CN106971546A - 基于公交车gps数据的路段公交车渗透率估计方法 - Google Patents

Abstract

本发明公开了一种基于公交车GPS数据的路段公交车渗透率估计方法，包括如下步骤：步骤1：根据回传的公交车GPS数据确定公交车停车排队的位置；步骤2：在信号灯红灯周期结束时刻，找出排队队列中的公交车的数量D，根据步骤1中得到的公交车停车排队的位置，找出排队队列中的最后一辆公交车的位置l_{lst_stop}；对大量的历史数据进行分析找出对应线路的交叉口停车线的位置l_{line_stop}，计算出单周期的公交车渗透率；步骤3：对不同时期单周期的公交车渗透率进行分析，选择合适的周期数M作为多周期渗透率的时间窗；步骤4：根据步骤3选择的时间窗大小，选择DBSCAN密度聚类算法对不同时期多周期的渗透率进行聚类，根据聚类结果，对多周期的渗透率进行加权，得到公交车的渗透率。

Description

基于公交车GPS数据的路段公交车渗透率估计方法

技术领域

本发明属于智能交通领域，具体涉及一种基于公交车GPS数据的路段公交车渗透率估计方法。

背景技术

浮动车数据采集技术作为一种动态交通信息采集技术与传统的定点信息采集(感应线圈等)技术相比，具有数据量大、覆盖面广、成本低、可拓展性强等优点，近年来受到了广泛的关注和应用。浮动车一般是指安装了车载GPS定位装置并行驶在城市主干道上的公交车和出租车，因此，浮动车相当于路段上所有类型车辆的样本。在使用浮动车数据研究交通问题(例如路段行程时间估计、交叉口排队长度估计)时，路段同方向浮动车占路段中所有类型车辆的比例一般称之为渗透率，对估计结果的精度有一定的影响，渗透率越高估计的误差越小，所以实际道路中浮动车的渗透率大小可以在一定程度上评价估计结果的可信度，还可以为公交调度、公交线路规划、乘客出行提供参考信息，因此，估计浮动车的渗透率具有十分重要的现实意义。

现有研究主要是通过仿真估计浮动车的渗透率，例如，Gurcan Comert等假设车辆的到达服从一定分布和前提下，在VISSIM仿真平台上搭建了单车道仿真模型，根据交叉口信号灯红灯期间排队的浮动车信息，提供了几种浮动车渗透率的计算方法。并利用VISSIM输出的数据对几种方法计算结果进行分析比较，最后得出了几种方法估计结果的期望以及估计误差的期望。然而这种假设车辆的到达服从一定分布的假设以及单车道的实验场景可能与实际情况不符，即：下游交叉口车辆的到达规律受上下游交叉口相位差的影响，不一定满足特定的分布，所以假设车辆的到达满足特定分布的方法可能与实际情况不符，导致估计的误差较大，并且不同的车辆类型和公交车GPS数据回传的时间间隔也会影响估计结果的准确性，导致其适用性不够。同时，渗透率的期望不能反映实时渗透率的变化情况，导致其实时性较差，不能满足实际应用的需求。

发明内容

有鉴于此，为了解决现有技术中存在的不足，本发明的目的在于提供一种基于公交车GPS数据的路段公交车渗透率估计方法。

为达到上述目的，本发明提供如下技术方案：

一种基于公交车GPS数据的路段公交车渗透率估计方法，包括如下步骤：

步骤1：根据回传的公交车GPS数据确定公交车停车排队的位置；

步骤2：在信号灯红灯周期结束时刻，找出排队队列中的公交车的数量D，根据步骤1中得到的公交车停车排队的位置，找出排队队列中的最后一辆公交车的位置l_{lst_stop}；对大量的历史数据进行分析找出对应线路的交叉口停车线的位置l_{line_stop}，结合交叉口排队队列中公交车的平均车长bus_avg_len，排队队列中除公交车外的其他类型车辆的平均车长others_avg_len，计算出单周期的公交车渗透率；其中，bus_avg_len等于公交车平均车辆长度和平均车辆间距之和；others_avg_len等于除公交车外的其他车辆的平均车辆长度和平均车辆间距之和；

