CN109272756A - 一种信控交叉口排队长度估计方法 - Google Patents

Abstract

本发明涉及一种信控交叉口排队长度估计方法，包括以下步骤：1)获取电警数据与浮动车轨迹数据并预处理得到对应的数据矩阵，并根据电警数据与浮动车轨迹数据的时刻匹配确定浮动车在当前车道排队序列编号；2)获取车辆消散车头时距与停车线通过时刻密度分布；3交叉口车道级排队长度估计：采用概率统计方法，融合电警数据与车辆轨迹数据，估计车道级排队长度并进行修正。与现有技术相比，本发明具有算法鲁棒性好、算法精度高、应用范围广等优点。

Description

一种信控交叉口排队长度估计方法

技术领域

本发明涉及交通控制领域，尤其是涉及一种信控交叉口排队长度估计方法。

背景技术

信号交叉口作为城市路网的重要组成部分，由于红绿灯的周期性交通，时常会发生交通拥堵，很大程度上制约了程度道路交通系统的整体运行效率。而排队长度作为评价交叉口运行的一个重要指标，一方面，可以用于间接估计车辆延误、停车次数以及形成时间等指标，另一方面可以直接用于信号配时优化。因此，精确地估计信号交叉口排队长度参数对于交叉口运行评估与信号控制优化具有重要作用。

目前，信控交叉口排队长度估计数据源主要有传统的定点检测器(定点线圈、地磁、微波雷达等)、车辆运行轨迹数据(出租车、网约车、地图导航、手机信令)以及新型的电警卡口数据。在我国，传统定点检测器数据通常存在上传频率低(1/60s)、损坏率高、维护成本高的问题，限制了其在排队长度估计方面的应用。近年来，随着网联车以及智能移动检测技术的发展，使得连续、实时的车辆运行轨迹获取成为可能。相较于传统的定点检测器数据，车辆运行轨迹可以提供连续的车辆运动、位置信息，并且覆盖范围广，无需额外安装采集设备，获取成本低，近年来，得到广大学者的关注与使用。但是，现有大多数方法都基于一些假定条件，例如假定已知到达模式或者高采样率，且大多数模型在稀疏轨迹条件下将不稳定或者失效。近几年来，随着交通管控以及安防的需要，电警卡口系统在国内得到了大范围的安装与应用，例如。上海已经拥有超过3500套电警卡口设备，北京拥有超过1958套电警卡口设备，随着未来智能交通系统的建设发展，该数字未来将会逐渐升高。电警卡口系统通常安装在信控交叉口，用于抓拍驾驶员的闯红灯等违章行为，可以记录每一辆通过检测区域的车辆号牌、通过时刻、车辆类型等信息。电警卡口系统具有全天候工作、捕获率高、覆盖范围广等特点，能够精确地提供交叉口流量、车头时距信息，其独有的优势近年来逐渐得到学术界的关注。

可见，电警卡口系统提供的精确断面信息与车辆轨迹数据提供的连续运动信息可以在时间和空间上进行相互补充。因此通过融合电警数据与车辆轨迹数据估计信控交叉口排队长度对于补充现有研究具有重要的理论意义与实际应用价值。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种信控交叉口排队长度估计方法。

本发明的目的可以通过以下技术方案来实现：

一种信控交叉口排队长度估计方法，包括以下步骤：

1)获取电警数据与浮动车轨迹数据并预处理得到对应的数据矩阵，并根据电警数据与浮动车轨迹数据的时刻匹配确定浮动车在当前车道排队序列编号；

2)获取车辆消散车头时距与停车线通过时刻密度分布；

3)交叉口车道级排队长度估计：采用概率统计方法，融合电警数据与车辆轨迹数据，估计车道级排队长度并进行修正。

所述的步骤1)中，电警数据与轨迹数据对应的数据矩阵的表达式为：

LD＝{(t₁,h₁),(t₂,h₂),...,(t_i,h_i),..,(t_n,h_n)}

PD＝{(S₁,T₁),(S₂,T₂),...,(S_j,T_j),...,(S_N,T_N)}

其中，LD为电警数据矩阵，PD为轨迹数据矩阵，t_i(0≤i≤n)为第i辆车通过停车线时刻，h_i为第i辆车与第i-1辆车通过停车线时的车头时距，n为当前周期内电警系统检测到的车辆数，N为当前周期可以获取的浮动车辆数目，S_j为第j辆浮动车的排队状态，S_j＝1表示第j辆浮动车在该周期内排队，S_j＝0表示车辆在该周期内非排队，T_j表示第j辆浮动车通过停车线的时刻。

