CN106571030B - 多源交通信息环境下排队长度预测方法 - Google Patents

Abstract

本发明属于交通控制领域，具体为多源交通信息环境下排队长度预测方法，首先将浮动车停车点数据匹配到交叉口路段上提取正常的排队停车点，并通过浮动车行驶轨迹判定该停车点所属车道组；计算浮动车排队停车点距离交叉口的最远距离，计算浮动车通过上游交叉口出口检测器时刻，再确定停车波速，计算排队状态演化点，计算启动波位置，最后判断最大排队长度。本发明提供的一种多源交通信息环境下排队长度预测方法，对交叉路口排队长度进行准确预测，为合理制定信号控制参数提供有力支撑，以防患未然的主动式交通拥挤控制具有重要意义。

Description

多源交通信息环境下排队长度预测方法

技术领域

本发明属于交通控制领域，具体为多源交通信息环境下排队长度预测方法。

背景技术

排队长度是交通信号控制的重要决策变量，准确计算交叉口不同负荷情况下的车辆排队长度是合理制定信号控制参数的重要前提。尤其是在相邻关键交叉口，过饱和交叉口车辆排队长度会受通行能力制约而产生周期性的累加，甚至使排队回溯至上一交叉口，导致交通流死锁。因此，精确计算车辆排队长度对于防患未然的主动式交通拥挤控制具有重要意义。在交叉口排队长度研究的经典方法和技术难点概括来说有以下几点：

首先，基于统计规律的传统排队长度计算模型，如HCM、SIGNAL94、MILIER、TRANSYT等模型，其难点在于如何确定车辆到达分布系数和来车强度，以及如何直接获取交叉口初始排队长度。另外车辆以某一固定流率均匀达到达这一假设与实际情况不符，现实中车流驶入具有连续和离散双重特性，且具有一定的随机性。实际上，人工观测或视频检测虽然可获得初始排队长队，但一般的固定线圈检测和浮动车检测无法得出准确的观测值，这无疑限制该类模型的实际应用。模型涉及了固定相位相序控制方式中的周期时间、绿信比等自变量，适用于定时控制，对于感应控制、自适应控制等方法中相位相序、周期时间、绿灯时间不固定等问题，该类模型并不适应。

其次，对交叉口排队长队进行预测的另外一种思路是直接利用先进的检测信息采集基础交通流数据，构建交叉口排队长度计算模型。例如庄立坚根据低样率浮动车数据匹配统计停车点数量，判定浮动车位置，并对此进行修正得出交叉口最大排队长度，其实验精度与采集的浮动车样本量相关，在浮动车比率较高的交叉口计算精度较高。王东柱对浮动车停车点数据进行地理匹配，以等距间隔长度法统计浮动车停车数，并计算交叉口车辆排队长度。然而，基于单一信源构建的交叉口排队长度估算模型往往受限于检测精度不够，检测环境不佳等影响，导致计算结果可靠性不高。比如基于固定检测器的交通流信息受检测器埋设位置、车辆长度、排队长队车头间距影响，存在检测器最大检测排队长度(辆)，当实际排队长度大于检测器最大检测长度时，检测器无法直接检测得到排队车辆；此外，浮动车数据受GPS精度、位置匹配以及非停车车辆干扰，视频检测器受检测环境影响较大，如出现下雨、冰雪、雾霾等不良天气，检测精度也将大大折扣。另外，浮动车数据的处理周期一般为几分钟，在处理周期时间内，如排队长度和车辆密度等交通流特征参数均会发生改变。为克服单一信源数据质量和形式差异所导致的信息可靠性不足等问题，国内外学者提出运用多源数据融合提取关键交通流特征参数，并取得了一系列的研究成果。王忠宇以传统经典模型为基础，融合多源交通检测数据，构建新的信号交叉口排队长度，提高了计算的准确性。另外，在新技术应用的环境下，如车路协同控制、车辆网应用等，出现了一些新的排队长度预测方法。

