CN106097730A - 一种路段车辆排队长度的估计方法、装置及系统 - Google Patents

Abstract

本发明公开了一种路段车辆排队长度的估计方法、装置及系统。本发明方法包括：获取信号周期内路段的车流量、以及路段上智能车辆上报的车辆行驶状态信息；根据车流量，确定路段在信号周期内所达到的最大排队长度以及达到该最大排队长度的第一时刻；根据智能车辆上报的车辆行驶状态信息，确定信号周期内智能车辆在路段上的N个停车时刻以及路段在该N个停车时刻对应的排队长度；根据路段在该N个停车时刻对应的排队长度，以及路段在第一时刻对应的最大排队长度，确定路段在信号周期内的不同时刻对应的排队长度。本发明能够提高路段车辆排队长度估计的准确性。

Description

一种路段车辆排队长度的估计方法、装置及系统

技术领域

本发明涉及智能交通技术领域，尤其涉及一种路段车辆排队长度的估计方法、装置及系统。

背景技术

道路交通参数的实时获取和交通状态的准确判别是实施有效交通控制的基础，利用传统的断面检测器，如线圈、地磁、微波等，仅能获取断面车流流量、车辆行驶速度、占有率等局部信息。而描述交通状态的更精细化参数，如排队长度、车辆延误等往往需要在断面采集数据的基础上进行复杂的推演估计。受断面检测器布设位置、数量，所采集的交通参数粒度、精确度，以及算法可靠性等因素的影响，交通状态估计结果往往与实际情况存在较大的误差，难以实现交通状态的精确化判别。

路段中车辆的排队长度是有效刻画道路交通状态的重要参数之一，实时、准确的路段车辆排队长度估计可以为交通信号控制效果评价、交通信号控制方案优化以及交通诱导等智能交通应用提供有力的支撑。传统的基于断面检测器的排队长度估计方法存在一定的不足之处，排队长度估计结果难以较好的指导实际交通控制和信息服务应用需求。一方面，传统的检测器所获取的交通信息仅能准确描述检测器所在断面的交通状态，而路段排队长度是面向整个路段的评价指标，这种以偏概全的估计模式存在一定的片面性。另一方面，断面检测器交通参数采集时间粒度较大，如周期数据、分钟数据、小时数据等。在实际场景中，受道路结构、信号控制方案、交通事件等因素影响，交通流会呈现较强的随机特性，即使在两个相邻的信号控制周期内交通状态也可能会存在较大的区别。因此，粗时间粒度的断面检测数据无法准确把握道路实时交通状态，排队长度估计结果准确性以及可靠性差。

可见，现有技术中利用断面检测设备来进行排队长度的估计在空间和时间维度上皆有局限性，估计结果准确性差。如何克服现有技术的缺陷，提高路段车辆排队长度估计的准确性，为交通状态评价、交通信号控制方案优化提供有效的支撑是业界所亟待研究和解决的问题。

发明内容

本发明实施例提供一种路段车辆排队长度的估计方法、装置及系统，用以提高路段车辆排队长度估计的准确性。

本发明的一个实施例提供的路段车辆排队长度的估计方法，包括：

获取信号周期内所述路段的车流量、以及所述路段上智能车辆上报的车辆行驶状态信息；所述智能车辆为具备车辆行驶状态信息采集和无线通信功能的车辆；

根据所述车流量，确定所述路段在所述信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻；

根据所述智能车辆上报的车辆行驶状态信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻以及所述路段在所述N个停车时刻对应的排队长度，N为非负整数；

根据所述路段在所述N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期内的不同时刻对应的排队长度。

可选地，确定所述路段在所述信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻，包括：

根据所述车流量，确定所述路段在所述信号周期内的车辆到达率；

根据所述车辆到达率以及所述路段的饱和流率，确定所述路段在所述信号周期内达到最大排队长度的第一时刻；

根据所述车辆到达率和所述第一时刻，确定所述路段在所述信号周期内所达到的最大排队长度。

可选地，所述智能车辆上报的车辆行驶状态信息中包括车辆速度信息和车辆位置信息；

确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻以及所述路段在所述N个停车时刻对应的排队长度，包括：

根据所述智能车辆上报的车辆速度信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻；

根据所述智能车辆上报的车辆位置信息，确定所述路段在所述N个停车时刻对应的排队长度。

可选地，根据所述路段在所述N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期内的不同时刻对应的排队长度，包括：

根据所述N个停车时刻从前到后的顺序将所述信号周期划分为N+1个时间区间；

针对前N个时间区间中的每个时间区间，根据所述路段在第k-1个停车时刻以及第k个停车时刻对应的排队长度，确定所述路段在所述信号周期的第k个时间区间内的不同时刻对应的排队长度，k为大于等于1且不大于N的整数；

根据所述路段在第N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期的第N+1个时间区间内的不同时刻对应的排队长度。

可选地，确定所述路段在所述信号周期的第k个时间区间内的不同时刻对应的排队长度，包括：

按照以下公式确定所述路段在第k个时间区间内的不同时刻对应的排队长度：

其中，n(t)表示所述路段在第t时刻对应的排队长度；t_k-1表示第(k-1)个停车时刻；n_k-1表示所述路段在第(k-1)个停车时刻对应的排队长度；t_k表示第k个停车时刻；n_k表示所述路段在第k个停车时刻对应的排队长度；其中，k＝1时，t₀＝0，n₀＝0。

可选地，确定所述路段在所述信号周期的第N+1个时间区间内的不同时刻对应的排队长度，包括：

根据在所述第N个停车时刻之后所述智能车辆上报的车辆速度信息，判断在所述第N个停车时刻停车的智能车辆在所述第N个停车时刻之后的速度是否不为0；

若不为0，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；否则

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}\frac{n_{max}-n_N}{t_m-t_N}(t-t_N)+n_N& t_N\&le;t\&le;t_m\\ 0& t_m<t\&le;C\end{array}\right.$

其中，n(t)表示所述路段在第t时刻对应的排队长度；t_N表示第N个停车时刻；n_N表示所述路段在所述第N个停车时刻对应的排队长度；t_m表示所述第一时刻；n_max表示所述最大排队长度；C表示信号周期时长；

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{n}_N& t_N\&le;t\&le;t_m^1\\ 0& t_m^1<t\&le;C\end{array}\right.$

其中，表示达到最大排队长度的时刻；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{p}^{\&prime;}(t-t_N)+n_N& t_N\&le;t\&le;t_m^2\\ 0& t_m^2<t\&le;C\end{array}\right.$

其中，p’表示所述路段在所述第N个时刻之后的车辆到达率，按照公式计算得到；t_m ²表示所述路段在到达率为p’时达到最大排队长度的时刻，按照公式计算得到；Q表示所述车流量，n_lane表示所述路段的车道数量。

本发明的一个实施例提供的路段车辆排队长度的估计装置，包括：

获取模块，用于获取信号周期内所述路段的车流量、以及所述路段上智能车辆上报的车辆行驶状态信息；所述智能车辆为具备车辆行驶状态信息采集和无线通信功能的车辆；

第一确定模块，用于根据所述车流量，确定所述路段在所述信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻；

第二确定模块，用于根据所述智能车辆上报的车辆行驶状态信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻以及所述路段在所述N个停车时刻对应的排队长度，N为非负整数；

第三确定模块，用于根据所述路段在所述N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期内的不同时刻对应的排队长度。

可选地，所述第一确定模块，具体用于：

根据所述车流量，确定所述路段在所述信号周期内的车辆到达率；

根据所述车辆到达率以及所述路段的饱和流率，确定所述路段在所述信号周期内达到最大排队长度的第一时刻；

根据所述车辆到达率和所述第一时刻，确定所述路段在所述信号周期内所达到的最大排队长度。

可选地，所述智能车辆上报的车辆行驶状态信息中包括车辆速度信息和车辆位置信息；

所述第二确定模块，具体用于：

根据所述智能车辆上报的车辆速度信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻；

根据所述智能车辆上报的车辆位置信息，确定所述路段在所述N个停车时刻对应的排队长度。

可选地，所述第三确定模块，具体用于：

根据所述N个停车时刻从前到后的顺序将所述信号周期划分为N+1个时间区间；

针对前N个时间区间中的每个时间区间，根据所述路段在第k-1个停车时刻以及第k个停车时刻对应的排队长度，确定所述路段在所述信号周期的第k个时间区间内的不同时刻对应的排队长度，k为大于等于1且不大于N的整数；

根据所述路段在第N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期的第N+1个时间区间内的不同时刻对应的排队长度。

