CN106981195B - 基于公交gps数据的交叉口信号配时参数估计方法 - Google Patents

Abstract

本发明公开了一种基于公交GPS数据的交叉口信号配时参数估计方法，包括如下步骤：步骤1：选取某一信号交叉口，并从数据库中提取在某个时间段内经过该交叉口的所有公交车的GPS数据，利用每辆公交车经过交叉口的GPS数据，建立交叉口单车行程时间估计模型；步骤2：基于已获得的每辆公交车经过交叉口的行程时间，利用先聚类再分类的方法，找到每个信号周期经过交叉口的第一辆公交车(称之为CBV)；步骤3：计算所有CBV及每一辆CBV对应的前车到达交叉口停车线的时间，在此基础上，获得周期时长以及周期边界估计结果；步骤4：利用CBV在停车线附近的GPS数据序列，结合周期时长和周期边界估计结果，建立交叉口红灯时长估计模型。

Description

基于公交GPS数据的交叉口信号配时参数估计方法

技术领域

本发明涉及一种交叉口信号配时参数的估计方法，具体的为一种基于公交GPS数据的交叉口信号配时参数估计方法。

背景技术

交叉口信号配时参数(例如信号周期时长、红灯时长等)是信号性能测量(如排队长度)和与交叉口相关的交通模型的重要输入，然而这些参数多处在动态变化之中，且信号配时参数的改变影响着公交调度、出行规划、行程时间的估计，如若不能及时获得这些参数，上述工作将难以开展。因此，研究如何通过数据分析的方法来及时了解并获取交叉口信号配时参数具有重要的意义和价值。

事实上，作者P.Hao利用布设在交叉口上下游的固定传感器实现了对信号配时参数的估计。然而，该方法并不能很好的确定周期边界(即每个周期确切的开始和结束时刻)，且如果在一个或多个连续的周期内没有任何采样数据，该方法不能检测到这些“缺失”周期。针对以上不足，该作者又对其进行了相应改进。改进后的信号配时参数估计方法可以较为准确地估计一个周期的开始和结束时间，并可以正确地检测是否有任何缺失的周期。但是，该方法需要用到交叉口现场测试数据，若信号配时参数发生改变，该方法并不能及时响应。其次，该方法是以车辆到达停车线的时间为基准来估计周期边界的，但是由于它只能获得车辆到达信号交叉口上游和下游的确切时间，无法得知其在信号交叉口内部的运行状况，所以不能很好地估计其到达交叉口停车线的时间。此外，该作者所提出的信号红灯时长估计方法建立在假设车辆均匀到达的基础上，这种假设与实际情况不符。

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GPS数据的交叉口信号配时参数估计方法。

为达到上述目的，本发明提供如下技术方案：

一种基于公交GPS数据的交叉口信号配时参数估计方法，包括如下步骤：

步骤1：选取某一信号交叉口，并从数据库中提取在某个时间段内经过该交叉口的所有公交车的GPS数据，利用每辆公交车经过交叉口的GPS数据，建立交叉口单车行程时间估计模型；