第三，局部过饱和状态下交叉口排队往往会出现二次甚至多次排队现象，经典的排队长度预测方法一般包括累计到达离去法、交通波理论、累计曲线图解法、概率论等这些方法一般能够在一定范围内描述这种现象并获得排队长度计算模型。但这些模型的难点均在于难以估算既有停车数量即初始排队长度，尤其是出现多次排队停车状况，预测误差有可能不断累计，降低排队长度计算精度。

第四，面向拥挤控制的交通流特征提取必须考虑关联交叉口(上下游交叉口)的物理关联和交通流耦合情况，不能仅仅针对单个交叉口进行。尤其是在交通流临界饱和状态或者局部过饱和状态下，路网中各相邻交叉口之间的相互影响也越来越突出，甚至出现下游交叉口排队长度延伸至上游交叉口，造成局部拥挤甚至进一步恶化为大面积拥堵。为突出关联交叉口之间的联动性，王进提出关联信号交叉口排队模型长度计算，分析了路段长度、相位差、绿信比等时空参数对路口最大排队长度的影响机理，并继续研究了上游交叉口信号控制参数对交叉口排队的影响。因此，从主动式控制的应用要求出发，交通流特征参数的提取需充分考虑上下游交叉口之间的相互关系，构建更可靠、客观、准确的交叉口排队模型，为合理设计交通信号控制提供准确的决策输入变量。

概括来说，现有交叉口排队长队动态估算模型需注意以下问题：(1)融合多源基础交通流信息，使获得的基础交通流信息更加客观准确；(2)考虑上下游关联交叉口控制参数对交叉口排队长度的影响，体现排队车辆消散与集聚的动态变化过程。(3)提高排队长度模型的适应性和可移植性，适用于新的控制方式和技术背景，如自适应控制，多模式控制和车路协同控制等。

发明内容

针对上述技术问题，本发明提供一种多源交通信息环境下排队长度预测方法，考虑的多源信息环境主要是指浮动车采集的浮动车数据，检测线圈采集的流率数据和相邻交叉口的信号控制参数。综合利用多源信息，客观、准确判断排队长度的动态变化过程。

具体技术方案为：

1)初始排队长度判定

首先将浮动车停车点数据匹配到交叉口路段上，排除非停车的干扰车辆，提取正常的排队停车点，并通过浮动车行驶轨迹判定该停车点所属车道组；计算浮动车排队停车点距离交叉口的最远距离，即最远浮动车停车点距离交叉口的长度；假设交叉口j与上游交叉口j-1的距离为L，假设路段上最远停车点k回传数据为D_k＝{t_k,(x_k,y_k)}，其中t_i为回传时间，(x_i,y_i)为浮动车i的坐标值；那么初始确定虚拟排队状态(L_kj,t_k)；由于浮动车k为上游交叉口绿灯启亮后放行车辆，由此可判断L_kj≥L₀；

2)计算浮动车k通过上游j-1交叉口出口检测器时刻

其中，L为两交叉口之间的路段长度，v_L为平均行程车速；

3)确定停车波速v_t

有一列停车车辆，在队尾处有车辆继续驶入，增加至队列中进行排队，则该队列的尾部将向后延伸，定义该队列尾部向后延伸的速度为停车波波速；

v_t＝L_t/t＝f/(D_t-fv_L)

驶入流率f由出口道设置的固定线圈检测器得到：

为j-1交叉口当前相位红灯启亮时刻，

为浮动车k通过交叉口j-1出口道检测器的时刻；

其中q_i为i时刻通过上游交叉口出口道检测器车辆数；车辆以离散状态通过检测线圈，驶入排队队列，在队尾进行排队后可近似视为连续流排队行为；

4)计算排队状态演化点(L_d,t_d)

不考虑启动波因素，由排队初始状态点(L_kj，t_k)至排队状态演化点，t时刻排队演化点位置：

式中，

5)计算启动波位置

首先确定启动波速，设有一初始排队车队，在绿灯启亮后，该车的首车启动，其后第二辆车启动，停车波将向后延伸，向后延伸的速度称为启动波波速；认为排队车辆在绿灯启亮后以饱和流率进行疏散；

