CN106846811A - 一种基于过车时刻数据的信号方案识别方法 - Google Patents

Abstract

本发明提供了一种基于过车时刻数据的信号方案识别方法。本发明通过计算车辆之间的第一类距离、计算每辆车的跟车密度，计算车辆的第二类密度，进而得到特征点，最终计算得到信号方案。而且该方法充分利用现有的过车时刻数据，不依赖于参数选取，且易于工程实现。

Description

一种基于过车时刻数据的信号方案识别方法

技术领域

本发明涉及一种基于过车时刻数据的信号方案识别方法，服务于城市交通控制与管理，属于智能交通研究领域。

背景技术

随着停车线断面检测器、电子车牌、电子警察、RFID等设备的逐渐普及，大量有效数据如车辆通过交叉口停车断面的时刻亟待利用。本方法通过停车线断面的过车时刻数据计算交叉口运行的信号方案，区分每一辆车通过时所在的信号周期，从而为以周期、相位为单位的路段、交叉口指标计算提供基础，进而为以路网状态为依据的城市交通管控提供依据。

发明内容

本发明的目的在于提供一种基于过车时刻数据的信号方案识别方法。本发明基于停车线断面过车时刻数据，结合城市道路车辆运行特性识别交叉口信号方案。

为实现上述目的，本发明提出的一种基于过车时刻数据的信号方案识别方法包括计算车辆之间的第一类距离、计算每辆车的跟车密度，计算车辆的第二类距离，选取特征点，识别信号方案三个步骤。

本发明的基本步骤如下：

c1、计算车辆之间的第一类距离，计算每辆车的跟车密度。

c2、计算车辆的第二类距离，选取特征点。

c3、识别信号方案。

步骤c1计算车辆之间的第一类距离，计算每辆车的跟车密度的过程包括：

c11、获取交叉口j相位k的所有过车时刻数据，第i辆车的过车时刻为t_j,k,i。

c12、定义交叉口j相位k的过车时刻数据之间的第一类距离d_j,k,(i,p):

d_j,k,(i,p)＝|t_j,k,i-t_j,k,p|

式中，d_j,k,(i,p)——交叉口j相位k第i辆车与第p辆车的第一类距离；

t_j,k,i——交叉口j相位k第i辆车的过车时刻；

t_j,k,p——交叉口j相位k第p辆车的过车时刻；

c13、定义每辆车的跟车密度为包括该车在内，连续以车头时距小于H′＝10所通过的车辆数。计算交叉口j相位k的第i辆车的跟车密度ρ_j,k,i。其中第i辆车的车头时距H_i为：

H_i＝t_j,k,i-t_j,k,i-1

式中，H_i——交叉口j相位k第i辆车的车头时距；

t_j,k,i——交叉口j相位k第i辆车的过车时刻；

t_j,k,i-1——交叉口j相位k第i-1辆车的过车时刻；

步骤c2计算车辆的第二类距离，选取特征点的过程包括：

c21、定义交叉口j相位k的第i辆车的第二类距离C_j,k,i为距离跟车密度比自己高的车辆的最短距离：

式中，C_j,k,i——交叉口j相位k第i辆车的第二类距离；

d_j,k,(i,p)——交叉口j相位k第i辆车与第p辆车的第一类距离；

ρ_j,k,p——交叉口j相位k第i辆车的跟车密度；

ρ_j,k,i——交叉口j相位k第p辆车的跟车密度；

c22、计算距离阈值M：

M＝(M₁+M₂)/2

式中，M——选取特征值的第二类距离阈值；

M₁——选取车头时距大于H″＝20的车辆，计算其对应的第二类距离众数M₁；

M₂——选取车头时距小于H″＝20的车辆，计算其对应的第二类距离众数；

c23、选取第二类距离大于等于第二类距离阈值M的车辆过车时刻t_j,k,i作为特征点。

步骤c3识别信号方案的过程包括：

c31、以特征点作为等效绿灯启亮时刻，计算相邻特征点之间的时刻之差作为该周期的等效周期时长；

c32、以特征点的前一个车辆过车时刻作为上一周期等效绿灯结束时刻；

c33、以等效绿灯结束时刻与启亮时刻的差值作为等效绿灯时长。而等效红灯时长为等效周期时长与等效绿灯时长的差值。

与现有技术相比，本发明的有益效果是充分利用且只利用过车时刻数据，识别得到交叉口的信号方案，即等效周期、绿灯、红灯，为城市交通管控中相关措施提供了参数基础。而且该方法充分利用现有的过车时刻数据，不依赖于参数选取，且易于工程实现。

具体实施方式

下面对本发明进行详细阐述，本发明的具体步骤如下。

步骤一计算车辆之间的第一类距离，计算每辆车的跟车密度的过程包括：

获取交叉口j相位k的所有过车时刻数据，第i辆车的过车时刻为t_j,k,i。

定义交叉口j相位k的过车时刻数据之间的第一类距离d_j,k,(i,p):

d_j,k,(i,p)＝|t_j,k,i-t_j,k,p|

式中，d_j,k,(i,p)——交叉口j相位k第i辆车与第p辆车的第一类距离；

t_j,k,i——交叉口j相位k第i辆车的过车时刻；

t_j,k,p——交叉口j相位k第p辆车的过车时刻；

定义每辆车的跟车密度为包括该车在内，连续以车头时距小于H′＝10所通过的车辆数。计算交叉口j相位k的第i辆车的跟车密度ρ_j,k,i。其中第i辆车的车头时距H_i为：