步骤3：对不同时期单周期的公交车渗透率进行分析

按照不同的周期数将一段统计时长的单周期公交车渗透率平均分组，利用组间离差平方和表征单周期公交车渗透率的差异程度，选择合适的周期数M作为多周期渗透率的时间窗；

步骤4：根据步骤3选择的时间窗大小，选择DBSCAN密度聚类算法对不同时期多周期的渗透率进行聚类，根据聚类结果，对多周期的渗透率进行加权，得到公交车的渗透率。

进一步，所述步骤1中，公交车停车排队的位置的计算方法为：

1)若信号灯处于红灯周期，公交车在停车中回传一条GPS数据

公交车回传的GPS数据P(t_mid,v_mid,l_mid)，其中，R＜t_mid＜G，v_mid＝0，R表示红灯开始时刻，G表示绿灯开始时刻，GPS数据中的三个参数分别代表GPS时间、车辆的瞬时速度和车辆的位置；此时公交车的停车排队位置可以表示为：

l_stop＝l_mid

2)若信号灯处于红灯周期，公交车停车前回传两条GPS数据

公交车停车前，先后回传的两条GPS数据分别为P₁(t_frt,v_frt,l_frt)，P₂(t_lst,v_lst,l_lst)，其中，v_lst＜v_N，R＜t_lst＜G，v_N是停车排队车速的阈值，GPS数据中的三个参数分别代表GPS时间、车辆的瞬时速度和车辆的位置；假设公交车在两个数据采集点之间的运动是先匀速再匀减速，得到：

其中，a表示公交车匀减速运动的加速度的大小；

l_stop表示公交车的停车排队位置；

l_frt表示第一次回传的公交车GPS数据中的车辆位置；

v_frt第一次回传的公交车GPS数据中的车速；

l_lst表示第二次回传的公交车GPS数据中的车辆位置；

v_lst表示第二次回传的公交车GPS数据中的车速。

进一步，所述步骤2中，单周期的公交车渗透率的计算方法为：

其中，P表示交叉口单周期的渗透率；

n表示车道数；

D为排队队列中的公交车的数量；

l为排队队列中最后一辆公交车到停车线的距离，且l＝l_{lst_stop}-l_{line_stop}。

进一步，所述步骤3中，对不同时期单周期公交车渗透率进行分析，在高峰期和平峰期分别选取N个单周期公交车渗透率的数据，将N个周期的单周期公交车渗透率分别选择不同周期数平均分组，相同周期数划分的几组数据作为一类；比较每一类数据中各组数据的差异程度，用组内离差平方和表示：

其中，S² _A表示每一类数据的组间离差平方和，

r表示每一类数据划分的组数，

n_i表示每一组包含的数据个数，

表示每一组数据的平均值，

表示总的数据均值，

y_ij表示单周期的公交车渗透率；

计算平峰期和高峰期每一类数据的组间离差平方和，综合考虑实时性和准确性两个指标，在高峰期和平峰期均选择M个周期作为多周期渗透率估计的时间窗。

进一步，所述步骤4中，选择DBSCAN密度聚类算法对M个周期的渗透率进行聚类，DBSCAN基于一组邻域参数(ε,MinPts)来刻画样本分布的紧密程度；其中，ε表示相邻的数据对象之间的距离，MinPts表示样本的数量；

对于给定数据集D＝{P₁，P₂,…,P_m}，若P为核心对象，由P密度直达关系导出的所有样本组成的集合即为聚类簇；找出数据集中的所有核心对象，然后任选一个核心对象，由此出发找出由其密度直达的样本生成聚类簇，直到所有的核心对象均被访问过为止，其中：

