CN110379184A - 交叉口信号控制时段划分方法 - Google Patents

Abstract

本发明提供了一种交叉口信号控制时段划分方法，包括：获取交叉口一天的交通流数据；将所述交通流数据转换为交通流向量，并获取各个相邻交通流向量之间的距离；基于大数据的CUSUM时间序列分割算法，将一天的时间段划分为初始时间分段；按照预设的方式对所述初始时间分段进行合并处理，得到合并后的时间分段；根据各个相邻交通流向量之间的距离，采用聚类算法对合并后的时间分段进行分类处理，得到分类后的目标时间分段；根据所述目标时间分段，确定各个分段的信号控制策略。本发明对交通信息采集的依赖程度很低，并且可靠性好；能够显著提高交通通行能力，有效降低交通延误。

Description

交叉口信号控制时段划分方法

技术领域

本发明涉及交通信号控制技术领域，具体地，涉及交叉口信号控制时段划分方法。

背景技术

随着智能交通系统(ITS)的飞速发展，城市交通的管理也越来越精细化、数字化。城市道路的交叉口是城市交通精细化管理的关键，其中交叉口的信号控制是交通管理中最为有效的手段。多时段信号控制是把一天分为多个时间段，用不同的控制方案来控制信号路口。其中时段划分是多时段信号控制的关键技术。

目前国内外关于多时段控制时段划分方法大致分为三大类：(1)人工经验划分，即根据交通工程技术人员采集到的交叉口交通流量，绘制流量时间曲线图，然后根据曲线的特征人工划分交通时段；(2)单因素划分，其主要依靠交叉口总流量或周期等单个因素为时段划分的主要判断依据，通过单因素简单聚类分析将全天分为几个控制时段；(3)多因素划分，其主要依靠多个参照指标来综合判断不同时段划分的交通特征，通过多因素组合聚类分析将全天分为若干个控制时段。

人工划分方法主要依据工程技术人员的主观判断，其划分结果具有很大的主观性和片面性，对时段划分的合理性有很大影响，也难以满足现代城市交通的随机性和变化快的需求。单因素时段划分模型中对周期、绿信比等参数需要大量的计算且计算复杂，难以操作、交通控制管理最主要的就是观察交通稳定状态内部流量的瞬息变化，单因素划分在总流量稳定时，无法精准察觉两大冲突方向流量发生差异性的变化，无法对其进行更加精细化控制。而多因素时段划分方法，虽然克服了单因素提取对象单一的问题。但是过多的影响因素参与算法，不仅计算复杂，而且造成时段划分过于琐碎，严重影响控制效率。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种交叉口信号控制时段划分方法。

根据本发明提供的一种交叉口信号控制时段划分方法，包括：

获取交叉口一天的交通流数据；

将所述交通流数据转换为交通流向量，并获取各个相邻交通流向量之间的距离；

基于大数据的CUSUM时间序列分割算法，将一天的时间段划分为初始时间分段；

按照预设的方式对所述初始时间分段进行合并处理，得到合并后的时间分段；

根据各个相邻交通流向量之间的距离，采用聚类算法对合并后的时间分段进行分类处理，得到分类后的目标时间分段；

根据所述目标时间分段，确定各个分段的信号控制策略。

可选地，获取交叉口一天的交通流数据，包括：

根据预设的时间间隔采集交叉口的交通流数据，所述交通流数据包括：各个时间段内交叉口东、西、南、北四个进口方向的分流量；其中，交叉口东、西、南、北四个进口方向的分流量之和为对应时段的交通流总量。

可选地，将所述交通流数据转换为交通流向量，包括：

将各个时间段的交通流总量表示为包含交通总流量的大小、交通流方向，以及冲突点时间频度三个信息的三维向量。

可选地，各个相邻交通流向量之间的距离的计算公式如下：

其中，m_i表示基于三维坐标下第i个相邻三维向量之间的距离，H_i+1表示第i+1个时间段的交通流总量，H_i表示第i个时间段的交通流总量，θ_i+1表示第i+1个时间段的交通流方向，θ_i表示第i个时间段的交通流方向，S_(i+1)k表示第i+1个时间段的冲突点频度。

