发明内容
本发明所要解决的技术问题是:如何估算大范围的交通信号灯配时。
本发明采用以下技术方案来实现:
一种信号灯配时估计方法,包括以下步骤:
S01:采集车辆通过路口的轨迹数据;
S02:根据车辆在路口的累计轨迹数据绘制每个路口的旅行时间分布图,其中横坐标为车辆通过该路口的旅行时间,纵坐标为车辆数量;
S03:在旅行时间分布图中计算第一个峰和第二个峰之间的间距D;其中第一个峰对应不停车通过路口的车辆旅行时间,第二个峰对应的是受到红灯延误车辆的旅行时间;
S04:采集部分路口的真实红灯时间数据,根据相应路口的峰值间距D与真实红灯时间,采用线性拟合方法计算得到模型常数C;
S05:对需要估计红灯时间的其他路口,根据相应路口的峰值间距D与模型常数C,计算得到该路口的红灯时间;
S06:根据该路口的红灯时间r得到该路口的信号灯配时方案。
优选地,在路口各个方向的上下游各选择1条观测线,车辆在路口的旅行时间等于车辆通过下游观测线的时间减去车辆通过上游观测线的时间。
优选地,观测线与路口的距离根据实际路口进行调整。
优选地,步骤S05中,根据公式r=(D-C)/0.5计算红灯时间r。
优选地,车辆的轨迹数据是通过车载或手机软件收集得到的移动互联网数据。
优选地,当车辆轨迹数量较多的情况下,直接根据通过交叉口的车辆通过时间计算配时。
优选地,当车辆的移动互联网数据较少的情况下,采用多天数据累积进行计算配时。
优选地:为了减轻车辆速度变化波动对旅行时间造成的影响,以车辆的延误时间来替换旅行时间,绘制旅行时间分布图。
优选地,其中车辆的延误时间=旅行时间-旅行距离/中位速度,中位速度是车辆行进轨迹中不同分段速度的中位速度。
优选地:车辆轨迹数据包括车辆每分钟的位置、时间和/或速度信息。
本发明的技术效果是:本发明基于移动互联网数据对交通信号灯配时信息进行判断,根据车辆行驶轨迹的历史数据和累计叠加的变化规律提出了一种新的计算大范围交通信号配时信息的方法,并能够在现阶段计算机处理能力下有效实现数据挖掘,从而为人们智慧出行和智慧城市的建设提供更加精确和科学的建议。
附图说明
图1北京复内大街—西单路口的车辆轨迹、上下游检测线和卫星视图对应关系图。
图2不同时段内北京西单路口信号灯配时方案展示图。
图3正常轨迹及非正常轨迹(长时间停车、折返行为)示意图。
图4白天时段西单路口车辆轨迹图。
图5夜晚时段西单路口车辆轨迹图。
图6北京西单路口00:00至05:00通过检测线车辆的旅行时间分布图。
图7北京西单路口06:30至08:30通过检测线车辆的旅行时间分布图。
图8北京西单路口11:30至13:30通过检测线车辆的旅行时间分布图。
图9车辆受信号灯影响下的行车轨迹及旅行时间示意图。
图10车辆受信号灯影响下的旅行时间分布规律及经验分布展示图。
图11车辆受信号灯影响多周期下车辆旅行时间分布情况。
图12车辆受信号灯影响多周期下通行车辆旅行时间分布及峰值位置展示图。
图13车辆受信号灯影响下真实数据车辆通行旅行时间统计分布图。
图14旅行时间分布及延误时间分布对比图。
具体实施方式
本发明的目的是设计一种能够通过挖掘交通领域移动互联网数据用于推算大范围信号配时信息的方法,包括以下步骤:
S01:采集车辆通过路口的轨迹数据;
S02:根据车辆在路口的累计轨迹数据绘制每个路口的旅行时间分布图,其中横坐标为车辆通过该路口的旅行时间,纵坐标为车辆数量;
S03:在旅行时间分布图中计算峰值间距D;其中第一个峰对应不停车通过路口的车辆旅行时间,第二个峰对应的是受到红灯延误车辆的旅行时间;
S04:采集部分路口的真实红灯时间数据r,根据相应路口的峰值间距D与真实红灯时间r,采用线性拟合方法计算得到模型常数C;
S05:对需要估计红灯时间的其他路口,根据相应路口的峰值间距D与模型常数C,计算得到该路口的红灯时间;
S06:根据该路口的红灯时间r得到该路口的信号灯配时方案。
下面结合附图进行详细介绍:
【数据来源】
数据来源于两个部分。
第一部分的数据通过车载或手机软件收集得到的移动互联网数据。本发明示例中使用的数据时间范围为1个月(2014年10月01日~2014年10月29日)。该数据记录了车辆的ID号以及每车辆每分钟的位置、时间、速度等信息,其中位置包括经度和纬度,时间年份、月份、日期、小时、分钟、秒等信息。
第二部分的数据来源于信号灯实际的配时数据。本发明示例选用的是复内大街—西单路口的信号灯实际配时数据。该部分数据是为后期计算提供基准数据,同时可用于验证本发明算法的准确度。
附图1是北京复内大街—西单路口的车辆轨迹、上下游检测线和卫星视图对应关系图。附图2是该路口不同时段内北京西单路口信号灯配时方案展示图,该路口根据一天的不同时刻,提供了不同的配时方案,具体而言该路口将一天分为11个不同的时段,同时为每个时段分配了对应的配时方案,配时方案中横轴表示不同的相位(1为绿灯相位,2为红灯相位),纵轴对应该配时方案编号,配时方案中配时时长以秒为单位。
附图3是正常轨迹及非正常轨迹(长时间停车、折返行为)示意图。附图4是白天时段西单路口车辆轨迹图,附图5是夜晚时段西单路口车辆轨迹图。
移动互联网数据的格式信息如下表所示:
表1移动互联网数据格式
1 |
VEH_TRA_NO |
轨迹号 |
2 |
VEH_TIME |
信息上传时间 |
3 |
VEH_ID |
车辆ID |
4 |
VEH_SPEED |
车辆瞬时速度 |
5 |
VEH_LON |
经度 |
6 |
VEH_LAT |
纬度 |
7 |
MESH |
小区号 |
8 |
ROAD_ID |
道路编号 |
9 |
VEH_ZAIKE |
是否载客:载客>0 空载=0 |
我们使用了某时间窗口内(一天根据信号配时分为了11个时段)经过西单路口的轨迹,并将选择的轨迹覆盖路口上下游的检测线,在该路口估计没有长时间停车/折返等异常情况。
经过数据处理,提取车辆通过该路口的有效轨迹数据如下。
2信号配时时段11(每天11个时段固定配时)
2车辆轨迹397991条
2有效轨迹32486条
2东-西13490条
2西-东13777条
2北-南3080条
2南-北2239条
对上述数据进行统计,结果如下表所示:
表2东西方向路口有效轨迹(31天)
序号 |
时段 |
轨迹 |
密度 |
停车 |
不停车 |
1 |
00:00-05:00 |
473 |
0.051 |
232 |
241 |
2 |
05:00-06:00 |
108 |
0.058 |
51 |
57 |
3 |
06:00-06:30 |
77 |
0.083 |
21 |
56 |
4 |
06:30-08:30 |
951 |
0.256 |
445 |
506 |
5 |
08:30-11:30 |
2909 |
0.521 |
1860 |
1049 |
6 |
11:30-13:30 |
1897 |
0.510 |
1393 |
504 |
7 |
13:30-16:30 |
2943 |
0.527 |
1568 |
1375 |
8 |
16:30-19:00 |
1743 |
0.375 |
966 |
777 |
9 |
19:00-21:00 |
1112 |
0.299 |
627 |
485 |
10 |
21:00-23:00 |
935 |
0.251 |
770 |
165 |
11 |
23:00-00:00 |
261 |
0.140 |
136 |
125 |
表3南北方向路口有效轨迹(31天)
序号 |
时段 |
轨迹 |
密度 |
停车 |
不停车 |
1 |
00:00-05:00 |
139 |
0.015 |
81 |
58 |
2 |
05:00-06:00 |
33 |
0.018 |
19 |
14 |
3 |
06:00-06:30 |
21 |
0.023 |
18 |
3 |
4 |
06:30-08:30 |
140 |
0.038 |
101 |
39 |
5 |
08:30-11:30 |
549 |
0.098 |
436 |
113 |
6 |
11:30-13:30 |
439 |
0.118 |
354 |
85 |
7 |
13:30-16:30 |
626 |
0.112 |
521 |
105 |
8 |
16:30-19:00 |
394 |
0.085 |
340 |
54 |
9 |
19:00-21:00 |
326 |
0.088 |
272 |
54 |
10 |
21:00-23:00 |
330 |
0.089 |
255 |
75 |
11 |
23:00-00:00 |
83 |
0.045 |
52 |
31 |
【求解延误/旅行时间】
以西单路口从东向西直行为例,在西单路口东西方向上下游各选择1条观测线。观测线距离路口可以根据实际路口进行调整,通常设为150-300米之间。车辆在信号交叉口的旅行时间等于车辆通过下游观测线的时间减去车辆通过上游观测线的时间。
