CN108447256B - 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 - Google Patents
基于电警和定点检测器数据融合的干道车辆轨迹重构方法 Download PDFInfo
- Publication number
- CN108447256B CN108447256B CN201810239835.0A CN201810239835A CN108447256B CN 108447256 B CN108447256 B CN 108447256B CN 201810239835 A CN201810239835 A CN 201810239835A CN 108447256 B CN108447256 B CN 108447256B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- road
- intersection
- period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 86
- 230000008859 change Effects 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000000819 phase cycle Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000011160 research Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008676 import Effects 0.000 claims description 14
- 101100506049 Humicola insolens cel6A gene Proteins 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 101000767160 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) Intracellular protein transport protein USO1 Proteins 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 101100446506 Mus musculus Fgf3 gene Proteins 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 102100033265 Integrator complex subunit 2 Human genes 0.000 claims 1
- 108050002021 Integrator complex subunit 2 Proteins 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 49
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012067 mathematical method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 102100024061 Integrator complex subunit 1 Human genes 0.000 description 1
- 101710092857 Integrator complex subunit 1 Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，将一定数量的车辆在指定时间、指定路段或路口输入到控制系统中；根据实际交通运行模式和交通波相关理论引入约束，从大量可能轨迹中筛选出少量的合理轨迹；参考实际交通运行情况，以反映实际交通运行状况的相关参数为标准从少量合理轨迹中筛选出最接近现实的最佳轨迹，从而完成轨迹重构；所述的约束包括定点检测器处排队溢出识别；时空区域自由流车速获取；上游相序及集计时段切分；上游输入流量获取；基于电警数据的车辆变道行为划分。本发明主就去根据反映实际交通运行情况的交通量参数对重构轨迹进行调整，得到更符合现实的最终重构轨迹，提高轨迹重构准确性。
Description
技术领域
本发明属于交通信息领域，具体涉及一种基于定点检测器、信号配时数据以及电警数据融合的干道车辆轨迹重构方法。
背景技术
在交通工程领域，对于车辆运行轨迹重构的认知和理解存在两个层次：第一层次是车辆的行驶路径，指的是车辆的起讫点以及连接起讫点之间的路段和节点，常用于路网OD(Origin Destination)矩阵的估计；第二层次是车辆的运行轨迹，指的是车辆在行驶过程中的完整物理轨迹，可以体现车辆速度随时间和空间的变化规律。本发明针对是是第二层次的车辆运行轨迹的重构，车辆运行轨迹是对交通流运行状态的最全面和完整的表达形式，不仅可以体现车辆在道路上的行驶路径，而且可以反映车辆运行速度随时间和空间的变化规律，蕴含非常丰富的交通流信息。交通信息化水平的不断提高使得城市路网大范围、连续、自动的定点和移动检测数据的采集成为现实，进而使得车辆运行轨迹的获取成为可能。其中，定点检测设备(如，线圈、地磁、微波雷达等)可以直接获取特定地点和时间间隔的速度、流量、占有率等路段和交叉口的交通流特征参数；移动检测设备(例如浮动车、车辆自动识别(Automatic Vehicle Identification，AVI)设备等)可以直接估计部分车辆的起讫点、时空连续的行驶路径、点到点的行程时间等单个车辆的运行信息。
重构车辆运行轨迹可以全面、准确地再现城市路网交通状态的时空分布以及交通流的演化规律，从而提高交通状态参数(例如，行程速度、行程时间、排队长度、延误等)估计和预测的精度以及交通信号控制的效率。同时，结合车辆排放和能源消耗模型，车辆运行轨迹信息还可以用于路网机动车交通产生的尾气和能源消耗的评估。因此，车辆运行轨迹的重构对于探索和开发交通信息化环境下的精细化交通控制与管理策略和系统，提升我国道路交通信息化、智能化水平，具有重要的现实意义。传统的轨迹重构方法主要基于变分理论(Variational Theory)、交通波理论和相对通行能力约束的路网交通流解析模型，通过融合出租车浮动车数据、AVI数据以及信号控制参数来进行道路车辆轨迹重构，结果表明当对象路段的出入口位置布设有AVI设施且浮动车比例达到5％以上时，就有可能比较准确地估计出城市道路路段上所有车辆的运行轨迹。
总结传统轨迹重构算法的研究，目前主要存在以下问题：
(1)只能针对单车道、少量进出干扰的情况
现有的轨迹重构方法可以在一定精度范围内实现理想交通环境下较少车道路段或单点交叉口的车辆轨迹重构，但是未能考虑城市道路沿线出入口的车辆流入流出和路段车辆的频繁变道行为等对车流运行的影响。算法精度取决于高质量的浮动车数据
(2)过分依赖浮动车数据，对定点检测器和电警数据关注不足
浮动车的占有率较高且上传频率较高时，重构轨迹质量较高。一旦浮动车质量降低，则算法精确度迅速降低。我国城市浮动车数据的上传频率低，占比也低，难以得到广泛的实际应用。不符合我国干道浮动车数据质量较低而定点检测器较普遍亦具有一定数量电警的交通检测数据条件。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种新的基于电警和定点检测器数据融合的干道车辆轨迹重构方法，该方法更符合我国典型城市干道路交通信息采集环境，且融合现有的定点检测器数据、交通信号数据、电警数据，依据数学方法和交通工程的分析方法，实现了交通仿真思想的融合。
本发明所要解决的技术问题是通过以下技术方案来实现的。本发明是一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，该方法首先将一定数量的车辆在指定时间、指定路段或路口输入到控制系统中；然后根据实际交通运行模式和交通波相关理论引入一定的约束，从大量可能轨迹中筛选出少量的合理轨迹；最后参考实际交通运行情况，以反映实际交通运行状况的相关参数为标准从少量合理轨迹中筛选出最接近现实的最佳轨迹，从而完成轨迹重构；
所述的约束选自以下附加规则：
(1)定点检测器处排队溢出识别；
(2)时空区域自由流车速获取；
(3)上游相序及集计时段切分；
(4)上游输入流量获取；
(5)基于电警数据的车辆变道行为划分。
本发明所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其进一步优选的技术方案是：单个车辆的轨迹重构是按一定的条件在研究路段某处生成车辆，此车辆的每一秒的行为都是根据当前时刻的总体状态按照一定的约束条件进行决策，从而产生连续轨迹，直至车辆驶出研究范围或者达到研究时间。
本发明所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其进一步优选的技术方案是：所述的附加规则(1)定点检测器处排队溢出识别如下：
通过定点检测器检测车辆流量、速度以及占有率信息，当车辆排队长度超出检测器时，检测器参数无法准确反映上游交通流输入信息，因此需要修正处理；通过假设每1min集计时段内上游车辆到达服从均匀分布，并且车辆排队溢出后，到达流率与未发生排队溢出的最近上一个1min集计时段的车辆到达交通流率一致；
排队长度未溢出集计时段的检测器参数服从以下公式：
其中：
DetOcc为集计时段内检测器占有率；
为平均车长，单位m；
d为定点检测器自身长度，单位m；
k为交通流密度，单位veh/km；
DetVol为集计时段内车辆流量，单位veh/min；
