CN108629982A - 一种基于旅行时间分布规律的路段车辆数估计方法 - Google Patents

Abstract

本发明涉及一种基于旅行时间分布规律的路段车辆数估计方法。包括：(1)预先建立不同转向和时段的旅行时间分布模型：提取路段m任意一个历史周同天的旅行时间样并进行分类得到旅行时间样本集合；利用该集合建立不同转向和时段的旅行时间分布模型；(2)路段在线车辆数的实时估计：实时采集同一路段m下游交叉口身份检测设备的数据；基于上述模型估计检测到的车辆行驶路段m所用的旅行时间，通过车辆离开路段m的时刻和估计的旅行时间计算其进入路段的时刻；判断时刻t该车辆是否在路段m上，若是则对车辆数加1，否则不记录，累加得到时刻t路段m上的在线车辆数。本发明具有良好实施性、高效率、低成本等优势，可广泛应用于路段车辆数估计。

Description

一种基于旅行时间分布规律的路段车辆数估计方法

技术领域

本发明涉及交通检测数据应用领域，更具体地，涉及一种基于旅行时间分布规律的路段车辆数估计方法。

背景技术

路段和路网实时“在线车辆数”是指特定路段和路网上实时运行的车辆数，是衡量道路交通状态的重要指标，也是进行道路需求与供给分析的重要参数。路段在线车辆数的实时监测，有助于交通管理者和时把握道路拥堵情况和演变态势，进行道路预警和警力调配，也便于精细化掌握道路资源使用情况和车辆个体出行规律。目前，一些无人机和高点视频被用于路段在线车辆数统计，但是由于成本高昂，实施性差，仍然不能大范围投入使用。在现有的城市道路检测设备基础上，如何进行路段在线车辆数估计也成为一项挑战。

目前，国内各大城市，甚至部分中小城市，均在中心城区的信控交叉口部署了城市交通治安身份检测系统，用于车辆闯红灯违法行为自动抓拍，且趋势愈发普遍。道路交叉口身份检测系统通过视频分析、图像识别、身份识别等技术的综合组织与应用，实现了对车辆个体的精准感知，其检测信息包括经过车辆个体的身份信息、经行的交叉口和其车道、过车时刻等，为交通管理者和执法者提供较为全面、可靠的个体交通信息，也为交通状态估计提供有效的数据支撑。

基于交叉口身份检测技术连续工作、数据精确、检测量大、高检测率的优势，检测数据可用于路段旅行时间的实时计算和车辆个体过车信息精准感知。然而，目前通过利用交叉口身份检测数据进行路段车辆数估计的方法却几乎空白。

发明内容

本发明为克服上述现有技术所述的缺陷(不足)，提供一种良好实施性、高效率、低成本的基于旅行时间分布规律的路段车辆数估计方法

为解决上述技术问题，本发明的技术方案如下：

一种基于旅行时间分布规律的路段车辆数估计方法，

包括预先建立不同转向和时段的旅行时间分布模型和路段在线车辆数实时估计两大步骤；

预先建立不同转向和时段的旅行时间分布模型的三个步骤包括：

S11.提取路段m任意一个历史周同天的旅行时间样本集合T_m；

S12.将T_m按照路段m下游交叉口转向车道的不同和采集时间的不同进行样本分类得到不同转向和时段的旅行时间样本集合；

S13.利用不同转向和时段的旅行时间样本集合建立历史周同天不同转向和时段的旅行时间分布模型；

路段在线车辆数实时估计的三个步骤包括：

S21.实时采集路段m下游身份检测设备的数据；

S22.基于不同转向和时段的旅行时间分布模型估计相应的转向车道和时段内检测到的车辆行驶路段m所用的旅行时间，通过实时检测数据中车辆离开路段m的时刻和估计的旅行时间计算其进入路段的时刻从而获得路段m下游交叉口身份检测设备检测到的所有车辆进入和离开路段的时刻集合

S23.通过车辆进入和离开路段的时刻判断时刻t该车辆是否在路段m，即判断是否满足若满足则对车辆数加1，否则不记录，从而累加计算得到时刻t路段m上在线的车辆数。

本发明基于交叉口身份检测系统的高精度车辆检测信息，利用历史旅行时间，建立不同转向和不同时段的路段旅行时间分布模型，利用下游高检测率的实时身份检测数据估计不同转向和时段内的车辆进入路段的时刻，进而实时计算出路段在线的车辆数，既充分发挥了现有交通基础设施的客观优势，又获取了较为全面、可靠的交通状态信息，从而为交通状态判别、交通拥堵治理等提供有效的数据支撑，对交通管理和群众出行而言都具有显著的应用价值。本发明具有良好实施性、高效率、低成本等优势，可以广泛应用于路段车辆数估计中。