设绿灯启亮t时段后，t时刻时启动波位置：

表示j交叉口当前相位绿灯启亮时刻，v_q为启动波波速；

6)判断最大排队长度

若L_q(t)≤L_d(t)，即表示t时刻时启动波位置仍没传播至队尾位置，随着上游交叉口当前相位车辆继续驶入，排队长度将继续延长，则交叉口车辆排队长度L_m＝L_d(t)；

若L_q(t)＞L_d(t)，则表示t时刻上游交叉口车辆进入队尾之前，排队车辆已经开始消散；令L_q(t)＝L_d(t)，求解方程，得出t＝t_m，得出最大排队长度L_m＝L_q(t_m)＝L_d(t_m)；

7)循环计算

为便于计算将浮动车k回传数据时刻t_k近似等同于浮动车k排队停车时刻t'_k；为降低误差，将实时回传的浮动车数据进行更新，确定新的初始停车状态和推演时间点，循环计算直至计算周期结束，输出交叉口排队车辆长度。

本发明提供的一种多源交通信息环境下排队长度预测方法，对交叉路口排队长度进行准确预测，为合理制定信号控制参数提供有力支撑，以防患未然的主动式交通拥挤控制具有重要意义。

附图说明

图1为多源信息环境下交叉口车辆排队示意图；

图2为浮动车k位置与实际排队示意图；

图3为本发明的预测计算流程图；

图4为交叉口排队长度演化图；

图5为停车波波速计算示意图；

图6为启动波位置与最大排队长度关系图；

图7为实施例仿真交叉口示意图；

图8为实施例人民中路三段—文武路交叉口信号控制方案；

图9为实施例德胜路—草市街交叉口信号控制方案；

图10为实施例德胜路—草市街交叉口信号控制方案。

具体实施方式

结合附图说明本发明具体实施方式。

本实施例的预测原理：

考虑的多源信息环境主要是指浮动车采集的浮动车数据，检测线圈采集的流率数据和相邻交叉口的信号控制参数。综合利用多源信息，客观、准确判断排队长度的动态变化过程。

如图1，假设交叉口j与上游交叉口j-1的距离为L。上游交叉口出口道设置固定检测器，用以检测驶入流率。在SCOOT系统中，为了检测和控制上游交叉口车辆驶入，多数检测器都埋在设在交叉口出口位置。浮动车可每隔一单位检测时间提供浮动车辆的GPS定位数据，包括车辆位置，行驶车速，检测时间等。研究表明GPS定位数据可精确到3米，结合浮动车定位数据及浮动车走行方向可准确判定浮动车所在位置和所属车道组。

假设检测线圈检测的数据类型为J_i(q_i,t_i)，表示第i组数据J_i，检测时刻为t_i，检测的车辆数为q_i。浮动车回传数据为D_i＝{t_i,(x_i,y_i)}，其中t_i为回传时间，(x_i,y_i)为浮动车i的坐标值。

假设交叉口j坐标为P_j(x_j,y_j)，路段上浮动车k回传数据为D_k＝{t_k,(x_k,y_k)}其中t_k为回传时间，(x_k,y_k)为浮动车k的坐标值，那么浮动车k距离交叉口j长度为L_kj，计算式如式3-4。

最大车辆排队长度由初始排队长度、剩余车辆排队长度和随机因素导致的排队长度三部分组成。

L_m＝L₀+L_s+L_r (3-2)

式中L_m表示交叉口最大排队长度，L₀表示交叉口初始状态车辆排队长度；L_s表示初始排队后剩余车辆产生的排队长度，称为剩余车辆排队长度；L_r为随机因素导致的排队长度增量(m)。为了简化计算，本发明不考虑随机因素。

记为：

L_m＝L₀+L_s (3-3)

