CN110070734B - 基于高斯混合模型的信号交叉口饱和车头时距估计方法 - Google Patents

Abstract

本发明提供一种基于高斯混合模型的信号交叉口饱和车头时距估计方法。主要解决的技术问题是：利用车辆号牌数据，基于高斯混合模型，提出一种完全数据驱动的信号交叉口饱和车头时距估计方法。根据采集的信号交叉口号牌数据，分车道提取车头时距，用高斯混合模型对车头时距进行分类，得到两种状态下车头时距的高斯分布模型。根据信号交叉口的实际情况，该模型可看成是饱和状态和非饱和状态下车头时距高斯分布的组合，则两种分布中均值较小的分布可看作是饱和车头时距的高斯分布，其均值即为饱和车头时距。

Description

基于高斯混合模型的信号交叉口饱和车头时距估计方法

技术领域

本发明涉及交通控制工程与机器学习应用领域，尤其涉及信号交叉口饱和车头时距估计方法和高斯混合聚类方法，具体来说，是涉及利用车辆号牌数据和信号灯配时方案信息，对信号交叉口的车头时距进行建模来估计饱和车头时距的一种方法。

背景技术

饱和车头时距是城市道路信号交叉口微观交通流运行分析中的一个关键参数，是信号交叉口合理信号配时、运行延误分析、通行能力研究、车辆折算系数研究等内容的关键基础。目前，针对饱和车头时距的估计，国内外研究学者主要采用的方法有：美国《道路通行能力手册》法、阈值法及数据驱动法。

美国《道路通行能力手册》将饱和车头时距定义为：排队状态下，机动车流通过信号交叉口时的车头时距的稳定值，即信号绿灯启亮后，排队位置在第4辆车以后的释放车辆的车头时距趋于常数，用车流里面排队位置在第4辆车及其以后释放车流的车头时距平均值来估计。这种方法需要确定经过信号交叉口的每辆车是否处于排队车辆，因此，易受调查的时间和天气，以及特殊车型的影响，普适性差。用3600秒除以饱和车头时距可计算饱和流率，针对饱和车头时距和饱和流率的估计，美国《道路通行能力手册》除了饱和车头时距定义法，还建立了标准条件下的饱和流率计算模型，即在基本饱和流率的基础上，考虑车道宽度修正系数、交通流中重型车修正系数、自行车修正系数等来计算实际的饱和流率，这种方法虽然考虑了道路及交通流的基础信息，但是没有考虑到交通流的动态运行特性。

阈值法是通过根据车头时距设置阈值将交通流划分为饱和状态和非饱和状态，再通过计算饱和状态车头时距的均值来估计饱和车头时距，但是这种方法存在阈值选取合理性的问题，而且不同车道需要定义不同的阈值。另外，分位数法也是一种常见的阈值法，它是用排队离开车头时距观测样本的中值来估计饱和车头时距，这种方法虽然考虑了车头时距散布(方差)的影响，但是无法反映信号交叉口实际的交通流运行特性。

数据驱动法主要是基于机器学习中模型来估计饱和车头时距。隐马尔科夫链模型法是用采集的交通流数据对隐马尔科夫链模型的参数进行训练，接着对隐含车头时距状态进行估计，得到连续的稳定车头时距序列，并对稳定车头时距序列进行求平均得到饱和车头时距。但是，这种方法在对模型的参数进行训练时需要手工识别车头时距的状态信息，方法操作复杂，工作量大。

发明内容

发明目的：本发明主要解决下述问题：

1、美国《道路通行能力手册》中饱和车头时距定义法易受调查的时间和天气，以及特殊车型的影响，普适性差。

2、美国《道路通行能力手册》中饱和流率模型法和分位数法无法反映信号交叉口实际的交通流运行特性。

3、阈值法存在阈值选取合理性的问题，而且不同车道需要定义不同的阈值。

4、隐马尔科夫链模型在对模型的参数进行训练时需要手工识别车头时距的状态信息，方法操作复杂，工作量大。

技术方案：为解决上述问题，本发明采用以下技术方案：

一种基于高斯混合模型的信号交叉口饱和车头时距估计方法，包括以下步骤：

S1：车头时距提取：利用每个电子警察设备在每个车道采集的所有过车记录，提取对应车头时距；

S2：信号周期划分：利用实时的信号配时方案，匹配每条过车记录对应的信号周期；

S3：高斯混合模型构建：去掉每个信号周期第一辆车与前一个信号周期最后一辆车的车头时距，提取各信号周期内部从第二辆车开始的所有离散车头时距作为观测数据，观测数据服从高斯混合分布；