可选地，所述第三确定模块，具体用于：

按照以下公式确定所述路段在第k个时间区间内的不同时刻对应的排队长度：

其中，n(t)表示所述路段在第t时刻对应的排队长度；t_k-1表示第(k-1)个停车时刻；n_k-1表示所述路段在第(k-1)个停车时刻对应的排队长度；t_k表示第k个停车时刻；n_k表示所述路段在第k个停车时刻对应的排队长度；其中，k＝1时，t₀＝0，n₀＝0。

可选地，所述第三确定模块，具体用于：

根据在所述第N个停车时刻之后所述智能车辆上报的车辆速度信息，判断在所述第N个停车时刻停车的智能车辆在所述第N个停车时刻之后的速度是否不为0；

若不为0，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；否则

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}\frac{n_{max}-n_N}{t_m-t_N}(t-t_N)+n_N& t_N\&le;t\&le;t_m\\ 0& t_m<t\&le;C\end{array}\right.$

其中，n(t)表示所述路段在第t时刻对应的排队长度；t_N表示第N个停车时刻；n_N表示所述路段在所述第N个停车时刻对应的排队长度；t_m表示所述第一时刻；n_max表示所述最大排队长度；C表示信号周期时长；

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{n}_N& t_N\&le;t\&le;t_m^1\\ 0& t_m^1<t\&le;C\end{array}\right.$

其中，表示达到最大排队长度的时刻；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{p}^{\&prime;}(t-t_N)+n_N& t_N\&le;t\&le;t_m^2\\ 0& t_m^2<t\&le;C\end{array}\right.$

其中，p’表示所述路段在所述第N个时刻之后的车辆到达率，按照公式计算得到；t_m ²表示所述路段在到达率为p’时达到最大排队长度的时刻，按照公式计算得到；Q表示所述车流量，n_lane表示所述路段的车道数量。

本发明的一个实施例提供的路段车辆排队长度的估计系统，包括：

如本发明上述任一实施例所述的路段车辆排队长度的估计装置；

断面检测器，用于检测信号周期内所述路段的车流量，并将检测到的车流量发送给所述路段车辆排队长度的估计装置；

智能车辆，所述智能车辆具备车辆行驶状态信息采集和无线通信功能，用于采集车辆的行驶状态信息，并将采集到的车辆行驶状态信息上报给所述路段车辆排队长度的估计装置。

在本发明实施例所提供的路段车辆排队长度的估计技术方案中，包括了对信号周期内路段的车流量和路段上智能车辆上报的车辆行驶状态信息的获取，进而一方面基于车流量，确定出路段在信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻，另一方面基于智能车辆上报的车辆行驶状态信息，确定出信号周期内智能车辆在路段上的停车时刻以及路段在各个停车时刻对应的排队长度；从而进一步根据路段在各个停车时刻对应的排队长度，以及路段在第一时刻对应的最大排队长度，确定路段在信号周期内的不同时刻对应的排队长度。

可以看到，本发明实施例所提供的技术方案综合利用了可以来自于传统断面检测器的车流量和来自于离散的智能车辆上报的车辆行驶状态信息，从而有效融合了车流量所具备的统计特征和智能车辆行驶状态信息所具备的实时性优势，因而能够在路段车辆排队长度的估计中反映出路段车辆排队长度在时空域上的变化过程，克服了现有技术中基于单一断面检测器数据进行排队估计的局限，能够提高路段车辆排队长度估计的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一个实施例提供的路段车辆排队长度的估计系统的结构示意图；

图2为本发明的一个实施例提供的路段车辆排队长度的估计方法的流程示意图；

图3为本发明的一个实施例中所提供的基于车流量的路段车辆排队长度的估计示意图；

图4(a)示出了本发明的一个实施例中为完全停车状态的智能车辆的车辆速度示意图；

图4(b)示出了本发明的一个实施例中为临界停车状态的智能车辆的车辆速度示意图

图5为本发明的一个实施例中路段在智能车辆的停车时刻对应的排队长度示意图；

图6为本发明的一个实施例中路段在情况B1时第N+1个时间区间的车辆排队长度示意图；

图7为本发明的一个实施例中路段在情况B2时第N+1个时间区间的车辆排队长度示意图；

图8为本发明的一个实施例中路段在情况B3时第N+1个时间区间的车辆排队长度示意图；

图9为本发明的一个实施例中路段在情况B4时第N+1个时间区间的车辆排队长度示意图；

图10为本发明的一个实施例提供的路段车辆排队长度的估计装置的结构示意图；

图11示出了本发明的一个实施例提供的系统架构中路段车辆排队长度的估计装置的功能划分示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

车辆排队是引起交通拥挤的主要原因之一，路段车辆排队长度的估计是探讨车辆排队演化的基本内容之一。建立路段车辆排队长度的估计模型能够为深入认识排队现象和准确描述交通状态提供理论依据和方法，并能够应用与交通控制系统中，为交通状态评价、交通信号控制方案优化提供有效的支撑。

然而车辆排队现象实际上是一个随着时间变化的动态过程，在实际场景中，受道路结构、信号控制方案、交通事件等因素影响，交通流呈现较强的随机特性，车辆排队在时空域上的变化过程则能够反映出交通拥挤产生的内在机理。但是传统的基于断面检测器的排队长度估计方案，受限于断面检测器布设位置、数量，所采集的交通参数粒度、精确度，以及算法可靠性等因素的影响，往往无法准确把握道路实时交通状态，不能反映出车辆排队在时空域上的变化过程，排队长度估计结果准确性和可靠性差。

为有效解决传统基于断面检测数据的车辆排队估计方法存在的不足之处，并考虑到基于传感器技术以及通信技术的发展而逐步发展起来的车路协同技术，以及目前具备车辆行驶状态采集(或可理解为状态感知)和无线通信功能(或智能车载终端)的车辆覆盖率较低的实际场景，本发明实施例提供了一种路段车辆排队长度的估计技术方案，能够在当前车路协同技术不断发展的趋势下，联合利用车路通信与传统断面检测器所具有的业务功能，提供一套完善的基于车路通信和断面检测的排队长度估计的技术方案，有效融合来自于传统断面检测器检测得到的车流量所具备的统计确定性以及来自于离散的智能车辆的车辆行驶状态信息所具备的实时性，从而能够在路段车辆排队长度的估计中反映出排队长度在信号周期内的实时变化，克服了现有技术中基于单一断面检测器数据源进行排队估计的局限，能够提高路段车辆排队长度估计的准确性，进而能够为交通状态客观评价、交通信号控制方案优化提供有效的支撑，而且对车路协同技术的应用及发展也具有重要的意义。

为了更清楚的说明本发明实施例所提供的路段车辆排队长度的估计方案，下面将首先对本发明的一个实施例提供的路段车辆排队长度的估计系统的系统架构进行介绍。

图1示出了本发明的一个实施例提供的路段车辆排队长度的估计系统的系统架构示意图，该系统架构为应用了本发明的一个实施例提供的路段车辆排队长度的估计装置的一个车路协同的场景示例。如图1所示，该系统架构中包括智能车辆101、断面检测器102、和路段车辆排队长度的估计装置103。

具体地，考虑到在车路协同场景中通常由路侧设备来执行数据的获取、处理、分析和发送等，在本发明的一些可选实施例中，路段车辆排队长度的估计装置103可以集成在路侧设备中，具体可由软件编程或软硬件的结合来实现。

其中，智能车辆101为具备车辆行驶状态信息采集和无线通信功能(或也可以理解为车路通信功能)的车辆，具体比如图1所示出的智能车辆101，其包括有状态采集单元1011和无线通信单元1012。

应当指出的是，本申请中将使用智能车辆(或者bench-mark车辆)来表示具备车辆行驶状态信息采集和无线通信功能的车辆，该表示方式并不构成对本申请的限定。

具体地，智能车辆101中的状态采集单元1011主要用于在每个预设的采集时刻采集智能车辆101的车辆行驶状态信息，其主要包括有车辆速度信息和车辆位置信息等；无线通信单元1012主要用于将状态采集单元1011采集到的车辆行驶状态信息发送给路段车辆排队长度的估计装置103。

其中，状态采集单元1011具体可以通过智能车辆上加装的传感设备，比如全球定位系统(Global Positioning System，GPS)、陀螺仪、电子罗盘、激光雷达车载单元等来采集车辆的位置、速度、姿态和行车环境等时空状态信息。