P_{上四分位数}表示大量高峰期或平峰期的单周期渗透率的上四分数，P_中位数表示大量高峰期或平峰期的单周期渗透率的中位数；

经过密度聚类后，一共生成了m个聚类簇(m＞＝1)，对于每个聚类簇，其局部密度为：

其中，num表示簇内数据的个数，MinPts表示样本的数量；

每个簇到具有更高密度的其他簇的距离为：d_ij＝Min(|P_i-P_j|)，其中，P_i是每个聚类簇的核心对象，P_j为数据对象；

相对距离为：

其中，ε表示相邻的数据对象之间的距离，d_ij表示每个簇到具有更高密度的其他簇的距离。

公交车的渗透率为：

其中，P_load表示路段的公交车渗透率，P_i表示聚类簇的核心对象，d_ijr表示两个聚类簇的相对距离，ρ_i表示聚类簇的局部密度。

本发明的有益效果在于：

本发明基于公交车GPS数据的路段公交车渗透率估计方法，不要求车辆到达满足特定的分布，根据信号灯红灯结束时刻公交车在实际交叉口的排队情况估计单周期公交车的渗透率，同时还对单周期渗透率的波动规律进行分析，在此基础上提出了公交车渗透率的实时估计方法，具有较高的实用性。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为路段公交车渗透率估计方法流程图；

图2为交叉口公交车排队示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

本实施例的基于公交车GPS数据的路段公交车渗透率估计方法，包括如下步骤：

步骤1：根据回传的公交车GPS数据确定公交车停车排队的位置。

公交车的GPS数据以10s为时间间隔上传，所以数据传回时刻公交车并不一定处于停车排队状态。根据回传的GPS数据计算公交车停车排队的位置，分为两种情况：

1)若信号灯处于红灯周期，公交车在停车中回传一条GPS数据

公交车回传的GPS数据P(t_mid,v_mid,l_mid)，其中，R＜t_mid＜G，v_mid＝0，R表示红灯开始时刻，G表示绿灯开始时刻，GPS数据中的三个参数分别代表GPS时间、车辆的瞬时速度和车辆的位置；此时公交车的停车排队位置可以表示为：

l_stop＝l_mid

2)若信号灯处于红灯周期，公交车停车前回传两条GPS数据

公交车停车前，先后回传的两条GPS数据分别为P₁(t_frt,v_frt,l_frt)，P₂(t_lst,v_lst,l_lst)，其中，v_lst＜v_N，R＜t_lst＜G，v_N是停车排队车速的阈值，GPS数据中的三个参数分别代表GPS时间、车辆的瞬时速度和车辆的位置；假设公交车在两个数据采集点之间的运动是先匀速再匀减速，得到：

其中，a表示公交车匀减速运动的加速度的大小；

l_stop表示公交车的停车排队位置；

l_frt表示第一次回传的公交车GPS数据中的车辆位置；

v_frt第一次回传的公交车GPS数据中的车速；

l_lst表示第二次回传的公交车GPS数据中的车辆位置；

v_lst表示第二次回传的公交车GPS数据中的车速。

步骤2：在信号灯红灯周期结束时刻，找出排队队列中的公交车的数量D，根据步骤1中得到的公交车停车排队的位置，找出排队队列中的最后一辆公交车的位置l_{lst_stop}；对大量的历史数据进行分析找出对应线路的交叉口停车线的位置l_{line_stop}，结合交叉口排队队列中公交车的平均车长bus_avg_len，排队队列中除公交车外的其他类型车辆的平均车长others_avg_len，计算出单周期的公交车渗透率；其中，bus_avg_len等于公交车平均车辆长度和平均车辆间距之和；others_avg_len等于除公交车外的其他车辆的平均车辆长度和平均车辆间距之和。具体的，单周期的公交车渗透率的计算方法为：