所述的步骤1)中，为确定浮动车在当前车道排队序列编号，将与浮动车辆通过停车线时刻最接近的电警数据序列编号作为该浮动车的序列编号，具体为：

其中，I_ps与T_ps分别表示第s辆浮动车的序列编号与通过停车线的时刻，t_r与t_r+1分别为该浮动车辆通过停车线时间前后的电警检测时间。

在一个周期中，排队浮动车之前通过的所有车辆视作排队车辆，非排队浮动车之后通过的车辆视作非排队车辆，所述的步骤2)具体包括以下步骤：

21)获取排队车辆消散车头时距与停车线通过时刻二维密度分布，具体为：

其中，f(h,t)为排队车辆车头时距与停车线通过时刻的二维核密度函数，h与t为f(h,t)的两个参数，分别代表车头时距与停车线通过时刻，N_q为历史电警数据中排队车辆的个数，K为核函数，具体为高斯核函数，H₁与H₂分别为车头时距维度与停车线通过时刻维度的平滑参数；

22)获取非排队车辆消散车头时距与停车线通过时刻二维密度分布，具体为：

其中，g(h,t)为非排队车辆车头时距与停车线通过时刻的二维核密度函数，h与t为g(h,t)的两个参数，分别代表车头时距与停车线通过时刻，N_q为历史电警数据中非排队车辆的个数，H₁'与H₂'分别表示车头时距维度与停车线通过时刻维度的平滑参数。

所述的步骤3)具体包括以下步骤：

31)计算先验概率，则有：

p(y_i＝0)＝1-p

其中，p(y_i＝1)为排队先验概率，p(y_i＝0)为非排队先验概率；

32)基于贝叶斯理论，计算车辆属于排队车辆的概率并归一化处理，则有：

其中，p(y_i＝1|h_i,t_i)为车辆属于排队车辆的概率，p(y_i＝0|h_i,t_i)为车辆属于非排队车辆的概率；

33)计算排队长度：在非饱和条件下，对于周期内的所有通过车辆，将排队车辆与非排队车辆作为两个不同的簇，排队车辆在前半段绿灯时间内通过，非排队车辆在后半段绿灯时间内通过，将最大排队长度估计问题转化为周期内所有车辆通过时间序列的最优分割点问题，采用概率最大化模型进行求解获取排队车辆序列与非排队车辆序列最优分割点。

所述的步骤33)中，采用概率最大化模型进行求解获取排队车辆序列与非排队车辆序列最优分割点的计算式为：

其中，为估计的最大可能排队长度，m为当前周期可能的排队长度值。

所述的步骤33)中，采用浮动车的排队位置修正估计的最大可能排队长度对于周期内浮动车轨迹数据与电警数据的4种组合方式分别有：

(1)只有电警数据：

(2)电警数据与排队浮动车轨迹数据：

其中，n_ql为排队长度下限值，T_q为最后一辆排队浮动车通过停车线时刻；

(3)电警数据与非排队浮动车轨迹数据：

其中，n_qu为排队长度上限值，为第一辆非排队浮动车通过停车线时刻；

(4)电警数据、排队浮动车轨迹数据与非排队浮动车轨迹数据：

与现有技术相比，本发明具有以下优点：

一、算法鲁棒性好：本发明考虑历史的轨迹信息与电警卡口数据，获取排队长度的先验概率分布，因此，及时在某个周期没有获取到车辆轨迹数据，该方法依然可以给出一个较为可靠的排队长度估计值。

二、算法精度高：考虑周期内电警数据与轨迹数据4种不同的组合方式，分别将最后一辆非排队轨迹数据与第一辆非排队轨迹数据作为待估计排队长度的下限与上限，对估计的排队长度进行修正，提高模型估计精度。通过验证分析，该方法对于排队长度估计精度在2-3辆/周期，可以满足交叉口运行评估及信号配时优化。

三、应用范围广：本发明在轨迹数据低采样率或者高采样率条件下均可以应用，并且随着轨迹数据采样率的提高，算法的精确度越高，另外，随着检测技术的发展，其他检测器数据，例如，信号控制机中的高精度事件记录数据、地磁脉冲数据等，也可以应用于该方法。