S4：EM算法求解：根据EM算法，求解高斯混合模型参数，确定每个车头时距对应的类别；S5：饱和车头时距估计：选取车头时距均值较小的类别作为饱和状态，车头时距均值较大的类别为不饱和类别，则饱和状态对应的高斯分布均值为饱和车头时距。

进一步地，所述步骤S1的过程包括以下步骤：

S11、筛选某天某电子警察设备检测到的某车道的所有过车记录，将车辆车头端部经过该路口的时间a:b:c转换成距00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别为时、分、秒；

S12、将转换过的时间t按升序排序；

S13、用当前车辆经过的时间t减去前一辆车经过的时间t得到当前车辆的车头时距h，即h_i＝t_i-t_i-1，i＝2,3,4,…,n。

进一步地，所述步骤S2的过程包括以下步骤：

S21、根据该天该信号交叉口的实时配时方案，梳理在不同时间段所采用的配时方案，确定各信号相位在各信号周期对应的时间区间；

S22、将该车道与对应的信号相位匹配；

S23、确定该车道所有的过车记录位于该信号相位的第几个信号周期；

S24、确定各过车记录在该信号周期内作为第几辆车经过。

进一步地，所述步骤S3的过程包括以下步骤：

S31、提取各信号周期的除第一辆车以外的所有车辆的车头时距h₁，h₂，…，h_N；

S32、假设车头时距h₁，h₂，…，h_N服从高斯混合分布，

其中，θ＝(β₁，β₂，…，β_k；θ₁，θ₂，…，θ_k)；α_k是系数，表示选择第k个高斯分布的概率，β_k≥0，

是高斯分布密度，

表示第k个高斯分布的参数，

称为第k个高斯分布模型。

进一步地，所述步骤S4的过程包括以下步骤：

S41、取参数的初始值开始迭代；混合比例初值α_k是均匀狄利克雷分布中的随机变量；均值初值μ_k是由正态分布随机生成，中心由观测数据决定；标准差初值σ_k是随机指数分布值的向量平方根的倒数，指数分布的参数是根据数据分箱技术确定；

S42、E步：依据当前模型参数，计算分模型k对观测数据y_j的响应度：

其中，

是在当前模型参数下第j个观测数据来自第k个分模型的概率，称为分模型k对观测数据y_j的响应度；

S43、M步：计算新一轮迭代的模型参数：

其中，

是新一轮迭代的第k个分模型的均值；

是新一轮迭代的第k个分模型的方差；

是新一轮迭代的第k个分模型在混合模型中所占的比例，

S44、重复E步和M步，直到收敛。

有益效果：相比于其他现有技术，本发明的优点在于：

1、不需要调查车辆经过信号交叉口时是否停车，因此该方法不受调查的时间和天气影响；

2、属于数据驱动的方法，方法操作简单，精度高，普适性强；

3、在实际应用中，适用于不同场景，例如可以分别估计工作日与节假日、天气情况良好与恶劣等场景下的饱和状态车头时距，实用性强。

附图说明

图1为本发明高斯混合模型分布图；

图2为本发明的技术流程图。

具体实施方式

下面结合附图1和附图2对具体实施方式进一步阐述。

一种基于高斯混合模型的信号交叉口饱和车头时距估计方法，包括以下步骤：

S1：车头时距提取：利用每个电子警察设备在每个车道采集的所有过车记录，提取对应车头时距；

具体包括以下步骤：

S11、筛选某天某电子警察设备检测到的某车道的所有过车记录，将车辆车头端部经过该路口的时间a:b:c转换成距00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别为时、分、秒；

S12、将转换过的时间t按升序排序；

S13、用当前车辆经过的时间t减去前一辆车经过的时间t得到当前车辆的车头时距h，即h_i＝t_i-t_i-1，i＝2,3,4,…,n。

S2：信号周期划分：利用实时的信号配时方案，匹配每条过车记录对应的信号周期；

具体包括以下步骤：

S21、根据该天该信号交叉口的实时配时方案，梳理在不同时间段所采用的配时方案，确定各信号相位在各信号周期对应的时间区间；

S22、将该车道与对应的信号相位匹配；

S23、确定该车道所有的过车记录位于该信号相位的第几个信号周期；

S24、确定各过车记录在该信号周期内作为第几辆车经过。

S3：高斯混合模型构建：去掉每个信号周期第一辆车与前一个信号周期最后一辆车的车头时距，提取各信号周期内部从第二辆车开始的所有离散车头时距作为观测数据，观测数据服从高斯混合分布；

具体包括以下步骤：

S31、提取各信号周期的除第一辆车以外的所有车辆的车头时距h₁，h₂，…，h_N；

S32、假设车头时距h₁，h₂，…，h_N服从高斯混合分布，

其中，θ＝(β₁，β₂，…，β_k；θ₁，θ₂，…，θ_k)；β_k是系数，表示选择第k个高斯分布的概率，β_k≥0，

是高斯分布密度，

表示第k个高斯分布的参数，

称为第k个高斯分布模型。

S4：EM算法求解：根据EM算法，求解高斯混合模型参数，确定每个车头时距对应的类别；

具体包括以下步骤：

S41、取参数的初始值开始迭代；混合比例初值α_k是均匀狄利克雷分布中的随机变量；均值初值μ_k是由正态分布随机生成，中心由观测数据决定；标准差初值σ_k是随机指数分布值的向量平方根的倒数，指数分布的参数是根据数据分箱技术确定；

S42、E步：依据当前模型参数，计算分模型k对观测数据y_j的响应度：

其中，

是在当前模型参数下第j个观测数据来自第k个分模型的概率，称为分模型k对观测数据y_j的响应度；

S43、M步：计算新一轮迭代的模型参数：

其中，

是新一轮迭代的第k个分模型的均值；

是新一轮迭代的第k个分模型的方差；

是新一轮迭代的第k个分模型在混合模型中所占的比例，

S44重复E步和M步，直到收敛。

S5：饱和车头时距估计：选取车头时距均值较小的类别作为饱和状态，车头时距均值较大的类别为不饱和类别，则饱和状态对应的高斯分布均值为饱和车头时距。

实施例

采取2019年1月5日，江苏省昆山市黑龙江路与前进路的交叉口作为案例，所选信号交叉口的静态信息如表1所示，电子警察设备ID为14；信号交叉口名称为黑龙江路/前进；进口道方向编号为3，即东进口方向；车道位置编号为1；车道类型编号为1，即左转车道。各信号配时方案如表2所示，该信号交叉口全天共有7套信号配时方案，有3个信号相位，分别为：东西方向的直行和右转共用相位，东西方向的左转相位，南北方向的左转、直行和右转共用相位。

表1信号交叉口静态信息表

FACILITY_ID	Int_Name	Direction	LANE	Lane_Type
					14	黑龙江路/前进路	3	1	1

表2信号交叉口信号配时方案表

假设各信号周期内的车头时距由两个高斯模型组成，一类表示饱和状态的车头时距，另一类表示非饱和状态的车头时距。用EM算法求得高斯混合模型的参数，如表3所示，根据交通含义，饱和状态时，信号交叉口进口道交通量大，相邻车辆间车头时距小，因此，均值小的类别代表饱和车头时距，均值大的类别代表非饱和车头时距。高斯混合模型分布图，如图1所示，窄而高的高斯分布对应均值小，代表饱和车头时距的高斯分布，宽而矮的高斯分布代表非饱和车头时距的高斯分布。

表3高斯混合模型参数表

为了验证基于高斯混合模型估计信号交叉口饱和车头时距方法的稳定性，采用2019年1月5日至2019年1月12日，江苏省昆山市黑龙江路与前进路的交叉口东进口方向电子警察设备采集的左转车道所有过车记录，利用高斯混合模型分别估计该车道每天的饱和车头时距，并从统计的角度，分别分析周末和工作日各天结果之间的均值和方差，如表4所示。

表4饱和车头时距对比表

2019年1月5日、2019年1月6日、2019年1月12日为周末，2019年1月7日至2019年1月11日为工作日，通过比较发现，周末的饱和状态车头时距均值略大于工作日的饱和状态车头时距均值，说明周末的交通量略小于工作日的交通量，因此，工作日的饱和状态车头时距均值更接近饱和车头时距。而且，无论是周末各天获得的结果之间相比较，还是工作日各天获得的结果之间相比较，方差都很小，说明基于高斯混合模型的信号交叉口饱和车头时距估计方法稳定性好。

Claims (4)

1.一种基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：包括以下步骤：

S1：车头时距提取：利用每个电子警察设备在每个车道采集的所有过车记录，提取对应车头时距；

S2：信号周期划分：利用实时的信号配时方案，匹配每条过车记录对应的信号周期；

S3：高斯混合模型构建：去掉每个信号周期第一辆车与前一个信号周期最后一辆车的车头时距，提取各信号周期内部从第二辆车开始的所有离散车头时距作为观测数据，观测数据服从高斯混合分布；

S4：EM算法求解：根据EM算法，求解高斯混合模型参数，确定每个车头时距对应的类别；

S5：饱和车头时距估计：选取车头时距均值较小的类别作为饱和状态，车头时距均值较大的类别为不饱和类别，则饱和状态对应的高斯分布均值为饱和车头时距；

所述步骤S4的过程包括以下步骤：

S41、取参数的初始值开始迭代；混合比例初值α_k是均匀狄利克雷分布中的随机变量；均值初值μ_k是由正态分布随机生成，中心由观测数据决定；标准差初值σ_k是随机指数分布值的向量平方根的倒数，指数分布的参数是根据数据分箱技术确定；

S42、E步：依据当前模型参数，计算分模型k对观测数据y_j的响应度：

其中，

是在当前模型参数下第j个观测数据来自第k个分模型的概率，称为分模型k对观测数据y_j的响应度；

是高斯分布密度，

表示第k个高斯分布的参数；

S43、M步：计算新一轮迭代的模型参数：

其中，

是新一轮迭代的第k个分模型的均值；

是新一轮迭代的第k个分模型的方差；

是新一轮迭代的第k个分模型在混合模型中所占的比例，

S44重复E步和M步，直到收敛。

2.根据权利要求1所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S1的过程包括以下步骤：

S11、筛选某天某电子警察设备检测到的某车道的所有过车记录，将车辆车头端部经过信号交叉口的时间a:b:c转换成距00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别为时、分、秒；

S12、将转换过的时间t按升序排序；

S13、用当前车辆经过的时间t减去前一辆车经过的时间t得到当前车辆的车头时距h，即h_i＝t_i-t_i-1，i＝2,3,4,…,n。

3.根据权利要求2所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S2的过程包括以下步骤：

S21、根据该天该信号交叉口的实时配时方案，梳理在不同时间段所采用的配时方案，确定各信号相位在各信号周期对应的时间区间；

S22、将该车道与对应的信号相位匹配；

S23、确定该车道所有的过车记录位于该信号相位的第几个信号周期；

S24、确定各过车记录在该信号周期内作为第几辆车经过。

4.根据权利要求1所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S3的过程包括以下步骤：

S31、提取各信号周期的除第一辆车以外的所有车辆的车头时距h₁，h₂，…，h_n；

S32、假设车头时距h₁，h₂，…，h_n服从高斯混合分布，

其中，θ＝(β₁，β₂，…，β_k；θ₁，θ₂，…，θ_k)；β_k是系数，表示选择第k个高斯分布的概率，β_k≥0，

是高斯分布密度，

表示第k个高斯分布的参数，

称为第k个高斯分布模型。

Images