步骤2：基于已获得的每辆公交车经过交叉口的行程时间，利用先聚类再分类的方法，找到每个信号周期经过交叉口的第一辆公交车，称该类公交车为CBV，具体方法为：

步骤21：获得每辆公交车与前车到达交叉口进口的时间差Δt和在交叉口的行程时间差ΔT；

步骤22：把Δt和ΔT作为每辆公交车的特征属性，利用K均值聚类算法将所有车辆聚成两类；

步骤23：为这两类公交车分别附上不同的标签号，在此基础上，利用支持向量机对所有车辆进行分类，得到分类超平面，并找到所有的CBV；

步骤3：计算所有CBV及每一辆CBV对应的前车到达交叉口停车线的时间，在此基础上，获得周期时长以及周期边界估计结果；

步骤4：利用CBV在停车线附近的GPS数据序列，结合周期时长和周期边界估计结果，建立交叉口红灯时长估计模型。

进一步，建立交叉口单车行程时间估计模型的方法如下：

在交叉口进口前后各取一个距离交叉口进口最近的GPS定位数据，这两个定位数据所对应的车辆的瞬时速度、GPS时间分别为v_i、t_i(i＝1,2)；

若|v₁-v₂|≤v₀，则判定车辆做匀速运动，那么：

车辆到达交叉口进口的时间为：

其中，s₁为车辆在交叉口进口前的最后一个GPS定位数据与交叉口进口的距离；

s₂车辆在交叉口进口后的第一个GPS定位数据与交叉口进口的距离；

若|v₁-v₂|＞v₀，则判定车辆做匀变速运动，那么：

式中，a为车辆的加速度。求解上述方程组可得：

其中，

同理，可采用相同的方法计算车辆到达交叉口出口的时间t_out，从而得到车辆经过交叉口的行程时间T＝t_out-t_in。

进一步，所述步骤22中，把Δt和ΔT作为每辆公交车的特征属性，以此可以得到采样数据集X＝{x_i|i＝1,...,N}，其中N为总的车辆数，每个数据对象x_i有两个描述属性Δt_i和ΔT_i，即x_i＝(Δt_i,ΔT_i)，在此基础上，利用K均值聚类算法将数据集X聚成两类的方法为：

步骤221：首先在采样数据集X中随机选取两个数据对象作为初始聚类中心；

步骤222：计算每个数据对象与各个聚类中心的欧氏距离，将每个数据对象分配到与其最接近的聚类中心，从而形成一类；

步骤223：一旦全部数据对象都被分配了，再以每个聚类子集的平均向量作为新的聚类中心；

步骤224：计算误差平方和准则函数；

步骤225：重复步骤222至步骤224，直到误差平方和不变，则算法终止，得到最终的聚类结果。

进一步，对于最终聚类后的两个子集X₁、X₂的聚类中心x₁＝(Δt₁,ΔT₁)、x₂＝(Δt₂,ΔT₂)，若ΔT₁＜ΔT₂，则将X₂中所有数据对象的标签号都置为1，将X₁中所有数据对象的标签号都置为-1，反之则相反；在此基础上，利用支持向量机对数据集X进行分类，得到分类超平面并将数据集X分成两类，处在分类超平面之上的数据子集所对应的车辆即为所有的CBV。

进一步，所有CBV及每一辆CBV对应的前车到达交叉口停车线的时间的计算方法为：

若停车线处没有车辆GPS定位数据，则在停车线前后各取一个距离停车线最近的GPS定位数据，然后利用所述步骤1的方法即可获得车辆到达交叉口停车线的时间；

若停车线处有车辆GPS定位数据，并且只有一个GPS数据，则该GPS数据对应的时间即为车辆到达停车线的时间；

若车辆正好在停车线处停车等待，由于受到红灯的影响，则停车线处的GPS定位数据可能不止一个，此时，该车到达停车线的时间为停车线处第一个GPS数据所对应的时间。

进一步，建立交叉口红灯时长估计模型的方法如下：

步骤41：利用车辆GPS数据判断每个周期的CBV是属于第一类CBV还是第二类CBV，且第一类CBV和第二类CBV的判定方法如下：若CBV正好停在停车线处，则定义该类CBV为第一类CBV；若CBV没有停在停车线处，则定义该类CBV为第二类CBV；