其中，无线通信单元1012可以通过无线通信网络，比如无线个域网、无线局域网、无线广域网或专用短程无线通信(Dedicated Short Range Communications，DSRC)等，将状态采集单元1011采集到的车辆行驶状态信息发送给路段车辆排队长度的估计装置103。

可选地，智能车辆101中的状态采集单元1011和无线通信单元1012均可以集成到安装在智能车辆上的车载终端中。比如，车载终端可以是集成有GPS、惯性导航系统、自动控制、高精度测微、无损检测等多种传感技术，整合了监控、导航、传感、通信以及控制等功能单元的一体化车载终端。

以路段车辆排队长度的估计装置103集成在路侧设备中为例，可以看到，具备车辆行驶状态信息采集和无线通信功能的智能车辆101，可以与路侧设备建立无线通信网络，实现交通采集数据的实时交互。通过对智能车辆行驶状态的感知和采集，可以获取车辆个体的全时空状态信息。从而使得交通数据采集的内容得到进一步丰富和精确，从传统断面检测流量、占有率扩展到车辆的位置、速度、加减速度、车头距等，为交通状态判别提供了新的数据支撑。同时，智能车辆采集的数据可以通过无线通信网络在车车、车路之间进行实时交互，从而使得交通数据精度从小时、分钟粒度过渡到车辆的实时运行状态，为交通状态估计提供了更加精细化的依据。

具体地，图1所示出的断面检测器102主要可以包括有车流量检测单元1021，用于检测信号周期内路段的车流量(或也可以理解为交通流量)，并将检查到的车流量发送给路段车辆排队长度的估计装置103。

其中，断面检测器102具体可以是环形线圈检测器、地磁式检测器或者微波检测器等。在本发明的一些可选实施例中，断面检测器102可以通过有线传输的方式将数据发送给路段车辆排队长度的估计装置103。

具体地，路段车辆排队长度的估计装置103主要用于获取来自智能车辆101的车辆行驶状态信息和来自断面检测器102的车流量，并基于获取到的这些数据进行路段车辆排队长度的估计。

其中，由于来自智能车辆101的车辆行驶状态信息可以是由智能车辆101在每个采集时刻实时采集和发送的包括有实时速度信息与实时位置信息的信息，具体地，路段车辆排队长度的估计装置103可以将所获取到的来自智能车辆101的具备实时性的车辆行驶状态信息对应与采集时间进行存储，得到智能车辆行驶状态信息的记录。

具体地，路段车辆排队长度的估计装置103中可包括用于收发数据的无线通信单元1031、用于存储数据和程序的存储单元1032以及用于数据处理的处理器单元1033和总线1034。或者，本发明的一些可选实施例中，路段车辆排队长度的估计装置103可以集成在路侧设备中，由路侧设备的无线通信单元获取数据，路侧设备的存储单元进行信息存储，路侧设备的处理器单元执行与路段车辆排队长度的估计装置103相关的数据处理。

如图1所示的本发明的一个实施例提供的系统架构中，断面检测器102可以检测得到具备统计特征的车流量并发送给路段车辆排队长度的估计装置103，智能车辆101可以采集到具备实时特征的车辆行驶状态信息并发送给路段车辆排队长度的估计装置103，从而路段车辆排队长度的估计装置103可以根据来自断面检测器102的车流量和来自智能车辆101的车辆行驶状态信息，进行路段车辆排队长度的估计。

可以看到，在如图1所示的本发明的一个实施例提供的系统架构中，在车路协同环境下，路段车辆排队的估计装置103可以获取来自断面检测器102检测到的车流量并可以通过车路通信获取来自智能车辆101采集到的车辆行驶状态信息，通过将断面检测数据和车路通信数据有机融合到路段车辆排队长度的估计中，充分发挥了不同数据源各自所具备的优势，从而能够反映出车辆排队在时空域上的变化过程，实现更为准确的排队长度的估计，不仅能够为交通状态评价和交通控制方案优化等应用提供有效的支撑，同时对车路协同技术的应用及发展也具有十分重要的意义。

下面基于图1所示的系统架构，结合图2描述本发明实施例提供的路段车辆排队长度的估计方法流程。

图2示出了本发明实施例提供的路段车辆排队长度的估计方法的流程示意图，该流程可应用与如图1所示的系统架构，该流程具体可由如图1所示的路段车辆排队长度的估计装置实现，该流程包括如下步骤：

步骤201：获取信号周期内路段的车流量、以及路段上智能车辆上报的车辆行驶状态信息。

其中，智能车辆为具备车辆行驶状态信息采集和无线通信功能的车辆。

以图1所示的系统架构为例，本发明的一些可选实施例中，具体可以获取由断面检测器102在每个信号周期内检测到的路段的车流量。断面检测器102具体可以是布设在路段出口方向(或也可以理解为路段下游路口)的断面检测器，从而能够检测每一个完整信号周期的车流量。

具体地，在路段具有多个车道情况下，断面检测器102可以包括有布设在路段出口方向各个车道上的断面检测器，通过将在相同信号周期内检测到的路段出口方向各个车道的车流量进行累加，便能够得到该信号周期内路段的车流量。比如，假设路段的车道数量为n_lane，以表示路段下游路口在第i信号周期中布设在第j条车道上的断面检测器102_j检测到的车流量，则在该第i信号周期内路段的车流量可以表示为即该第i个周期路段出口方向各个车道的断面检测器检测到的车流量之和，其中，i为正整数，j为大于0小于n_lane的整数。

相应地，以图1所示的系统架构为例，本发明的一些可选实施例中，智能车辆可以将其按照预设的采集周期所采集到的具有实时性的车辆行驶状态信息无线传输给路段车辆排队长度的估计装置，路段车辆排队长度的估计装置接收到智能车辆上报的车辆行驶状态信息后，则可以将智能车辆的车辆行驶状态信息对应于上报时间以及智能车辆的标识进行记录，从而得到智能车辆的车辆行驶状态信息记录，进而便能够通过读取该记录，获取信号周期内路段上智能车辆上报的车辆行驶状态信息。

其中，智能车辆上报的车辆行驶状态信息中主要包括有车辆速度信息和车辆位置信息等，智能车辆的标识可以是该智能车辆的车牌号信息等。

具体地，比如以路段车辆排队长度的估计装置集成在路侧设备为例，智能车辆可以通过车载传感器检测实时车辆行驶状态，并以无线通信方式向路侧设备按照秒级精度发送车辆行驶状态信息。其中，智能车辆的车辆行驶状态信息包括有通过车载定位设备检测到的车辆位置信息(通常表示为经纬度)和通过速度传感器检测到的车辆速度信息等。集成在路侧设备中的路段车辆排队长度的估计装置可以将获取到的具有秒级精度的车辆行驶状态信息存储到路侧设备的存储单元中，存储方式可以是列表等，在一个信号周期结束时获取在该信号周期内存储的智能车辆的车辆行驶状态信息的记录。路段车辆排队长度的估计装置还可以在每个信号周期结束时对存储信息记录进行更新，或者在设定的更新周期到达时进行更新。

比如，假设路段车辆排队长度的估计装置获取到来自第k个智能车辆在第t时刻采集到的车辆行驶状态信息，以P_k(longitude,latitude)和v_k表示该第k个智能车辆在第t时刻采集到的车辆位置信息和车辆速度信息，并假设路段车辆排队长度的估计装置使用车牌号标识不同的智能车辆，因而，路段车辆排队长度的估计装置对应于所接收到的该车辆行驶状态信息的记录中将包括有第k个智能车辆的车牌号、第t时刻以及P_k(longitude,latitude)和v_k。

具体地，在交通信号控制中，绿灯时长、黄灯时长、红灯时长以及绿灯间隔时间是信号控制中的几个重要时间参数，为了简化本申请的描述，在本申请中将一个信号周期认为是起始于一个红灯开始时刻，结束于下一个红灯开始时刻；或者，也可以认为一个信号周期为包含有一个完整的连续红绿灯对的时间周期。同时，本申请也不考虑相位损失时间，即认为有效红灯时长即为显示红灯时长，有效绿灯时长即为显示绿灯时长。