DetAvgv为集计时段内车辆平均速度，单位m/s；
提取检测器Det i-j某集计时段Tk的检测器数据，分别为占有率DetOcc、流量DetVol和速度DetAvgv，并将三参数代入公式(2)进行判断：若计算结果在置信区间内，则代表排队未溢出，反之，则代表排队溢出。
本发明所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其进一步优选的技术方案是：所述的附加规则(2)时空区域自由流车速获取是：
不同路段在不同时段内存在不同自由流车速，通过定点检测器Det i的检测数据计算该值，以K min为间隔计算自由流车速，含M个车道的路段Road i在某K min时段内的自由流车速Roadvf i的计算方法为：
(1)利用附加规则定点检测器处排队溢出识别对该K min时段内Det i所有集计时段进行排队溢出识别；
(2)对该时段内定点检测器数据中所有速度参数DetAvgv进行加权平均，计算公式如式(3)所示，其中1-lgreg k即为剔除排队溢出情况下的数据，T k代表某集计时段；
(3)A、B为K min时段，根据上述步骤得出AB之间的车辆自由流车速为Roadvfi-AB，BC之间的车辆自由流车速为Roadvfi-BC；
(4)对于B点也即每两个Kmin集计时段的边界点，以Roadvf i-B＝(Roadvf i-AB+Roadvf i-AB)/2的波速分别向上、下游延伸，分别在交叉口Int(i-1)和Int i处确定点E、H，同理得到D、G、F、I；则时空区域DEHG以内的自由流车速为Roadvf i-AB，时空区域EFIH以内的自由流车速为Roadvf i-BC。
本发明所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其进一步优选的技术方案是：所述的附加规则(3)上游相序及集计时段切分是指：
对交叉口处不同车道中不同信控周期对应的上游定点检测器集计时段进行切分，同时需要对定点检测器不同集计时段对应的上游交叉口信号相位进行切分，其步骤如下：
(1)信控周期对应的上游检测器集计时段切分
在Road i的Deti-j的时段AB内，对于Inti处Lane j上信控周期EF，分别从E和F点以波速Roadvfi-AB向上游延伸，分别交Deti中集计时段AC于E’，交集计时段DB于F’，则EF对应的上游检测器集计时段为AC、CD和DB，其中AC和DB为非完整集计时段；
(2)检测器集计时段对应的上游相序切分
对于Deti-j某集计时段CD，分别从C和D点以波速
Roadvf i-AB向上游交叉口Int(i-1)延伸，分别交Lane j上信号配时数据线于C’和D’，则Det i-j集计时段CD对应的上游交叉口Int(i-1)相序为C’G、GH和HD’。
本发明所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其进一步优选的技术方案是：所述的附加规则(4)上游输入流量获取是通过对定点检测器数据进行处理，转化为上游输入流量：
(1)上游检测器集计时段切分；
对Inti中Lane j处的信控周期EF，完成其对上游Deti-j集计时段的切分，则信控周期EF对应的集计时段为T 1、…、T k、…、T kk，共kk个，其中T 1与T kk一般为非完整集计时段；
计算信控周期EF所切分的集计时段所对应的完整集计时段时长比例，T1即E’C、Tkk即DF’对应的完整集计时段时长比例分别为a1％和akk％，一般小于100％；中间集计时段对应的完整集计时段时长比例a k％均为100％；根据上述计算结果，得到该信控周期所切分的集计时段所对应的流量参数DetVol k’，分别为DetVol 1×a1％、…、DetVol k×ak％、…、DetVol kk×akk％。
(2)基于排队溢出的检测器流量参数修正；
判断集计时段T1、…、T k、…、T kk是否发生排队溢出：
若未发生排队溢出，则该集计时段对应的修正流量参数DetVol k’＝DetVol k×ak％，即保持不变；
若发生排队溢出，且为包含mm个集计时段的连续集计时段T k1、…、
T km、…、T kmm；将该连续集计时段对应的上游输入流量按照均匀分布处理，则集计时段T km对应的修正流量参数为DetVol km’，公式如下所示：
(3)上游输入流量转化
(i)经过上述步骤，得到集计时段T k的修正流量参数为DetVol k’，若某集计时段分属两个信控周期，则其修正流量参数为集计时段子部分的修正流量参数之和；
(ii)定点检测器集计时段对应的上游输入时段为InputPeriod，该时段输入流量AdjInput。
本发明所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其进一步优选的技术方案是：所述的附加规则(5)基于电警数据的车辆变道行为划分是指根据研究路段两端电警AVI1和AVI2的检测数据，对所有车辆进行分类，以对其变道行为特性进行划分：
对某重构车辆estcar id，其对应重构车辆关键信息矩阵EstCarKeyInf[]的参数值为[estcar id，…，AVI1_Lane，AVI2_Lane，…]，其中：
AVI1_Lane：表示该重构车辆estcar id通过AVI1检测截面的所属车道Lane j；
AVI2_Lane：表示该重构车辆estcar id通过AVI2检测截面的所属车道Lane j；
根据AVI1_Lane和AVI2Lane的参数取值，对重构车辆的变道行为进行分析：
(1)若AVI1_Lane＝j1&AVI2_Lane＝j2&j1≠0&j2≠0，则表示该类车辆从为交叉口Int 1处车道Lane j1驶出，经过中间各路段和交叉口数次变道后，最后经过交叉口Int(N-1)后变道进入路段Road N的车道Lane＝j2，直至驶出Int N，即驶出研究路段范围；
(2)若AVI1_Lane＝j1&AVI2_Lane＝0&j1≠0，则表示该类车辆从为交叉口Int 1处车道Lane j1驶出，经过后续各路段和交叉口数次变道后，最后在交叉口Int(N-1)或之前交叉口驶离主线进入相交道路，即驶出研究路段范围；
(3)若AVI1_Lane＝0&AVI2_Lane＝j2&j2≠0，则表示该类车辆从研究路段中间某交叉口Int 2或之后交叉口从相交道路处驶入主线，经过后续各路段和交叉口数次变道后，最后经过交叉口Int(N-1)后变道进入路段Road N的车道Lane＝j2，直至驶出Int N，即驶出研究路段范围；
(4)若AVI1_Lane＝0&AVI2_Lane＝0，则表示该类车辆从研究路段中间某交叉口Int 2或之后交叉口从相交道路驶入主线，经过后续各路段和交叉口数次变道后，最后在交叉口Int(N-1)或之前交叉口驶离主线进入相交道路，即驶出研究路段范围。
本发明所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其进一步优选的技术方案是：其具体步骤如下：
(1)基础矩阵建立：建立3类基础矩阵，分别为重构车辆关键信息矩阵EstCarKeyInf[]、重构车辆运行矩阵EstCarTrj[]和时空占用矩阵SpaceOcc j[]；
(2)研究路段两端电警AVI1处车辆生成：
根据电警AVI1数据生成重构车辆：根据AVI1数据的每条记录生成对应的重构车辆estcar id，反推该处重构车辆的初始轨迹，其方法为更新重构车辆estcar id对应的EstCarTrj[]，同时更新该重构车辆estcar id对应的EstCarKeyInf[]；
根据电警AVI2数据更新初始重构车辆相关矩阵参数：对前述初始重构车辆，根据其estcar id对应的实际车辆车牌号ID，在AVI2数据中进行配对并更新信息；
基于电警数据的车辆变道行为划分：对AVI1处生成的重构车辆的变道行为进行划分，确认其在研究路段的变道特性；基于同样规则对算法后续步骤中生成的重构车辆变道行为进行划分；
(3)交叉口及路段车辆行为决策
车辆行为决策包括交叉口行为决策与路段行为决策；
所有变道行为限制在各交叉口范围内，即重构车辆经过交叉口停车线后即在交叉口范围内完成变道，并在下一路段上不变道行驶，直至驶出下游交叉口停车线；
在研究范围内车辆行为决策的完整过程是：从交叉口开始，依次完成交叉口处全时段的重构车辆的汇入汇出及变道过程、下游路段上全时段的重构车辆的行驶过程，直至完成路段上全时段的重构车辆的行驶过程，最后重构车辆驶出研究范围；
(4)交叉口Inti处车辆行为决策
在交叉口Int i处车辆行为决策主要包括汇入、汇出和合理变道；
a：驶出主线：根据重构车辆在交叉口停车线前所处车道的功能，进行行为决策，决定其是否驶出研究路段主线：
(i)若处于直行车道，则重构车辆继续驶入下一路段；
(ii)若处于不包含直行功能的单功能或混合功能车道，则重构车辆驶出研究路段，根据车道具体功能构成驶出主线，左转或右转进入相交道路；
(iii)若处于包含直行的混合功能车道，则重构车辆行为决策待判断，在后续步骤中确定；
经过本步骤，可得到某交叉口Int i范围内在某时段InputPeriod ii内所有车道Lane j的重构流量EstInput ii-j；
b：Int i处交通量判断：重构车辆根据车道功能，经过交叉口Int i处停车线后即在交叉口范围内；
按照附加规则(4)上游输入流量获取，基于Det(i+1)检测器数据得到路段Road(i+1)各车道Lane j在输入时段InputPeriod ii的上游输入流量AdjInput ii-j，则该输入时段InputPeriod ii内路段Road(i+1)的总上游输入流量为∑AdjInput ii-j；对应的Int i范围内现状重构输入总流量为∑EstInput ii-j，则汇入量Delta计算公式如下所示：
Delta＝∑AdjInput ii-j-∑EstInput ii-j (4)