其中，P表示交叉口单周期的渗透率；

n表示车道数；

D为排队队列中的公交车的数量；

l为排队队列中最后一辆公交车到停车线的距离，且l＝l_{lst_stop}-l_{line_stop}。

步骤3：对不同时期(高峰期或平峰期)单周期的公交车渗透率进行分析

按照不同的周期数将一段统计时长的单周期公交车渗透率平均分组，利用组间离差平方和表征单周期公交车渗透率的差异程度，选择合适的周期数M作为多周期渗透率的时间窗。本实施例在高峰期和平峰期分别选取N＝30个单周期公交车渗透率的数据，将30个周期的单周期公交车渗透率分别选择不同周期数(1,2,5,10,11,12,15)平均分组，相同周期数划分的几组数据作为一类。比较每一类数据中各组数据的差异程度，用组内离差平方和表示：

其中，S² _A表示每一类数据的组间离差平方和，

r表示每一类数据划分的组数，

n_i表示每一组包含的数据个数，

表示每一组数据的平均值，

表示总的数据均值，

y_ij表示单周期的公交车渗透率；

计算平峰期和高峰期每一类数据的组间离差平方和，随着每组数据中数据量(周期数)的增加，单周期公交车渗透率的组间离差平方和呈现下降的趋势，在周期数较小时下降的速度比较快，随着周期数的增加，下降的速度减慢，后期呈现波动状态。综合考虑实时性和准确性两个指标，在高峰期和平峰期均选择M个周期作为多周期渗透率估计的时间窗。

步骤4：在高峰期或平峰期，单周期的渗透率具有一定的波动性，主要是由于公交车到达的随机性引起的，在一段时间内(M个周期)，交通状态是是相同的，所以认为M个周期的公交车渗透率是基本相同的。

根据步骤3选择的时间窗大小，选择DBSCAN密度聚类算法对不同时期多周期的渗透率进行聚类，根据聚类结果，对多周期的渗透率进行加权，得到公交车的渗透率。具体的，本实施例选择DBSCAN密度聚类算法对M个周期的渗透率进行聚类，DBSCAN基于一组邻域参数(ε,MinPts)来刻画样本分布的紧密程度；其中，ε表示相邻的数据对象之间的距离，MinPts表示样本的数量；

对于给定数据集D＝{P₁，P₂,…,P_m}，若P为核心对象，由P密度直达关系导出的所有样本组成的集合即为聚类簇；核心对象是指ε邻域至少包含MinPts个样本的数据对象P_i。密度直达是指若P_j位于P_i的ε邻域中，且P_i是核心对象，则P_j由P_i密度直达。密度直达是指对于P_i与P_j，若存在样本序列Q₁，Q₂，…,Q_n，其中Q₁＝P_i，Q_n＝P_j且Q_i+1由Q_i密度直达，则P_j由P_i密度直达。

找出数据集中的所有核心对象，然后任选一个核心对象，由此出发找出由其密度直达的样本生成聚类簇，直到所有的核心对象均被访问过为止，其中：

P_{上四分位数}表示大量高峰期或平峰期的单周期渗透率的上四分数，P_中位数表示大量高峰期或平峰期的单周期渗透率的中位数；MinPts＝3，在不同的交通状态下分别选取不同的参数计算路段的渗透率。

经过密度聚类后，一共生成了m个聚类簇(m＞＝1)，对于每个聚类簇，其局部密度为：

其中，num表示簇内数据的个数，MinPts表示样本的数量；

每个簇到具有更高密度的其他簇的距离为：d_ij＝Min(|P_i-P_j|)，其中，P_i是每个聚类簇的核心对象，P_j为数据对象；

相对距离为：

其中，ε表示相邻的数据对象之间的距离，d_ij表示每个簇到具有更高密度的其他簇的距离。

公交车的渗透率为：

其中，P_load表示路段的公交车渗透率，P_i表示聚类簇的核心对象，d_ijr表示两个聚类簇的相对距离，ρ_i表示聚类簇的局部密度。

本实施例基于公交车GPS数据的路段公交车渗透率估计方法，不要求车辆到达满足特定的分布，根据信号灯红灯结束时刻公交车在实际交叉口的排队情况估计单周期公交车的渗透率，同时还对单周期渗透率的波动规律进行分析，在此基础上提出了公交车渗透率的实时估计方法，具有较高的实用性。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (5)