通过步骤201获取到信号周期内路段的车流量和路段上智能车辆的车辆行驶状态信息之后，进一步地可通过以下步骤来对路段车辆排队长度进行估计：

步骤202：根据车流量，确定路段在信号周期内所达到的最大排队长度以及达到给最大排队长度时的第一时刻。

步骤203：根据智能车辆上报的车辆行驶状态信息，确定信号周期内智能车辆在路段上的N个停车时刻以及路段在N个停车时刻对应的排队长度；N为非负整数。

步骤204：根据路段在N个停车时刻对应的排队长度，以及路段在第一时刻对应的最大排队长度，确定路段在信号周期内的不同时刻对应的排队长度。

可以看到，步骤202和步骤203也可以认为是为步骤204中对路段在信号周期内的排队长度进行估计的前期数据准备。

或者，也可以理解为通过步骤202将能够基于具备统计特征的车流量得到路段车辆排队长度的一个估计模型(由第一时刻与路段在该第一时刻对应的最大排队长度确定)，通过步骤203将能够基于具备实时特征的智能车辆的车辆行驶状态信息得到用于对该估计模型进行修正的数据点(即根据N个停车时刻以及路段在该N个停车时刻对应的排队长度进行修正)，从而得到能够反映出排队长度在时空域上变化情况的路段车辆排队长度的估计模型，进而能够实现更为准确的路段车辆排队长度的估计。

考虑到在实际场景中，交通状况具备不确定性，交通流受道路结构、信号控制方案、交通事件等因素影响往往呈现较强的随机特性。因而，为了避免引入过多的不确定因素，在本申请中将主要针对交通不饱和状态下对路段车辆排队长度的估计进行描述，其中，交通不饱和状态下可以认为路段在红灯期间所累积的停车车辆将能够在一个绿灯时间内消散，即路段中停车的车辆最多停车一次。

具体地，一方面，对于步骤202，如果假设车辆到达率和进口方向断面通过能力为常数，则可以认为红灯期间内车辆排队长度与车辆到达率呈线性的关系，其中，假设车辆到达率为常数也可以理解为假设车辆均为匀速到达状态。

本发明的一些可选实施例中，可以但不限于按照以下方式来确定路段在信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻：

根据步骤201中获取的车流量，确定路段在信号周期内的车辆到达率；再根据该车辆到达率以及路段的饱和流率，确定出路段在信号周期内达到最大排队长度的第一时刻；从而可以根据该车辆到达率和该第一时刻，确定出路段在信号周期内所达到的最大排队长度。

其中，该车辆到达率可以认为是车辆为匀速到达情况所对应的车辆到达率，本发明的一些可选实施例中，具体可以根据车流量，按照以下公式确定该车辆到达率：

p＝Q/(Cn_lane)……………………(1)

其中，p表示该车辆到达率，Q表示车流量，C表示信号周期时长，n_lane表示路段的车道数量。

进一步地，按照该车辆到达率，信号周期内车辆均匀到达，红灯期间内车辆排队长度与车辆到达率呈线性的关系，本发明的一些可选实施例中可以根据按照公式(1)确定的车辆到达率以及路段的饱和流率，按照以下公式确定第一时刻：

$t_m=\frac{Sr}{S-p}\mathrm{...}\left(2\right)$

其中，t_m表示该第一时刻，r表示信号周期内的红灯时长，S表示路段的饱和流率。

其中，路段的饱和流率通常是指在一次连续的绿灯信号时间内,路段车道上的一列连续车队能通过路段车道停车线的最大车辆流量，一般可以认为是路段自身的特征参数，通常为常数。

进一步地，最大排队长度也可以理解为排队消散时最后一辆停车车辆与停车线之间的车辆数，本发明的一些可选实施例中可以根据按照公式(1)确定的车辆到达率和按照公式(2)确定的第一时刻，按照以下公式确定出该最大排队长度：

$n_{max}={\mathrm{pt}}_m=p\frac{Sr}{S-p}\mathrm{...}\left(3\right)$

其中，n_max表示该最大排队长度。

具体比如，图3示出了在本发明的一个实施例中所提供的基于车流量的路段车辆排队长度的估计示意图。

如图3所示，C表示信号周期时长，r为该信号周期内的红灯结束时刻，即可以理解为在0到r时刻之间为红灯期间，红灯起亮时，停车线前形成一列停车波，排队队列头部不动，尾部不断向后移动，可以看到，在车辆到达率为p(相当于图示中的斜率)的情况下，停车车辆呈线性增长趋势；在t时刻的车辆排队长度为n(t)；由于在r时刻红灯结束，绿灯起亮，停车线前形成一列起动波(比如图3所示出的，在r到t_m时刻之间停车车辆将按照饱和流率进行消散)，而在起动波波及到最后停车的车辆之前，仍然可以认为后续车辆按照车辆到达率p依次停车，从而在r时刻之后的t_m时刻为该路段达到车辆排队的最大排队长度的第一时刻，t_m时刻对应的排队长度n_max为该路段在信号周期内的车辆排队的最大排队长度，可以看到在对于如图3所示的用于描述时间与车辆排队长度的关系的路段车辆排队长度的估计模型而言，(t_m，n_max)为用于确定该估计模型的一个数据点。

然而在实际道路场景中，车辆到达率往往是随机变化的，实际车辆到达率不仅与当前交叉口相关，还与上游交叉口的控制类型、上游交叉口到本地交叉口的间距、到达车辆组成(车型构成、车辆性能差异)、异常事件以及驾驶行为特性等因素有关，实际车辆到达率会与按照上述步骤基于车流量数据所确定的车辆到达率存在一定的偏差。

具体地，另一方面，对于步骤203，在本发明的一些可选实施例中，将基于来自智能车辆上报的车辆行驶状态信息，确定出信号周期内智能车辆在路段上的N个停车时刻以及路段在N个停车时刻对应的排队长度，N为非负整数。

基于前述通过步骤202基于车流量得到的路段车辆排队长度的估计模型的描述，可以认为，在本发明的一些可选实施例中，通过步骤203将能够得到用于修正基于车流量所得到的路段车辆排队长度的估计模型的数据点，通过使用来自智能车辆的具备实时性的车辆行驶状态信息对实际的车辆排队进行标定，将能够有效提高路段车辆排队长度估计的精确度。

具体地，智能车辆上报的车辆行驶状态信息中包括有车辆速度信息和车辆位置信息，在本发明的一些可选实施例中，可以先根据智能车辆上报的车辆速度信息，确定信号周期内智能车辆在路段上的N个停车时刻；再根据智能车辆上报的车辆位置信息，确定路段在N个停车时刻对应的排队长度。

其中，根据智能车辆上报的车辆速度信息，将可以得到信号周期内在路段上发生停车的智能车辆，具体可以将车辆速度信息中出现速度变为零的智能车辆判断为信号周期内在该路段上发生停车的智能车辆，其停车时刻即为该智能车辆速度变为零的时刻。

本发明的一些可选实施例中，根据获取到的智能车辆上报的车辆速度信息，可以首先对智能车辆是否发生停车进行判定，判定车辆速度信息中出现速度变为零的智能车辆为信号周期内在该路段上发生停车的智能车辆，并可进一步地对于车辆速度信息中出现速度变为零的智能车辆，细分其停车状态是完全停车状态、还是临界停车状态。

具体地，比如以智能车辆被标识为bench-mark车辆为例，受红灯的阻滞，路段各车道中的车辆进行排队，当bench-mark车辆行驶到车队队尾时，前方排队车辆未消散，bench-mark车辆由正常行驶速度减速至零，并将会在速度为零的状态保持一定的时间(该时间包括有前方排队车辆等待信号灯的时间和排队消散时间，通常是大于零的数值)，因而对于车辆速度信息中在连续的若干个时刻出现速度为零的bench-mark车辆，则可以认为是完全停车状态的车辆；当一个bench-mark车辆发生完全停车，可以认为排队现象蔓延至该bench-mark车辆，并可能会继续向后延伸。

相应地，当bench-mark车辆行驶到车队队尾减速停车时，前方排队车辆恰好启动行驶，此时车辆立即开始加速并恢复到正常行驶状态，因而速度为零的状态将仅出现在一个时刻，随后即变为加速，对于车辆速度信息中仅在一个时刻出现速度为零的bench-mark车辆，则可以认为是临界停车状态的车辆；当一个bench-mark车辆发生临界停车，可以认为前方排队恰好蔓延到该bench-mark车辆，后续车辆将不再停车。

具体比如，图4(a)示出了本发明的一个实施例中为完全停车状态的智能车辆的车辆速度示意图；图4(b)示出了本发明的一个实施例中为临界停车状态的智能车辆的车辆速度示意图。

以d_i表示速度信息中速度为零的持续时长，可以看到在图4(a)所示出的为完全停车状态的智能车辆的速度示意中，d_i大于零，即可以认为对应多个时刻，而在图4(b)所示出的为临界停车状态的智能车辆的速度示意中，d_i近似可以认为于零，即可以认为对应于一个时刻。