为便于表达，定义排队状态时空坐标(L_i,t_i)，表示实时的排队状态，即t_i时刻的车辆排队长度为L_i。式3-6中，初始排队长度L₀和初始排队时刻t₀难以确定，一般解析方法得出初始排队状态(L₀,t₀)的计算误差有可能随周期循环而不断累加；而利用检测线圈获浮动车不能直接得到，视频检测或人工检测可以获取却代价较高，可操作性低。为解决这一问题，本发明提出运用浮动车数据初步确定一虚拟初始排队状态，虚拟初始排队状态包括浮动车停车位置L_kj和数据回传时刻t_k，这一状态(浮动车位置)与实际初始排队长度的关系如图2所示。

称之为虚拟排队状态是因为浮动车回传时间要滞后于该车实际停车时间，浮动车k的实际排队状态应为(L_kj,t'_k)，而t_k时刻的排队状态应为(L_k,t_k)，易知t_k≥t'_k，L_k≥L_kj。

以(L_kj,t'_k)为基准推演排队长度，t'_k未知。令Δt_k＝t_k-t'_k，表示浮动车k回传数据时刻与浮动车k停车时刻之差。

为了便于计算，令Δt_k＝0，即以虚拟排队状态进行排队推演，假定浮动车k刚进入队尾开始排队即回传数据。以该车回传时间t_k和初始排队长度L_kj为基准推演车辆排队长度会出现误差。为降低误差，将随浮动车回传数据更新进行循环计算(回传周期一般为十几秒)，即后续浮动车停车点数据回传会覆盖原浮动车停车点数据，进而确定新的初始排队状态，并以此循环演算，直至计算周期结束(计算周期交叉口信号控制参数决定)，得出较准确的排队长度，输出结果。使排队长度预测误差降到最低，在降低计算复杂度的同时提高预测精度。计算流程图如图3。

式3-6中，剩余车辆数L_s和队尾到达车辆驶入率和绿灯启动后队首车辆驶出率有关，排队车辆长度是动态变化的，且车辆驶入和驶离在时间上并不相互独立，这增加了建模的困难。分析这一阶段的排队行为可发现，实际增加量是由队尾车辆以停车波形式继续增加车辆数和队首车辆以启动波形式开始消散车辆数两部分组成。为便于分析，定义初始时刻后排队车辆当量排队长L_d，即不考虑启动波情形下的车辆排队长度。

由以上分析可以得出排队长度演化图，如图4，图中L_q为启动波位置，v_q为启动波波速，v_t为停车波波速。

为j交叉口当前相位绿灯启亮时刻，

为j交叉口当前相位红灯启亮时刻，

为上游j-1交叉口当前相位绿灯启亮时刻，

为j-1交叉口当前相位红灯启亮时刻，

为浮动车k通过交叉口j-1出口道检测器的时刻。模型假设，排队车辆在绿灯期间以饱和流率疏散，忽略启动损失时间。

本实施例的模型构建：

1)初始排队长度判定

浮动车传回的数据一般分为两种，一种为行驶状态下的浮动车数据，此时浮动车瞬时车速不为0；另一种为浮动车处于停车状态，瞬时车速为0时回传的GPS数据。计算交叉口车辆排队长度采用的是车辆停止状态下回传的GPS数据。不考虑两交叉口之间路段车辆的驶入与驶出，即假设路段为封闭环境。

首先将浮动车停车点数据匹配到交叉口路段上，排除非停车的干扰车辆，提取正常的排队停车点，并通过浮动车行驶轨迹判定该停车点所属车道组。计算浮动车排队停车点距离交叉口的最远距离，即最远浮动车停车点距离交叉口的长度。假设路段上最远停车点k回传数据为D_k＝{t_k,(x_k,y_k)}，那么初始确定虚拟排队状态(L_kj,t_k)。由于浮动车k为上游交叉口绿灯启亮后放行车辆，由此可判断L_kj≥L₀。

2)计算浮动车k通过上游j-1交叉口出口检测器时刻

其中，L为两交叉口之间的路段长度，v_L为平均行程车速，由浮动车数据易得。

3)确定停车波速v_t

如图5，有一列停车车辆，在队尾处有车辆继续驶入，增加至队列中进行排队，则该队列的尾部将向后延伸，定义该队列尾部向后延伸的速度为停车波波速。

假设停车车流停车密度D_t，驶入流率为f，根据车流守恒条件，有以下关系式：

L_tD_t＝(t+L_t/v_L)f (3-6)