1.一种基于公交车GPS数据的路段公交车渗透率估计方法，其特征在于：包括如下步骤：

步骤1：根据回传的公交车GPS数据确定公交车停车排队的位置；

步骤2：在信号灯红灯周期结束时刻，找出排队队列中的公交车的数量D，根据步骤1中得到的公交车停车排队的位置，找出排队队列中的最后一辆公交车的位置l_{lst_stop}；对大量的历史数据进行分析找出对应线路的交叉口停车线的位置l_{line_stop}，结合交叉口排队队列中公交车的平均车长bus_avg_len，排队队列中除公交车外的其他类型车辆的平均车长others_avg_len，计算出单周期的公交车渗透率；其中，bus_avg_len等于公交车平均车辆长度和平均车辆间距之和；others_avg_len等于除公交车外的其他车辆的平均车辆长度和平均车辆间距之和；

步骤3：对不同时期单周期的公交车渗透率进行分析

按照不同的周期数将一段统计时长的单周期公交车渗透率平均分组，利用组间离差平方和表征单周期公交车渗透率的差异程度，选择合适的周期数M作为多周期渗透率的时间窗；

步骤4：根据步骤3选择的时间窗大小，选择DBSCAN密度聚类算法对不同时期多周期的渗透率进行聚类，根据聚类结果，对多周期的渗透率进行加权，得到公交车的渗透率。

2.根据权利要求1所述的基于公交车GPS数据的路段公交车渗透率估计方法，其特征在于：所述步骤1中，公交车停车排队的位置的计算方法为：

1)若信号灯处于红灯周期，公交车在停车中回传一条GPS数据

公交车回传的GPS数据P(t_mid,v_mid,l_mid)，其中，R＜t_mid＜G，v_mid＝0，R表示红灯开始时刻，G表示绿灯开始时刻，GPS数据中的三个参数分别代表GPS时间、车辆的瞬时速度和车辆的位置；此时公交车的停车排队位置可以表示为：

l_stop＝l_mid

2)若信号灯处于红灯周期，公交车停车前回传两条GPS数据

公交车停车前，先后回传的两条GPS数据分别为P₁(t_frt,v_frt,l_frt)，P₂(t_lst,v_lst,l_lst)，其中，v_lst＜v_N，R＜t_lst＜G，v_N是停车排队车速的阈值，GPS数据中的三个参数分别代表GPS时间、车辆的瞬时速度和车辆的位置；假设公交车在两个数据采集点之间的运动是先匀速再匀减速，得到：

$\left\{\begin{array}{c}a=\frac{{(v_{frt}-v_{lst})}^2}{2(l_{lst}-l_{frt}+v_{frt}*(t_{frt}-t_{lst}\left)\right)}\\ l_{stop}=l_{lst}-\frac{{v^2}_{lst}}{2a}\end{array}\right.$