上述方案中，S12的具体步骤包括：

对于特定路段m，将T_m按照其对应到掉头、左转、直行、右转的不同转向车道组，进行分类，获得路段下游交叉口不同转向的路段旅行时间样本集合，从路段旅行时间样本集合T_m中将路段m的下游出口转向n的路段旅行时间样本集合记为其中n表示转向，取值1、2、3分别代表掉头和左转、直行、右转；

将按照其在路段m下游交叉口转向车道检测的时间所对应的正常高峰时段、平峰时段、深夜时段进行分类，不同转向的旅行时间样本集合根据不同检测时间进行分类得到不同转向和时段的旅行时间样本集合。

上述方案中，S13的具体步骤为：

通过K-S检验对不同转向和时段的旅行时间样本集合进行至少两种或以上分布的拟合检验，选择拟合优度最佳的分布进行模型的建立和参数估计。

上述方案中，S22的具体步骤包括：

对于特定路段m，由身份检测设备实时数据获得该路段下游身份检测设备j检测的第x编号车辆检测时刻通过身份检测设备检测车道编号和检测时刻，将对应到其特定下游出口转向n和检测时刻所属的该天第p个时段，利用转向n和时段p内拟合的旅行时间分布模型计算旅行时间变量的均值作为该车辆通过路段m的旅行时间，记为

利用计算该车辆进入路段m的估计时刻并获得经过路段m的第x编号车辆个体进入路段和离开路段的时间集合依此方式共获得s个车辆进入和离开路段m的时刻集合Z_m，则

与现有技术相比，本发明技术方案的有益效果是：

本发明基于交叉口身份检测技术连续工作、数据精确、检测量大、高检测率的优势，系统检测数据可用于路段旅行时间的实时计算和车辆个体过车信息精准感知，实现路段车辆数的估计，该实现方法具有的优势有：

(1)可以在不增加现有检测设备的条件下，充分利用单一交叉口身份检测系统高检测率的优势，提供实时、准确、可靠的交通运行路况信息；

(2)各个路段车辆数实时估计，其计算逻辑上相互独立，不会造成误差累积，具有良好的实施性；

(3)本发明计算方法简单，具有较高的实现效率和现实应用价值。

附图说明

图1为本发明一种基于旅行时间分布规律的路段车辆数估计方法的流程图。

图2为实验仿真路段中北进口路段早高峰方法估计车辆数与真实车辆数对比图。

图3为实验仿真路段中北进口路段平峰方法估计车辆数与真实车辆数对比图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构和其说明可能省略是可以理解的。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此，限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，本发明一种基于旅行时间分布规律的路段车辆数估计方法的具体步骤包括：

S1.预先建立不同转向和旅行时间的分布模型的步骤；

S2.路段在线车辆数的实时估计步骤。

S1的具体步骤包括：

S11.提取路段m任意一个历史周同天车辆的旅行时间样本集合T_m，具体的：

S111.获取路段m的历史车辆数据；可以采集任意一个历史周同天的车辆数据作为初始样本数据；具体实施时可以针对一周不同日建立分布模型，如需要建立周一的不同转向和旅行时间的分布模型，则采集一个历史周周一的历史数据进行模拟。

S112.以车牌为主键索引，构建车辆个体的身份检测设备检测序列，身份检测设备检测序列结构类似于链表，每个数据节点中包括身份检测设备编号(身份检测设备的唯一标示，且与检测器布设位置信息唯一关联)、车道编号(车辆经过交叉口的车道，且对应唯一的所属的转向车道组)、车辆经过时间(可精确到秒)信息；身份检测设备一般安装在路段下游交叉口的不同转向车道，用于采集经过该交叉口的不同转向车道的车辆数据，其可以是用于识别车辆身份等信息的图像拍摄设备、电子车牌等。

S113.路段m的上下游交叉口的身份检测设备编号已知，记为i,j；从车辆个体身份检测设备检测序列中搜索得到s个与身份检测设备i,j相对应的身份检测设备检测对，提取第k编号身份检测设备检测对包含的车辆进出路段时刻为分别表示第k编号身份检测设备检测对中车辆依次经过身份检测设备i,j的检测时间，k∈{1,2,...,s}；