在本发明的一些可选实施例中，在交通不饱和状态下，可以按照时间的先后顺序确定出信号周期内在该路段上依次停车的N个智能车辆和对应的N个停车时刻。比如，第一个停车时刻对应于在时序上第一个停车的智能车辆，第N个停车时刻对应于在时序上第N个停车的智能车辆。

确定出信号周期内智能车辆在路段上的N个停车时刻之后，可进一步地根据智能车辆上报的车辆位置信息，确定路段在N个停车时刻对应的排队长度。

具体地，根据智能车辆所上报的对应于这N个停车时刻的车辆行驶状态信息，将能够得到在这N个停车时刻停车的智能车辆的位置信息，一个停车时刻将对应有一个智能车辆的停车位置信息。对于这N个停车时刻中的任一个停车时刻，可以首先根据在该停车时刻停车的智能车辆的车辆位置信息，进行单车排队长度估计，即计算出路段分别在这N个停车时刻对应的排队长度。

其中，单车排队长度估计，即路段分别在这N个停车时刻对应的排队长度，可以通过但不限于以下方式来计算：

根据智能车辆上报的车辆位置信息，得到在这N个停车时刻停车的N个智能车辆的停车位置，分别确定出在这N个停车时刻停车的智能车辆的停车位置与停车线之间的距离，按照以下公式计算所述路段在每个停车时刻对应的排队长度：

n_k＝L_k/d_s……………………(4)

其中，n_k表示路段在第k个停车时刻(可以用t_k表示)对应的排队长度；L_k表示在第k个停车时刻停车的智能车辆的停车位置与停车线之间的距离；d_S表示停车平均车头距；k为小于等于N的正整数。

具体地，n_k所表示的路段在第k停车时刻对应的排队长度也可以认为实时地表示了在该时刻路段上在排队车辆的数量。因而可以看到，通过确定出这N个停车时刻以及路段在这N个停车时刻对应的排队长度，相当于得到了用于估计车辆排队长度的N个具备实时特征的数据点(t₁,n₁),…,(t_k,n_k),…,(t_N,n_N)。

比如图5所示出的本发明的一个实施例中智能车辆停车时刻对应的路段排队长度示意图，其中，L_k表示该智能车辆的停车位置与停车线之间的距离；d_S表示停车平均车头距，可以看到，在该智能车辆的前方有三辆位于排队队列中的停车车辆。

可以看到，通过步骤202和步骤203将可以得到用于描述时间与车辆排队长度的关系的N+1个点，其中包括一个基于车流量得到的数据点(t_m，n_max)，以及基于车辆行驶状态信息得到的N个数据点(t₁,n₁),…,(t_k,n_k),…,(t_N,n_N)。在本发明的一些实施例中，可以进一步地执行步骤204：根据路段在N个停车时刻对应的排队长度，以及路段在第一时刻对应的最大排队长度，确定路段在信号周期内的不同时刻对应的排队长度。

具体地，路段在N个停车时刻对应的排队长度可以直接认为是路段在信号周期内的这N个停车时刻所对应的排队长度；对于路段在信号周期内的其它不同时刻对应的排队长度，为了简化计算，在本发明的一些实施例中可假设信号周期开始时刻与第一停车时刻之间，以及各个停车时刻之间，以及第N停车时刻到信号周期结束时刻之间，路段中车辆排队长度均呈线性变化趋势。

具体地，在本发明的一些实施例中，可以按照但不限于以下方式确定路段在信号周期内的不同时刻对应的排队长度：

根据N个停车时刻从前到后的顺序将信号周期划分为N+1个时间区间；

针对前N个时间区间中的每个时间区间，根据路段在第k-1个停车时刻以及第k个停车时刻对应的排队长度，确定路段在信号周期的第k个时间区间内的不同时刻对应的排队长度，k为大于等于1且不大于N的整数；

根据路段在第N个停车时刻对应的排队长度，以及路段在第一时刻对应的最大排队长度，确定路段在信号周期的第N+1个时间区间内的不同时刻对应的排队长度。

其中，信号周期被N个停车时刻划分为N+1个时间区间，从信号周期起始到第一个停车时刻为第一个时间区间，从第k-1个停车时刻到第k个停车时刻为第k个时间区间，第N个停车时刻到信号周期结束为第N+1个时间区间。

具体地，假设在一个信号周期内N个停车时刻和路段在这N个停车时刻对应的排队长度依次为(t₁,n₁),…,(t_k-1,n_k-1),(t_k,n_k),…,(t_N,n_N)，其中，t_k表示第k个停车时刻，n_k表示路段在第k个停车时刻对应的排队长度。使用这N个停车时刻可以将信号周期划分为{[0,t₁]、…[t_k-1,t_k]、…[t_N-1,t_N]、[t_N,C]}这N+1个时间区间。

进一步地，针对路段在信号周期的前N个时间区间(即{[0,t₁]、…[t_k-1,t_k]、…[t_N-1,t_N]})的每个时间区间，在本发明的一些可选实施例中，可以根据路段在第k-1个停车时刻以及第k个停车时刻对应的排队长度，确定路段在信号周期的第k个时间区间内的不同时刻对应的排队长度，k为大于等于1且不大于N的整数。

其中，t_k-1与t_k为两个时序上相邻的停车时刻；k＝1时，可以认为第0个停车时刻t₀所表示的是信号周期起始时刻，进而可以认为t₀＝0，相应地，在信号周期起始时刻车辆排队长度n₀＝0。

具体地，对前N个时间区间中的第k个时间区间(假设用[t_k-1,t_k]表示)，可按照以下公式确定路段在该第k个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\frac{n_k-n_{k-1}}{t_k-t_{k-1}}(t-t_k)+n_k,t_{k-1}\&le;t\&le;t_k\mathrm{...}\left(5\right)$

其中，公式(5)中的n(t)表示路段在[t_k-1,t_k]时间范围内的第t个时刻对应的排队长度，t_k-1表示第(k-1)个停车时刻；n_k-1表示所述路段在第(k-1)个停车时刻对应的排队长度，t_k表示第k个停车时刻；n_k表示所述路段在第k个停车时刻对应的排队长度。

其中，由于k＝1时，t₀＝0，n₀＝0，本发明的一些具体实施例中，也可以按照以下公式确定路段在第一个时间区间([0,t₁])内的不同时刻对应的排队长度：

$n\left(t\right)=t\frac{n_1}{t_1},0\&le;t\&le;t_1\mathrm{...}\left(6\right)$

考虑到第N个停车时刻(t_N)与第一时刻(t_m)之间的早晚关系、以及路段在第N个停车时刻对应的排队长度(n_N)与路段在的第一时刻对应的最大排队长度(n_max)之间的长短关系，并不能绝对性的确定；

进一步地，在本发明的一些实施例中，确定路段在信后周期的第N+1个时间区间(即第N个停车时刻到信号周期结束时刻之间)内的不同时刻对应的排队长度时，可以首先对第N个停车时刻停车的智能车辆的停车状态进行具体判断，比如根据在第N时刻之后智能车辆上报的车辆速度信息，判断在第N个停车时刻停车的智能车辆在第N时刻之后的速度是否不为0，从而确定该智能车辆是完全停车状态(速度不为0)，还是临界停车状态(速度在若干个连续的时刻为0)。

具体地，当在第N个停车时刻停车的智能车辆为临界停车状态时(情况A)，则说明第N个停车时刻，恰好排队消散到该智能车辆停车的位置，进而可以确定路段在第N+1个时间区间内的不同时刻对应的排队长度为0。

进一步地，当在第N个停车时刻停车的智能车辆为完全停车状态时(情况B)，可以通过比较第N个停车时刻与第一时刻、以及路段在第N个停车时刻对应的排队长度与路段在第一时刻对应的最大排队长度，来确定路段在第N+1个时间区间内的不同时刻对应的排队长度。

具体地，根据比较结果可以分为以下情况：

情况B1：若第N个停车时刻早于第一时刻，且路段在所述第N个停车时刻对应的排队长度不大于该最大排队长度，则可以按照以下公式确定路段在第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}\frac{n_{max}-n_N}{t_m-t_N}(t-t_N)+n_N& t_N\&le;t\&le;t_m\\ 0& t_m<t\&le;C\end{array}\right.\mathrm{...}\left(7\right)$

其中，n(t)表示路段在第t时刻对应的排队长度；t_N表示第N个停车时刻；n_N表示路段在第N个停车时刻对应的排队长度；t_m表示第一时刻；n_max表示路段在第一时刻对应的最大排队长度；C为信号周期时长。