其中，a表示公交车匀减速运动的加速度的大小；

l_stop表示公交车的停车排队位置；

l_frt表示第一次回传的公交车GPS数据中的车辆位置；

v_frt第一次回传的公交车GPS数据中的车速；

l_lst表示第二次回传的公交车GPS数据中的车辆位置；

v_lst表示第二次回传的公交车GPS数据中的车速。

3.根据权利要求1所述的基于公交车GPS数据的路段公交车渗透率估计方法，其特征在于：所述步骤2中，单周期的公交车渗透率的计算方法为：

$P=\frac{D*others\_avg\_len}{l*n-D*bus\_avg\_len+D*others\_avg\_len}$

其中，P表示交叉口单周期的渗透率；

n表示车道数；

D为排队队列中的公交车的数量；

l为排队队列中最后一辆公交车到停车线的距离，且l＝l_{lst_stop}-l_{line_stop}。

4.根据权利要求1所述的基于公交车GPS数据的路段公交车渗透率估计方法，其特征在于：所述步骤3中，对不同时期单周期公交车渗透率进行分析，在高峰期和平峰期分别选取N个单周期公交车渗透率的数据，将N个周期的单周期公交车渗透率分别选择不同周期数平均分组，相同周期数划分的几组数据作为一类；比较每一类数据中各组数据的差异程度，用组内离差平方和表示：

${S^2}_A=\underset{i=1}{\overset{r}{\Σ}}{n}_i{(\stackrel{\‾}{y_i}-\stackrel{\‾}{y})}^2$

$\left\{\begin{array}{c}\stackrel{\‾}{y_i}=\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\Σ}}{y}_{ij}\\ \stackrel{\‾}{y}=\frac{1}{N}\underset{i=1}{\overset{r}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{y}_{ij}\end{array}\right.$

其中，S² _A表示每一类数据的组间离差平方和，

r表示每一类数据划分的组数，

n_i表示每一组包含的数据个数，

表示每一组数据的平均值，

表示总的数据均值，

y_ij表示单周期的公交车渗透率；

计算平峰期和高峰期每一类数据的组间离差平方和，综合考虑实时性和准确性两个指标，在高峰期和平峰期均选择M个周期作为多周期渗透率估计的时间窗。

5.根据权利要求1所述的基于公交车GPS数据的路段公交车渗透率估计方法，其特征在于：所述步骤4中，选择DBSCAN密度聚类算法对M个周期的渗透率进行聚类，DBSCAN基于一组邻域参数(ε,MinPts)来刻画样本分布的紧密程度；其中，ε表示相邻的数据对象之间的距离，MinPts表示样本的数量；

对于给定数据集D＝{P₁，P₂,…,P_m}，若P为核心对象，由P密度直达关系导出的所有样本组成的集合即为聚类簇；找出数据集中的所有核心对象，然后任选一个核心对象，由此出发找出由其密度直达的样本生成聚类簇，直到所有的核心对象均被访问过为止，其中：

P_{上四分位数}表示大量高峰期或平峰期的单周期渗透率的上四分数，P_中位数表示大量高峰期或平峰期的单周期渗透率的中位数；

经过密度聚类后，一共生成了m个聚类簇(m＞＝1)，对于每个聚类簇，其局部密度为：

${\mathrm{\ρ}}_i=\frac{num}{MinPts}$

其中，num表示簇内数据的个数，MinPts表示样本的数量；

每个簇到具有更高密度的其他簇的距离为：d_ij＝Min(|P_i-P_j|)，其中，P_i是每个聚类簇的核心对象，P_j为数据对象；

相对距离为：

$d_{ijr}=\left\{\begin{array}{c}\frac{\mathrm{\ϵ}}{d_{ij}},({\mathrm{\ρ}}_j>{\mathrm{\ρ}}_i)\\ 1,({\mathrm{\ρ}}_i=Max({\mathrm{\ρ}}_1,{\mathrm{\ρ}}_2...\left)\right)\end{array}\right.$

其中，ε表示相邻的数据对象之间的距离，d_ij表示每个簇到具有更高密度的其他簇的距离。

公交车的渗透率为：

$P_{load}=\underset{i=1}{\overset{m}{\Σ}}\frac{{\mathrm{\ρ}}_i\×d_{ijr}}{\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ρ}}_i\×d_{ijr}}\×P_i$

其中，P_load表示路段的公交车渗透率，P_i表示聚类簇的核心对象，d_ijr表示两个聚类簇的相对距离，ρ_i表示聚类簇的局部密度。