S114.根据公式计算出第k编号身份检测设备检测对中车辆经历的路段旅行时间共获得s个车辆旅行时间样本集合T_m，则T_m表示所采集的路段m所有历史车辆在路段m的旅行时间的集合。

S12.将T_m按照路段下游交叉口的转向车道的不同、采集时间的不同进行样本分类，得到不同转向和时段的旅行时间样本集合，具体为：

S121.对于特定路段m，将T_m按照其对应到掉头、左转、直行、右转的不同转向车道组，进行分类，获得路段下游交叉口不同转向的路段旅行时间样本集合，从路段旅行时间样本集合T_m中将路段m的下游出口转向n的路段旅行时间样本集合记为其中n表示转向，取值1,2,3分别代表掉头和左转、直行、右转；

S122.将按照其在路段m下游交叉口转向车道检测的时间所对应的正常高峰时段、平峰时段、深夜时段进行分类，得到不同转向和时段的旅行时间样本集合。具体地，考虑到正常高峰和平峰时段旅行时间样本量充足，而深夜时段样本量较少无法支撑分布模型的拟合，因此，首先将分为深夜时段、正常高峰时段和平峰时段。由于深夜时段道路交通状态波动较小，因此将深夜时段的旅行时间样本统一汇集，建立一个旅行时间分布模型，而正常高峰时段和平峰时段道路交通状态波动较大，为了避免某一时段(如5min)内旅行时间由于随机波动造成误差较大且能更好地反映该时段内的旅行时间的普遍情况，采取滑动时间窗的方式汇集一定时间段(如35min)的旅行时间样本形成若干时间分段，分别建立旅行时间分布模型。例如，正常高峰和平峰时段6:00-23:00由于交通流量较大，旅行时间样本充足但旅行时间波动较大，采取滑动时间窗(取5min)汇集左右各15min共计35min的旅行时间样本作为该5min时段的旅行时间样本集合。如7:30-7:35时段用于建立分布模型的旅行时间样本集合由7:15-7:50的旅行时间样本汇集得到。而深夜时段(23:00-6:00)由于交通流量较少，旅行时间样本不足但旅行时间相差不大，将23:00-6:00作为一个时间分段对样本进行汇集。

S123.设定最小旅行时间阈值，将不同转向的旅行时间样本集合中小于该最小旅行时间阈值的样本剔除。其中，可以以路段长度除以路段的最大限速作为最小旅行时间阈值。

S124.为了进一步筛选并剔除在路段中进出停车场、临时停靠等非连续出行产生的旅行时间样本，构建最大旅行时间阈值，将进行最小旅行时间样本剔除后的样本集合中大于最大旅行时间阈值的样本剔除，得到有效旅行时间样本集合其中，最大旅行时间阈值可以采用公式求得，其中表示路段m和其下游出口转向n对应的最大旅行时间阈值，表示剔除过最小旅行时间样本后的样本集合中的最小旅行时间，a表示高峰、平峰、深夜时段的允许正常波动范围对应的信号周期时长倍数，分别取3、2、1，C表示路段m下游交叉口的交通灯信号周期时长，C可以根据实际情况设定为一个常数，如120秒。

S13.采用K-S检验对不同转向和时段的旅行时间样本集合进行常见的几种分布拟合检验，如正态分布、对数正态分布、威布尔分布、伽马分布等，选择拟合优度最佳的分布进行模型的建立和参数估计；本实例中，K-S检验表明对数正态分布拟合优度最佳，因此采用对数正态分布进行不同转向和时段的旅行时间的概率分布模型的拟合与参数估计：

其中，μ是变量旅行时间变量对数的数学期望，是位置参数；σ是变量对数的标准差，为形状参数；

对数正态分布的统计量主要如下：

平均值：E(X)＝exp(μ+0.5σ²)

标准差：

S2的具体步骤包括：

S21.实时采集路段m下游身份检测设备的数据；

S22.利用该路段m下游交叉口不同转向车道和不同检测时间的实时检测数据和已建立的相应转向车道和时段的旅行时间分布模型计算该路段各个过车车辆进入路段m的时刻，具体的：