附图说明

图1为本发明中电警数据与轨迹数据匹配示意图。

图2为第一种电警数据与浮动车轨迹数据组合图。

图3为第二种电警数据与浮动车轨迹数据组合图。

图4为第三种电警数据与浮动车轨迹数据组合图。

图5为第四种电警数据与浮动车轨迹数据组合图。

图6为仿真场景图，其中，图(6a)为仿真模型示意图，图(6b)为实际几何结构示意图。

图7为本发明的方法流程框图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图7所示，本发明提供一种基于电警数据与轨迹数据融合的交叉口排队长度估计方法，通过融合电警数据与轨迹数据估计信控交叉口排队长度，包括以下步骤：

1)获取电警数据与轨迹数据，并预处理成数据矩阵，匹配电警数据与轨迹数据。

如图1所示，将获取的电警数据与轨迹分别预处理为数据矩阵LD与PD，

LD＝{(t₁,h₁),(t₂,h₂),...,(t_i,h_i),..,(t_n,h_n)}

PD＝{(S₁,T₁),(S₂,T₂),...,(S_j,T_j),...,(S_N,T_N)}

其中，t_i(0≤i≤n)为第i辆车通过停车线时刻，h_i为第i辆车与第i-1辆车通过停车线时的车头时距，n为当前周期内电警系统检测到的车辆数。N表示当前周期可以获取的浮动车辆数目。S_j为第j辆浮动车的排队状态，S_j＝1表示第j辆浮动车在该周期内排队，S_j＝0表示车辆在该周期内非排队。T_j表示第j辆浮动车通过停车线时刻。

然后通过对比浮动车通过停车线的时刻与电警系统检测到的车辆通过停车线时刻匹配电警数据与浮动车轨迹数据。受到GPS定位精度影响，浮动车通过停车线的时刻与电警系统检测到该车辆的时刻可能有误差，因此二者的时刻很难精确匹配。为确定浮动车在当前车道排队序列编号，本发明中通过寻找与浮动车辆通过停车线时刻最接近的电警数据序列编号作为该浮动车的序列编号：

其中，I_ps与T_ps分别表示第s辆浮动车的序列编号与通过停车线的时刻，t_r与t_r+1分别为该浮动车辆通过停车线时间前后的电警检测时间。

2)获取车辆消散车头时距与停车线通过时刻密度分布。通过分析历史轨迹数据与电警数据，对排队车辆与非排队车辆的消散车头时距以及停车线通过时刻分析，统计两个变量的二位分布。

获取车辆消散车头时距与停车线通过时刻密度分布。通过分析历史电警数据与轨迹数据，本发明认为，在一个周期中，排队浮动车之前通过的所有车辆为排队车辆，非排队浮动车之后通过的车辆为非排队车辆。因此步骤2主要包括以下几个分步骤：

Step1：排队车辆消散车头时距与停车线通过时刻二维密度分布获取

统计排队车辆的消散车头时距与停车线通过时刻参数，通过二维核密度分析方法计算两个参数的二维分布。

其中，f(h,t)为排队车辆车头时距与停车线通过时刻的的二维核密度函数，h与t为该函数的两个参数，分别代表车头时距与停车线通过时刻。N_q为历史电警数据中排队车辆的个数，K为核函数(本发明中选择高斯核函数)，H₁与H₂分别表示车头时距维度与停车线通过时刻维度的平滑参数。

Step2：非排队车辆消散车头时距与停车线通过时刻二维密度分布获取

统计非排队车辆的消散车头时距与停车线通过时刻参数，通过二维核密度分析方法计算两个参数的二维分布。

其中，g(h,t)为非排队车辆车头时距与停车线通过时刻的的二维核密度函数，h与t为该函数的两个参数，分别代表车头时距与停车线通过时刻，N_q为历史电警数据中非排队车辆的个数，K为核函数(本发明中选择高斯核函数)，H₁'与H₂'分别表示车头时距维度与停车线通过时刻维度的平滑参数。