其中，第一时刻t_m和n_max可以通过前述中的公式(2)、公式(3)得到，在情况B1下，t_m也可以认为是排队消散时刻。因而可以将公式(7)理解为t_N≤t_m且n_N≤n_max时，对路段在[t_N,C]时间区间内车辆排队长度进行估计的计算公式。

具体比如图6示出了本发明的一个实施例中在情况B1(t_N≤t_m且n_N≤n_max)时，路段在第N+1个时间区间的车辆排队长度示意图。如图6所示，较之图3所示出的排队长度估计示意图，t_N≤t_m且n_N≤n_max反映出了当前车辆到达率大于基于车流量得到的车辆到达率，当对应于第N个停车时刻(最后停车)的智能车辆停车时，后续可能仍有车辆陆续到达队尾，并排队到达最大排队长度。

情况B2：若第N个停车时刻早于第一时刻，且路段在第N个停车时刻对应的排队长度大于该最大排队长度，则可以按照以下公式确定路段在第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{n}_N& t_N\&le;t\&le;t_m^1\\ 0& t_m^1<t\&le;C\end{array}\right.\mathrm{...}\left(8\right)$

具体地，情况B2可以认为是对应于最后停车的智能车辆停车时，所在车道排队长度已超出第一时刻对应的最大排队长度，因而在该情况下，达到最大排队长度的时刻可以按照以下公式得到：

$t_m^1=\frac{n_N}{S}+r\mathrm{...}\left(9\right)$

其中，t_m ¹表示该情况下达到最大排队长度的时刻，t_m ¹也可以认为是情况B2时实际排队消散时刻。因而可以将公式(8)理解为t_N≤t_m且n_N>n_max时，对路段在[t_N,C]时间区间内车辆排队长度进行估计的计算公式。

具体比如图7示出了本发明的一个实施例中在情况B2(t_N≤t_m且n_N>n_max)时，路段在第N+1个时间区间的车辆排队长度示意图。如图7所示，较之图3所示出的排队长度估计示意图，t_N≤t_m且n_N>n_max反映出了受车辆到达率随机性或各车道排队不均衡等因素的影响，当最后停车的智能车辆停车时，所在车道排队已超出第一时刻对应的最大排队长度，此时可以认为该车道后续无新车到达队尾排队，排队到达最大排队长度。

情况B3：若第N个停车时刻晚于第一时刻，且路段在第N个停车时刻对应的排队长度大于该最大排队长度，则可以确定路段在第N+1个时间区间内的不同时刻对应的排队长度为0。

具体地，在情况B3时，当最后停车的智能车辆停车时，达到了最大排队长度，因而可以认为t_N>t_m且n_N>n_max时，路段在[t_N,C]时间区间内的不同时刻对应的车辆排队长度为0。

具体比如图8示出了本发明的一个实施例中在情况B3(t_N>t_m且n_N>n_max)时，路段在第N+1个时间区间的车辆排队长度示意图。如图8所示，较之图3所示出的排队长度估计示意图，t_N>t_m且n_N>n_max反映出了当最后停车的智能车辆停车时，后续无新车辆到队尾排队，达到最大排队长度。

情况B4：若第N个停车时刻晚于第一时刻，且路段在第N个停车时刻对应的排队长度不大于最大排队长度，则可以按照以下公式确定路段在第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{p}^{\&prime;}(t-t_N)+n_N& t_N\&le;t\&le;t_m^2\\ 0& t_m^2<t\&le;C\end{array}\right.\mathrm{...}\left(10\right)$

其中，p’表示第N时刻之后的车辆到达率，具体地，由于在情况B4时，可以认为可能因为在信号周期前部分时间车辆到达率较低等原因，导致在最后停车的智能车辆停车时，排队长度尚未达到最大长度，后续车辆会继续排队，从而在t_N时刻之后车辆到达率p’可以按照以下公式计算：

$p^{\&prime;}=\frac{Q-n_N{n}_{lane}}{(C-t_N)n_{lane}}\mathrm{...}\left(11\right)$

相应地，t_m ²表示到达率为p’时，排队累积到最大排队长度的时刻，具体可以按照以下公式计算：

$t_m^2=t_N+\frac{(n_{max}-n_N)(C-t_N)n_{lane}}{Q-n_N{n}_{lane}}\mathrm{...}\left(12\right)$

其中，Q表示车流量数据，n_lane表示路段的车道数量。

因而可以将公式(9)理解为是t_N>t_m且n_N≤n_max情况下，对路段在[t_N,C]时间区间内车辆排队长度进行估计的计算公式。

具体比如图9示出了本发明的一个实施例中在情况B4(t_N>t_m且n_N≤n_max)时，路段在第N+1个时间区间的车辆排队长度示意图。如图9所示，较之图3所示出的排队长度估计示意图，t_N>t_m且n_N≤n_max反映出了当最后停车的智能车辆停车时，排队尚未达到最大长度，后续车辆会继续排队。

可以看到，基于步骤201所获取到的车流量和智能车辆上报的车辆行驶状态信息，通过步骤202和步骤203的处理将能够得到的用于在步骤204中进行路段车辆排队长度估计的数据点，基于这些数据点，再通过对步骤204执行中的各种情形的分析，因而便能够得到在各种情形下确定路段在信号周期内的不同时刻对应的排队长度的方式。或者也可以理解为，在本发明的一些实施例所提供的路段车辆排队长度的估计方案中，利用各车道的断面检测器来检测信号周期内经过路段的车流量，从而基于车流量确定出路段车辆排队长度的一个估计模型，并利用通过车路通信中智能车辆上报的具备实时性的车辆行驶状态信息，使用这些智能车辆的实际车辆到达状态对该估计模型进行修正，因而充分发挥了断面检测器检测数据源(车流量数据来源)和车路通信数据源(车辆行驶状态信息来源)各自的优势，得到能够反应车辆排队长度在时空域上实时变化特征的路段车辆排队长度的估计模型，进而得到更为准确的估计结果。

通过以上描述可以看出，在本发明实施例中提供的路段车辆排队长度的估计技术方案中，包括了对信号周期内路段的车流量和路段上智能车辆上报的车辆行驶状态信息的获取，进而一方面基于车流量，确定出路段在信号周期内所达到的最大排队长度和达到该最大排队长度时的第一时刻，另一方面基于智能车辆上报的车辆行驶状态信息，确定出信号周期内智能车辆在路段上的停车时刻以及路段在各个停车时刻对应的排队长度；从而进一步根据路段在各个停车时刻对应的排队长度，以及路段在第一时刻对应的最大排队长度，确定路段在信号周期内的不同时刻对应的排队长度。

可以看到，本发明实施例所提供的技术方案综合利用了可以来自于传统断面检测器的车流量和来自于离散的智能车辆上报的车辆行驶状态信息，从而有效融合了车流量所具备的统计特征和智能车辆行驶状态信息所具备的实时性优势，因而能够在路段车辆排队长度的估计中反映出路段车辆排队长度在时空域上的变化过程，克服了现有技术中基于单一断面检测器数据进行排队估计的局限，能够提高路段车辆排队长度估计的准确性。进而，本发明实施例中提供的路段车辆排队长度的估计技术方案还可以为交通状态客观评价、交通信号控制方案优化提供有效的支撑，对车路协同技术的应用及发展也具有重要意义。

或者，也可以理解为本发明实施例实际上提供了一套完善的基于车路通信数据和断面检测数据的路段车辆排队长度估计的体系，在该估计体系中，数据源包括车路通信技术中具备车辆行驶状态信息采集和无线通信功能的智能车辆(或智能车载终端)和传统的断面检测器，由集成有路段车辆排队长度的估计装置的路侧设备执行数据的收发和处理。通过传统断面检测器可以获取较为准确的具备统计特征的车流量，而通过车路通信可以获取智能车辆上报的具备实时特征的车辆行驶状态信息。路侧设备可以根据获取到的数据，便可以利用离散的智能车辆对应的停车排队结果对基于断面检测数据的排队结果进行修正，从而能够实现对路段排队长度的实时判别，反映出路段车辆排队在时空域上的变化，有效提高路段排队长度估计的准确度。

本发明实施例中提供的路段车辆排队长度的估计技术方案，避免了现有技术利用单一断面检测器数据源进行排队估计时存在的精确性和实时性差的不足之处，同时解决了车路协同产业化应用初期智能车载终端装备渗透率较低情况下采集车辆样本较少的问题。通过利用离散单车停车状态对基于车流量的排队结果进行修正，可有效解决车辆到达率随机性的影响，实现排队长度的实时、准确估计。