可选地，基于大数据的CUSUM时间序列分割算法，将一天的时间段划分为初始时间分段，包括：

利用递归与分治的策略，对分割后的每一个时间段基于分段点进行二分法处理，直到最后分割的时间段的长度小于最小分割长度阈值λ，得到多个非等分的初始时间分段。

可选地，按照预设的方式对所述初始时间分段进行合并处理，得到合并后的时间分段，包括：

若存在时间段的宽度小于或等于预设时间阈值，则将所时间段与相邻的时长较短的时间段合并，直到所有的时间段均大于预设时间阈值。

可选地，根据各个相邻交通流向量之间的距离，采用聚类算法对合并后的时间分段进行分类处理，得到分类后的目标时间分段，包括：

采用K中心点聚类算法对合并后的时间分段进行分类处理，得到分类后的目标时间分段。

与现有技术相比，本发明具有如下的有益效果：

本发明提供的交叉口信号控制时段划分方法，对交通信息采集的依赖程度很低，并且可靠性好；能够显著提高交通通行能力，有效降低交通延误。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的交叉口信号控制时段划分方法中的双阶优化过程的原理示意图；

图2为一阶变量定义图；

图3为一阶优化交通流总流量定义图；

图4为一阶优化交通流三维向量分布图；

图5为一阶优化相邻交通流三维向量间距分布图；

图6为二阶优化K中心点聚类算法仿真图；

图7为二阶优化面向“驼峰型”交叉口的时段划分方法与现有方法评价对比图；

图8为二阶优化面向“常峰型”交叉口的时段划分方法与现有方法评价对比图；

图9为二阶优化面向“多峰型”交叉口的时段划分方法与现有方法评价对比图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

随着交通大数据感知与深度挖掘分析的技术逐步成熟，数据驱动方法对传统模型构建及优化分析带来很多全新的思路。(1)赋予传统数据新的维度与属性。随着交通大数据感知技术的迅猛发展，交叉口周围越来越多的交通要素都可纳入大数据感知体系，数据种类越来越丰富。可通过对海量数据的处理与关联性精细化分析，赋予传统数据更多的属性，增加数据的维度。(2)模型构建的专有性。传统模型构建思路是基于经典理论模型调整与优化相关核心控制参数，来实现满足大多数交通特征条件下的分析模型。而大数据模型驱动是打破传统模型构建的束缚，从纯数据处理分析的角度拟合模型，并对模型适用性进行更加精细化的分析。构建的新模型有可能只是针对于某一种特定交通特征条件下的深度应用，这种模型并不适用于大多数情况，但是在某一特殊种条件下其发挥作用会非常显著。本发明基于上述数据驱动方法中的输入数据增维、模型适应性精细化分析两个方面对传统时段划分模型进行双阶优化。

本发明基于数据挖掘理论以及大数据应用技术对传统经典模型进行逐阶深度优化。一阶优化(模型输入数据深度优化)，首先利用数据驱动思想对传统交通流量数据增加维度，引入交叉口交通流三维向量，以向量的形式表示在某一交叉口某一段时间内的交通总流量的大小、方向及与冲突点的时间频度。二阶优化(模型适应性分析)，利用大数据K中心点聚类算法将不同交通流特征的交叉口进行分类，并分别对其每一种类型的交叉口进行模型适用性分析。最后，通过统一的评价标准对比分析并确定不同类型的交叉口的多时段控制时段划分优化方案，从而可以针对不同的交通时段采用不同的信号控制方案，交通信号机根据预定设置的时段划分方案自动进行控制方案的切换。多时段控制对交通信息采集的依赖程度很低，并且可靠性好。研究表明，与交通流高度匹配的多时段控制时段划分方案能显著提高交通通行能力，有效降低交通延误。