c、相交道路汇入、汇出
(i)若Delta＞0，则说明输入时段InputPeriod ii内Int i范围内现状重构输入总流量小于Road(i+1)的总上游输入流量，则有重构车辆从相交道路汇入主线；
根据附加规则(3)，对输入时段InputPeriod ii内Int i处左侧和右侧相交道路对应的信号配时分别进行切分，得到对应的左侧相交道路的绿灯时长为GLeftPer ii，右侧相交道路的绿灯时长为GRightPer ii；
同时基于历史数据方法，得到Int i处在输入时段InputPeriod ii所属时段的左右汇入比例参数ratio i；该参数的意义是：Int i处单位绿灯时间内，左侧相交道路左转交通量：右侧相交道路右转交通量＝η，则ratio i＝η/(1+η)；从左侧和右侧相交道路汇入的重构车辆数分别为LeftInint i-ii和RightIn i-ii，公式如下所示；汇入时刻为该输入时段内的随机时刻，且汇入时刻遵循最小车头时距约束；汇入后，主线车辆亦遵循最小车头时距约束；
RightIn i-ii＝Delta--LeftInint i-ii (6)
(ii)若Delta＜0，则说明输入时段InputPeriod ii内Int i范围内现状重构输入总流量大于Road(i+1)的总上游输入流量，则有部分重构车辆驶离主线，向相交道路汇出；
具体方法为从上述(iii)中确定的含直行的混合功能车道中，随机选择-Delta辆重构车辆，根据车道功能驶离主线进入相交道路，随机过程遵循附加规则(5)基于电警数据的车辆变道行为划分确立的变道特性；
d、合理变道
重构车辆estcar id经过交叉口Int i停车线后即在交叉口范围内完成合理变道至Road(i+1)车道Lane j；
交叉口Int i范围内车道Lane j每个输入时段InputPeriod ii的现状重构交通量EstInput ii-j’，与Road(i+1)车道Lane j的上游输入流量AdjInput ii-j进行对比：
(i)若EstInput ii-j’＞AdjInput ii-j，则qout-j＝EstInput ii-j’-AdjInputii-j辆车从车道Lane j向两侧的邻近车道进行合理变道；
(ii)所有EstInput ii-j’＞AdjInput ii-j的车道Lane j完成合理变道后，将左右汇入重构车辆汇入EstInput ii-j”＞AdjInput ii-j的车道中；
(5)Road(i+1)上车辆行为决策
重构车辆驶出交叉口Int i范围后，在下游路段Road(i+1)上的行为决策主要包括前进、停车与起步；
在路段Road(i+1)上的车道Lane j，按照所有重构车辆的进入时刻进行排序，并依次重构出其在该路段的完整轨迹；每个车辆的轨迹重构过程均是从进入该路段位置开始，逐秒进行行为决策以不断生成重构轨迹，直至驶出本路段下游交叉口的停车线，同时在该过程中实时更新其对应的EstCarTrj[]和SpaceOcc j[]；
对于某重构车辆，当所处车道Lane j前方道路的时空占用矩阵SpaceOcc j[]显示未被占用时，车辆以自由流车速Roadvf i向前行驶；
对于某重构车辆，当所处车道Lane j前方道路的时空占用矩阵SpaceOcc j[]显示被占用时，即前方重构车辆停车或交叉口Int(i+1)处红灯，车辆选择停车；在信号灯转为绿色或者前方重构车辆起步后，车辆选择起步；停车与起步过程中需遵循交通波理论。
与现有技术相比，本发明方法旨在多车道、有出入车辆干扰交通情况下重构出较高精度的车辆轨迹，相对于传统的轨迹重构方法其优点在于：
(1)融合定点检测器、电警数据、信号配时数据，不依赖高质量的浮动车数据，对交通数据采集环境要求小，具有很高的实际应用价值。
(2)适用于多车道、出入车辆干扰以及较高交通量的情况，且考虑了对检测器排队溢出的识别与处理，适用面更广。
(3)重构轨迹完整全面，可以在其基础上实现环境评估、信号控制协调优化、行程时间估计、拥堵状态预警等功能。
本发明方法的特点在于针对我国城市干道高质量浮动车数据缺乏而定点检测器布设密度较高并具有一定数量的电警的交通检测数据条件，利用数学方法(动态规划法等)和交通工程的分析方法(交通流相关理论、车辆跟驰模型)的融合，通过基本约束、附加规则和多源数据参数约束与道路当前总体状态所形成的约束集合，利用动态规划方法对车辆的瞬时行为进行决策以形成连续轨迹，从而生产路段的初始合理轨迹，并根据反映实际交通运行情况的交通量参数对重构轨迹进行调整，得到更符合现实的最终重构轨迹，提高轨迹重构准确性。
附图说明
图1为基于电警和定点检测器数据融合的干道车辆轨迹重构方法流程图；
图2为时空区域自由流车速示意图；
图3为切分方法示意图；
图4为上游信控周期切分集计时段示意图；
图5为AVI1处车辆生成示意图；
图6-1、6-2分别为车辆行为决策局部过程示意图，一起组成完整过程示意图；
图7-1、7-2分别为交叉口Int i处车辆行为决策部分过程示意图，一起组成完整过程示意图；
图8为研究范围具体数据环境示意图；
图9为轨迹一致性评价指标示意图；
图10为关键车辆轨迹相对误差分布图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
实施例1，一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法：
本发明方法的基本适用条件是：
1、城市干道路段交叉口为信控交叉口，各交叉口有详细的信号配时方案。
2、干道路段两端具有电警，检测车辆的通过信息(车辆ID、通过时刻、所处车道参数信息)。每个路段布设车道级定点检测器，检测路段的流量与速度数据，上传频率不低于1分钟一次，且无缺失定点检测器的路段。
3、没有公交优先的交叉口。
2)控制策略与逻辑
1.基本思想
本发明从利用约束优化选择的层面入手并借鉴了交通仿真的车辆产生机制与运行机理，基本思想如下：首先将一定数量的车辆在指定时间、指定路段或路口输入到系统中，如果没有约束条件会产生无数种可能的行驶轨迹。然后根据实际交通运行模式和交通波相关理论引入一定的约束，包括四类基本约束和附加规则，从大量可能轨迹中筛选出少量的合理轨迹。最后参考实际交通运行情况，以反映实际交通运行状况的相关参数为标准从少量合理轨迹中筛选出最接近现实的最佳轨迹，从而完成轨迹重构。
在此过程中，单个车辆的轨迹重构即按一定的条件在研究路段某处生成车辆，此车辆的每一秒的行为都是根据当前时刻的总体状态按照一定的约束条件进行决策，从而产生连续轨迹，直至车辆驶出研究范围或者达到研究时间。
2.控制决策与参数
根据本发明方法思想，采用动态规划方法实现算法功能，具体的流程如图1所示。
附加规则
规则[1]：定点检测器处排队溢出识别
定点检测器可以检测车辆流量、速度以及占有率信息，当车辆排队长度超出检测器时，检测器参数无法准确反映上游交通流输入信息，因此需要修正处理。本发明假设每1min集计时段内上游车辆到达服从均匀分布，并且车辆排队溢出后，到达流率与未发生排队溢出的最近上一个1min集计时段的车辆到达交通流率一致。
经过公式推导，得出排队长度未溢出集计时段的检测器参数应服从以下公式：
式中：
DetOcc-集计时段内检测器占有率；
-平均车长(m)；
d-定点检测器自身长度(m)；
k-交通流密度(veh/km)；
DetVol-集计时段内车辆流量(veh/min)；
DetAvgv-集计时段内车辆平均速度(m/s)。
值得注意的是，在实际工程应用中，考虑到实际检测误差等因素，当排队未溢出时，检测器参数不需要严格服从该公式，而只需服从该公式所确定的某一置信区间范围(经检验取0.95的置信区间)；当排队溢出，检测器存在被停止或者缓行车辆长时间占用的情况，无法发挥正常检测功能，检测器所输出的参数不再服从上述公式的函数关系。
提取检测器Det i-j某集计时段T k的检测器数据，分别为占有率(DetOcc)、流量(DetVol)和速度(DetAvgv)，并将三参数带入公式(2)进行判断：若计算结果在置信区间内，则代表排队未溢出，反之，则代表排队溢出。
规则[2]：时空区域自由流车速获取
研究范围内，不同路段在不同时段内存在不同自由流车速，本算法通过定点检测器Det i的检测数据计算该值。以K min为间隔计算自由流车速，路段Road i(含M个车道)在某K min时段内的自由流车速Roadvf i的计算方法为：
Step1：利用规则[1]对该Kmin时段内Det i所有集计时段进行排队溢出识别。
Step2：对该时段内定点检测器数据中所有速度参数DetAvgv进行加权平均，计算公式如下所示，其中(1-lgreg k)即为剔除排队溢出情况下的数据，T k代表某集计时段。
Step3：如2所示，A、B为K min时段，根据上述步骤得出AB之间的车辆自由流车速为Roadvfi-AB，同理得出BC之间的车辆自由流车速为Roadvfi-BC。
Step4：对于B点(即每两个Kmin集计时段的边界点)，以Roadvf i-B＝(Roadvf i-AB+Roadvf i-AB)/2的波速分别向上、下游延伸，分别在交叉口Int(i-1)和Int i处确定点E、H，同理得到D、G、F、I。则时空区域DEHG以内的自由流车速为Roadvf i-AB，时空区域EFIH以内的自由流车速为Roadvf i-BC。
通过本规则可确定研究路段研究时段内所有时空区域的自由流车速。为防止个别极端数据干扰，本文取K为60，即以60min为间隔确定时空区域自由流车速。
规则[3]：上游相序及集计时段切分
根据算法需要，需要对交叉口处不同车道中不同信控周期对应的上游定点检测器集计时段进行切分，同时需要对定点检测器不同集计时段对应的上游交叉口信号相位进行切分。
(1)信控周期对应的上游检测器集计时段切分