进一步地，通过将本发明实施例所提供的路段车辆排队长度的估计方案与现有技术中的一些车辆排队长度估计的技术方案相比，可以看到本发明实施例所提供的路段车辆排队长度的估计方案具有明显的优势：

比如，相对与现有技术中一些利用浮动车数据、通过统计的方式对车辆排队长度进行估计的技术方案，本发明实施例所提供的路段车辆排队长度的估计方案中对信号周期(当周期)的车辆通信数据和断面检测器数据进行融合，可以对当周期内某一时刻的排队长度进行估计，所用数据类型和数据质量不同，在排队算法方面也存在实质性的区别，克服了基于浮动车数据进行车辆排队长度估计中采用统计手段所引入的实时性不强等缺陷；

又比如，相对与现有技术中一些利用在展宽段各车道的入口处和上游混合段各车道出口处布设断面检测器对排队长度进行估计的技术方案，本发明实施例所提供的路段车辆排队长度的估计方案充分利用了大部分路口已有的感应检测器进行排队估计，无需布设新检测器，而且排队长度估计结果会根据车路通信数据进行修正，提高了准确性；

又比如，相对与现有技术中一些以无线地磁车辆检测器作为数据来源、基于多传感器融合的交通路口排队长度检测的技术方案，本发明实施例所提供的路段车辆排队长度的估计方案能够复用目前交通信号系统中布设较为全面的感应检测器进行路段流量检测，可以获取准确的车流量数据；而且智能车辆停车时可能分布于不同的车道，各个车道的排队数据都可用于对排队长度的估计，提高了排队长度估计的可靠性；

又比如，相对与现有技术中一些基于车辆自组网对路段中的车辆进行聚类，并选取簇首，簇首负责排队长度的计算及与信号灯控制器之间的消息传递的技术方案，而该类技术方案要求车辆全部具有无线通信功能，考虑到在车路协同技术产业化初期，在实际应用中车载终端装备渗透率较低，即具备自身状态感知以及无线通信功能的智能车辆的覆盖类较低，排队路段中可能仅有较少数量的车辆可以获取其行驶状态信息以及进行无线通信。在此情形下，本发明实施例所提供的路段车辆排队长度的估计方案能够更好的适应于当前具备车辆行驶状态信息采集和无线通信功能的智能车辆覆盖率较低的条件下的排队长度进行估计，充分利用车辆定位数据和传统的断面检测数据，无需利用历史值，可以实现路段排队长度的实时估计。

基于相同的技术构思，本发明实施例还提供一种路段车辆排队长度的估计装置，该装置可执行上述路段车辆排队长度的估计方法实施例。

具体地，该装置可以应用到如图1所示的系统架构中，可以由软件编程实现或者软硬件的结合实现，在本发明的一些可选实施例中，路段车辆排队长度的估计装置可集成到路侧设备中，复用路侧设备的收发机资源、存储资源以及处理器资源等。

图10示出了本发明的一个实施例提供的路段车辆排队长度的估计装置。如图10所示，所述路段车辆排队长度的估计装置包括：

获取模块1001，用于获取信号周期内所述路段的车流量、以及所述路段上智能车辆上报的车辆行驶状态信息；其中，智能车辆为具备车辆行驶状态信息采集和无线通信功能的车辆；

第一确定模块1002，用于根据所述车流量，确定所述路段在所述信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻；

第二确定模块1003，用于根据所述智能车辆上报的车辆行驶状态信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻以及所述路段在所述N个停车时刻对应的排队长度；N为非负整数；

第三确定模块1004，用于根据所述路段在所述N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期内的不同时刻对应的排队长度。

在本发明的一些可选实施例中，第一确定模块1002，具体用于：

根据所述车流量，确定所述路段在所述信号周期内的车辆到达率；

根据所述车辆到达率以及所述路段的饱和流率，确定所述路段在所述信号周期内达到最大排队长度的第一时刻；

根据所述车辆到达率和所述第一时刻，确定所述路段在所述信号周期内所达到的最大排队长度。

在本发明的一些可选实施例中，所述智能车辆上报的车辆行驶状态信息中包括车辆速度信息和车辆位置信息；第二确定模块1003，具体用于：

确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻以及所述路段在所述N个停车时刻对应的排队长度，包括：

根据所述智能车辆上报的车辆速度信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻；

根据所述智能车辆上报的车辆位置信息，确定所述路段在所述N个停车时刻对应的排队长度。

在本发明的一些可选实施例中，第三确定模块1004，具体用于：

根据所述N个停车时刻从前到后的顺序将所述信号周期划分为N+1个时间区间；

针对前N个时间区间中的每个时间区间，根据所述路段在第k-1个停车时刻以及第k个停车时刻对应的排队长度，确定所述路段在所述信号周期的第k个时间区间内的不同时刻对应的排队长度，k为大于等于1且不大于N的整数；

根据所述路段在第N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期的第N+1个时间区间内的不同时刻对应的排队长度。

在本发明的一些可选实施例中，第三确定模块1004，具体用于：

按照公式(5)确定所述路段在所述第k个时间区间内的不同时刻对应的排队长度。

在本发明的一些可选实施例中，第三确定模块1004，具体用于：

根据在所述第N个停车时刻之后所述智能车辆上报的车辆速度信息，判断在所述第N个停车时刻停车的智能车辆在所述第N个停车时刻之后的速度是否不为0；

若不为0，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；否则

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照公式(7)确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度；

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则按照公式(8)、(9)按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照公式(10)、(11)、(12)确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度。

基于相同的技术构思，本发明实施例还提供一种路段车辆排队长度的估计系统，该系统可应用上述路段车辆排队长度的估计方法实施例。

具体地，在本发明的一些实施例中所提供的路段车辆排队长度的估计系统，可以包括有前述任一实施例所提供的路段车辆排队长度的估计装置，以及断面检测器和智能车辆。

其中，断面检测器可以是用于检测信号周期内所述路段的车流量，并将检测到的车流量发送给路段车辆排队长度的估计装置；

其中，智能车辆为具备车辆行驶状态信息采集和无线通信功能的车辆，可以采集车辆的行驶状态信息，并将采集到的车辆行驶状态信息上报给路段车辆排队长度的估计装置。

其中，路段车辆排队长度的估计装置具体可以参见前述实施例的描述，本申请在此将不作赘述。

具体地，在本发明的一些可选实施例中，该系统的系统架构可以如图1所示的系统架构，其中，路段车辆排队长度的估计装置可集成到路侧设备中，复用路侧设备的收发机资源、存储资源以及处理器资源等。

具体比如，基于如图1所示的本发明的一个实施例提供的系统示例以及图10所示的本发明的一个实施例提供的路段车辆排队长度的估计装置示例，以路段车辆排队长度的估计装置集成在路侧设备中为例，图11示出了本发明的一个实施例提供的系统架构中路段车辆排队长度的估计装置的功能划分示例。

如图11所示，智能车辆101具有状态采集单元1011和无线通信单元1012，能够将智能车辆的车辆行驶状态信息上报给路侧设备111；断面检测器102能够检测周期的车流量并传输至路侧设备111；路侧设备111中集成的路段车辆排队长度的估计装置112中包括有对上述信息及数据进行获取(或接收)的获取模块1001，以及基于车流量执行处理过程的第一确定模块1002、以及基于智能车辆上报的行驶状态信息进行处理的第二确定模块1003、以及用于根据第一确定模块1002处理结果和第二确定模块1003处理结果，进行路段车辆排队长度进行估计的第三确定模块1004。其中，路段车辆排队长度的估计流程具体可以参见前述方法实施例的描述，本申请在此将不作赘述。

具体地，在实现过程中，本发明的一些实施例所提供的路段车辆排队长度的估计方法流程的各步骤可以通过包括有处理器、存储器、收发机以及总线接口的路侧设备中的硬件的集成逻辑电路或者软件形式的指令完成。处理器、存储器、收发机以及总线接口可以包括通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为路侧设备执行完成，或者用路侧设备的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。

对于软件实施，这些技术可以用实现这里描述的功能的模块(例如程序、功能等等)实现。软件代码可以储存在存储器单元中，并且由处理器执行。存储器单元可以在处理器内或者在处理器外实现。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (13)

1.一种路段车辆排队长度的估计方法，其特征在于，该方法包括：

获取信号周期内所述路段的车流量、以及所述路段上智能车辆上报的车辆行驶状态信息；所述智能车辆为具备车辆行驶状态信息采集和无线通信功能的车辆；

根据所述车流量，确定所述路段在所述信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻；

根据所述智能车辆上报的车辆行驶状态信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻以及所述路段在所述N个停车时刻对应的排队长度，N为非负整数；