由此可得到停车波波速为

v_t＝L_t/t＝f/(D_t-fv_L) (3-7)

驶入流率f由出口道设置的固定线圈检测器得到。

其中q_i为i时刻通过上游交叉口出口道检测器车辆数。车辆以离散状态(尤其是在上游交叉口当前相位绿灯时间即将结束时)通过检测线圈，驶入排队队列，在队尾进行排队后可近似视为连续流排队行为。

4)计算排队状态演化点(L_d,t_d)

不考虑启动波因素，由排队初始状态点(L_kj，t_k)至排队状态演化点，如图所示。易知

有如下关系式：

则

由图3-6易知t时刻排队演化点位置：

式中，

5)计算启动波位置

首先确定启动波速，设有一初始排队车队，在绿灯启亮后，该车的首车启动，其后第二辆车启动，停车波将向后延伸，向后延伸的速度称为启动波波速。一般认为，排队车辆在绿灯启亮后以饱和流率进行疏散。

设绿灯启亮t时段后，启动波面与停车线的距离为L，饱和流的车流密度为D_s，停止车流的车流密度为D_t。依据流量守恒，有如下关系式：

LD_t＝St+LD_s (3-12)

v_q＝L/t＝S/(D_t-D_s) (3-13)

式中，饱和流率S确定为1600pcu·h^-1。

假设本交叉口当前相位绿灯时间为g_j，那么理论上g_j结束后，即红灯启亮时，理论上启动波位置为L_q

L_q＝g_j×v_q (3-14)

易得t时刻时启动波位置：

表示j交叉口当前相位绿灯启亮时刻，v_q为启动波。

6)判断最大排队长度。分析排队过程可知，若L_q(t)≤L_d(t)，即表示t时刻时启动波位置仍没传播至队尾位置，随着上游交叉口当前相位车辆继续驶入，排队长度将继续延长。则交叉口车辆排队长度L_m＝L_d(t)，由式3-5，3-7，3-8，3-10，得出L_m值。

若L_q(t)＞L_d(t)，则表示t时刻上游交叉口车辆进入队尾之前，排队车辆已经开始消散。令L_q(t)＝L_d(t)，求解方程，得出t＝t_m，得出最大排队长度L_m＝L_q(t_m)＝L_d(t_m)。

启动波位置与最大排队长度关系图如图6所示。

7)循环计算

以上方法中，为便于计算将浮动车k回传数据时刻t_k近似等同于浮动车k排队停车时刻t'_k。为降低误差，将实时回传的浮动车数据进行更新，确定新的初始停车状态和推演时间点。循环计算直至计算周期结束，输出交叉口排队车辆长度。

实例分析

为验证模型的有效性和可靠性，以vissim微观仿真软件进行验证。首先构建一微观仿真模型：以15％的车辆作为浮动车，每隔10秒回传数据。交叉口在出口道和入口到设置固定线圈检测器，检测驶入、驶出流量信息。以固定信号配时设定交叉口信号控制参数，通过模型预测交通流量数据，并与vissim返回值做比较。以图7的路口按照上述方法进行预测，该路口的基本情况如编1、表2和表3。根据预测的结果，得到各个交叉口信号控制方案，如图8、图9和图10。

表1仿真路网路段属性

表中路段长度不包括交叉口进口道长度。

表2交叉口各进口车道数及转向比

表3初始输入流量表

式中，f_i表示交通流真实值，

表示交通流预测值，n表示预测样本量。

计算结果表明，本章建立的排队长度预测模型对交叉口排队长度的预测结果与vissim值进行比较，件表4，平均相对误差为6.6％，即预测精度可达到93.4％，平均绝对误差为4.47m，即一辆小汽车的长度，均方差为5.08m。