如图3所示，在Road i的Deti-j的时段AB内，对于Inti处Lane j上信控周期EF，分别从E和F点以波速Roadvfi-AB向上游延伸，分别交Deti中集计时段AC于E’，交集计时段DB于F’，则EF对应的上游检测器集计时段为AC、CD和DB，其中AC和DB为非完整集计时段。
(2)检测器集计时段对应的上游相序切分
如3所示，对于Deti-j某集计时段CD，分别从C和D点以波速
Roadvf i-AB向上游交叉口Int(i-1)延伸，分别交Lane j上信号配时数据线于C’和D’，则Det i-j集计时段CD对应的上游交叉口Int(i-1)相序为C’G、GH和HD’。
规则[4]：上游输入流量获取
定点检测器Det i-j处发生排队溢出后，一般情况下上游交叉口Int(i-1)输入流量不变，则问题本质是排队溢出导致定点检测器记录上游输入流量发生延后。本规则通过对定点检测器数据进行处理，转化为上游输入流量。
本规则的方法主要分为三个子部分：(1)上游检测器集计时段切分；(2)基于排队溢出的检测器流量参数修正；(3)上游输入流量转化。
不同部分具体步骤如下：
Step1：上游检测器集计时段切分。
对Inti中Lane j处的信控周期EF，完成其对上游Deti-j集计时段的切分，如4所示，则信控周期EF对应的集计时段为T 1、…、T k、…、T kk，共kk个，其中T 1与T kk一般为非完整集计时段。
计算信控周期EF所切分的集计时段所对应的完整集计时段时长比例，T1即E’C、Tkk即DF’对应的完整集计时段时长比例分别为a1％和akk％，一般小于100％；中间集计时段对应的完整集计时段时长比例a k％均为100％)。根据上述计算结果，得到该信控周期所切分的集计时段所对应的流量参数DetVol k’，分别为DetVo1 1×a1％、…、DetVol k×ak％、…、DetVol kk×akk％。
Step2：基于排队溢出的检测器流量参数修正。
判断集计时段T1、…、Tk、…、Tkk是否发生排队溢出：
若未发生排队溢出，则该集计时段对应的修正流量参数DetVol k’＝DetVol k×ak％，即保持不变。
若发生排队溢出，且为包含mm个集计时段的连续集计时段T k1、…、
T km、…、T kmm。将该连续集计时段对应的上游输入流量按照均匀分布处理，则集计时段T km对应的修正流量参数为DetVol km’，公式如下所示。
Step3：上游输入流量转化。
(i)经过上述步骤，得到集计时段T k的修正流量参数为DetVol k’。若某集计时段分属两个信控周期，则其修正流量参数为集计时段子部分的修正流量参数之和。如图中DB集计时段，其检测器修正流量为DF’和F’B的修正流量参数之和，为DetVol kk’。
(ii)定点检测器集计时段对应的上游输入时段为InputPeriod，该时段输入流量AdjInput。如图中DB集计时段，其对应的上游输入时段为GH，该时段的输入流量AdjInputkk＝DetVol kk’。
规则[5]：基于电警数据的车辆变道行为划分
根据研究路段两端电警AVI1和AVI2的检测数据，对所有车辆进行分类，以对其变道行为特性进行划分。
对某重构车辆estcar id，其对应重构车辆关键信息矩阵EstCarKeyInf[]的参数值为[estcar id，…，AVI1_Lane，AVI2_Lane，…]，其中：
AVI1_Lane：表示该重构车辆estcar id通过AVI1检测截面的所属车道Lane j；
AVI2_Lane：表示该重构车辆estcar id通过AVI2检测截面的所属车道Lane j。
根据AVI1_Lane和AVI2_Lane的参数取值，对重构车辆的变道行为进行分析：
(1)若AVI1_Lane＝j1&AVI2_Lane＝j2&j1≠0&j2≠0，则表示该类车辆从为交叉口Int 1处车道Lane j1驶出，经过中间各路段和交叉口数次变道后，最后经过交叉口Int(N-1)后变道进入路段Road N的车道Lane＝j2，直至驶出Int N，即驶出研究路段范围。
(2)若AVI1_Lane＝j1&AVI2_Lane＝0&j1≠0，则表示该类车辆从为交叉口Int 1处车道Lane j1驶出，经过后续各路段和交叉口数次变道后，最后在交叉口Int(N-1)或之前交叉口驶离主线进入相交道路，即驶出研究路段范围。
(3)若AVI1_Lane＝0&AVI2_Lane＝j2&j2≠0，则表示该类车辆从研究路段中间某交叉口Int 2或之后交叉口从相交道路处驶入主线，经过后续各路段和交叉口数次变道后，最后经过交叉口Int(N-1)后变道进入路段Road N的车道Lane＝j2，直至驶出Int N，即驶出研究路段范围。
(4)若AVI1_Lane＝0&AVI2_Lane＝0，则表示该类车辆从研究路段中间某交叉口Int 2或之后交叉口从相交道路驶入主线，经过后续各路段和交叉口数次变道后，最后在交叉口Int(N-1)或之前交叉口驶离主线进入相交道路，即驶出研究路段范围。
3.控制逻辑
步骤一：基础矩阵建立
针对本算法特点，建立3类基础矩阵，分别为重构车辆关键信息矩阵EstCarKeyInf[]、重构车辆运行矩阵EstCarTrj[]和时空占用矩阵SpaceOccj[]。值得注意的是，3个基础矩阵中的重构时刻均为24小时制的整数秒级时刻，重构纵向坐标均为整数米级坐标。
(1)重构车辆关键信息矩阵EstCarKeyInf[]
表1：重构车辆关键信息矩阵
(2)重构车辆运行矩阵EstCarTrj[]
该矩阵形式为EstCarTrj[estcar id，t，y，lane]，记录编号为estcarid的重构车辆的完整轨迹信息。
同一estcar id对应的多行矩阵数据构成了该重构车辆的完整重构轨迹信息。estcar id表示重构车辆编号；t表示重构时刻；y表示重构时刻t该的纵向位置；lane表示重构时刻t该重构车辆的所属车道Lane j。
(3)重构时空占用矩阵SpaceOcc j[]
时空占用矩阵SpaceOcc j[]共M个，等同于最大车道数M，分别为SpaceOcc1[]、SpaceOcc2[]、…、SpaceOccM[]。SpaceOcc j[]为一个10000×86400矩阵，表达车道Lanej在研究路段主线的时空占用状态。
矩阵中，横向坐标occtt表示时刻，间隔为1s，从左到右分别表示00：00：01～24：00：00的时间范围；纵向坐标occy表示路段的纵向坐标，间隔为1m，从下到上分别表示-1000m～9000m的纵向距离范围。矩阵中所有元素的初始值均为1，且取值范围为0或1，其中0代表该时空点被占用，1代表该时空点未被占用。
根据重构车辆的秒级轨迹重构过程，不断更新该矩阵。
Stepl：AVI1处车辆生成
根据AVI1数据的每条记录(ID，TpassA1，LaneA1)，生成对应的重构车辆estcarid，其进入研究路段AVI1检测断面的时刻点为TpassA1，如5所示，Int 1(Lane j)处的红色圆点为重构车辆estcaridi的进入时刻TpassAl i。
反推该处重构车辆的初始轨迹。具体方法为更新重构车辆estcar id对应的EstCarTrj[]，即将AVI1数据反映的信息作为初始行输入，并向上游反推2s得到初始轨迹，即在EstCarTrj[]中增加三行数据：[estcar id，TpassA1-2s，Intloc2-20，LaneA1；estcarid，TpassA1-1s，Intloc2-10，LaneA1；estcar id，TpassA1，Intloc2，LaneA1]。该步骤如上图所示，蓝色轨迹即为重构车辆estcarid i对应的初始轨迹。
同时，更新该重构车辆estcar id对应的EstCarKeyInf[]，即对其对应的各相关参数分别赋值：AVI1_Lane＝LaneA1，In_Time＝TpassA1，Int1_Time＝TpassA1，Int1_Lane＝LaneA1。
(2)根据AVI2数据更新初始重构车辆相关矩阵参数
对(1)中初始重构车辆，根据其estcar id对应的实际车辆车牌号ID，在AVI2数据中进行配对并更新信息。具体方法为读取AVI2数据(ID，TpassA2，LaneA2)，更新对应的初始重构车辆EstCarKeyInf[]的AVI2_Lane参数。
(3)基于电警数据的车辆变道行为划分
根据规则[5]，对AVI1处生成的重构车辆的变道行为进行划分，确认其在研究路段的变道特性；基于同样规则对算法后续步骤中生成的重构车辆变道行为进行划分。
Step2：交叉口及路段车辆行为决策
本算法中，车辆行为决策包括交叉口行为决策(汇入、汇出及变道)与路段行为决策(前进、停车与起步过程)。
本算法将所有变道行为限制在各交叉口范围内，即重构车辆经过交叉口停车线后即在交叉口范围内完成变道，并在下一路段上不变道行驶，直至驶出下游交叉口停车线。
在研究范围内车辆行为决策的完整过程是：从交叉口Int 1开始，依次完成交叉口处全时段的重构车辆的汇入汇出及变道过程(如图6-1(a)所示)、下游路段上全时段的重构车辆的行驶过程(如6-1(b)所示)，直至完成路段Road N上全时段的重构车辆的行驶过程(如图6-2(c)所示)，最后重构车辆驶出研究范围。其中：(1)交叉口处重构车辆的行为决策(汇入汇出及变道)详见Step3；(2)路段上重构车辆的行为决策(前进、停车与起步过程)详见Step4。上述过程的具体流程如下(对i赋初值为1)：
(i)若i≥N，转(v)。
(ii)执行step3，转(iii)；
(iii)执行step4，转(iv)；
(iv)i＝i+1，转(i)；
(v)结束主程序。
该流程结束后，则能重构出研究范围内所有车辆的轨迹。
Step3：交叉口Int i处车辆行为决策
在交叉口Int i处车辆行为决策主要包括汇入、汇出和合理变道。
(1)驶出主线