H_i＝t_j,k,i-t_j,k,i-1

式中，H_i——交叉口j相位k第i辆车的车头时距；

t_j,k,i——交叉口j相位k第i辆车的过车时刻；

t_j,k,i-1——交叉口j相位k第i-1辆车的过车时刻；

步骤二计算车辆的第二类距离，选取特征点的过程包括：

定义交叉口j相位k的第i辆车的第二类距离C_j,k,i为距离跟车密度比自己高的车辆的最短距离：

式中，C_j,k,i——交叉口j相位k第i辆车的第二类距离；

d_j,k,(i,p)——交叉口j相位k第i辆车与第p辆车的第一类距离；

ρ_j,k,p——交叉口j相位k第i辆车的跟车密度；

ρ_k,k,i——交叉口j相位k第p辆车的跟车密度；

计算距离阈值M：

M＝(M₁+M₂)/2

式中，M——选取特征值的距离阈值；

M₁——选取车头时距大于H″＝20的车辆，其对应的第二类距离众数M₁；

M₂——选取车头时距小于H″＝20的车辆，其对应的第二类距离众数M₂；

选取距离大于等于距离阈值M的车辆过车时刻t_j,k,i做为特征点。

步骤三识别信号方案的过程包括：

以特征点作为等效绿灯启亮时刻，计算相邻特征点之间的时刻之差作为该周期的等效周期时长；

以特征点的前一个车辆过车时刻作为上一周期等效绿灯结束时刻；

以等效绿灯结束时刻与启亮时刻的差值作为等效绿灯时长。而等效红灯时长为等效周期时长与等效绿灯时长的差值。

Claims (1)

1.一种基于过车时刻数据的信号方案识别方法，其特征在于该方法包括以下步骤：

c1、计算车辆之间的第一类距离，计算每辆车的跟车密度；

c2、计算车辆的第二类距离，选取特征点；

c3、识别信号方案；

其中c1中计算车辆之间的第一类距离，计算每辆车的跟车密度的过程包括：

c11、获取交叉口j相位k的所有过车时刻数据，第i辆车的过车时刻为t_j,k,i；

c12、定义交叉口j相位k的过车时刻数据之间的第一类距离d_j,k,(i,p):

d_j,k,(i,p)＝|t_j,k,i-t_j,k,p|

式中，d_j,k,(i,p)——交叉口j相位k第i辆车与第p辆车的第一类距离；

t_j,k,i——交叉口j相位k第i辆车的过车时刻；

t_j,k,p——交叉口j相位k第p辆车的过车时刻；

c13、定义每辆车的跟车密度为包括该车在内，连续以车头时距小于H′＝10所通过的车辆数；计算交叉口j相位k的第i辆车的跟车密度ρ_j,k,i；其中第i辆车的车头时距H_i为：

H_i＝t_j,k,i-t_j,k,i-1

式中，H_i——交叉口j相位k第i辆车的车头时距；

t_j,k,i——交叉口j相位k第i辆车的过车时刻；

t_j,k,i-1——交叉口j相位k第i-1辆车的过车时刻；

其中c2计算车辆的第二类距离，选取特征点的过程包括：

c21、定义交叉口j相位k的第i辆车的第二类距离C_j,k,i为距离跟车密度比自己高的车辆的最短距离：

$C_{j,k,i}=\underset{\∀{\mathrm{\ρ}}_{j,k,p}>{\mathrm{\ρ}}_{j,k,i}}{min}\left\{d_{j,k,(i,p)}\right\}$

式中，C_j,k,i——交叉口j相位k第i辆车的第二类距离；

d_j,k,(i,p)——交叉口j相位k第i辆车与第p辆车的第一类距离；

ρ_j,k,p——交叉口j相位k第i辆车的跟车密度；

ρ_j,k,i——交叉口j相位k第p辆车的跟车密度；

c22、计算距离阈值M：

M＝(M₁+M₂)/2

式中，M——选取特征值的距离阈值；

M₁——选取车头时距大于H″＝20的车辆，计算其对应的第二类距离众数M₁；

M₂——选取车头时距小于H″＝20的车辆，计算其对应的第二类距离众数；

c23、选取第二类距离大于等于第二类距离阈值M的车辆过车时刻t_j,k,i作为特征点；

其中c3中识别信号方案的过程如下：

c31、以特征点作为等效绿灯启亮时刻，计算相邻特征点之间的时刻之差作为该周期的等效周期时长；

c32、以特征点的前一个车辆过车时刻作为上一周期等效绿灯结束时刻；

c33、以等效绿灯结束时刻与启亮时刻的差值作为等效绿灯时长；而等效红灯时长为等效周期时长与等效绿灯时长的差值。