CN108922193B - 一种基于浮动车轨迹数据的交叉口信号周期估计方法 - Google Patents
一种基于浮动车轨迹数据的交叉口信号周期估计方法 Download PDFInfo
- Publication number
- CN108922193B CN108922193B CN201810877038.5A CN201810877038A CN108922193B CN 108922193 B CN108922193 B CN 108922193B CN 201810877038 A CN201810877038 A CN 201810877038A CN 108922193 B CN108922193 B CN 108922193B
- Authority
- CN
- China
- Prior art keywords
- track
- halt
- vehicle
- data
- time
- 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
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
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于浮动车轨迹数据的交叉口信号周期估计方法,旨在通过轨迹数据反推信号周期,克服现有交通信息采集方式的弊端,提供一种大范围、高精度、实时及低成本的交通信号配时信息采集方法。本方法基于浮动车轨迹数据,首先对轨迹数据进行筛选及集计,然后对轨迹数据进行分类,计算不同类别轨迹之间的时间差平均方差以及相同类别轨迹之间的相关性;最后通过时间差平均方差以及相关性数据,在估计结果中判别选择出精确度最高的信号周期长度。
Description
技术领域
本发明属于智能交通领域,涉及一种基于浮动车轨迹数据的交叉口信号周期估计方法。
背景技术
车辆运行轨迹是对交通流运行状态最全面和完整的表达,车辆轨迹数据能够体现大范围路网内的车辆时空变化特征,能够实时准确的采集交通信息,与传统的采集方式相比具有很大的优越性。伴随移动互联等新一代信息技术的发展,交通信息化水平的提高使得城市路网大范围、连续、自动的采集移动检测数据成为现实。通过传统定点检测器获得的车辆轨迹信息只有在特定地点、确定时间间隔的车辆速度、流量等交通参数,而浮动车数据能够实时有效的获取车辆当前地点的位置速度信息,车辆的时空轨迹、起讫点、行程时间等车辆运行信息。因此,对于估计交通信号周期而言,浮动车轨迹数据能够提供更多有效的信息。
目前基于轨迹数据估计信号周期的方法主要分为三类:(1)基于交通波理论的信号周期估计方法。日本东京大学的Kentaro根据交通波理论与三角形基本图的假设,通过冲击波理论估计信号周期时长以及红灯时长。该方法适用于连续多个交叉口信号配时相同的信号周期估计,在实用性方面具有较大局限;(2)基于轨迹分析的信号周期估计方法。Valentin、S.Alireza分别采用轨迹分类模型以及车辆延误模型,通过对轨迹进行分类研究,对信号周期进行了估计。该类方法通过对轨迹进行一定的优化得出结论,标定部分参数的同时引入了一定误差,估计结果的平均误差大于5%;(3)基于概率论的信号周期估计。Juan Yu,Yanmin Zhu分别采用最频繁近似最大公约数算法以及最大后验估计算法对交通信号周期进行估计。
本方法基于高频浮动车数据(采样频率3-6秒),通过概率统计方法对轨迹数据进行处理估计交通信号配时信息。
发明内容
1.发明目的
本发明针对现有交通信号配时信息采集方式的弊端,通过浮动车轨迹数据,结合轨迹分类和概率统计方法,提出一种基于浮动车轨迹数据的交叉口信号周期估计方法。该方法具有高精度、大范围、实时性的优点。
2.本发明所采用的技术方案
本发明是一种基于浮动车轨迹数据的交叉口信号周期估计方法,可以通过以下步骤实现:
(1)轨迹格式处理。确定初始点,将轨迹表示为一系列随时间戳变化的与初始点之间距离的点。
(2)轨迹筛选。通过时间戳、车辆行驶方向对车辆轨迹进行筛选,筛选出符合要求的轨迹数据。
(3)轨迹分类。浮动车轨迹在通过交叉口的时候可以分为车辆停止的轨迹和车辆不停止的轨迹,根据阈值速度对轨迹进行分类,并分别在两种轨迹中找出停止点和不停止点。
(4)导入信号周期数据。将信号周期的估计值导入,将轨迹数据中的时间戳表示为当前轨迹数据点在估计周期时长内的时刻。
(5)轨迹集计。将不同天数、不同时间段内的轨迹集计至同一个信号周期内,绘制出轨迹时空图。
(6)计算时间差平均方差。在导入的信号周期下,计算停车轨迹和不停车轨迹之间的时间差平均方差。