路段Road i的各车道功能信息表达如下表所示，其中Left、Straight、Right分别表示该车道是否具有此方向功能，参数值为0表示具备该功能，参数值为1表示不具备该功能。
表2路段Road i车道功能信息
| Road i | Left | Straight | Right |
| Lane1 | 0 | 1 | 1 |
| Lane2 | 0 | 1 | 0 |
| ... | ... | ... | ... |
| LaneM | 0 | 0 | 0 |
根据重构车辆在交叉口停车线前所处车道的功能，进行行为决策，决定其是否驶出研究路段主线：
(i)若处于直行车道(Straight＝1&Left＝0&Right＝0)，则重构车辆继续驶入下一路段；
(ii)若处于不包含直行功能的单功能或混合功能车道(Straight＝0&Left＝1或Straight＝0&Right＝1)，如左转车道、右转车道或左右车道，则重构车辆驶出研究路段，根据车道具体功能构成驶出主线，左转或右转进入相交道路。
(iii)若处于包含直行的混合功能车道(Straight＝1&Right＝1或Straight＝1&Left＝1或Straight＝1&Left＝1&Right＝1)，如直左车道、直右车道或左直右车道，则重构车辆行为决策待判断，在后续步骤中确定。
经过本步骤，可得到某交叉口Int i范围内在某时段InputPeriod ii内所有车道Lane j的重构流量EstInput ii-j。
该过程如图7-1，7-2所示，其中灰色车辆表示驶离的重构车辆，蓝色数字表示Inti范围内各车道Lane j的现状重构流量EstInput ii-j。
(2)Int i处交通量判断
重构车辆根据车道功能，经过交叉口Int i处停车线后即在交叉口范围内。
按照规则[4]，基于Det(i+1)检测器数据可以得到路段Road(i+1)各车道Lane j在输入时段InputPeriod ii的上游输入流量AdjInput ii-j，则该输入时段InputPeriod ii内路段Road(i+1)的总上游输入流量为∑AdjInput ii-j。根据(1)，对应的Int i范围内现状重构输入总流量为∑EstInput ii-j，则汇入量Delta计算公式如下所示。
Delta＝∑AdjInput ii-j-∑EstInput ii-j (7)
该过程如图7-1中(a)所示，其中黑色数字表示Road(i+1)各车道Lane j的上游输入流量AdjInput ii-j，算式即计算Delta的过程。
(3)相交道路汇入、汇出
(i)若Delta＞0，则说明输入时段InputPeriod ii内Int i范围内现状重构输入总流量小于Road(i+1)的总上游输入流量，则有重构车辆从相交道路汇入主线。
根据规则[3]，对输入时段InputPeriod ii内Int i处左侧和右侧相交道路对应的信号配时分别进行切分，得到对应的左侧相交道路的绿灯时长为GLeftPer ii，右侧相交道路的绿灯时长为GRightPer ii。
同时基于历史数据等方法，得到Int i处在输入时段InputPeriod ii所属时段的左右汇入比例参数ratio i。该参数的意义是：Int i处单位绿灯时间内，左侧相交道路左转交通量：右侧相交道路右转交通量＝η，则ratio i＝η/(1+η)。该参数亦根据不同时段(是否工作日、每天具体时段等)发生变化。
则从左侧和右侧相交道路汇入的重构车辆数分别为LeftInint i-ii和RightIni-ii，公式如下所示。汇入时刻为该输入时段内的随机时刻，且汇入时刻遵循最小车头时距约束；汇入后，主线车辆亦遵循最小车头时距约束。
该过程如图7-2中图(b)所示，其中褐色车辆即为相交道路汇入的重构车辆。
RightIn i-ii＝Delta--LeftInint i-ii (9)
(ii)若Delta＜0，则说明输入时段InputPeriod ii内Int i范围内现状重构输入总流量大于Road(i+1)的总上游输入流量，则有部分重构车辆驶离主线，向相交道路汇出。
具体方法为从(1)中(iii)中确定的含直行的混合功能车道中，随机选择-Delta辆重构车辆，根据车道功能驶离主线进入相交道路，本随机过程遵循规则[5]确立的变道特性。
(4)合理变道
重构车辆estcar id经过交叉口Int i停车线后即在交叉口范围内完成合理变道至Road(i+1)车道Lane j，合理变道含义如下：(a)遵循规则[5]确立的变道特性；(b)遵循就近原则，即需变道重构车辆向两侧的邻近车道随机进行变道。
交叉口Int i范围内车道Lane j每个输入时段InputPeriod ii的现状重构交通量EstInput ii-j’，与Road(i+1)车道Lane j的上游输入流量AdjInput ii-j进行对比：
(i)若EstInput ii-j’＞AdjInput ii-j，则qout-j＝EstInput ii-j’-AdjInputii-j辆车从车道Lane j向两侧的邻近车道进行合理变道。
(ii)所有EstInput ii-j’＞AdjInput ii-j的车道Lane j完成合理变道后，将左右汇入重构车辆汇入EstInput ii-j”(该参数在过程(i)后更新)＞AdjInput ii-j的车道中。
该过程如7-2中(d)所示，其中重构车辆的绿框与否代表规则[5]确立的不同变道特性，蓝色车辆为主线变道车辆，褐色车辆为相交道路汇入车辆。
Step4：Road(i+1)上车辆行为决策
重构车辆驶出交叉口Int i范围后，在下游路段Road(i+1)上的行为决策主要包括前进、停车与起步。
在路段Road(i+1)上的车道Lane j，按照所有重构车辆的进入时刻(即afterInti_Time，为该车辆对应的EstCarKeyInf[]中的参数)进行排序，并依次重构出其在该路段的完整轨迹。每个车辆的轨迹重构过程均是从进入该路段位置开始，逐秒进行行为决策以不断生成重构轨迹，直至驶出本路段下游交叉口的停车线，同时在该过程中实时更新其对应的EstCarTrj[]和SpaceOcc j[]。
(1)前进
对于某重构车辆，当所处车道Lane j前方道路的时空占用矩阵SpaceOcc j[]显示未被占用时，车辆以自由流车速Roadvf i向前行驶。
(2)停止与起步
对于某重构车辆，当所处车道Lane j前方道路的时空占用矩阵SpaceOcc j[]显示被占用时，即前方重构车辆停车或交叉口Int(i+1)处红灯，车辆选择停车；在信号灯转为绿色或者前方重构车辆起步后，车辆选择起步。停车与起步过程中需遵循交通波理论。
本算法的特点在于针对我国城市干道高质量浮动车数据缺乏而定点检测器布设密度较高并具有一定数量的电警的交通检测数据条件，利用数学方法(动态规划法等)和交通工程的分析方法(交通流相关理论、车辆跟驰模型)的融合，通过基本约束、附加规则和多源数据参数约束与道路当前总体状态所形成的约束集合，利用动态规划方法对车辆的瞬时行为进行决策以形成连续轨迹，从而生产路段的初始合理轨迹，并根据反映实际交通运行情况的交通量参数对重构轨迹进行调整，得到更符合现实的最终重构轨迹，提高轨迹重构准确性。
实施例2，一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法：
(1)数据采集与处理
选取青岛市市南区福州南路(漳州二路～闽江路)作为实证路段，路段全长500m，检测器位置、车道功能如图8所示。
(2)数据处理
本研究主要采集的数据包括定点检测器数据、电警数据、信号配时数据和视频数据，其中定点检测器数据、电警数据和信号配时数据为轨迹重构算法的输入数据，视频数据主要用于验证分析。
本研究中共提取得到180条微波雷达数据，数据内容为1min集计的各检测器流量(veh/min)、平均速度(m/s)和占有率数据。
通过车牌匹配方法发现车辆精确匹配率在40％以上，远大于国内干道浮动车比例。
结合2个点位的视频数据以及交通管理部门提供的信号配时方案，对研究区域内1号～4号交叉口对应研究时段的信号配时数据进行秒级精确标定，得到共60min的理想信号配时数据，格式如下表3所示：
表3：秒级信号配时数据标定结果(部分数据)
/>
其中，GlobalTime表示真实时刻；Left、Straight、Right分别表示对应交叉口研究方向左转、直行和右转交通流的信号配时数据，RoadLeft和RoadRight分别表示对应交叉口处相交道路交通流通过左转进入主线(即为对应交叉口处左侧相交道路)和右转进入主线(即为对应交叉口处右侧相交道路)的信号配时数据；数据区域的1表示该方向能够通行，0表示不能够通行。
1)重构结果
研究时段中研究路段四根车道中左第三根车道(直行车道)车辆轨迹重构图，可以看出较为明显的交通冲击波的特征；可以看到并非所有轨迹都是完整连续的，这是因为存在车辆变道以及路段中交叉口车辆转入或者转出的行为。
2)结果分析
路段平均行程时间一致性可以间接反映重构车辆与实际车辆轨迹接近水平，本文采用行程时间均方根误差RMSEtt和行程时间相对误差REtt用来衡量实证行程时间与重构行程时间之间的偏差，计算公式分别如(8)、(9)和前文(10)所示。
式中：
DeltaTTi：第i辆车行程时间测量值与真实值的差值；
NN：关键车辆数；
TT i：第i辆车实证行程时间；
TTmean：关键车辆实证平均行程时间；
本研究共选取721组数据，得到RMSEtt为5.83s，REtt为8.21％。均处于较低水平，本算法重构效果与已有算法Mehran et al算法及Tang算法效果比较结果如下表所示。可见，本算法的行程时间相对误差REtt略低于Mehran et al算法含高质量浮动车数据时的精度，并远远高于其在不含有高质量浮动车数据时的精度，同时，由于引入电警数据源并以此为基础优化了算法，本算法精度亦明显高于Tang算法。这表明本算法适合于我国缺少高质量浮动车数据的城市干道交通检测数据条件，定点检测器、电警数据和信号配时数据具有相当好的融合效果，具有很高的实际应用价值。