步骤42：计算每个第一类CBV对应的红灯时长下边界，并取所有下边界的最大值

且第一类CBV对应的红灯时长下边界的计算方法如下：

第一类CBV在停车线处最后一个GPS数据对应的时刻一定在红灯结束时刻之前，又或者刚好为红灯结束时刻，即：

其中，

为第i个周期的红灯结束时刻，t_i为第i个周期的第一类CBV在停车线处的最后一个GPS数据对应的时刻；则

其中，T_r为红灯时长，

为第i个周期的红灯开始时刻；

由此可见，若第i个周期的CBV为第一类CBV，则可得到该CBV对应的红灯时长下边界：

计算每个第二类CBV对应的红灯时长上边界，并取所有上边界的最小值

且第二类CBV对应的红灯时长上边界的计算方法如下：

红灯结束之后第二类CBV才能到达并驶离停车线，则第二类CBV到达停车线的时刻一定在红灯结束时刻之后，即：

其中，

为第j个周期的红灯结束时刻，t_j为第j个周期的第二类CBV到达停车线的时刻；

由上式可得：

其中，

为第j个周期的红灯开始时刻；

由此可见，若第j个周期的CBV为第二类CBV，则可得到该CBV对应的红灯时长上边界：

步骤43：计算红灯时长估计值：

本发明的有益效果在于：

考虑到传统的线性插值法大多假设车辆在路段边界附近匀速行驶，但交叉口进出口处的车辆行为往往较为复杂，不加区分的都按匀速行驶计算并不符合实际；基于此，本发明提出了一种改进的插值法来估计车辆经过信号交叉口的行程时间，在此基础上，本发明提出了一种先聚类再分类的方法来找到每个信号周期经过交叉口的第一辆公交车，该方法无需交叉口现场测试数据，可以及时响应信号配时参数的改变；此外，本发明采用停车线附近的GPS数据序列，可以更为准确的获得车辆到达停车线的时间，并以此估计周期边界及周期时长，结合周期边界估计结果，本发明提出了一种新的红灯时长估计方法，该方法无需假设车辆均匀到达；

综上所述，本发明基于公交GPS数据的交叉口信号配时参数估计方法，利用车辆经过交叉口的GPS数据序列，掌握车辆在交叉口内部的运行情况，在无需交叉口现场测试数据以及假设车辆均匀到达的情况下，实现对交叉口信号配时参数的估计，以提高信号配时参数估计的准确性。

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为交叉口进口附近的GPS数据分布示意图；

图2为停车线附近的GPS数据分布示意图；

图3为第一类CBV在停车线附近的GPS数据分布示意图。

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。

为了实现对信号配时参数的估计，本实施例基于公交GPS数据的交叉口信号配时参数估计方法作了如下定义和描述：

①定义红灯开始时刻即为一个周期的开始时刻；

②在公交GPS数据采集时段内，也即在本发明的研究时段内，交叉口控制信号的周期时长以及红灯时长均为定值；

③不考虑公交GPS数据的定位误差，采用已经过数据预处理的公交GPS数据。

本实施例基于公交GPS数据的交叉口信号配时参数估计方法，包括如下步骤：

步骤1：选取某一信号交叉口，并从数据库中提取在某个时间段内(如30分钟)经过该交叉口的所有公交车的GPS数据，GPS数据包括车辆位置、瞬时速度、当前时间等信息，其数据采集周期为10s，且已经过数据预处理；利用每辆公交车经过交叉口的GPS数据，建立交叉口单车行程时间估计模型。

车辆在信号交叉口的行程时间可以通过其到达交叉口出口和交叉口进口的时间差计算得到。以交叉口进口处为例，若交叉口进口处正好存在GPS定位数据，则可根据该GPS数据直接得到车辆到达交叉口进口的时间。然而，由于公交GPS数据10秒传送一次，因此这样的定位数据很有可能并不存在。这种情况下，就需要通过车辆在交叉口进口前后的GPS定位数据，利用插值法来估计其到达交叉口进口的时间。考虑到交叉口进出口处的车辆行为往往较为复杂，本发明提出了一种改进的插值法来估计车辆经过信号交叉口的行程时间。

交叉口进口附近的车辆GPS数据分布情况如图1所示(交叉口进口处不存在GPS定位数据)。在交叉口进口前后各取一个距离交叉口进口最近的GPS定位数据，这两个定位数据所对应的车辆的瞬时速度、GPS时间分别为v_i、t_i(i＝1,2)；

若|v₁-v₂|≤v₀，则判定车辆做匀速运动，那么：

车辆到达交叉口进口的时间为：

其中，s₁为车辆在交叉口进口前的最后一个GPS定位数据与交叉口进口的距离；

s₂车辆在交叉口进口后的第一个GPS定位数据与交叉口进口的距离；

若|v₁-v₂|＞v₀，则判定车辆做匀变速运动，那么：

式中，a为车辆的加速度。求解上述方程组可得：

其中，

同理，可采用相同的方法计算车辆到达交叉口出口的时间t_out，从而得到车辆经过交叉口的行程时间T＝t_out-t_in。

步骤2：基于已获得的每辆公交车经过交叉口的行程时间，利用先聚类再分类的方法，找到每个信号周期经过交叉口的第一辆公交车，称该类公交车为CBV，具体方法为：

步骤21：获得每辆公交车与前车到达交叉口进口的时间差Δt和在交叉口的行程时间差ΔT；

步骤22：把Δt和ΔT作为每辆公交车的特征属性，以此可以得到采样数据集X＝{x_i|i＝1,...,N}，其中N为总的车辆数，每个数据对象x_i有两个描述属性Δt_i和ΔT_i，即x_i＝(Δt_i,ΔT_i)，在此基础上，利用K均值聚类算法将数据集X聚成两类的方法为：

步骤221：首先在采样数据集X中随机选取两个数据对象作为初始聚类中心；

步骤222：计算每个数据对象与各个聚类中心的欧氏距离，将每个数据对象分配到与其最接近的聚类中心，从而形成一类；

步骤223：一旦全部数据对象都被分配了，再以每个聚类子集的平均向量作为新的聚类中心；

步骤224：计算误差平方和准则函数；

步骤225：重复步骤222至步骤224，直到误差平方和不变，则算法终止，得到最终的聚类结果。

步骤23：为这两类公交车分别附上不同的标签号，在此基础上，利用支持向量机对所有车辆进行分类，得到分类超平面，并找到所有的CBV。具体的，对于最终聚类后的两个子集X₁、X₂的聚类中心x₁＝(Δt₁,ΔT₁)、x₂＝(Δt₂,ΔT₂)，若ΔT₁＜ΔT₂，则将X₂中所有数据对象的标签号都置为1，将X₁中所有数据对象的标签号都置为-1，反之则相反；在此基础上，利用支持向量机对数据集X进行分类，得到分类超平面并将数据集X分成两类，处在分类超平面之上的数据子集所对应的车辆即为所有的CBV。

步骤3：计算所有CBV及每一辆CBV对应的前车到达交叉口停车线的时间，在此基础上，获得周期时长以及周期边界估计结果。具体的，停车线附近可能的车辆GPS数据分布情况如图2所示。

若停车线处没有车辆GPS定位数据(如A车)，则在停车线前后各取一个距离停车线最近的GPS定位数据，然后利用所述步骤1的方法即可获得车辆到达交叉口停车线的时间；

若停车线处有车辆GPS定位数据，并且只有一个GPS数据(如B车)，则该GPS数据对应的时间即为车辆到达停车线的时间；

若车辆正好在停车线处停车等待，由于受到红灯的影响，则停车线处的GPS定位数据很有可能不止一个(如C车)；此时，该车到达停车线的时间为停车线处第一个GPS数据所对应的时间。

在此基础上，利用作者P.Hao提出的方法可获得周期时长以及周期边界估计结果。

步骤4：利用CBV在停车线附近的GPS数据序列，结合周期时长和周期边界估计结果，建立交叉口红灯时长估计模型。

步骤41：利用车辆GPS数据判断每个周期的CBV是属于第一类CBV还是第二类CBV，且第一类CBV和第二类CBV的判定方法如下：根据前面的定义，CBV是一个信号周期内的第一辆公交车，且一个周期从红灯开始，因此，CBV很有可能会受到红灯的影响而在停车线附近排队等候。此时，CBV的停车位置有如下两种情况：若CBV正好停在停车线处，则定义该类CBV为第一类CBV；若CBV没有停在停车线处，则定义该类CBV为第二类CBV。

步骤42：计算每个第一类CBV对应的红灯时长下边界，并取所有下边界的最大值

且第一类CBV对应的红灯时长下边界的计算方法如下：假设第i个周期的CBV正好停在停车线处，则红灯一结束，该车就启动驶离停车线。同样的，若该车依然在停车等待，说明红灯尚未结束，也就是说，该车在停车线处最后一个GPS数据对应的时刻一定在红灯结束时刻之前，又或者刚好为红灯结束时刻。那么，如图3所示：

其中，

为第i个周期的红灯结束时刻，t_i为第i个周期的第一类CBV在停车线处的最后一个GPS数据对应的时刻；则

其中，T_r为红灯时长，

为第i个周期的红灯开始时刻；

由此可见，若第i个周期的CBV为第一类CBV，则可得到该CBV对应的红灯时长下边界：

计算每个第二类CBV对应的红灯时长上边界，并取所有上边界的最小值

且第二类CBV对应的红灯时长上边界的计算方法如下：假设第j个周期的CBV没有停在停车线处，即CBV前还有排队车辆且该车辆未被采样到，又或者CBV并未停车。那么，红灯结束之后该车才能到达并驶离停车线，也就是说，该车到达停车线的时刻一定在红灯结束时刻之后，即：

其中，

为第j个周期的红灯结束时刻，t_j为第j个周期的第二类CBV到达停车线的时刻；

由上式可得：

其中，

为第j个周期的红灯开始时刻；

由此可见，若第j个周期的CBV为第二类CBV，则可得到该CBV对应的红灯时长上边界：

步骤43：计算红灯时长估计值：

本实施例基于公交GPS数据的交叉口信号配时参数估计方法，利用车辆经过交叉口的GPS数据序列，掌握车辆在交叉口内部的运行情况，在无需交叉口现场测试数据以及假设车辆均匀到达的情况下，实现对交叉口信号配时参数的估计，以提高信号配时参数估计的准确性。

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GPS数据的交叉口信号配时参数估计方法，其特征在于：包括如下步骤：

步骤1：选取某一信号交叉口，并从数据库中提取在某个时间段内经过该交叉口的所有公交车的GPS数据，利用每辆公交车经过交叉口的GPS数据，建立交叉口单车行程时间估计模型；

步骤2：基于已获得的每辆公交车经过交叉口的行程时间，利用先聚类再分类的方法，找到每个信号周期经过交叉口的第一辆公交车，称该类公交车为CBV，具体方法为：

步骤21：获得每辆公交车与前车到达交叉口进口的时间差Δt和在交叉口的行程时间差ΔT；

步骤22：把Δt和ΔT作为每辆公交车的特征属性，利用K均值聚类算法将所有车辆聚成两类；

步骤23：为这两类公交车分别附上不同的标签号，在此基础上，利用支持向量机对所有车辆进行分类，得到分类超平面，并找到所有的CBV；

步骤3：计算所有CBV及每一辆CBV对应的前车到达交叉口停车线的时间，在此基础上，获得周期时长以及周期边界估计结果；

步骤4：利用CBV在停车线附近的GPS数据序列，结合周期时长和周期边界估计结果，建立交叉口红灯时长估计模型；

建立交叉口红灯时长估计模型的方法如下：

步骤41：利用车辆GPS数据判断每个周期的CBV是属于第一类CBV还是第二类CBV，且第一类CBV和第二类CBV的判定方法如下：若CBV正好停在停车线处，则定义该类CBV为第一类CBV；若CBV没有停在停车线处，则定义该类CBV为第二类CBV；

步骤42：计算每个第一类CBV对应的红灯时长下边界，并取所有下边界的最大值

且第一类CBV对应的红灯时长下边界的计算方法如下：

第一类CBV在停车线处最后一个GPS数据对应的时刻一定在红灯结束时刻之前，又或者刚好为红灯结束时刻，即：

其中，

为第i个周期的红灯结束时刻，t_i为第i个周期的第一类CBV在停车线处的最后一个GPS数据对应的时刻；则

其中，T_r为红灯时长，

为第i个周期的红灯开始时刻；

由此可见，若第i个周期的CBV为第一类CBV，则可得到该CBV对应的红灯时长下边界：

计算每个第二类CBV对应的红灯时长上边界，并取所有上边界的最小值

且第二类CBV对应的红灯时长上边界的计算方法如下：

红灯结束之后第二类CBV才能到达并驶离停车线，则第二类CBV到达停车线的时刻一定在红灯结束时刻之后，即：

其中，

为第j个周期的红灯结束时刻，t_j为第j个周期的第二类CBV到达停车线的时刻；

由上式可得：

其中，

为第j个周期的红灯开始时刻；

由此可见，若第j个周期的CBV为第二类CBV，则可得到该CBV对应的红灯时长上边界：

步骤43：计算红灯时长估计值：

2.根据权利要求1所述的基于公交GPS数据的交叉口信号配时参数估计方法，其特征在于：建立交叉口单车行程时间估计模型的方法如下：

在交叉口进口前后各取一个距离交叉口进口最近的GPS定位数据，这两个定位数据所对应的车辆的瞬时速度、GPS时间分别为v_i、t_i,i＝1,2；

若|v₁-v₂|≤v₀，则判定车辆做匀速运动，那么：

车辆到达交叉口进口的时间为：

其中，s₁为车辆在交叉口进口前的最后一个GPS定位数据与交叉口进口的距离；

s₂车辆在交叉口进口后的第一个GPS定位数据与交叉口进口的距离；

若|v₁-v₂|＞v₀，则判定车辆做匀变速运动，那么：

式中，a为车辆的加速度，求解上述方程组可得：

其中，

同理，可采用相同的方法计算车辆到达交叉口出口的时间t_out，从而得到车辆经过交叉口的行程时间T＝t_out-t_in。

3.根据权利要求1所述的基于公交GPS数据的交叉口信号配时参数估计方法，其特征在于：所述步骤22中，把Δt和ΔT作为每辆公交车的特征属性，以此可以得到采样数据集X＝{x_i|i＝1,...,N}，其中N为总的车辆数，每个数据对象x_i有两个描述属性Δt_i和ΔT_i，即x_i＝(Δt_i,ΔT_i)，在此基础上，利用K均值聚类算法将数据集X聚成两类的方法为：

步骤221：首先在采样数据集X中随机选取两个数据对象作为初始聚类中心；

步骤222：计算每个数据对象与各个聚类中心的欧氏距离，将每个数据对象分配到与其最接近的聚类中心，从而形成一类；

步骤223：一旦全部数据对象都被分配了，再以每个聚类子集的平均向量作为新的聚类中心；

步骤224：计算误差平方和准则函数；

步骤225：重复步骤222至步骤224，直到误差平方和不变，则算法终止，得到最终的聚类结果。

4.根据权利要求1所述的基于公交GPS数据的交叉口信号配时参数估计方法，其特征在于：所述步骤23中，对于最终聚类后的两个子集X₁、X₂的聚类中心x₁＝(Δt₁,ΔT₁)、x₂＝(Δt₂,ΔT₂)，若ΔT₁＜ΔT₂，则将X₂中所有数据对象的标签号都置为1，将X₁中所有数据对象的标签号都置为-1，反之则相反；在此基础上，利用支持向量机对数据集X进行分类，得到分类超平面并将数据集X分成两类，处在分类超平面之上的数据子集所对应的车辆即为所有的CBV。

5.根据权利要求1所述的基于公交GPS数据的交叉口信号配时参数估计方法，其特征在于：所有CBV及每一辆CBV对应的前车到达交叉口停车线的时间的计算方法为：

若停车线处没有车辆GPS定位数据，则在停车线前后各取一个距离停车线最近的GPS定位数据，然后利用所述步骤1的方法即可获得车辆到达交叉口停车线的时间；

若停车线处有车辆GPS定位数据，并且只有一个GPS数据，则该GPS数据对应的时间即为车辆到达停车线的时间；

若车辆正好在停车线处停车等待，由于受到红灯的影响，则停车线处的GPS定位数据可能不止一个，此时，该车到达停车线的时间为停车线处第一个GPS数据所对应的时间。

Images