表4路段6排队长度预测与vissim值对比分析

为了评价模型的优劣，采用3种衡量标准作为预测结果的精度的统计量，从不同侧面反映算法的精确度。这3个衡量指标分别为平均绝对误差(MAE)，平均绝对百分比误差(MAPE)，均方差(MSE)。

Claims (2)

1.多源交通信息环境下排队长度预测方法，其特征在于，包括以下过程：

(1)初始排队长度判定

首先将浮动车停车点数据匹配到交叉口路段上，排除非停车的干扰车辆，提取正常的排队停车点，并通过浮动车行驶轨迹判定该停车点所属车道组；计算浮动车排队停车点距离交叉口的最远距离，即最远浮动车停车点距离交叉口的长度；假设交叉口j与上游交叉口j-1的距离为L，假设路段上最远停车点k回传数据为D_k＝{t_k,(x_k,y_k)}，其中t_k为回传数据时刻，(x_k,y_k)为浮动车k的坐标值；那么初始确定虚拟排队状态(L_kj,t_k)；由于浮动车k为上游交叉口绿灯启亮后放行车辆，由此可判断L_kj≥L₀；L₀为初始状态车辆排队长度；

(2)计算浮动车k通过上游交叉口j-1出口检测器时刻

其中，L为上游交叉口j-1和交叉口j之间的路段长度，v_L为平均行程车速；

(3)确定停车波速v_t

有一列停车车辆，在队尾处有车辆继续驶入，增加至队列中进行排队，则该队列的尾部将向后延伸，定义该队列尾部向后延伸的速度为停车波波速；

v_t＝L_t/t_s＝f/(D_t-fv_L)

驶入流率f由出口道设置的固定线圈检测器得到：

为上游交叉口j-1当前相位红灯启亮时刻，

为浮动车k通过上游交叉口j-1出口道检测器的时刻；D_t为停车车流停车密度；f为驶入流率；L_t表示在t_s时间内的车辆排队长度，v_L为平均行程车速；t_s表示停车的时长，即红灯启亮的时长；

其中q_i为i时刻通过上游交叉口出口道检测器车辆数；车辆以离散状态通过检测线圈，驶入排队队列，在队尾进行排队后可近似视为连续流排队行为；

(4)计算排队状态演化点(L_d,t)

不考虑启动波因素，由排队初始状态点(L_kj，t_k)至排队状态演化点，t时刻排队演化点位置：

式中，

表示t大于等于初始状态点时间，但小于等于上游j-1交叉口的红灯时间；

L_d(t)是以时间t为自变量的数学解析式；(L_d,t)表示t时刻排队演化点的位置；

(5)计算启动波位置

首先确定启动波速，设有一初始排队车队，在绿灯启亮后，该车的首车启动，其后第二辆车启动，停车波将向后延伸，向后延伸的速度称为启动波波速；认为排队车辆在绿灯启亮后以饱和流率进行疏散；

设绿灯启亮t时段后，t时刻时启动波位置：

表示j交叉口当前相位绿灯启亮时刻，

表示j交叉口当前相位红灯启亮时刻，v_q为启动波波速；

(6)判断最大排队长度

若L_q(t)≤L_d(t)，即表示t时刻时启动波位置仍没传播至队尾位置，随着上游交叉口当前相位车辆继续驶入，排队长度将继续延长，则交叉口车辆排队长度L_m＝L_d(t)；

若L_q(t)＞L_d(t)，则表示t时刻上游交叉口车辆进入队尾之前，排队车辆已经开始消散；令L_q(t)＝L_d(t)，求解方程，得出t＝t_m，得出最大排队长度L_m＝L_q(t_m)＝L_d(t_m)。

2.根据权利要求1所述的多源交通信息环境下排队长度预测方法，其特征在于，还包括以下过程，为便于计算将浮动车k回传数据时刻t_k近似等同于浮动车k排队停车时刻t′_k；将实时回传的浮动车数据进行更新，确定新的初始停车状态和推演时间点，循环计算直至计算周期结束，输出交叉口排队车辆长度。

Images