在车辆轨迹数量较多的情况下,可以直接根据通过交叉口的车辆通过时间序列计算配时;在移动互联网数据所占比例不高,采样率比较低的情况下(通常单一来源的移动互联网车辆比例低于5%),采用多天数据累积的方法统计分析。本方法可以适用于各种来源的移动互联数据,即使其采样率较低也可以通过长时间的累积进行统计分析,并且也支持多种来源的移动互联数据进行融合分析。
附图6-8是三个时段统计的旅行时间的分布图,那么第一个峰对应不停车通过路口的车辆旅行时间,第二个峰对应的是受到红灯延误车辆的旅行时间。假设道路未发生堵塞且车辆均匀进入该路口,则可得两个峰的均值之差约为0.5r+C(r为红灯时间,C为一个模型常数)。
详细模型推导过程如下:假设车辆均匀到达,一个周期内每辆车的延误如下(示意图可参见图9)
l绿灯时段内通过路口的车辆旅行时间延迟及车辆数目如下:
其中,为绿灯时段内通过路口车辆的旅行时间延迟,为通过路口车辆的数目,代表该路口绿灯时长,代表前后相邻进入路口的车辆间的车头时距。
l绿灯转变为红灯后的第一辆排队车辆旅行时间延迟及车辆数目
其中,为第一辆排队车辆的旅行时间延迟,表示排队位置上的车辆数目,为该路口的红灯时长,为第一辆排队车辆到达信号灯前红灯已经持续的时长,为红灯转变为绿灯后车辆恢复至通畅的行驶状态所耗费的时间。
l绿灯转变为红灯后的第二辆排队车辆旅行时间延迟及车辆数目
其中,为第二辆排队车辆的旅行时间延迟,表示排队位置上的车辆数目,为驶入路口前,车辆稳定行驶时前后相邻两车辆间的车头时距,为驶出路口开始稳定行驶后前后相邻两车辆间的车头时距。
l绿灯转变为红灯后的第m辆排队车辆旅行时间延迟及车辆数目
其中,为第m辆排队车辆的旅行时间延迟,表示排队位置上的车辆数目。因此,一个红绿灯周期内的车辆旅行时间分布情况如图10所示。以此为基础考虑多个周期内的车辆旅行时间分布,引入随机因素的影响后,可用正态分布(或其他具有对称性的经验统计分布)来表述不同排队位置下车辆旅行时间延误时长的大小。则多周期下车辆旅行时间分布情况如图11所示。图12表示多周期下通行车辆旅行时间分布及峰值位置展示图,图13表示真实数据车辆通行旅行时间统计分布图。
由上面延误时间的计算过程及示意图的展示可知,在车辆以较正常的车头时距依次进入路口时,在绿灯时段通行穿过路口的车辆旅行时间分布峰值出现在旅行时间为时,同时多周期下旅行时间的最大值约为,其中表示旅行时间随机变化范围的最大值,因红灯周期而延误车辆的旅行时间分布峰值约出现在第一个峰值与最大值的二分之一处,因此第二个峰值位置约为,由此可得两个峰均值之差约为,即0.5r+C,其中C为固定的模型常数。
通常情况下,绿灯时段通行穿过路口的车辆旅行时间分布变化范围较大,致使均值的拟合偏差较大,稳定性差。考虑到不停车的旅行时间和车辆的自身速度关系较大,因此选用以下延误计算方法,以提高第一个峰的拟合稳定性。
为了减轻车辆速度变化波动对旅行时间统计造成的影响,本发明以车辆行进轨迹中不同分段速度的中位速度作为车辆速度,而后以中位速度作为车辆行进速度计算车辆的延误时间(旅行时间-旅行距离/中位速度)。以延误时间来替换旅行时间,效果如附图14所示。图14(a)是旅行时间的统计图,图14(b)是利用延误时间的统计图。
该替换的优势如下:
1、减少车辆期望速度下的扰动,如图(b)的一个峰的分布范围明显减少,在-3到+3之间,均值稳定在0。
2、把绿灯通过路口车辆旅行时间分布和存在延误车辆旅行时间分布的中间交叉重叠部分做了进一步的分离,使得第二个峰的拟合更为准确。
【参数拟合求解红灯时间】
第一步:
根据历史统计数据拟合混合正态分布,得到峰值差D。具体而言:采集车辆通过路口的轨迹数据;根据车辆在路口的累计轨迹数据绘制每个路口的旅行时间分布图,在旅行时间分布图中计算第一个峰和第二个峰之间的间距D。
第二步:
通过关系式函数D=0.5*r+C(其中r代表红灯时间为待求解的值)计算红灯时间r。该步骤可分为两个子步骤进行:
1)在计算得到各时段内,部分路口部分相位所对应的峰值差D后,查找该路口相位所对应的真实红灯时间,利用线性拟合理论拟合得到模型常数C,以便对其他路口相位的红灯时间进行估计;
2)在拟合得到模型常数C后,根据其它待估计红灯时间的路口中检测计算得到的峰值差D,利用D=0.5*r+C关系式,可估计出路口相位所对应的红灯时间r。
【求解信号灯配时方案】
在获得路口的红灯时间后,再通过路口另一方向上的红灯时长可以得到本方向的绿灯时长,两者相结合即可获得该路口的信号灯完整配时方案。
以上实施例的说明只是用于帮助理解本方案的方法及其核心思想。应当指出,在不脱离本方案原理的前提下,还可以对本方案进行若干改进,这些改进也同样落入本方案权利要求的保护范围内。