CN106097717B - 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 - Google Patents

Abstract

本发明公开了一种基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，首先获取公交车和出租车的原始GPS数据；提取所有进入目标信号交叉口区域的浮动车的行车轨迹数据，并进行转向特征标识及构建GPS数据集；进行车型特征标识及构建公交车和出租车通行时间数据集；提取交叉口各转向上的公交车和出租车通行时间数据；计算平均通行时间；本发明提供的估计信号交叉口区域平均通行时间的方法；在利用GPS数据分析城市路段通行时间时，综合考虑了大型车和小型车的GPS数据，既能满足实时性应用需求，又具有较高精度的信号交叉口平均通行时间估计方法，从而提高信号交叉口的服务水平。能更真实地反映路段的平均通行时间。

Description

基于两类浮动车数据融合的信号交叉口平均通行时间估计 方法

技术领域

本发明涉及交通信息检测技术领域，特别是一种基于两类浮动车数据融合的信号交叉口平均通行时间估计方法。

背景技术

信号交叉口是城市路网的关键节点，该区域的通行时间能有效反映城市道路的交通状态和服务水平。然而城市路网车流本身存在很大的随机性，尤其是在信号交叉口区域，交叉口通过信号灯的控制作用使各方向车流周期性获得通行权，这进一步加剧了该区域车流的随机性，导致该区域通行时间存在非常大的不确定性。因此，准确、可靠地估计该区域的平均通行时间，将促进交叉口服务水平的提升并为交叉口的设计和规划提供更可靠的数据基础，具有重要的现实意义。

目前，现有的基于GPS数据的路段平均通行时间估计方面的研究，大多是针对没有信号控制的高速路和城市快速路路段，而城市路网信号交叉口路段的研究较少。此外，在数据源方面，大多数仅利用一种类型的浮动车GPS数据进行研究(例如仅采用公交GPS数据或出租GPS数据)，单一的数据源无法全面的体现复杂的交通状态，尤其是在信号交叉口路段，车流随机性更强，进一步加剧了该区域路网的复杂程度。

城市道路上运行的车辆不仅有小型车也有大型车，小型车相较于大型车而言具有启动快、加速性能好等优点，因此，在利用GPS数据分析城市路段通行时间时，需充分考虑两种车型的特点，才能更真实地反映路段的平均通行时间。特别是在信号交叉口区域，车辆启停频繁，车辆性能对在信号交叉口区域的通行时间的影响更大。

因此，需要综合考虑大型车和小型车的GPS数据，建立一种既能满足实时性应用需求又具有较高精度的信号交叉口平均通行时间估计方法，从而提高信号交叉口的服务水平。

发明内容

本发明的目的是提出一种估计信号交叉口区域平均通行时间的方法；该方法综合考虑了大型车和小型车的GPS数据，既能满足实时性应用需求，又具有较高精度的信号交叉口平均通行时间估计方法，从而提高信号交叉口的服务水平。

本发明的目的是通过以下技术方案来实现的：

本发明提供的基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，包括以下步骤：

步骤1：获取公交车和出租车的原始GPS数据，对数据进行存储和预处理；

步骤2：提取所有进入目标信号交叉口区域的浮动车的行车轨迹数据，并进行转向特征标识；所述转向特征包括左转、右转和直行；分别构建左转、右转和直行的GPS数据集G_l、G_r和G_s；

步骤3：依次计算GPS数据集G_l、G_r、G_s中车辆k的通行时间，并进行车型特征标识；所述车型特征包括公交车和出租车；分别构建目标信号交叉口各转向上的公交车和出租车通行时间数据集T_i,p和T_i,c，其中，i分别为l、r、s；