构建道路交叉口多时段控制时段划分双阶优化模型。一阶优化(模型输入数据深度优化)，利用数据驱动思想对传统交通流量数据增加维度，引入交叉口交通流三维向量，以向量的形式表示在某一交叉口某一段时间内的交通总流量的大小、方向及与冲突点的时间频度。二阶优化(模型适应性分析)，利用大数据K中心点聚类算法将不同交通流特征的交叉口进行分类，并分别对其每一种类型的交叉口进行模型适用性分析。

图1为本发明提供的交叉口信号控制时段划分方法中的双阶优化过程的原理示意图，如图1所示，可以包括一阶优化过程和二阶优化过程。

一阶优化过程：

基于大数据的CUSUM时间序列分割算法：将原始流量序列分割成具有明显物理意义的两个子序列，即后一部分流量和前一部分相比发生了转折性的变化。利用递归与分治的策略，对分割后的每一个子序列基于分段点进行二分法处理，直到最后分割的子序列的长度小于最小分割长度阈值λ即可终止迭代，从而得到一系列非等分的子序列。

图2为一阶变量定义图，图3为一阶优化交通流总流量定义图，图4为一阶优化交通流三维向量分布图，图5为一阶优化相邻交通流三维向量间距分布图。具体地，参见图1至图5。

首先根据交叉口交通流进出流量平衡原理，将交叉口总流量分为交叉口四个方向的进口交通流量，定义变量X_e，X_w，X_s，X_n分别表示交叉口东、西、南、北四个进口方向的分流量，其中X_e，X_w，X_s，X_n均为正值。数据每15min采集一次，故单交叉口全天交通流量数据为96条。

需要说明的是，本实施例不限定采集的时间间隔，本领域技术人员可以根据实际情况对采集周期进行调整。本实施例以采集间隔15min为例进行详细说明，其他时间间隔的实施方式相类似，不予赘述。

T_i表示第i个时间段，i＝1，2，3，…96；

表示该时间段T_i内的北进口交通流向量

表示该时间段T_i内的南进口交通流向量

表示该时间段T_i内的东进口交通流向量

表示该时间段T_i内的西进口交通流向量

交通流总量H_i表示该时间段T_i内四个进口方向的流量之和。

H_i＝X_ni+X_si+X_ei+X_wi

交通流总流向表示该时间段T_i内交叉口四个进口方向交通分流量最终拟合的总向量与原点右侧横坐标轴相交的交叉的角度θ_i。

东西向进口交通流量拟合向量计算(横坐标)表示该时间段T_i内东进口交通流向量-西进口交通流向量即

南北向进口交通流量拟合向量计算(纵坐标)表示该时间段T_i内北进口交通流向量-南进口交通流向量即

总向量表示该时间段T_i内交叉口四个进口方向交通分流量最终拟合的向量；

θ_i表示最终拟合的总向量与原点右侧横坐标轴相交的交叉的角度。

T_k表示第k个时间段为与下一个冲突点时间频度。

k＝2，3，4…95；

满足上述公式中的两种条件下的一种，那么判定T_k为冲突点时间。S_i-k表示该时间段T_i与下一个冲突点时间频度。

S_i-k＝k-i，i＜k

三维向量表示以三维向量的形式表示在某一交叉口某一段时间内的交通总流量的大小、方向、与冲突点的时间频度。三维向量包括三个要素，(1)时间段T_i内交通总流量大小H_i；(2)时间段T_i内交通流总流向θ_i；(3)与冲突点的时间频度S_i-k。

m_i表示基于三维坐标下第i个相邻三维向量之间的距离。因为所有三维向量的起点都是坐标轴原点，所以计算相邻向量间距离就是计算三维空间两个向量终点间距离。

上述公式中由于相邻两个向量间冲突点频度是固定值，无法准确描述交通流内部冲突点的分布情况，故这里取相邻向量中采集时间段相对靠后的向量距离冲突点时间频度的具体数值。相邻交通流三维向量之间的距离m_i不仅将传统模型中的交通流量数值大小考虑在内，还将交通流总流量的方向性以及内部冲突点的分布情况也充分囊括。