表4：本发明算法与传统算法比较
本研究在路段车辆行程时间一致性评价的基础之上提出轨迹一致性评价指标。对单个关键车辆ID i(estcar id i)，其轨迹一致性评价指标为轨迹平均绝对误差MAEtrji和轨迹相对误差REtrji；对于研究时段内所有关键车辆，其轨迹一致性评价指标为轨迹总体相对误差allREtrj。如9所示，其中TpassAl i为ID i进入交叉口Int 1停车线的时刻，TpassA2 i为ID i驶离研究区域即交叉口IntN停车线的时刻。
指标计算方法如公式(13)所示。
式中，IntLocN：第N个交叉口编号
IntLoc1：第1个交叉口编号
actT j：编号为ID i车辆到达纵向坐标j(纵轴采用米级坐标)时的实证时刻
estT j：编号为ID i车辆到达纵向坐标j(纵轴采用米级坐标)时的重构时刻
所有721辆关键车辆的轨迹相对误差分布如10所示。从单个关键车辆轨迹相对来看，共有441辆(相当于关键车辆总数的61.17％)在5％以内；共有659辆(相当于车辆总数的91.40％)在10％以内；共有707辆(相当于KeyNum的98.06％)在15％以内；只有极少量在15％以上，说明对应的重构车辆和实证车辆的轨迹较为一致。从关键车辆整体来看，轨迹总体相对误差为5.43％，处于较低水平。说明了本算法具有很好的轨迹重构性能。
Claims (3)
1.一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其特征在于，该方法首先将一定数量的车辆在指定时间、指定路段或路口输入到控制系统中；然后根据实际交通运行模式和交通波相关理论引入一定的约束，从大量可能轨迹中筛选出少量的合理轨迹；最后参考实际交通运行情况，以反映实际交通运行状况的相关参数为标准从少量合理轨迹中筛选出最接近现实的最佳轨迹，从而完成轨迹重构；
所述的约束选自以下附加规则：
(1)定点检测器处排队溢出识别；
(2)时空区域自由流车速获取；
(3)上游相序及集计时段切分；
(4)上游输入流量获取；
(5)基于电警数据的车辆变道行为划分；
所述的附加规则(1)定点检测器处排队溢出识别如下：
通过定点检测器检测车辆流量、速度以及占有率信息，当车辆排队长度超出检测器时，检测器参数无法准确反映上游交通流输入信息，因此需要修正处理；通过假设每1min集计时段内上游车辆到达服从均匀分布，并且车辆排队溢出后，到达流率与未发生排队溢出的最近上一个1min集计时段的车辆到达交通流率一致；
排队长度未溢出集计时段的检测器参数服从以下公式：
其中：
DetOcc为集计时段内检测器占有率；
为平均车长，单位m；
d为定点检测器自身长度，单位m；
k为交通流密度，单位veh/km；
DetVol为集计时段内车辆流量，单位veh/min；
DetAvgv为集计时段内车辆平均速度，单位m/s；
提取检测器Det i-j某集计时段T k的检测器数据，分别为占有率DetOcc、流量DetVol和速度DetAvgv，并将三参数代入公式(2)进行判断：若计算结果在置信区间内，则代表排队未溢出，反之，则代表排队溢出；
所述的附加规则(2)时空区域自由流车速获取是：
不同路段在不同时段内存在不同自由流车速，通过定点检测器Det i的检测数据计算该值，以K min为间隔计算自由流车速，含M个车道的路段Road i在某K min时段内的自由流车速Roadvfi的计算方法为：
(1)利用附加规则定点检测器处排队溢出识别对该K min时段内Det i所有集计时段进行排队溢出识别；
(2)对K min时段内定点检测器数据中所有速度参数DetAvgv进行加权平均，计算公式如式(3)所示，其中1-lgreg k即为剔除排队溢出情况下的数据，T k代表某集计时段；
(3)A、B为K min时段，根据上述步骤得出AB之间的车辆自由流车速为Roadvfi-AB，BC之间的车辆自由流车速为Roadvfi-BC；
(4)对于B点也即每两个Kmin集计时段的边界点，以Roadvf i-B＝(Roadvf i-AB+Roadvfi-AB)/2的波速分别向上、下游延伸，分别在交叉口Int(i-1)和Int i处确定点E、H，同理得到D、G、F、I；则时空区域DEHG以内的自由流车速为Roadvfi-AB，时空区域EFIH以内的自由流车速为Roadvfi-BC；
所述的附加规则(3)上游相序及集计时段切分是指：
对交叉口处不同车道中不同信控周期对应的上游定点检测器集计时段进行切分，同时需要对定点检测器不同集计时段对应的上游交叉口信号相位进行切分，其步骤如下：
(1)信控周期对应的上游检测器集计时段切分
在Road i的Deti-j的时段AB内，对于Inti处Lane j上信控周期EF，分别从E和F点以波速Roadvfi-AB向上游延伸，分别交Deti中集计时段AC于E’，交集计时段DB于F’，则EF对应的上游检测器集计时段为AC、CD和DB，其中AC和DB为非完整集计时段；
(2)检测器集计时段对应的上游相序切分
对于Deti-j某集计时段CD，分别从C和D点以波速
Roadvfi-AB向上游交叉口Int(i-1)延伸，分别交Lane j上信号配时数据线于C’和D’，则Det i-j集计时段CD对应的上游交叉口Int(i-1)相序为C’G、GH和HD’；
所述的附加规则(4)上游输入流量获取是通过对定点检测器数据进行处理，转化为上游输入流量：
(1)上游检测器集计时段切分；
对Inti中Lane j处的信控周期EF，完成其对上游Deti-j集计时段的切分，则信控周期EF对应的集计时段为T1、…、T k、…、T kk，共kk个，其中T1与T kk一般为非完整集计时段；
计算信控周期EF所切分的集计时段所对应的完整集计时段时长比例，T1即E’C、T kk即DF’对应的完整集计时段时长比例分别为a1％和akk％，一般小于100％；中间集计时段对应的完整集计时段时长比例a k％均为100％；根据上述计算结果，得到该信控周期所切分的集计时段所对应的流量参数DetVol k’，分别为DetVol 1×a1％、…、DetVol k×ak％、…、DetVol kk×akk％；
(2)基于排队溢出的检测器流量参数修正；
判断集计时段T1、…、T k、…、T kk是否发生排队溢出：
若未发生排队溢出，则该集计时段对应的修正流量参数DetVol k’＝DetVol k×ak％，即保持不变；
若发生排队溢出，且为包含mm个集计时段的连续集计时段T k1、…、
T km、…、T kmm；将该连续集计时段对应的上游输入流量按照均匀分布处理，则集计时段T km对应的修正流量参数为DetVol km’，公式如下所示：
(3)上游输入流量转化
(i)经过上述步骤，得到集计时段T k的修正流量参数为DetVol k’，若某集计时段分属两个信控周期，则其修正流量参数为集计时段子部分的修正流量参数之和；
(ii)定点检测器集计时段对应的上游输入时段为InputPeriod，InputPeriod时段输入流量AdjInput；
所述的附加规则(5)基于电警数据的车辆变道行为划分是指根据研究路段两端电警AVI1和AVI2的检测数据，对所有车辆进行分类，以对其变道行为特性进行划分：
对某重构车辆estcar id，其对应重构车辆关键信息矩阵EstCarKeyInf[]的参数值为[estcar id,…,AVI1_Lane,AVI2_Lane,…]，其中：
AVI1_Lane：表示该重构车辆estcar id通过AVI1检测截面的所属车道Lane j；
AVI2_Lane：表示该重构车辆estcar id通过AVI2检测截面的所属车道Lane j；
根据AVI1_Lane和AVI2_Lane的参数取值，对重构车辆的变道行为进行分析：
(1)若AVI1_Lane＝j1&AVI2_Lane＝j2&j1≠0&j2≠0，则表示该类车辆从为交叉口Int1处车道Lane j1驶出，经过中间各路段和交叉口数次变道后，最后经过交叉口Int(N-1)后变道进入路段Road N的车道Lane＝j2，直至驶出Int N，即驶出研究路段范围；
(2)若AVI1_Lane＝j1&AVI2_Lane＝0&j1≠0，则表示该类车辆从为交叉口Int 1处车道Lane j1驶出，经过后续各路段和交叉口数次变道后，最后在交叉口Int(N-1)或之前交叉口驶离主线进入相交道路，即驶出研究路段范围；
(3)若AVI1_Lane＝0&AVI2_Lane＝j2&j2≠0，则表示该类车辆从研究路段中间某交叉口Int 2或之后交叉口从相交道路处驶入主线，经过后续各路段和交叉口数次变道后，最后经过交叉口Int(N-1)后变道进入路段Road N的车道Lane＝j2，直至驶出Int N，即驶出研究路段范围；
(4)若AVI1_Lane＝0&AVI2_Lane＝0，则表示该类车辆从研究路段中间某交叉口Int2或之后交叉口从相交道路驶入主线，经过后续各路段和交叉口数次变道后，最后在交叉口Int(N-1)或之前交叉口驶离主线进入相交道路，即驶出研究路段范围。
2.根据权利要求1所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其特征在于：单个车辆的轨迹重构是按一定的条件在研究路段某处生成车辆，此车辆的每一秒的行为都是根据当前时刻的总体状态按照一定的约束条件进行决策，从而产生连续轨迹，直至车辆驶出研究范围或者达到研究时间。
3.根据权利要求1所述的一种基于电警和定点检测器数据融合的干道车辆轨迹重构方法，其特征在于：其具体步骤如下：
(1)基础矩阵建立：建立3类基础矩阵，分别为重构车辆关键信息矩阵EstCarKeyInf[]、重构车辆运行矩阵EstCarTrj[]和时空占用矩阵SpaceOcc j[]；
(2)研究路段两端电警AVI1处车辆生成：