(7)计算相关性。在导入的信号周期下,分别计算停车轨迹之间和不停车轨迹之间的相关性,综合时间差平均方差和相关性的数值,得出准确度最高的信号周期估计时长。
所述步骤(1)具体为:浮动车轨迹数据表示为时间戳系列的位置点,表示为{(x1,y1,t1),(x2,y2,t2),...,(xn,yn,tn)},(xi,yi)是第i辆车在ti时刻的经纬度坐标;随后进一步表示为{p0,p1,p2,...pn},pi是车辆在ti时的地理位置。选定待估计信号周期的交叉口前方100米作为初始点,pi表示距初始点的距离,即{(d1),(d2),(d3),....,(dn)},di代表时间为ti时距初始点的距离。
所述步骤(2)为:轨迹数据中包含所有时段多个交叉口所有行驶方向的车辆,因此通过筛选目标交叉口、车辆的行驶方向、车辆通过交叉口的时间得到需要的浮动车轨迹数据。
所述步骤(3)为:当轨迹中具有停止点则该轨迹属于停止轨迹,反之,则该轨迹属于不停止轨迹。停止点的判别可以通过公式(1)计算:
其中,分别表示第i辆车的第k个轨迹点为停止点和不停止点,表示车辆i在第k个轨迹点的运动速度,表示车辆i在第k个轨迹点的时间戳,表示速度阈值。
在停止轨迹中包含一系列的停止点,将轨迹中的第一个停止点作为计算所用的停止点,如图2所示。
在不停止轨迹中,初始点的位置为距离交叉口100米的位置,因此取距离停车线最近的点作为不停止点,如图3所示。
所述步骤(4)为:将估计的信号周期C导入数据中,通过公式(3)将时间戳对周期C取余数,记作ti,c,即将轨迹点的时间戳转换为周期长度内的时刻,将pi与ti,c匹配。
ti,c=timod(C) (3)
所述步骤(5)为:将多天数据中同样时间段的轨迹数据筛选出来之后,通过时间戳转换为ti,c,将不同天数不同时间不同车辆的轨迹数据集计至同一个估计的信号周期内,从而绘制出在当前估计信号周期下的交叉口车辆轨迹时空图,并通过轨迹集计对数据进一步分析。
所述步骤(6)具体为:在步骤(3)和步骤(4)中得到了停止点和不停止点在周期内所处时刻、位置的数据,因此利用公式(4)计算停止点和不停止点之间的时间差tdi:
其中,spi为停止轨迹中第i辆车的停止点,nsi为不停止轨迹中第i辆车的不停止点。
在求出所有的时间差之后,求时间差平均方差的值,当时间差平均方差的值越小时,估计的周期时长越精确。
所述步骤(7)具体为:通过步骤(3)和步骤(4),时间戳表示为同一周期内的不同时刻,对停止轨迹和不停止轨迹进行了分类。在这两类轨迹中,当估计的信号周期越精准时,相同类型的轨迹在时间和空间上越具有相关性。因此根据公式(5),公式(6)和公式(7)对轨迹的相关性进行计算:
其中,CC(X,Y)为轨迹x和轨迹y之间的相关性,为轨迹x的第i个轨迹点的时间,为轨迹x的第i个轨迹点的距离初始点的距离。
由于在轨迹时空图上,同类轨迹的相似性不仅表现在时间上的相似性,空间上也具有相似性,因此采用轨迹点在估计周期内的时刻和距初始点距离的乘积作为相关性的评判标准。当相关性越高时,估计的信号周期越准确。根据时间差平均方差和相关性数值的大小,即可确定估计最为准确的周期时长。
3.本发明所产生的技术效果
本发明基于浮动车轨迹数据,利用轨迹分类和概率统计的方法估计信号周期时长,具有以下优点:
(1)本发明克服了现有交通信号配时信息采集方式的弊端,具有高精度、高效率和范围大等优点;
(2)本发明对城市交通大规模路网的信号配时优化提供了理论依据;
(3)本发明对交通控制系统的设计和优化提供了关键技术指引。
4.附图说明
图1为本发明的方法流程图。
图2为停车轨迹中停止点的选择示意图。
图3为不停止轨迹中不停止点的选择示意图。
图4为研究路段图。
图5为估计信号周期内的轨迹时空图。
图6为时间差平均方差及相关性的数值图
5.具体实施方式
下面结合附图和实施实例对本发明进行详细说明,使得本领域技术人员参照说明书能够据以实施:
本发明基于浮动车数据,通过结合轨迹分类和概率统计的方法,估计交叉口的信号周期时长。
本发明应用的前提条件如下:
1)车辆的换道行为在研究过程中忽略;
2)车辆停止时距离交叉口最近的位置为停车线位置;
3)交通信号时钟由中央交通控制计算机管理,以保证时钟和周期之间的恒定同步;
4)适用于城市干道单车道。
如图1所示,本发明步骤如下:
(1)轨迹格式处理。确定初始点,将轨迹表示为一系列随时间戳变化的距初始点距离的点。
(2)轨迹筛选。通过时间戳、车辆行驶方向对车辆轨迹进行筛选,筛选出符合要求的轨迹数据。
(3)轨迹分类。浮动车轨迹在通过交叉口的时候可以分类为车辆停止的轨迹和车辆不停止的轨迹,根据阈值速度对轨迹进行分类,并分别在两种轨迹中找出停止点和不停止点。
(4)导入信号周期数据。将估计的信号周期导入,将轨迹数据中的时间戳表示为当前数据点在周期内的时刻。
(5)轨迹集计。将不同天数不同时间内的轨迹集计至同一个信号周期内,绘制出轨迹时空图。
(6)计算时间差平均方差。在导入的信号周期下,计算停车轨迹和不停车轨迹之间的时间差平均方差。
(7)计算相关性。在导入的信号周期下,分别计算停车轨迹之间和不停车轨迹之间的相关性,综合时间差平均方差和相关性的数值,判别得出准确度最高的信号周期估计时长。
下面具体介绍各步骤的具体方法。
第(1)步:选取验证数据
选取深圳市皇岗路路段车辆轨迹数据集作为验证数据。具体实施方式中选取图4中黑色方框区域(皇岗路-红荔路交叉口)南向北方向直行车道为研究方向。本实施方案使用的数据为2017年4月9日,4月16日,4月23日,4月30日(四天均为周日)8:30-9:00时段的数据。
第(2)步:轨迹处理
在第(1)步中四天8:30-9:00的数据中,筛选出通过皇岗路-红荔路交叉口的南北直行的浮动车轨迹数据,将该交叉口前方100米作为初始点,对轨迹的格式进行处理,阈值速度确定为1m/s,通过阈值速度分类出停止轨迹和不停止轨迹。随后估计信号周期时长,将上述四天轨迹集计至同一个信号周期内,绘制出轨迹时空图,如图5所示。
第(3)步:概率统计计算
轨迹处理完毕之后,根据公式(4),公式(5),公式(6),公式(7)计算在当前估计的周期时长不停止轨迹和停止轨迹之间的时间差平均方差以及分别计算两类轨迹的相关性。然后更改估计的信号周期时长,重复第(2)步和第(3)步,得出另外一组统计结果。结果如图6所示,可得168秒为估计最为准确的信号周期时长。
上述实例为本发明较佳的实施方式,但是本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (1)
1.一种基于浮动车轨迹数据的交叉口信号周期估计方法,其特征在于,包括以下步骤:
步骤一:轨迹格式处理,浮动车轨迹数据表示为时间戳系列的位置点,表示为{(x1,y1,t1),(x2,y2,t2),...,(xn,yn,tn)},(xi,yi)是第i辆车在ti时刻的经纬度坐标;随后进一步表示为{p0,p1,p2,...pn},pi是车辆在ti时的地理位置;选定待估计信号周期的交叉口前方100米作为初始点,pi表示距初始点的距离,即{(d1),(d2),(d3),....,(dn)},di代表时间为ti时距初始点的距离;
步骤二:轨迹筛选,轨迹数据中包含所有时段多个交叉口所有行驶方向的车辆,因此通过筛选目标交叉口、车辆的行驶方向、车辆通过交叉口的时间得到需要的浮动车轨迹数据;
步骤三:轨迹分类,当轨迹中具有停止点则该轨迹属于停止轨迹,反之,则该轨迹属于不停止轨迹,停止点的判别可以通过公式(1)计算:
其中,分别表示第i辆车的第k个轨迹点为停止点和不停止点,表示车辆i在第k个轨迹点的运动速度,表示车辆i在第k个轨迹点的时间戳,表示速度阈值;
在停止轨迹中包含一系列的停止点,将轨迹中的第一个停止点作为计算所用的停止点;在不停止轨迹中,初始点的位置为距离交叉口100米的位置,因此取距离停车线最近的点作为不停止点;
步骤四:导入信号周期数据,将估计的信号周期C导入数据中,通过公式(3)将时间戳对周期C取余数,记作ti,c,即将轨迹点的时间戳转换为周期长度内的时刻,将pi与ti,c匹配:
ti,c=timod(C) (3)
步骤五:轨迹集计,将多天数据中同样时间段的轨迹数据筛选出来之后,通过时间戳转换为ti,c,将不同天数不同时间不同车辆的轨迹数据集计至同一个估计的信号周期内,从而绘制出在当前估计信号周期下的交叉口车辆轨迹时空图,并通过轨迹集计对数据进一步分析;
步骤六:计算时间差平均方差,在步骤(3)和步骤(4)中得到了停止点和不停止点在周期内所处时刻、位置的数据,因此利用公式(4)计算停止点和不停止点之间的时间差tdi:
其中,spi为停止轨迹中第i辆车的停止点,nsi为不停止轨迹中第i辆车的不停止点;
在求出所有的时间差之后,求时间差平均方差的值,当时间差平均方差的值越小时,估计的周期时长越精确;
步骤七:计算相关性,通过步骤(3)和步骤(4),时间戳表示为同一周期内的不同时刻,对停止轨迹和不停止轨迹进行了分类;在这两类轨迹中,当估计的信号周期越精准时,相同类型的轨迹在时间和空间上越具有相关性;因此根据公式(5),公式(6)和公式(7)对轨迹的相关性进行计算:
其中,CC(X,Y)为轨迹x和轨迹y之间的相关性,为轨迹x的第i个轨迹点的时间,为轨迹x的第i个轨迹点的距离初始点的距离;
由于在轨迹时空图上,同类轨迹的相似性不仅表现在时间上的相似性,空间上也具有相似性,因此采用轨迹点在估计周期内的时刻和距初始点距离的乘积作为相关性的评判标准,当相关性越高时,估计的信号周期越准确;根据时间差平均方差和相关性数值的大小,即可确定估计最为准确的周期时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877038.5A CN108922193B (zh) | 2018-08-03 | 2018-08-03 | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877038.5A CN108922193B (zh) | 2018-08-03 | 2018-08-03 | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108922193A CN108922193A (zh) | 2018-11-30 |
CN108922193B true CN108922193B (zh) | 2019-06-04 |
Family
ID=64397225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810877038.5A Active CN108922193B (zh) | 2018-08-03 | 2018-08-03 | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108922193B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084308B (zh) * | 2019-04-30 | 2022-05-17 | 杭州远眺科技有限公司 | 一种基于车辆轨迹分析构建通勤路径的方法 |
CN110853350B (zh) * | 2019-11-12 | 2023-04-18 | 北京航空航天大学 | 一种基于浮动车轨迹数据的干道相位差优化方法 |
CN111091708B (zh) * | 2019-12-13 | 2020-11-03 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111311906B (zh) * | 2020-02-11 | 2021-07-13 | 北京百度网讯科技有限公司 | 路口距离的检测方法、装置、电子设备和存储介质 |
CN113032413A (zh) * | 2021-03-10 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 数据采样方法、装置、电子设备、存储介质和程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024323A (zh) * | 2009-09-16 | 2011-04-20 | 交通部公路科学研究所 | 基于浮动车数据提取车辆排队长度的方法 |
CN105575120A (zh) * | 2015-12-31 | 2016-05-11 | 银江股份有限公司 | 面向道路实时速度计算的浮动车数据停车行为模式清洗方法 |
CN106571030A (zh) * | 2016-10-20 | 2017-04-19 | 西南交通大学 | 多源交通信息环境下排队长度预测方法 |
WO2019026119A1 (ja) * | 2017-07-31 | 2019-02-07 | 三菱電機株式会社 | 交通流推定システム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9804599B2 (en) * | 2015-11-04 | 2017-10-31 | Zoox, Inc. | Active lighting control for communicating a state of an autonomous vehicle to entities in a surrounding environment |
-
2018
- 2018-08-03 CN CN201810877038.5A patent/CN108922193B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024323A (zh) * | 2009-09-16 | 2011-04-20 | 交通部公路科学研究所 | 基于浮动车数据提取车辆排队长度的方法 |
CN105575120A (zh) * | 2015-12-31 | 2016-05-11 | 银江股份有限公司 | 面向道路实时速度计算的浮动车数据停车行为模式清洗方法 |
CN106571030A (zh) * | 2016-10-20 | 2017-04-19 | 西南交通大学 | 多源交通信息环境下排队长度预测方法 |
WO2019026119A1 (ja) * | 2017-07-31 | 2019-02-07 | 三菱電機株式会社 | 交通流推定システム |
Also Published As
Publication number | Publication date |
---|---|
CN108922193A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108922193B (zh) | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 | |
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN104778274B (zh) | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 | |
Zhan et al. | Citywide traffic volume estimation using trajectory data | |
EP2966590B1 (en) | Lane level traffic | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
Li et al. | Link travel time estimation using single GPS equipped probe vehicle | |
CN105138779A (zh) | 车载gps时空轨迹大数据优选方法及系统 | |
CN104318781B (zh) | 基于rfid技术的行程速度获取方法 | |
CN106846806A (zh) | 基于Isolation Forest的城市道路交通异常检测方法 | |
CN110738856A (zh) | 一种基于移动聚类的城市交通拥堵精细识别方法 | |
CN105894802A (zh) | 一种基于gps数据的交通拥堵传播路径计算方法 | |
CN105096590A (zh) | 交通信息生成方法和交通信息生成设备 | |
TW201327458A (zh) | 一種應用車輛探測資料之交通路網生成方法 | |
CN110827537A (zh) | 一种潮汐车道的设置方法、装置及设备 | |
CN102354452B (zh) | 基于简化路网模型的实时路况监控方法 | |
CN110610118A (zh) | 交通参数采集方法及装置 | |
Hao et al. | Modal activity-based vehicle energy/emissions estimation using sparse mobile sensor data | |
TW201814551A (zh) | 應用定位軌跡停等與行進模型估算交通車速方法 | |
Habtie et al. | Cellular network based real-time urban road traffic state estimation framework using neural network model estimation | |
CN116229708A (zh) | 基于v2i的路侧感知系统对交通目标的感知测试方法 | |
CN110853350B (zh) | 一种基于浮动车轨迹数据的干道相位差优化方法 | |
Langer et al. | An improved moving observer method for traffic flow estimation at signalized intersections | |
Yin et al. | Road traffic prediction based on base station location data by Random Forest |
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 |