步骤4：确定目标信号交叉口各转向的通行时间估计周期h；

步骤5：分别提取距离当前估计时刻前时间h内的目标信号交叉口各转向上的公交车和出租车通行时间数据，构建公交车和出租车通行时间估计数据集和其中，i分别为l、r和s；

步骤6：计算公交车和出租车在目标信号交叉口各转向上的平均通行时间和

步骤7：利用公交车和出租车数据融合估计目标信号交叉口各转向上的平均通行时间其中，i取l、r和s。

进一步，所述步骤1中采用关系型数据库SQL Server存储原始GPS数据片；所述数据预处理包括错误数据的删除、缺失数据的修复以及冗余数据的剔除。

进一步，所述步骤2中是通过地图匹配技术来提取目标信号交叉口各转向上的所有浮动车的行车轨迹数据。

进一步，所述步骤3中是利用插值法分别计算车辆k通过交叉口两个端点处的时刻按照以下公式计算车辆k通过信号交叉口的时间：

式中，表示交叉口进入端点处的时刻；表示交叉口出端点处的时刻。

进一步，所述步骤4中的目标信号交叉口各方向通行时间估计周期h按以下步骤计算：

判断当前估计时刻是否处于高峰期，

如果否，则令信号交叉口处于未饱和状态；

如果是，则令信号交叉口处于饱和状态；

所述过饱和状态下信号交叉口各方向通行时间估计周期，具体操作步骤如下：

分别将左转、直行、右转方向下多天高峰时段的通行时间数据转换成不同时间间隔下的通行时间序列；

依次对各方向下每天不同时间间隔下的通行时间序列计算标准差和平均数；

分别计算各方向下每天不同时间间隔下的变异系数，并计算各方向该天不同时间间隔下的变异系数均值；

连续取多天变异系数均值，分别将各方向下的时间间隔τ下的单天变异系数均值按照时间先后顺序构成集合

式中，∧^l表示时间间隔τ下左转方向按时间先后顺序排列的单天变异系数均值构成的集合；表示左转方向上时间间隔τ下的第j天的单天变异系数均值；表示直行方向上时间间隔τ下的第j天的单天变异系数均值；表示右转方向上时间间隔τ下的第j天的单天变异系数均值；j表示选择数据集中的第几天；

则各方向下的时间间隔τ下的变异系数期望值通过下式计算得到：

式中，表示在i方向上时间间隔τ下的变异系数期望值；λ_τ,j表示在i方向上时间间隔τ下的第j天的单天变异系数均值；表示i方向(i∈{l,s,r})不同时间间隔下的最小变异系数；

则i方向下对应的I即为i方向过饱和状态下通行时间分散程度最小所对应的估计周期。

进一步，所述步骤6中的直行方向上公交车的平均通行时间是按照以下步骤计算：

将N个通行时间数据集进行层次聚类，得到n类，计算出每类的聚类中心；

按照以下公式确定区间中的每个数据的权重：

其中，m_c为落入C类中通行时间数量，c＝1,2,......n；

按照以下公式计算直行方向上公交车的平均通行时间

其中，为直行方向上公交车的平均通行时间；f_c为区间C中数据的权重，为区间C中公交车通行时间的均值；

同理，按照以下公式计算直行方向上出租车的平均通行时间

其中，为直行方向上出租车的平均通行时间；f_c为将直行方向出租车数据聚类后区间C中数据的权重，为区间C中出租车通行时间的均值；

同理，按照以下公式计算公交车和出租车在目标信号交叉口各转向上的平均通行时间和

其中，为方向i(i∈{l,s,r})上公交车的平均通行时间；f_c为将方向i(i∈{l,s,r})上公交车数据聚类后区间C中数据的权重，为方向i(i∈{l,s,r})上区间C中公交车通行时间的均值。

其中，为方向i(i∈{l,s,r})上出租车的平均通行时间；f_c为将方向i(i∈{l,s,r})上出租车数据聚类后区间C中数据的权重，为区间C中出租车通行时间的均值。

进一步，所述步骤7中的直行方向上平均通行时间通过下面公式进行计算：

其中，σ_s,p、σ_s,c分别为通行时间数据集和的标准差；为直行方向上公交车的平均通行时间；为直行方向上出租车的平均通行时间。

同理，(i∈{l,r})分别表示左转或右转方向上平均通行时间其计算是通过下面公式实现：

其中，为方向i(i∈{l,r})上公交车的平均通行时间；为方向i(i∈{l,r})上出租车的平均通行时间；σ_i,p、σ_i,c分别为方向i(i∈{l,r})上公交车的通行时间数据集和出租车的通行时间数据集的标准差。

由于采用了上述技术方案，本发明具有如下的优点：

本发明提供的估计信号交叉口区域平均通行时间的方法；在利用GPS数据分析城市路段通行时间时，综合考虑了大型车和小型车的GPS数据，既能满足实时性应用需求，又具有较高精度的信号交叉口平均通行时间估计方法，从而提高信号交叉口的服务水平。能更真实地反映路段的平均通行时间。特别是在信号交叉口区域，车辆启停频繁，车辆性能对在信号交叉口区域的通行时间的影响更大。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明确定信号交叉口各方向通行时间估计周期的流程图；

图2为本发明基于GPS数据的信号交叉口区域通行时间估计方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1和图2所示，图2为本发明实施例提供的基于两类浮动车数据融合的信号交叉口区域通行时间估计方法流程图；本实施例提供的基于浮动车数据融合的信号交叉口区域通行时间估计方法，包括以下步骤：

步骤1：获取公交车和出租车的原始GPS数据，对数据进行存储和预处理，具体的，包括以下步骤：

(1)利用关系型数据库SQL Server对海量原始GPS数据进行存储和管理；

(2)对海量原始GPS数据进行预处理。

步骤2：构建目标信号交叉口左转、右转和直行GPS数据集G_l、G_r、G_s，具体的，包括以下步骤：

(1)在电子地图上标定出信号交叉口两个端点的坐标；

(2)利用经数据预处理后的GPS数据进行地图匹配；

(3)获取所有匹配在目标信号交叉口所在路段上的所有车辆GPS数据，并进行转向特征标识(左转、右转和直行)，分别构建左转、右转和直行GPS数据集G_l、G_r、G_s。