根据电警AVI1数据生成重构车辆：根据AVI1数据的每条记录生成对应的重构车辆estcar id，反推该处重构车辆的初始轨迹，其方法为更新重构车辆estcar id对应的EstCarTrj[]，同时更新该重构车辆estcar id对应的EstCarKeyInf[]；
根据电警AVI2数据更新初始重构车辆相关矩阵参数：对前述初始重构车辆，根据其estcar id对应的实际车辆车牌号ID，在AVI2数据中进行配对并更新信息；
基于电警数据的车辆变道行为划分：对AVI1处生成的重构车辆的变道行为进行划分，确认其在研究路段的变道特性；基于同样规则对算法后续步骤中生成的重构车辆变道行为进行划分；
(3)交叉口及路段车辆行为决策
车辆行为决策包括交叉口行为决策与路段行为决策；
所有变道行为限制在各交叉口范围内，即重构车辆经过交叉口停车线后即在交叉口范围内完成变道，并在下一路段上不变道行驶，直至驶出下游交叉口停车线；
在研究范围内车辆行为决策的完整过程是：从交叉口开始，依次完成交叉口处全时段的重构车辆的汇入汇出及变道过程、下游路段上全时段的重构车辆的行驶过程，直至完成路段上全时段的重构车辆的行驶过程，最后重构车辆驶出研究范围；
(4)交叉口Inti处车辆行为决策
在交叉口Int i处车辆行为决策主要包括汇入、汇出和合理变道；
a：驶出主线：根据重构车辆在交叉口停车线前所处车道的功能，进行行为决策，决定其是否驶出研究路段主线：
(i)若处于直行车道，则重构车辆继续驶入下一路段；
(ii)若处于不包含直行功能的单功能或混合功能车道，则重构车辆驶出研究路段，根据车道具体功能构成驶出主线，左转或右转进入相交道路；
(iii)若处于包含直行的混合功能车道，则重构车辆行为决策待判断，在后续步骤中确定；
经过本步骤，可得到某交叉口Int i范围内在某时段InputPeriod ii内所有车道Lanej的重构流量EstInput ii-j；
b：Int i处交通量判断：重构车辆根据车道功能，经过交叉口Int i处停车线后即在交叉口范围内；
按照附加规则(4)上游输入流量获取，基于Det(i+1)检测器数据得到路段Road(i+1)各车道Lane j在输入时段InputPeriod ii的上游输入流量AdjInput ii-j，则该输入时段InputPeriod ii内路段Road(i+1)的总上游输入流量为∑AdjInput ii-j；对应的Int i范围内现状重构输入总流量为∑EstInput ii-j，则汇入量Delta计算公式如下所示：
Delta＝∑AdjInput ii-j－∑EstInput ii-j (1)
c、相交道路汇入、汇出
(i)若Delta>0，则说明输入时段InputPeriod ii内Int i范围内现状重构输入总流量小于Road(i+1)的总上游输入流量，则有重构车辆从相交道路汇入主线；
根据附加规则(3)，对输入时段InputPeriod ii内Int i处左侧和右侧相交道路对应的信号配时分别进行切分，得到对应的左侧相交道路的绿灯时长为GLeftPer ii，右侧相交道路的绿灯时长为GRightPer ii；
同时基于历史数据方法，得到Int i处在输入时段InputPeriod ii所属时段的左右汇入比例参数ratio i；该参数的意义是：Int i处单位绿灯时间内，左侧相交道路左转交通量：右侧相交道路右转交通量＝η，则ratio i＝η/(1+η)；从左侧和右侧相交道路汇入的重构车辆数分别为LeftInint i-ii和RightIn i-ii，公式如下所示；汇入时刻为该输入时段内的随机时刻，且汇入时刻遵循最小车头时距约束；汇入后，主线车辆亦遵循最小车头时距约束；
RightIn i-ii＝Delta－LeftInint i-ii (3)
(ii)若Delta＜0，则说明输入时段InputPeriod ii内Int i范围内现状重构输入总流量大于Road(i+1)的总上游输入流量，则有部分重构车辆驶离主线，向相交道路汇出；
具体方法为从上述(iii)中确定的含直行的混合功能车道中，随机选择-Delta辆重构车辆，根据车道功能驶离主线进入相交道路，随机过程遵循附加规则(5)基于电警数据的车辆变道行为划分确立的变道特性；
d、合理变道
重构车辆estcar id经过交叉口Int i停车线后即在交叉口范围内完成合理变道至Road(i+1)车道Lane j；
交叉口Int i范围内车道Lane j每个输入时段InputPeriod ii的现状重构交通量EstInput ii-j’，与Road(i+1)车道Lane j的上游输入流量AdjInput ii-j进行对比：
(i)若EstInput ii-j’>AdjInput ii-j，则qout-j＝EstInput ii-j’–AdjInput ii-j辆车从车道Lane j向两侧的邻近车道进行合理变道；
(ii)所有EstInput ii-j’>AdjInput ii-j的车道Lane j完成合理变道后，将左右汇入重构车辆汇入EstInput ii-j”>AdjInput ii-j的车道中；
(5)Road(i+1)上车辆行为决策
重构车辆驶出交叉口Int i范围后，在下游路段Road(i+1)上的行为决策主要包括前进、停车与起步；
在路段Road(i+1)上的车道Lane j，按照所有重构车辆的进入时刻进行排序，并依次重构出其在该路段的完整轨迹；每个车辆的轨迹重构过程均是从进入该路段位置开始，逐秒进行行为决策以不断生成重构轨迹，直至驶出本路段下游交叉口的停车线，同时在该过程中实时更新其对应的EstCarTrj[]和SpaceOcc j[]；
对于某重构车辆，当所处车道Lane j前方道路的时空占用矩阵SpaceOcc j[]显示未被占用时，车辆以自由流车速Roadvfi向前行驶；
对于某重构车辆，当所处车道Lane j前方道路的时空占用矩阵SpaceOcc j[]显示被占用时，即前方重构车辆停车或交叉口Int(i+1)处红灯，车辆选择停车；在信号灯转为绿色或者前方重构车辆起步后，车辆选择起步；停车与起步过程中需遵循交通波理论。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810239835.0A CN108447256B (zh) | 2018-03-22 | 2018-03-22 | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810239835.0A CN108447256B (zh) | 2018-03-22 | 2018-03-22 | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108447256A CN108447256A (zh) | 2018-08-24 |
| CN108447256B true CN108447256B (zh) | 2023-09-26 |
Family
ID=63196608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810239835.0A Active CN108447256B (zh) | 2018-03-22 | 2018-03-22 | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108447256B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166313B (zh) * | 2018-09-10 | 2021-06-25 | 南京市公安局交通管理局 | 一种根据过车数据的溢出预警方法 |
| CN109272756B (zh) * | 2018-11-07 | 2020-11-27 | 同济大学 | 一种信控交叉口排队长度估计方法 |
| CN109544947B (zh) * | 2019-01-08 | 2021-06-25 | 重庆交通大学 | 监控场景下基于车辆轨迹重构的交叉口延误计算方法 |
| US20220089179A1 (en) * | 2019-02-13 | 2022-03-24 | Hitachi Astemo, Ltd. | Vehicle control device and electronic control system |
| CN109767625A (zh) * | 2019-03-18 | 2019-05-17 | 苏州易通交通科技有限公司 | 一种基于电警数据的交叉口短车道排队溢出识别方法 |
| CN110491157B (zh) * | 2019-07-23 | 2022-01-25 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
| CN110738852B (zh) * | 2019-10-23 | 2020-12-18 | 浙江大学 | 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法 |
| CN111199646B (zh) * | 2020-01-10 | 2021-07-06 | 北京航空航天大学 | 一种基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法 |
| CN111932893B (zh) * | 2020-08-25 | 2022-07-05 | 上海宝康电子控制工程有限公司 | 基于信号与电警数据融合技术实现路段状态研判处理的方法 |
| CN112365711B (zh) * | 2020-10-21 | 2021-11-02 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