对于特定路段m，由身份检测设备实时过车数据获得路段m下游身份检测设备j检测的第x编号车辆检测时刻通过身份检测设备检测车道编号和检测时间，将对应到其特定下游出口转向n和该时刻所属的该天第p个时段，利用转向n和时段p内拟合的旅行时间分布模型估计该车辆通过该路段的旅行时间，记为本实例中，选取对数正态分布模型的均值(exp(μ+σ²))进行计算。

利用计算该车辆进入该路段的估计时刻得到通过路段m的第x编号车辆个体进入和离开路段的时间集合依此方式共获得s个过车车辆进入和离开路段时刻集合Z_m，则

S23.通过车辆进入和离开路段的时刻判断时刻t该车辆是否在路段m，即判断是否满足若满足则对车辆数加1，否则不记录，从而累加计算得到时刻t路段m上在线的车辆数。

基于本具体实施例的方法，本发明以安徽省宣城市中心某交叉口，以2017年9月某工作日的高峰时段(7:00—9:00)以和平峰时段(12:00—14:00)的仿真数据为例进行实验，对应的数据字段包括车辆唯一标识(ID)、车辆检测时刻(JGSJ)、检测路段(LINKNAME)、检测车道标号(CDBH)。数据示例如下：

表1身份检测数据结构

ID	JGSJ	LINKNAME	CDBH
				515407	43200.0	1:82	0
561581	44101.5	10:86	1
				584017	44251.0	1:84	2
579995	44251.0	49:100	2

实验地点：仿真实验路段位于宣城市中心城区，路段上、下游交叉口的4个交叉口的不同转向车道均有完整的检测，从而路段均构成上下游交叉口封闭且完全观测的检测环境，可以通过车辆个体的轨迹计算出路段在线车辆数真实值进行结果分析，满足本实验的检测条件要求。

实验时间：选取2017年9月某工作日的高峰小时和平峰小时，以1min为路段旅行时间统计间隔计算路段车辆数，其中早高峰小时为7:00～9:00，平峰小时为12:00～14:00。

实验结果分析：任意选取历史周同一个周天的身份检测设备数据进行北进口路段的不同转向和时段的旅行时间分布模型的建立，北进口路段旅行时间分布拟合优度检验表示对数正态分布模型具有最佳拟合效果，建立对数正态分布模型如下：

其中，μ是变量旅行时间变量对数的数学期望，是位置参数；σ是变量对数的标准差，为形状参数，由模型计算的旅行时间为

高峰时段右转车道和左转、直行车道对数正态分布模型拟合参数和通过模型计算的旅行时间分别如表2，表3所示。

表2高峰时段北进口路段右转车道分布模型参数估计和旅行时间计算结果

时段	模型均值μ	模型标准差σ	旅行时间
				7:00	1.86	0.089	73.7
7:05	1.86	0.089	73.7
				7:10	1.86	0.089	73.7
7:15	1.85	0.083	72.4
				7:20	1.88	0.116	78.4
7:25	1.91	0.122	82.6
				7:30	1.92	0.128	84.9
7:35	1.89	0.129	80.9
				7:40	1.90	0.138	81.3
7:45	1.91	0.135	81.4
				7:50	1.87	0.117	75.9
8:00	1.85	0.103	72.3
				8:05	1.84	0.100	71.5
8:10	1.85	0.098	72.1
				8:15	1.83	0.071	68.7
8:20	1.83	0.075	68.4
				8:25	1.84	0.078	69.7
8:30	1.82	0.061	66.9
				8:35	1.83	0.063	67.9
8:40	1.83	0.063	67.8
				8:45	1.83	0.063	67.3
8:50	1.83	0.063	67.3
				8:55	1.83	0.063	67.3
9:00	1.83	0.063	67.3

表3高峰时段北进口路段左转、直行车道分布模型参数估计和旅行时间计算结果

时段	模型均值μ	模型标准差σ	旅行时间
				7:00	1.98	0.127	97.4
7:05	1.98	0.127	97.4
				7:10	1.98	0.127	97.4
7:15	1.99	0.125	99.8
				7:20	2.03	0.138	109.3
7:25	2.03	0.134	110.6
				7:30	2.04	0.130	112.7
7:35	2.05	0.128	114.4
				7:40	2.04	0.135	112.7
7:45	2.05	0.136	114.7
				7:50	2.01	0.124	103.7
8:00	2.02	0.125	106.5
				8:05	2.00	0.124	103.7
8:10	2.01	0.119	103.1
				8:15	2.01	0.116	103.9
8:20	1.98	0.112	97.9
				8:25	1.99	0.118	100
8:30	1.98	0.118	96.5
				8:35	1.97	0.128	97.1
8:40	1.98	0.144	97.7
				8:45	1.98	0.141	98.6
8:50	1.98	0.141	98.6
				8:55	1.98	0.141	98.6
9:00	1.98	0.141	98.6

根据本发明提出的方法，利用车辆个体离开北进口路段时刻减去其相应的转向和时段分布模型计算的旅行时间，从而获得每个车辆进入北进口路段的时刻，从7：00-9：00，每1min间隔计算一次各路段在线车辆数。通过仿真数据中所有车辆的真实的车辆轨迹，计算每个车辆真实的路段在线时间，同样从7：00-9：00，每1min间隔计算一次各路段在线车辆数即为路段在线车辆数的准确真值。与本发明提出的方法计算的路段车辆数进行对比，如图2-3所示，北进口路段在早高峰和平峰时所估算的路段在线车辆数的准确度分别为75％和79％。由此可见，本发明提出的方法具有较可靠的估计结果。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。本发明的交叉口身份检测设备除了卡口，还可以是电子车牌、微波检测、地磁检测、收费站派卡、视频监控等。上述的交叉口身份检测设备均可以达到类似技术效果。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于旅行时间分布规律的路段车辆数估计方法，其特征在于，包括预先建立不同转向和时段的旅行时间分布模型和路段在线车辆数实时估计两大步骤；

预先建立不同转向和时段的旅行时间分布模型的三个步骤包括：

S11.提取路段m任意一个历史周同天的旅行时间样本集合T_m；

S12.将T_m按照路段m下游交叉口转向车道的不同和采集时间的不同进行样本分类得到不同转向和时段的旅行时间样本集合；

S13.利用不同转向和时段的旅行时间样本集合建立历史周同天不同转向和时段的旅行时间分布模型；

路段在线车辆数实时估计的三个步骤包括：

S21.实时采集路段m下游身份检测设备的数据；

S22.基于不同转向和时段的旅行时间分布模型估计相应的转向车道和时段内检测到的车辆行驶路段m所用的旅行时间，通过实时检测数据中车辆离开路段m的时刻和估计的旅行时间计算其进入路段的时刻从而获得路段m下游交叉口身份检测设备检测到的所有车辆进入和离开路段的时刻集合

S23.通过车辆进入和离开路段的时刻判断时刻t该车辆是否在路段m，即判断是否满足若满足则对车辆数加1，否则不记录，从而累加计算得到时刻t路段m上在线的车辆数。

2.根据权利要求1所述的基于旅行时间分布规律的路段车辆数估计方法，其特征在于，S12的具体步骤包括：

对于特定路段m，将T_m按照其对应到掉头、左转、直行、右转的不同转向车道组，进行分类，获得路段下游交叉口不同转向的路段旅行时间样本集合，从路段旅行时间样本集合T_m中将路段m的下游出口转向n的路段旅行时间样本集合记为其中n表示转向，取值1、2、3分别代表掉头和左转、直行、右转；

将按照其在路段m下游交叉口转向车道检测的时间所对应的正常高峰时段、平峰时段、深夜时段进行分类，不同转向的旅行时间样本集合根据不同检测时间进行分类得到不同转向和时段的旅行时间样本集合。

3.根据权利要求1所述的基于旅行时间分布规律的路段车辆数估计方法，其特征在于，S13的具体步骤为：

通过K-S检验对不同转向和时段的旅行时间样本集合进行至少两种或以上分布的拟合检验，选择拟合优度最佳的分布进行模型的建立和参数估计。

4.根据权利要求1所述的基于旅行时间分布规律的路段车辆数估计方法，其特征在于，S22的具体步骤包括：

对于特定路段m，由身份检测设备实时数据获得该路段下游身份检测设备j检测的第x编号车辆检测时刻通过身份检测设备检测车道编号和检测时刻，将对应到其特定下游出口转向n和检测时刻所属的该天第p个时段，利用转向n和时段p内拟合的旅行时间分布模型计算旅行时间变量的均值作为该车辆通过路段m的旅行时间，记为

利用计算该车辆进入路段m的估计时刻并获得经过路段m的第x编号车辆个体进入路段和离开路段的时间集合 依此方式共获得s个车辆进入和离开路段m的时刻集合Z_m，则