步骤3：构建目标信号交叉口各转向上的公交车和出租车通行时间数据集T_i,p和T_i,c(i取l、r、s)，具体的，包括以下步骤：

利用插值法分别计算车辆k通过交叉口两个端点处的时刻

则车辆k通过信号交叉口的时间

(3)根据车型特征标识，令各转向上的公交车和出租车通行时间数据分别构成通行时间数据集T_i,p和T_i,c(i取l、r、s)。

步骤4：确定信号交叉口各方向通行时间的估计周期h，交叉口在未饱和状态下，车辆受信号灯影响而产生的延误与估计周期没有必然联系，但是当交叉口处于过饱和状态，估计周期的长度会对通行时间估计的结果产生较大影响。因此，需要对饱和状态下信号交叉口通行时间的估计周期进行分析，选取适当的估计周期对交叉口区域通行时间进行估计。具体的，包括以下步骤：

(1)判断分析时段是否是高峰时段，如果否，则假设信号交叉口处于未饱和状态，为避免增加分析负荷，同时为保证数据的实时性，本发明选取15min作为估计周期。

(2)如果是，则假设信号交叉口处于饱和状态，本发明引入变异系数来确定过饱和状态下信号交叉口各方向通行时间的估计周期。

图1为本发明实施例提供的确定饱和状态下信号交叉口各方向通行时间估计周期流程，图所述引入变异系数来确定饱和状态下信号交叉口各方向通行时间的估计周期的步骤如下：

(1)分别将左转、直行、右转方向下多天高峰时段的通行时间数据转换成不同时间间隔下的通行时间序列。

(2)依次对各方向下每天不同时间间隔下的通行时间序列计算标准差和平均数；

(3)分别计算各方向下每天不同时间间隔下的变异系数，并计算各方向该天不同时间间隔下的变异系数均值；

(4)连续取多天(3)中计算的变异系数均值，分别将各方向下的时间间隔τ下的单天变异系数均值按照时间先后顺序排列，构成集合 则各方向下的时间间隔τ下的变异系数期望值可以通过下式计算得到：

其中，λ_τ,j表示在i方向上时间间隔τ下的第j天的单天变异系数均值；表示在i方向上时间间隔τ下的变异系数期望值。

(5)则k方向下对应的通行时间的估计周期I即为k方向过饱和状态下通行时间分散程度最小所对应的估计周期。

步骤5：分别提出距离当前估计时刻前时间h内的目标信号交叉口各转向上的公交车和出租车通行时间数据，构建公交车和出租车通行时间估计数据集和(i取l、r、s)；

步骤6：计算公交车和出租车在目标信号交叉口各转向上的平均通行时间和(i取l、r、s)，具体的，包括以下步骤：

(1)将通行时间数据集(个数为N)进行层次聚类，得到n类，计算出每类的聚类中心；

(2)依据大概率事件具有相对较高的可信度，小概率事件具有相对较小的可信度的原则，确定每个聚类的权重。设落入C类中的通行时间数量为m_c，c＝1,2,......n，经过归一化，区间中的每个数据的权重

(3)则直行方向上公交车的平均通行时间公式如下：

其中为直行方向上公交车的平均通行时间；f_c为区间C中数据的权重，为区间C中通行时间的均值。

(4)同理，直行方向上出租车的平均通行时间也按照上述步骤计算。

(5)同理，的计算原理也同上。

步骤7：利用公交车和出租车数据融合估计目标信号交叉口各转向上的平均通行时间(i取l、r、s)，直行方向上的平均通行时间通过下面公式计算：

其中，σ_s,p、σ_s,c分别为通行时间数据集和的标准差；为直行方向上公交车的平均通行时间；为直行方向上出租车的平均通行时间。

同理，左转方向上平均通行时间和右转方向上平均通行时间计算原理同上。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (7)

1.基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，其特征在于：包括以下步骤：

步骤1：获取公交车和出租车的原始GPS数据，对数据进行存储和预处理；

步骤2：提取所有进入目标信号交叉口区域的浮动车的行车轨迹数据，并进行转向特征标识；所述转向特征包括左转、右转和直行；分别构建左转、右转和直行的GPS数据集G_l、G_r和G_s；

步骤3：依次计算GPS数据集G_l、G_r、G_s中车辆k的通行时间，并进行车型特征标识；所述车型特征包括公交车和出租车；分别构建目标信号交叉口各转向上的公交车和出租车通行时间数据集T_i,p和T_i,c，其中，i分别为l、r、s；

步骤4：确定目标信号交叉口各转向的通行时间估计周期h；

步骤5：分别提取距离当前估计时刻前时间h内的目标信号交叉口各转向上的公交车和出租车通行时间数据，构建公交车和出租车通行时间估计数据集和其中，i分别为l、r和s；

步骤6：计算公交车和出租车在目标信号交叉口各转向上的平均通行时间和

步骤7：利用公交车和出租车数据融合估计目标信号交叉口各转向上的平均通行时间其中，i取l、r和s。

2.如权利要求1所述的基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，其特征在于：所述步骤1中采用关系型数据库SQL Server存储原始GPS数据片；所述数据预处理包括错误数据的删除、缺失数据的修复以及冗余数据的剔除。

3.如权利要求1所述的基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，其特征在于：所述步骤2中是通过地图匹配技术来提取目标信号交叉口各转向上的所有浮动车的行车轨迹数据。

4.如权利要求1所述的基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，其特征在于：所述步骤3中是利用插值法分别计算车辆k通过交叉口两个端点处的时刻按照以下公式计算车辆k通过信号交叉口的时间：

式中，表示交叉口进入端点处的时刻；表示交叉口出端点处的时刻。

5.如权利要求1所述的基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，其特征在于：

所述步骤4中的目标信号交叉口各方向通行时间估计周期h按以下步骤计算：

判断当前估计时刻是否处于高峰期，

如果否，则令信号交叉口处于未饱和状态；

如果是，则令信号交叉口处于饱和状态；

过饱和状态下信号交叉口各方向通行时间估计周期，具体操作步骤如下：

分别将左转、直行、右转方向下多天高峰时段的通行时间数据转换成不同时间间隔下的通行时间序列；

依次对各方向下每天不同时间间隔下的通行时间序列计算标准差和平均数；

分别计算各方向下每天不同时间间隔下的变异系数，并计算各方向该天不同时间间隔下的变异系数均值；

连续取多天变异系数均值，分别将各方向下的时间间隔τ下的单天变异系数均值按照时间先后顺序构成集合

式中，∧^l表示时间间隔τ下左转方向按时间先后顺序排列的单天变异系数均值构成的集合；表示左转方向上时间间隔τ下的第j天的单天变异系数均值；表示直行方向上时间间隔τ下的第j天的单天变异系数均值；表示右转方向上时间间隔τ下的第j天的单天变异系数均值；j表示选择数据集中的第几天；

则各方向下的时间间隔τ下的变异系数期望值通过下式计算得到：

式中，表示在i方向上时间间隔τ下的变异系数期望值；λ_τ,j表示在i方向上时间间隔τ下的第j天的单天变异系数均值；表示i方向不同时间间隔下的最小变异系数，其中，i∈{l,s,r}；

则i方向下对应的I即为i方向过饱和状态下通行时间分散程度最小所对应的估计周期。

6.如权利要求1所述的基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，其特征在于：所述步骤6中的直行方向上公交车的平均通行时间是按照以下步骤计算：

将N个通行时间数据集进行层次聚类，得到n类，计算出每类的聚类中心；

按照以下公式确定区间中的每个数据的权重：

其中，m_c为落入C类中通行时间数量，c＝1,2,......n；

按照以下公式计算直行方向上公交车的平均通行时间

其中，为直行方向上公交车的平均通行时间；f_c为区间C中数据的权重，为区间C中公交车通行时间的均值；

同理，按照以下公式计算直行方向上出租车的平均通行时间

其中，为直行方向上出租车的平均通行时间；f_c为将直行方向出租车数据聚类后区间C中数据的权重，为区间C中出租车通行时间的均值；

同理，按照以下公式计算公交车和出租车在目标信号交叉口各转向上的平均通行时间和

其中，为方向i上公交车的平均通行时间；f_c为将方向i上公交车数据聚类后区间C中数据的权重，为方向i上区间C中公交车通行时间的均值；

其中，为方向i上出租车的平均通行时间；f_c为将方向i上出租车数据聚类后区间C中数据的权重，为区间C中出租车通行时间的均值，i分别为l、r和s。

7.如权利要求1所述的基于两类浮动车数据融合的信号交叉口平均通行时间估计方法，其特征在于：所述步骤7中的直行方向上平均通行时间通过下面公式进行计算：

其中，σ_s,p、σ_s,c分别为通行时间数据集和的标准差；为直行方向上公交车的平均通行时间；为直行方向上出租车的平均通行时间；

同理，分别表示左转或右转方向上平均通行时间其计算是通过下面公式实现：

其中，为方向i上公交车的平均通行时间；为方向i上出租车的平均通行时间；σ_i,p、σ_i,c分别为方向i上公交车的通行时间数据集和出租车的通行时间数据集的标准差，i分别为l、r和s。