根据所述路段在所述N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期内的不同时刻对应的排队长度。

2.如权利要求1所述的方法，其特征在于，确定所述路段在所述信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻，包括：

根据所述车流量，确定所述路段在所述信号周期内的车辆到达率；

根据所述车辆到达率以及所述路段的饱和流率，确定所述路段在所述信号周期内达到最大排队长度的第一时刻；

根据所述车辆到达率和所述第一时刻，确定所述路段在所述信号周期内所达到的最大排队长度。

3.如权利要求1所述的方法，其特征在于，所述智能车辆上报的车辆行驶状态信息中包括车辆速度信息和车辆位置信息；

确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻以及所述路段在所述N个停车时刻对应的排队长度，包括：

根据所述智能车辆上报的车辆速度信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻；

根据所述智能车辆上报的车辆位置信息，确定所述路段在所述N个停车时刻对应的排队长度。

4.如权利要求1所述的方法，其特征在于，根据所述路段在所述N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期内的不同时刻对应的排队长度，包括：

根据所述N个停车时刻从前到后的顺序将所述信号周期划分为N+1个时间区间；

针对前N个时间区间中的每个时间区间，根据所述路段在第k-1个停车时刻以及第k个停车时刻对应的排队长度，确定所述路段在所述信号周期的第k个时间区间内的不同时刻对应的排队长度，k为大于等于1且不大于N的整数；

根据所述路段在第N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期的第N+1个时间区间内的不同时刻对应的排队长度。

5.如权利要求4所述的方法，其特征在于，确定所述路段在所述信号周期的第k个时间区间内的不同时刻对应的排队长度，包括：

按照以下公式确定所述路段在第k个时间区间内的不同时刻对应的排队长度：

其中，n(t)表示所述路段在第t时刻对应的排队长度；t_k-1表示第(k-1)个停车时刻；n_k-1表示所述路段在第(k-1)个停车时刻对应的排队长度；t_k表示第k个停车时刻；n_k表示所述路段在第k个停车时刻对应的排队长度；其中，k＝1时，t₀＝0，n₀＝0。

6.如权利要求4所述的方法，其特征在于，确定所述路段在所述信号周期的第N+1个时间区间内的不同时刻对应的排队长度，包括：

根据在所述第N个停车时刻之后所述智能车辆上报的车辆速度信息，判断在所述第N个停车时刻停车的智能车辆在所述第N个停车时刻之后的速度是否不为0；

若不为0，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；否则

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}\frac{n_{max}-n_N}{t_m-t_N}(t-t_N)+n_N& t_N\&le;t\&le;t_m\\ 0& t_m<t\&le;C\end{array}\right.$

其中，n(t)表示所述路段在第t时刻对应的排队长度；t_N表示第N个停车时刻；n_N表示所述路段在所述第N个停车时刻对应的排队长度；t_m表示所述第一时刻；n_max表示所述最大排队长度；C表示信号周期时长；

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{n}_N& t_N\&le;t\&le;t_m^1\\ 0& t_m^1<t\&le;C\end{array}\right.$

其中，表示达到最大排队长度的时刻；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{p}^{\&prime;}(t-t_N)+n_N& t_N\&le;t\&le;t_m^2\\ 0& t_m^2<t\&le;C\end{array}\right.$

其中，p’表示所述路段在所述第N个时刻之后的车辆到达率，按照公式计算得到；t_m ²表示所述路段在到达率为p’时达到最大排队长度的时刻，按照公式计算得到；Q表示所述车流量，n_lane表示所述路段的车道数量。

7.一种路段车辆排队长度的估计装置，其特征在于，该装置包括：

获取模块，用于获取信号周期内所述路段的车流量、以及所述路段上智能车辆上报的车辆行驶状态信息；所述智能车辆为具备车辆行驶状态信息采集和无线通信功能的车辆；

第一确定模块，用于根据所述车流量，确定所述路段在所述信号周期内所达到的最大排队长度以及达到该最大排队长度时的第一时刻；

第二确定模块，用于根据所述智能车辆上报的车辆行驶状态信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻以及所述路段在所述N个停车时刻对应的排队长度，N为非负整数；

第三确定模块，用于根据所述路段在所述N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期内的不同时刻对应的排队长度。

8.如权利要求7所述的装置，其特征在于，所述第一确定模块，具体用于：

根据所述车流量，确定所述路段在所述信号周期内的车辆到达率；

根据所述车辆到达率以及所述路段的饱和流率，确定所述路段在所述信号周期内达到最大排队长度的第一时刻；

根据所述车辆到达率和所述第一时刻，确定所述路段在所述信号周期内所达到的最大排队长度。

9.如权利要求7所述的装置，其特征在于，所述智能车辆上报的车辆行驶状态信息中包括车辆速度信息和车辆位置信息；

所述第二确定模块，具体用于：

根据所述智能车辆上报的车辆速度信息，确定所述信号周期内所述智能车辆在所述路段上的N个停车时刻；

根据所述智能车辆上报的车辆位置信息，确定所述路段在所述N个停车时刻对应的排队长度。

10.如权利要求7所述的装置，其特征在于，所述第三确定模块，具体用于：

根据所述N个停车时刻从前到后的顺序将所述信号周期划分为N+1个时间区间；

针对前N个时间区间中的每个时间区间，根据所述路段在第k-1个停车时刻以及第k个停车时刻对应的排队长度，确定所述路段在所述信号周期的第k个时间区间内的不同时刻对应的排队长度，k为大于等于1且不大于N的整数；

根据所述路段在第N个停车时刻对应的排队长度，以及所述路段在所述第一时刻对应的最大排队长度，确定所述路段在所述信号周期的第N+1个时间区间内的不同时刻对应的排队长度。

11.如权利要求10所述的装置，其特征在于，所述第三确定模块，具体用于：

按照以下公式确定所述路段在第k个时间区间内的不同时刻对应的排队长度：

其中，n(t)表示所述路段在第t时刻对应的排队长度；t_k-1表示第(k-1)个停车时刻；n_k-1表示所述路段在第(k-1)个停车时刻对应的排队长度；t_k表示第k个停车时刻；n_k表示所述路段在第k个停车时刻对应的排队长度；其中，k＝1时，t₀＝0，n₀＝0。

12.如权利要求10所述的装置，其特征在于，所述第三确定模块，具体用于：

根据在所述第N个停车时刻之后所述智能车辆上报的车辆速度信息，判断在所述第N个停车时刻停车的智能车辆在所述第N个停车时刻之后的速度是否不为0；

若不为0，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；否则

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}\frac{n_{max}-n_N}{t_m-t_N}(t-t_N)+n_N& t_N\&le;t\&le;t_m\\ 0& t_m<t\&le;C\end{array}\right.$

其中，n(t)表示所述路段在第t时刻对应的排队长度；t_N表示第N个停车时刻；n_N表示所述路段在所述第N个停车时刻对应的排队长度；t_m表示所述第一时刻；n_max表示所述最大排队长度；C表示信号周期时长；

若所述第N个停车时刻早于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{n}_N& t_N\&le;t\&le;t_m^1\\ 0& t_m^1<t\&le;C\end{array}\right.$

其中，表示达到最大排队长度的时刻；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度大于所述最大排队长度，则确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度为0；

若所述第N个停车时刻晚于所述第一时刻，且所述路段在所述第N个停车时刻对应的排队长度不大于所述最大排队长度，则按照以下公式确定所述路段在所述第N+1个时间区间内的不同时刻对应的排队长度：

$n\left(t\right)=\left\{\begin{array}{cc}{p}^{\&prime;}(t-t_N)+n_N& t_N\&le;t\&le;t_m^2\\ 0& t_m^2<t\&le;C\end{array}\right.$

其中，p’表示所述路段在所述第N个时刻之后的车辆到达率，按照公式计算得到；t_m ²表示所述路段在到达率为p’时达到最大排队长度的时刻，按照公式计算得到；Q表示所述车流量，n_lane表示所述路段的车道数量。

13.一种路段车辆排队长度的估计系统，其特征在于，该系统包括：

如权利要求7-12中任一项所述的路段车辆排队长度的估计装置；

断面检测器，用于检测信号周期内所述路段的车流量，并将检测到的车流量发送给所述路段车辆排队长度的估计装置；

智能车辆，所述智能车辆具备车辆行驶状态信息采集和无线通信功能，用于采集车辆的行驶状态信息，并将采集到的车辆行驶状态信息上报给所述路段车辆排队长度的估计装置。