3)交叉口车道级排队长度估计。基于概率统计的方法，融合电警数据与车辆轨迹数据，估计车道级排队长度。

Step1：排队(非排队)先验概率获取

排队(非排队)先验概率反映了交叉口该方向的平均运行状态，该值与信号控制方案与交通需求水平有密切关系，在一个TOD下，排队(非排队)先验概率表示历史数据中排队(非排队)车辆数占总车辆数的比例，具体计算如下：

p(y_i＝0)＝1-p

p(y_i＝1)与p(y_i＝0)分别表示排队先验概率与非排队先验概率。

Step2：排队概率与非排队概率计算

在一个周期，给定任意一辆车的停车线通过时刻t_i与消散车头时距h_i，基于贝叶斯理论，计算该车辆属于排队车辆与非排队车辆概率如下：

由于排队概率与非排队概率是由不同核函数计算，两者的和通常不为1，因此通过归一化处理后，排队与非排队概率计算如下：

Step3：排队长度计算

在非饱和条件下，对于周期内的所有通过车辆，可以认为排队车辆与非排队车辆为两个不同的簇。排队车辆主要集中在前半段绿灯时间内通过，非排队车辆主要集中在后半段绿灯时间内通过，因此，最大排队长度估计问题可以转化为周期内所有车辆通过时间序列的最优分割点问题。因此，本发明提出一种概率最大化模型寻找排队车辆序列与非排队车辆序列最优分割点，公式如下：

其中，表示为估计的最大可能排队长度。m为当前周期可能的排队长度值。

除此之外，浮动车的运动状态也可以为排队长度估计提供非常有价值的信息。例如，周期内最后一辆排队浮动车停车位置为当前周期排队长度下限，周期内第一辆非排队车辆停车位置为当前周期排队长度上限。因此，本发明中使用浮动车辆的排队位置来修正上述排队长度估计值。针对周期内浮动车轨迹数据与电警数据的4种组合方式：

情况1:只有电警数据

如图2所示，该种情况下，周期内只有电警数据，排队长度计算公式如下：

情况2：电警数据与排队浮动车轨迹数据

如图3所示，该种情况下，最后一辆排队浮动车辆为排队长度提供估计下限值。因此，通过如下公式计算排队长度，

其中，n_ql为排队长度下限值，计算公式如下：

式中，T_q为最后一辆排队浮动车通过停车线时刻，t_r与t_r+1分别为该浮动车辆通过停车线时间前后的电警检测时间；

情况3：电警数据与非排队浮动车轨迹数据

如图4所示，该种情况下，第一辆非浮动车轨迹数据为排队长度提供估计上限值。因此，排队长度计算公式如下：

式中，n_qu为排队长度上限，计算公式如下：

式中，T_q为第一辆非排队浮动车通过停车线时刻，t_r与t_r+1分别为该浮动车辆通过停车线时间前后的电警检测时间；

情况4：电警数据、排队浮动车轨迹数据与非排队浮动车轨迹数据

如图5所示，该种情况实际为情况3与情况4的组合，最后一辆排队浮动车与第一辆非排队浮动车分别为排队长度估计值提供下限值与上限值。因此，排队长度计算公式如下：

4)运用VISSIM建立信控交叉口仿真模型，对排队长度估计方法进行验证。

实施例：

本发明运用VISSIM建立排队长度估计模型对干道协调控制方法进行验证，基于青岛市福州南路与香港中路交叉口搭建微观仿真模型，如图6所示，选取北进口道为研究对象，该进口道包含2个左转车道，2个直行车道，一个直行右转共用车道。本实证主要针对两个直行车道排队长度。通过设置在停车线处的数据采集点模拟现实中的电警设备，记录车辆的通过时刻数据。并且，通过记录每辆车的运行时空数据，随机提取一定比例车辆，模拟现实中的浮动车轨迹数据。为分析模型在不同采样率条件下的敏感性，采样率设置如下：3％，5％，7％，9％，10％-50％(间隔为5％)。仿真时长共计8500s，包含45个周期(周期时长为175s)。最后，运行VISSIM仿真文件，通过对比真实排队长度与模型计算排队长度，对该发明的估计精度进行评估。

由仿真验证结果可知，随着浮动车的采样率增大，模型的误差越低，排队长度估计误差低于2.2辆/周期，估计精度较好，可以应用于交叉口交通状态评估与信号控制优化。

Claims (7)

1.一种信控交叉口排队长度估计方法，其特征在于，包括以下步骤：

1)获取电警数据与浮动车轨迹数据并预处理得到对应的数据矩阵，并根据电警数据与浮动车轨迹数据的时刻匹配确定浮动车在当前车道排队序列编号；

2)获取车辆消散车头时距与停车线通过时刻密度分布；

3)交叉口车道级排队长度估计：采用概率统计方法，融合电警数据与车辆轨迹数据，估计车道级排队长度并进行修正。

2.根据权利要求1所述的一种信控交叉口排队长度估计方法，其特征在于，所述的步骤1)中，电警数据与轨迹数据对应的数据矩阵的表达式为：

LD＝{(t₁,h₁),(t₂,h₂),...,(t_i,h_i),..,(t_n,h_n)}

PD＝{(S₁,T₁),(S₂,T₂),...,(S_j,T_j),...,(S_N,T_N)}

其中，LD为电警数据矩阵，PD为轨迹数据矩阵，t_i(0≤i≤n)为第i辆车通过停车线时刻，h_i为第i辆车与第i-1辆车通过停车线时的车头时距，n为当前周期内电警系统检测到的车辆数，N为当前周期可以获取的浮动车辆数目，S_j为第j辆浮动车的排队状态，S_j＝1表示第j辆浮动车在该周期内排队，S_j＝0表示车辆在该周期内非排队，T_j表示第j辆浮动车通过停车线的时刻。

3.根据权利要求2所述的一种信控交叉口排队长度估计方法，其特征在于，所述的步骤1)中，为确定浮动车在当前车道排队序列编号，将与浮动车辆通过停车线时刻最接近的电警数据序列编号作为该浮动车的序列编号，具体为：

其中，I_ps与T_ps分别表示第s辆浮动车的序列编号与通过停车线的时刻，t_r与t_r+1分别为该浮动车辆通过停车线时间前后的电警检测时间。

4.根据权利要求2所述的一种信控交叉口排队长度估计方法，其特征在于，在一个周期中，排队浮动车之前通过的所有车辆视作排队车辆，非排队浮动车之后通过的车辆视作非排队车辆，所述的步骤2)具体包括以下步骤：

21)获取排队车辆消散车头时距与停车线通过时刻二维密度分布，具体为：

其中，f(h,t)为排队车辆车头时距与停车线通过时刻的二维核密度函数，h与t为f(h,t)的两个参数，分别代表车头时距与停车线通过时刻，N_q为历史电警数据中排队车辆的个数，K为核函数，H₁与H₂分别为车头时距维度与停车线通过时刻维度的平滑参数；

22)获取非排队车辆消散车头时距与停车线通过时刻二维密度分布，具体为：

其中，g(h,t)为非排队车辆车头时距与停车线通过时刻的二维核密度函数，h与t为g(h,t)的两个参数，分别代表车头时距与停车线通过时刻，为历史电警数据中非排队车辆的个数，H₁'与H₂'分别表示车头时距维度与停车线通过时刻维度的平滑参数。

5.根据权利要求4所述的一种信控交叉口排队长度估计方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)计算先验概率，则有：

p(y_i＝0)＝1-p

其中，p(y_i＝1)为排队先验概率，p(y_i＝0)为非排队先验概率；

32)基于贝叶斯理论，计算车辆属于排队车辆的概率并归一化处理，则有：

p(y_i＝0|h_i,t_i)＝1-p(y_i＝1|h_i,t_i)

其中，p(y_i＝1|h_i,t_i)为车辆属于排队车辆的概率，p(y_i＝0|h_i,t_i)为车辆属于非排队车辆的概率；

33)计算排队长度：在非饱和条件下，对于周期内的所有通过车辆，将排队车辆与非排队车辆作为两个不同的簇，排队车辆在前半段绿灯时间内通过，非排队车辆在后半段绿灯时间内通过，将最大排队长度估计问题转化为周期内所有车辆通过时间序列的最优分割点问题，采用概率最大化模型进行求解获取排队车辆序列与非排队车辆序列最优分割点。

6.根据权利要求5所述的一种信控交叉口排队长度估计方法，其特征在于，所述的步骤33)中，采用概率最大化模型进行求解获取排队车辆序列与非排队车辆序列最优分割点的计算式为：

其中，为估计的最大可能排队长度，m为当前周期可能的排队长度值。

7.根据权利要求5所述的一种信控交叉口排队长度估计方法，其特征在于，所述的步骤33)中，采用浮动车的排队位置修正估计的最大可能排队长度对于周期内浮动车轨迹数据与电警数据的4种组合方式分别有：

(1)只有电警数据：

(2)电警数据与排队浮动车轨迹数据：

其中，n_ql为排队长度下限值，T_q为最后一辆排队浮动车通过停车线时刻；

(3)电警数据与非排队浮动车轨迹数据：

其中，n_qu为排队长度上限值，为第一辆非排队浮动车通过停车线时刻；

(4)电警数据、排队浮动车轨迹数据与非排队浮动车轨迹数据：