波协调路段的绿波方案设计速度时，则建议对绿波协调方案的设计速度进行优化；以及建议路段是否采用双向协调或者单向协调。