| CN113420488B (zh) * | 2021-05-18 | 2024-03-08 | 东南大学 | 一种基于轨迹重构的城市路网od估计方法 |
| CN113297342B (zh) * | 2021-05-18 | 2022-05-10 | 北京理工大学前沿技术研究院 | 一种车辆行驶轨迹重构方法、装置、设备及存储介质 |
| CN114360250B (zh) * | 2022-01-12 | 2022-11-11 | 西南交通大学 | 一种信号路口机动车排队车辆轨迹重构方法 |
| CN115060269A (zh) * | 2022-06-08 | 2022-09-16 | 南威软件股份有限公司 | 一种刻画道路路网与车辆行驶轨迹模型的方法及装置 |
| CN115311854B (zh) * | 2022-07-22 | 2023-08-25 | 东南大学 | 一种基于数据融合的车辆时空轨迹重构方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010044526A (ja) * | 2008-08-11 | 2010-02-25 | Sumitomo Electric Ind Ltd | 渋滞情報生成装置、コンピュータプログラム及び渋滞情報生成方法 |
| CN102156477A (zh) * | 2011-05-19 | 2011-08-17 | 苏州市职业大学 | 一种agv控制平台及其实现方法 |
| CN102306284A (zh) * | 2011-08-12 | 2012-01-04 | 上海交通大学 | 基于监控录像的交通事故现场数字化重构方法 |
| CN103218489A (zh) * | 2013-04-11 | 2013-07-24 | 浙江大学 | 一种基于视频样本的模拟车辆个性化驾驶特性的方法 |
| CN105371857A (zh) * | 2015-10-14 | 2016-03-02 | 山东大学 | 一种基于公交车gnss时空轨迹数据建构路网拓扑的装置及方法 |
| CN105788252A (zh) * | 2016-03-22 | 2016-07-20 | 连云港杰瑞电子有限公司 | 基于定点检测器和信号配时数据融合的城市干道车辆轨迹重构方法 |
| CN106023589A (zh) * | 2016-06-16 | 2016-10-12 | 北京航空航天大学 | 一种基于卡口数据的车辆轨迹重构方法 |
| CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
-
2018
- 2018-03-22 CN CN201810239835.0A patent/CN108447256B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010044526A (ja) * | 2008-08-11 | 2010-02-25 | Sumitomo Electric Ind Ltd | 渋滞情報生成装置、コンピュータプログラム及び渋滞情報生成方法 |
| CN102156477A (zh) * | 2011-05-19 | 2011-08-17 | 苏州市职业大学 | 一种agv控制平台及其实现方法 |
| CN102306284A (zh) * | 2011-08-12 | 2012-01-04 | 上海交通大学 | 基于监控录像的交通事故现场数字化重构方法 |
| CN103218489A (zh) * | 2013-04-11 | 2013-07-24 | 浙江大学 | 一种基于视频样本的模拟车辆个性化驾驶特性的方法 |
| CN105371857A (zh) * | 2015-10-14 | 2016-03-02 | 山东大学 | 一种基于公交车gnss时空轨迹数据建构路网拓扑的装置及方法 |
| CN105788252A (zh) * | 2016-03-22 | 2016-07-20 | 连云港杰瑞电子有限公司 | 基于定点检测器和信号配时数据融合的城市干道车辆轨迹重构方法 |
| CN106023589A (zh) * | 2016-06-16 | 2016-10-12 | 北京航空航天大学 | 一种基于卡口数据的车辆轨迹重构方法 |
| CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈志军 ; 吴超仲 ; 吕能超 ; 马杰 ; .基于改进三次Hermite插值的车辆时空轨迹重构研究.交通信息与安全.2013,(第06期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108447256A (zh) | 2018-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108447256B (zh) | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 | |
| CN100492435C (zh) | 单个交叉口混合交通信号的控制方法 | |
| CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
| CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
| CN103150930A (zh) | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 | |
| CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
| CN108492562A (zh) | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 | |
| CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| CN101783073B (zh) | 基于双截面检测器的信号交叉口延误测定方法 | |
| CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
| CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
| CN112509328B (zh) | 一种交叉口右转机动车与电动自行车冲突行为分析方法 | |
| CN116052435B (zh) | 一种城市道路拥堵影响范围界定与道路影响力计算方法 | |
| CN103942957A (zh) | 信号交叉口饱和状态下车辆排队长度计算方法 | |
| CN105513362A (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
| CN111986483A (zh) | 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质 | |
| CN112699535A (zh) | 高架地面联动交通信号区域自适应控制方法 | |
| Sekhar et al. | Analysis of travel time reliability of an urban corridor using micro simulation techniques | |
| CN114495486B (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 | |
| CN113808404A (zh) | 一种固定时长的交通信号灯时长预测方法 | |
| CN114078321A (zh) | 一种交通状况确定方法和装置 | |
| CN109377759B (zh) | 一种获取间断交通流中车队行程时间的方法 | |
| CN106997678B (zh) | 快速路出口匝道上游车载指路信息优化设计方法 | |
| Humoody et al. | Congestion identification for multilane highway by vehicle lane change as driver behavior | |
| CN116434575B (zh) | 一种考虑行进时间不确定性的公交绿波方案鲁棒生成方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240509 Address after: 222006 East Zhenhua Road, Songtiao High tech Zone, Lianyungang Development Zone, Lianyungang City, Jiangsu Province Patentee after: LIANYUNGANG JIERUI ELECTRONIC Co.,Ltd. Country or region after: China Patentee after: China Shipbuilding Jerry Technology (Shanghai) Co.,Ltd. Address before: No. 18, St. Lake Road, Haizhou District, Lianyungang, Jiangsu Patentee before: LIANYUNGANG JIERUI ELECTRONIC Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |