CN109064741B - 基于多源数据融合的干道车辆运行轨迹重构的方法 - Google Patents
基于多源数据融合的干道车辆运行轨迹重构的方法 Download PDFInfo
- Publication number
- CN109064741B CN109064741B CN201810860947.8A CN201810860947A CN109064741B CN 109064741 B CN109064741 B CN 109064741B CN 201810860947 A CN201810860947 A CN 201810860947A CN 109064741 B CN109064741 B CN 109064741B
- Authority
- CN
- China
- Prior art keywords
- track
- network
- vehicle
- determining
- queuing
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000007667 floating Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000001186 cumulative effect Effects 0.000 claims description 25
- 230000033001 locomotion Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 13
- 230000035699 permeability Effects 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 8
- 238000005070 sampling Methods 0.000 abstract description 8
- 230000035939 shock Effects 0.000 abstract description 7
- 210000001367 artery Anatomy 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据融合的干道车辆运行轨迹重构的方法。其中，本方法旨在全面、准确地再现干道交通状态的时空分布和演变规律，从而提高交通状态参数估计和预测精度，提升信号控制效益。本发明基于三维冲击波的变分理论，首先采用定点检测器数据估计前向弧和后向弧斜率，建立初始的干道时空网络图；其次通过融合浮动车数据和信号配时数据估计排队传播曲线轮廓；最后在浮动车轨迹、排队边界和信号配时三个维度的约束下，基于最短路算法重构车辆完整运行轨迹。本发明解决了当前拥堵状态下车辆运行轨迹难以精确估计以及目前基于抽样轨迹数据研究存在要求较高渗透率的技术问题。
Description
技术领域
本发明涉及智能交通领域，具体而言，涉及一种基于多源数据融合的干道车辆运行轨迹重构的方法。
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，不仅可以体现车辆在路网上的行驶路径，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。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、自动的定点和移动检测数据的采集成为现实。传统定点检测设备(如线圈、视频、地磁等)可以直接获取特定地点一定时间间隔的速度、流量、占有率等交通特征参数。通过移动检测设备(如浮动车、车辆自动识别设备、车载导航等)可以获得少部分抽样车辆的时空连续轨迹、起讫点、点到点的行程时间等个体车辆运行信息。考虑到上述两类检测器数据在格式、采样频率、时空粒度以及精度等方面存在差异性，综合运用交通系统分析和信息融合理论方法，对上述集计交通流参数和抽样个体车辆运行信息加以融合，则能实现对城市干道所有车辆轨迹的重构。
目前的车辆运行轨迹重构方法主要分为三类：(1)基于定点检测器的车辆运行轨迹重构。美国俄亥俄州立大学Coifman基于双线圈检测器数据，根据交通流理论与三角形基本图的假设，通过在时空图中估计路段行程时间重构车辆运行轨迹。该方法适用于具有连续流特征的高/快速路，不适用于信号灯“开关控制”下的干道车辆运行轨迹重构。(2)单车微观轨迹重构。 Hao、Wan、Shan基于概率论的思想，分别采用随机模型、EM算法及最大似然估计，从微观角度重构浮动车任意相邻采样点之间的运动轨迹。美国伦斯勒理工学院Sun和Ban利用秒级浮动车数据，假设连续浮动车之间的车辆到达服从均匀分布，重构单点交叉口直行车流的全样本轨迹，并通过微观仿真和NGSIM数据对方法进行了标定和验证。该方法局限于较高的浮动车渗透率(25％以上)环境以及不合实际的车辆均匀到达模式。(3) 基于多源数据融合的车辆轨迹重构。同济大学唐克双等人通过融合视频和定点检测器流量数据，基于二维冲击波理论和交通仿真思想，开发了一种不依赖高频浮动车数据、适用于多车道、有出入车辆干扰情况下的轨迹重构方法。但是，该方法未考虑拥挤状态下，当排队长度接近或者到达定点检测器位置时检测数据不能反映实际的情况。
针对当前拥堵状态下车辆运行轨迹难以精确估计以及目前基于抽样轨迹数据研究存在要求较高渗透率的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于多源数据融合的干道车辆运行轨迹重构的方法，以至少解决当前拥堵状态下车辆运行轨迹难以精确估计以及目前基于抽样轨迹数据研究存在要求较高渗透率的技术问题。
根据本发明实施例的一个方面，提供了一种基于多源数据融合的干道车辆运行轨迹重构的方法，包括：确定初始变分网络的基本参数，其中基本参数包括前向弧斜率、后向弧斜率、时间步长和空间步长；基于初始变分网络的基本参数，获得初始变分网络；基于初始变分网络，在信号配时参数、排队波边界曲线和浮动车轨迹的约束条件下，建立带有权值的变分网络；根据最短路算法，计算所述带有权值的变分网络的各节点的累积车辆数；以及连接具有相同累积车辆数的带有权值的变分网络的节点，重构车辆运行轨迹。
可选地，根据固定检测器数据确定基本参数的操作，包括以下步骤：
利用以下公式确定所述后向弧斜率和所述空间步长：
其中sstep为空间步长(ft)；u为前向弧斜率(ft/s)；w为后向弧斜率 (ft/s)；tstep为时间步长(s)；qmax为最大流率(veh/h)；kj为交通流阻塞密度(veh/mile)。
可选地，将时间步长为预定时间值；前向弧斜率为自由流车速；以及最大流率和交通流阻塞密度通过定点检测器数据获取。
可选地，基于初始变分网络的基本参数，获得初始变分网络的操作，还包括：确定初始变分网络中第一列节点的初始车辆累计数量；以及确定初始变分网络的上边界和下边界在各个时间点处的车辆累计数量。
可选地，信号配时参数、排队波边界曲线和浮动车轨迹的约束条件的建立，包括如下步骤：将浮动车轨迹进行时空网格化；将信号控制系统的信号配时参数按照时间轴导入初始变分网络中；以及根据浮动车轨迹确定所述排队边界波曲线。
可选地，根据浮动车轨迹确定排队波边界曲线的操作，包括如下步骤：将浮动车轨迹与信号配时参数匹配，并提取浮动车轨迹的关键点信息，进而确定浮动车轨迹的轨迹点对应的运动状态；利用直线拟合确定排队消散波；以及基于排队消散波、浮动车轨迹的关键点信息以及浮动车轨迹的轨迹点对应的运动状态，确定排队波边界曲线。
可选地，根据最短路径算法，计算带有权值的变分网络的各节点的累积车辆数的操作，包括以下步骤：对于处于带有权值的变分网络中红灯线段上的节点，根据以下公式确定对应的车辆累计数量：
N(i，j)＝min(N(i，j-1)，N(i-1，j)+kj·sstep)以及
对于处于带有权值的变分网络中非红灯线段上的节点，根据以下公式确定对应的车辆累计数量：
N(i，j)＝min(N(i，j-1)，N(i-1，j-1)，N(i-1，j)+kj·sstep)其中N(i,j)代表节点(i,j)的车辆累计数量，N(i-1,j)代表节点(i-1,j)的车辆累计数量，N(i,j-1)代表节点(i,j-1)的车辆累计数量，N(i-1,j-1)代表节点(i-1,j-1)的车辆累计数量，其中kj·sstep表示节点(i,j)处可能出现的累计车辆数的变化量。
在本发明实施例中，针对当前拥堵状态下车辆运行轨迹难以精确估计以及目前基于抽样轨迹数据研究存在要求较高渗透率的应用局限，提出一种基于多源数据融合的干道车辆运行轨迹重构方法。该方法在拥堵状态和极低渗透率的场景下，具有鲁棒性强、准确性高等特点。解决了当前拥堵状态下车辆运行轨迹难以精确估计以及目前基于抽样轨迹数据研究存在要求较高渗透率的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例1所述的基于多源数据融合的干道车辆运行轨迹重构方法的计算机终端(或移动设备)的硬件结构框图；
图2是根据本发明实施例1所述的基于多源数据融合的干道车辆运行轨迹重构方法的流程图；
图3根据本公开实施例1中所述的，用于描述各时空节点处车辆累计数量的三维坐标图；
图4是根据本公开实施例1中所述的时空网格节点累积车辆数计算；
图5是根据本公开实施例1中所述的干道车辆运行轨迹重构示意图；
图6是根据本公开实施例1中所述的基于多源数据融合的干道车辆运行轨迹重构的方法的详细流程图；
图7是根据本公开实施例1中所述的Lankershim路段图；以及
图8是为根据本公开实施例1中所述的重构的干道车辆运行轨迹图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
时空网格图，是指表示车辆位置与时刻分别作为二维坐标形成的网格图。
浮动车：安装了车载GPS定位装置并行驶在城市主干道上的公交汽车和出租车。根据装备车载全球定位系统的浮动车在其行驶过程中定期记录的车辆位置，方向和速度信息，应用地图匹配、路径推测等相关的计算模型和算法进行处理，使浮动车位置数据和城市道路在时间和空间上关联起来，最终得到浮动车所经过道路的车辆行驶速度以及道路的行车旅行时间等交通拥堵信息。如果在城市中部署足够数量的浮动车，并将这些浮动车的位置数据通过无线通讯系统定期、实时地传输到一个信息处理中心，由信息中心综合处理，就可以获得整个城市动态、实时的交通拥堵信息。
实施例1
根据本发明实施例，还提供了一种基于多源数据融合的干道车辆运行轨迹重构的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现基于多源数据融合的干道车辆运行轨迹重构方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB) 端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备) 中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的基于多源数据融合的干道车辆运行轨迹重构方法对应的程序指令/ 数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
在上述运行环境下，本申请提供了如图2所示的基于多源数据融合的干道车辆运行轨迹重构方法。图2是根据本发明实施例1第一个方面所述的基于多源数据融合的干道车辆运行轨迹重构方法的流程图。参考图2所示，该方法包括：
S202：确定初始变分网络的基本参数，其中所述基本参数包括前向弧斜率、后向弧斜率、时间步长和空间步长；
S204：基于所述初始变分网络的基本参数，获得初始变分网络；
S206：基于所述初始变分网络，在信号配时参数、排队波边界曲线和浮动车轨迹的约束条件下，建立带有权值的变分网络；
S208：根据最短路算法，计算所述带有权值的变分网络的各节点的累积车辆数；以及
S210：连接具有相同累积车辆数的所述带有权值的变分网络的节点，重构车辆运行轨迹。
需要说明的是，本发明应用的前提条件如下：
1)定点检测器数据无缺失；
2)交叉口信号配时信息已知；
3)周期内至少存在一条浮动车轨迹；
4)适用于城市干道单车道。
从而本公开实施例将传统的二维冲击波理论拓展为三维冲击波理论。基于三维冲击波的思想，通过基于变分理论和相对通行能力的约束求解时空图中任意节点的累积车辆数，将具有相同累积车辆数的节点相连，进而获得车辆运行轨迹。
进一步地，根据固定检测器数据确定基本参数的操作，包括以下步骤：
利用以下公式确定后向弧斜率和空间步长：
其中sstep为空间步长(ft)；u为前向弧斜率(ft/s)；w为后向弧斜率 (ft/s)；tstep为时间步长(s)；qmax为最大流率(veh/h)；kj为交通流阻塞密度(veh/mile)。
需要说明的是，本发明基于改进冲击波的变分理论实施，在二维时空图的基础上，以N(x,t)表示车辆位置x与时刻t的累积车辆数作为第三维坐标，如图3所示。在该三维坐标系下，将城市信号控制干道作为时空单元抽象表达的网络，车流运行方向则由网络上各节点的累计车辆数计算确定，如图4所示。
从而，通过上述步骤确定后向弧斜率和所述空间步长。
进一步地，时间步长为预定时间值；前向弧斜率为自由流车速；以及最大流率和交通流阻塞密度通过定点检测器数据获取。
从而，通过设定时间步长并确定前向弧斜率、最大流率和交通流阻塞密度，才能通过公式(1)和公式(2)获取后向弧斜率和空间步长，为后续的计算提供依据。
进一步地，基于初始变分网络的基本参数，获得初始变分网络的操作，还包括：确定初始变分网络中第一列节点的初始车辆累计数量；以及确定初始变分网络的上边界和下边界在各个时间点处的车辆累计数量。
需要说明的是，首先设定初始变分网络中的第一列节点的初始累积车辆数为1，然后根据初始变分网络中的上下游位置处定点检测器记录的车辆通过时间和累计车辆数，对网络中的上下游节点进行赋值。
从而，通过设定上述参数，确定初始变分网络的初始边界条件。
进一步地，信号配时参数、排队边界曲线和浮动车轨迹的约束条件的建立，包括如下步骤：将浮动车轨迹进行时空网格化；将信号控制系统的信号配时参数按照时间轴导入初始变分网络中；以及根据浮动车轨迹确定排队边界波曲线。
需要说明的是，参考图5所示，浮动车轨迹可以视为由变分网络上具有相同累积车辆数的节点连接而成的路径。浮动车轨迹的起点和终点对应定点检测器记录的上下游节点的时间和累积车辆数。考虑到浮动车轨迹与时空网络难以完全匹配，需要将浮动车轨迹进行时空网格化，以便于后续进行节点累积车辆数的计算，这是附加的第一维约束。
需要说明的是，将信号控制系统的配时参数按照时间轴导入时空网络中。考虑到冲击波在信号交叉口的传播受到信号灯的影响，导入的信号配时作为估计网络节点累积车辆数的第二维约束。红灯时长，相应的路段费用为0，如图4所示。
需要说明的是，由于时空网格路段费用以及前向弧斜率和后向弧斜率均是确定性的，没有充分考虑交通状态的动态变化，因此这里添加一维约束-排队边界的确定。此外由于定点检测器数据难以提供准确的排队边界，尤其是拥堵状态下，本发明基于浮动车数据确定排队波边界。
从而，在信号配时参数、排队边界曲线和浮动车轨迹三重约束条件下，建立带有权值的变分网络。
进一步地，根据浮动车轨迹确定排队波边界曲线的操作，包括如下步骤：将浮动车轨迹与信号配时参数匹配，并提取浮动车轨迹的关键点信息，进而确定浮动车轨迹的轨迹点对应的运动状态；利用直线拟合确定排队消散波；以及基于排队消散波、浮动车轨迹的关键点信息以及浮动车轨迹的轨迹点对应的运动状态，确定排队波边界曲线。
需要详细说明的是，根据浮动车轨迹确定排队波边界曲线的操作，具体描述如下：
Step1：将浮动车轨迹与信号配时信息匹配，并根据速度阈值分类器提取浮动车轨迹关键点信息，其中关键点包括开始排队点和排队开始消散点。对于任意浮动车轨迹点
对应的运动状态
可通过公式(3)计算
其中，
分别表示排队状态Sj和运动状态Mj，
表示车辆i在k时刻的运动速度，
表示速度阈值。
Step2：估计排队消散波。根据LWR理论，排队车辆通常以饱和流率通过交叉口，排队消散波具有较强的线性传播趋势。因此，每周期的排队消散波可通过直线拟合。考虑到周期内开始消散点的数量Nd，分为两种情况：
其中，
分别表示排队状态Sj和运动状态Mj，
表示车辆i在k时刻的运动速度，
表示速度阈值。
Step2：估计排队消散波。根据LWR理论，排队车辆通常以饱和流率通过交叉口，排队消散波具有较强的线性传播趋势。因此，每周期的排队消散波可通过直线拟合。考虑到周期内开始消散点的数量Nd，分为两种情况：
(a)Nd≥2，直线拟合转化为最小二乘问题，其中
表示每条轨迹的开始消散点，
和
分别表示拟合直线的斜率和截距，见公式(5)；
(b)Nd＝1，消散波波速设为默认，截距可通过公式(7)计算
其中，
可由定点检测器数据确定，即
Step3：估计排队形成波。根据LWR理论，排队消散波可认为分段线性。由于交通信号的变化，车辆一般以队列方式到达交叉口，本发明认为队列内车辆的排队形成波具有线性传播趋势。其中
表示开始排队点，将开始排队时间点按照
的时间大小顺序排列，Δti和Δxi分别表示相邻浮动车的时间差和距离差，车辆队列通过公式(8)识别。其中θ＝3.28ft/s， Ni＝1表示属于同一个队列。
因此，N段分段线性直线可以通过最小二乘估计由公式(9)估计获得，其约束条件分别为公式(10)-(13)。
表示停车线位置，
表示红灯开始时刻，ε为调节参数。
从而，通过建立排队波边界曲线，为建立带有权值的变分网络提供了第三维约束。
进一步地，根据最短路径算法，计算所述带有权值的变分网络的各节点的累积车辆数的操作，包括以下步骤：
对于处于所述带有权值的变分网络中红灯线段上的节点，根据以下公式确定对应的车辆累计数量：
N(i，j)＝min(N(i，j-1)，N(i-1，j)+kj·sstep) (14)
以及，对于处于所述带有权值的变分网络中非红灯线段上的节点，根据以下公式确定对应的车辆累计数量：
N(i，j)＝min(N(i，j-1)，N(i-1，j-1)，N(i-1，j)+kj·sstep (15)
其中，N(i,j)代表节点(i,j)的车辆累计数量，N(i-1,j)代表节点 (i-1,j)的车辆累计数量，N(i,j-1)代表节点(i,j-1)的车辆累计数量， N(i-1,j-1)代表节点(i-1,j-1)的车辆累计数量，其中kj·sstep表示节点(i,j)处可能出现的累计车辆数的变化量。
从而，在三个维度的约束下，利用最短路径算法通过公式(14)和公式(15)计算得到节点的累积车辆数，进而将具有相同累积车辆数的节点连接即可获得研究区域内相应时段的干道车辆轨迹估计图。
图6是根据本公开实施例1中所述的基于多源数据融合的干道车辆运行轨迹重构的方法的详细流程图。
为了便于更好地理解本公开实施例所述的基于多源数据融合的干道车辆运行轨迹重构的方法，参考图6所示，下面进一步详细介绍该方法的实施流程：
步骤1：建立干道基本时空网络图。根据定点检测器数据确定前向弧和后向弧斜率，设定网络时间步长和空间步长。
步骤2：设定初始边界条件。确定第一列初始累积车辆数以及时空网络图上下游边界相应时间点处的累积车辆数。
步骤3：处理浮动车轨迹数据。浮动车轨迹可以看作是由累计曲线组成的三维曲线的等高线，考虑到时空网络特性，将浮动车轨迹时空网格化。
:步骤4：导入信号配时数据。将信号配时匹配到时空网络中，即红灯时长和绿灯时长在时空网络上格点化。
步骤5：估计排队波边界。根据样本浮动车轨迹估计排队形成波和排队消散波，并将排队传播曲线轮廓时空网格化。
:步骤6：计算时空网络图各节点的累积车辆数。在步骤(2)-(5) 的多重约束下，根据最短路算法确定网络节点的累积车辆数。
步骤7：连接具有相同累积车辆数的网络节点，重构车辆运行轨迹。
下面具体介绍没步骤的具体方法。
第(1)步：选取验证数据
选取NGSIM数据中Lankershim路段(Cambridge Systematics，2006) 车辆轨迹数据集作为验证数据。具体实施方式中选取图7中黑色区域(交叉口1-交叉口2)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2005年6月16日8:28-8:45时段的数据。
为更好介绍方法具体实施，下面选取其中一个周期为例，详细介绍方法的实施步骤。
第(2)步：确定时空网络建立的初始参数
前向弧斜率一般默认为自由流速度u＝35mph,后向弧斜率 w＝14.41ft/s，时间步长设为1s，空间步长sstep＝11.25ft，速度阈值设为
第(3)步：添加约束并优化时空网络参数
初始时空网络图建立完成后，通过浮动车轨迹估计排队传播曲线轮廓。其中，排队消散点数量Nd＝3，通过最小二乘法确定排队消散波速度计算得到
通过分段线性函数拟合排队形成波。根据公式(9)计算的
可以判断浮动车1、2属于同一队列，因此排队形成波为两段线性函数，分别使用最小二乘法拟合两条分段直线。
在此基础上，将浮动车轨迹和信号配时信息时空网格化，并将未知车辆轨迹在上游边界和下游边界赋值(定点检测器数据获得未知车辆进入和离开研究区域的时间)。基于上述步骤建立了时空网络图。
第4步：根据已知的约束条件，通过公式(14)和(15)估计的车辆运行轨迹见图8，估计的车辆轨迹由黑色细虚线表示，相应的浮动车轨迹由黑色细实线表示。以行程时间的平均绝对误差评价算法的有效性，公式见(15)。通过实际数据验证，本例中行程时间的平均绝对误差为3.5s。
其中，MAEx表示平均绝对误差，n表示估计的轨迹数量，Tx(y)和tx(y) 分别指待估计轨迹的实际行程时间和估计的行程时间。
本发明针对当前拥堵状态下车辆运行轨迹难以精确估计以及目前基于抽样轨迹数据研究存在要求较高渗透率的应用局限，提出一种基于多源数据融合的干道车辆运行轨迹重构方法。该方法在拥堵状态和极低渗透率的场景下，具有鲁棒性强、准确性高等特点。
从而，本发明利用定点检测器数据、信号配时数据和浮动车数据相互融合得到车辆运行轨迹，本发明实施例所述的基于多源数据融合的干道车辆运行轨迹重构的方法，具有如下技术效果：
(1)本发明通过融合多种数据源，克服了单一数据自身的缺陷，使得轨迹重构的精度更高；
(2)本发明能够重构拥堵状态下的车辆运行轨迹；
(3)本发明实现了一定时间段内干道车辆运行轨迹的估计，准确再现一定时空范围内对象区间交通流特征和演化规律，可用于干道运行状态的评估诊断。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
Claims (6)
1.一种基于多源数据融合的干道车辆运行轨迹重构的方法，其特征在于，包括：
确定初始变分网络的基本参数，其中所述基本参数包括前向弧斜率、后向弧斜率、时间步长和空间步长；
基于所述初始变分网络的基本参数，获得初始变分网络；
基于所述初始变分网络，在信号配时参数、排队波边界曲线和浮动车轨迹的约束条件下，建立带有权值的变分网络；
根据最短路算法，计算所述带有权值的变分网络的各节点的累积车辆数；以及
连接具有相同累积车辆数的所述带有权值的变分网络的节点，重构车辆运行轨迹；
根据最短路径算法，计算所述带有权值的变分网络的各节点的累积车辆数的操作，包括以下步骤：
对于处于所述带有权值的变分网络中红灯线段上的节点，根据以下公式确定对应的累积车辆数：
N(i，j)＝min(N(i，j-1)，N(i-1，j)+kj·sstep)；以及
对于处于所述带有权值的变分网络中非红灯线段上的节点，根据以下公式确定对应的累积车辆数：N(i，j)＝min(N(i，j-1)，N(i-1，j-1)，N(i-1，j)+kj·sstep)
其中N(i,j)代表节点(i,j)的累积车辆数，N(i-1,j)代表节点(i-1,j)的累积车辆数，N(i,j-1)代表节点(i,j-1)的累积车辆数，N(i-1,j-1)代表节点(i-1,j-1)的累积车辆数，其中kj·sstep表示节点(i,j)处可能出现的累积车辆数的变化量。
2.根据权利要求1所述的方法，其特征在于，根据固定检测器数据确定基本参数的操作，包括以下步骤：
利用以下公式确定所述后向弧斜率和所述空间步长：
其中sstep为空间步长(ft)；u为前向弧斜率(ft/s)；w为后向弧斜率(ft/s)；tstep为时间步长(s)；qmax为最大流率(veh/h)；kj为交通流阻塞密度(veh/mile)。
3.根据权利要求2所述的方法，其特征在于，将所述时间步长为预定时间值；所述前向弧斜率为自由流车速；以及所述最大流率和所述交通流阻塞密度通过定点检测器数据获取。
4.根据权利要求3所述的方法，其特征在于，基于所述初始变分网络的基本参数，获得初始变分网络的操作，还包括：确定所述初始变分网络中第一列节点的初始累积车辆数；以及确定所述初始变分网络的上边界和下边界在各个时间点处的累积车辆数。
5.根据权利要求4所述的方法，其特征在于，信号配时参数、排队边界曲线和浮动车轨迹的约束条件的建立，包括如下步骤：
将所述浮动车轨迹进行时空网格化；
将信号控制系统的所述信号配时参数按照时间轴导入所述初始变分网络中；以及
根据所述浮动车轨迹确定所述排队边界波曲线。
6.根据权利要求5所述的方法，其特征在于，根据所述浮动车轨迹确定排队波边界曲线的操作，包括如下步骤：
将所述浮动车轨迹与所述信号配时参数匹配，并提取所述浮动车轨迹的关键点信息，进而确定所述浮动车轨迹的轨迹点对应的运动状态；
利用直线拟合确定排队消散波；以及
基于所述排队消散波、所述浮动车轨迹的关键点信息以及所述浮动车轨迹的轨迹点对应的运动状态，确定所述排队波边界曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810860947.8A CN109064741B (zh) | 2018-08-01 | 2018-08-01 | 基于多源数据融合的干道车辆运行轨迹重构的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810860947.8A CN109064741B (zh) | 2018-08-01 | 2018-08-01 | 基于多源数据融合的干道车辆运行轨迹重构的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109064741A CN109064741A (zh) | 2018-12-21 |
| CN109064741B true CN109064741B (zh) | 2020-08-25 |
Family
ID=64832305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810860947.8A Expired - Fee Related CN109064741B (zh) | 2018-08-01 | 2018-08-01 | 基于多源数据融合的干道车辆运行轨迹重构的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064741B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110415517B (zh) * | 2019-07-15 | 2020-12-01 | 中国地质大学（北京） | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 |
| CN110807923B (zh) * | 2019-10-31 | 2020-11-13 | 哈尔滨工业大学 | 人机混合驾驶环境下交叉口进口道车道功能重构方法 |
| 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 |
| 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 |
| CN113506440B (zh) * | 2021-09-08 | 2021-11-30 | 四川国蓝中天环境科技集团有限公司 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
| 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 |
| 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 |
| CN115331433B (zh) * | 2022-07-28 | 2023-09-29 | 东南大学 | 基于多源数据的城市主干道多车轨迹重构方法 |
| CN115879294B (zh) * | 2022-11-30 | 2024-04-26 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
| CN117334051B (zh) * | 2023-10-26 | 2024-05-10 | 江苏中路交通发展有限公司 | 一种高速路车辆轨迹重构方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6675074B2 (en) * | 2001-08-21 | 2004-01-06 | Robert Bosch Gmbh | Method and system for vehicle trajectory estimation |
| 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 |
| CN106530749A (zh) * | 2016-10-18 | 2017-03-22 | 同济大学 | 基于单截面低频检测数据的信控交叉口排队长度估计方法 |
| 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 |
| CN108053645A (zh) * | 2017-09-12 | 2018-05-18 | 同济大学 | 一种基于轨迹数据的信号交叉口周期流量估计方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10671939B2 (en) * | 2016-04-22 | 2020-06-02 | New York University | System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction |
| CN108335339B (zh) * | 2018-04-08 | 2021-10-22 | 朱高杰 | 一种基于深度学习和凸集投影的磁共振重建方法 |
-
2018
- 2018-08-01 CN CN201810860947.8A patent/CN109064741B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6675074B2 (en) * | 2001-08-21 | 2004-01-06 | Robert Bosch Gmbh | Method and system for vehicle trajectory estimation |
| 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 |
| CN106530749A (zh) * | 2016-10-18 | 2017-03-22 | 同济大学 | 基于单截面低频检测数据的信控交叉口排队长度估计方法 |
| 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 |
| CN108053645A (zh) * | 2017-09-12 | 2018-05-18 | 同济大学 | 一种基于轨迹数据的信号交叉口周期流量估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| Vehicle trajectory resconstruction for signalized intersection using mobile traffic sensors;Sun Z，Ban X;《Transportation Research Part C》;20131231;第268-283页 * |
| 基于定点检测数据的城市干道车辆轨迹重构;唐克双等;《同济大学学报（自然科学版）》;20161031;第44卷(第10期);第1545-1552页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109064741A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109064741B (zh) | 基于多源数据融合的干道车辆运行轨迹重构的方法 | |
| Zhan et al. | Lane-based real-time queue length estimation using license plate recognition data | |
| CN110969857B (zh) | 一种交通信息处理方法及装置 | |
| CN105513359B (zh) | 一种基于智能手机移动检测的城市快速路交通状态估计方法 | |
| US9972200B2 (en) | System and method for traffic signal timing estimation | |
| Hiribarren et al. | Real time traffic states estimation on arterials based on trajectory data | |
| Hao et al. | Vehicle index estimation for signalized intersections using sample travel times | |
| Hans et al. | Applying variational theory to travel time estimation on urban arterials | |
| Mazaré et al. | Trade-offs between inductive loops and GPS probe vehicles for travel time estimation: A Mobile Century case study | |
| Hofleitner et al. | Probability distributions of travel times on arterial networks: A traffic flow and horizontal queuing theory approach | |
| CN115311854A (zh) | 一种基于数据融合的车辆时空轨迹重构方法 | |
| KR102461362B1 (ko) | 강화학습 기반의 교통 예측을 통해 경로 안내 데이터를 생성하는 관제 서버 | |
| Roshan et al. | Adaptive traffic control with TinyML | |
| CN113380027A (zh) | 一种基于多源数据的交叉口交通状态参数估计方法及系统 | |
| CN105868870A (zh) | 一种基于数据融合的城市快速路旅行时间估计方法和装置 | |
| CN105096590A (zh) | 交通信息生成方法和交通信息生成设备 | |
| Anusha et al. | Data fusion based hybrid approach for the estimation of urban arterial travel time | |
| Tan et al. | Cumulative flow diagram estimation and prediction based on sampled vehicle trajectories at signalized intersections | |
| Anusha et al. | Dynamical systems approach for queue and delay estimation at signalized intersections under mixed traffic conditions | |
| Wei et al. | Turn-level network traffic bottleneck identification using vehicle trajectory data | |
| Rodriguez-Vega et al. | Dynamic density and flow reconstruction in large-scale urban networks using heterogeneous data sources | |
| Robinson | The development and application of an urban link travel time model using data derived from inductive loop detectors | |
| Montero et al. | Case study on cooperative car data for estimating traffic states in an urban network | |
| Lücken et al. | Density‐Based Statistical Clustering: Enabling Sidefire Ultrasonic Traffic Sensing in Smart Cities | |
| Claudel et al. | Guaranteed bounds on highway travel times using probe and fixed data |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200825 |