进一步地，依次推算得出全天96个三维向量，也就是95个相邻三维向量之间的距离m_i，并计算全天相邻交通流三维向量之间的距离的平均值，计算公式如下：

其中，m_i表示第i个相邻交通流和向量之间的距离，表示全天相邻交通流三维向量之间的距离的平均值。进一步地，计算该序列各内点的累积和m′_i，计算公式如下：

m′_i＝0，i＝0

|m′_p|＝max{|m′_i|，i＝0，1，2，.....k，k＝94}

m_p表示为对应的分段点时间段T_i的距离累积和，通过后续数据对原有数据不停迭代累积，将全天所有的分段点时间段T_i逐一记录并保存至分段点时间段集合V中。多时段控制需要一定的稳定性与持续性，分段点太多会导致控制方案过于复杂影响正常的交通流的有序化。故分段点集合V里所有分段点还需要进一步合并与优化。

进一步地，根据预设的规则对换分的时段进行合并处理，其合并方法包括如下步骤：

步骤S11：寻找最短的分割序列，若存在时间段宽度小于等于t_i＝30min，则执行步骤S12；否则，结束流程。

步骤S12：若时间段的相邻时间段的宽度小于或等于t_i＝30min，则与相邻处较短的时间段合并(若该时间段处于整个时间序列首尾边界处，则直接与相邻的时间段合并)之后，返回执行步骤S11；否则，执行步骤S13。需要说明的是，本实施例不限定合并时间段的判别标准为30min，本领域技术人员也可以采用其他时间阈值。

步骤S13：将时间段对应的交通流总流量均值和总流向均值，与相邻处时间段总流量均值和角度均值作比较，如果||H_i+1|-|H_i||＜σ且|θ_i+1-θ_i|＜μ，则将两个时间段T_i+1，T_i合并，否则返回执行步骤S11。其中，H_i+1表示第i+1个时间段的交通流总量，H_i表示第i个时间段的交通流总量，σ表示交通流总量极小值，θ_i+1表示第i+1个时间段的交通流方向，θ_i表示第i个时间段的交通流方向，μ表示交通流方向极小值。

二阶优化过程：

利用大数据聚类分析对测试数据内的所有交叉口进行梳理与分类，分析本发明时段划分方法对各种不同交通流量特征的交叉口的适应性，确定其方法最适用的交叉口类型。本发明时段划分方法不仅要关注宏观的交通流量全天的高低峰分布，同时也要重点兼顾高峰缓冲期的震荡变化。具体步骤包括：

步骤S21：将数据按递增顺序排列。

步骤S22：利用标准五数概括法确定五个判定数据。

步骤S23：将数据按采集时间先后顺序排列，根据步骤S22中确定的五个判定数据，将数据集初步分成若干个高峰与平峰，并将高峰之间的平峰段定义为高峰缓冲期。

步骤S24：计算高峰缓冲期内的平均值。

步骤S25：计算高峰缓冲期内的方差。

步骤S26：计算高峰缓冲期内的最大值。

步骤S27：计算高峰缓冲期内相邻冲突点之间的距离。

本实施例中，每条核心数据包括如下五个字段：中位数(Q2)、高峰缓冲期内的平均值、高峰缓冲期内的方差、高峰缓冲期内的最大值、高峰缓冲期内相邻冲突点之间的距离。

进一步地，采用K中心点聚类算法将不同交通流特征的交叉口进行分类，并分别对其每一种类型的交叉口进行模型适用性分析。最后，通过统一的评价标准对比分析并确定不同类型的交叉口的多时段控制时段划分优化方案。其中，K中心点聚类算法基本过程包括：首先为每个簇随意选择一个代表对象，剩余的对象根据其与每个代表对象的距离分配给最近的代表对象所代表的簇；然后反复用非代表对象来替代代表对象，以优化聚类质量。聚类质量用一个代价函数来表示。当一个中心点被某个非中心点替代时，除了未被替换的中心点外，其余各点被重新分配。K中心点聚类算法包括如下步骤：

步骤S31：随机选择K个观测值(每个都称为中心点)。

步骤S32：计算观测值到各个中心点的距离。

步骤S33：把每个观测值分配到最近的中心点。

步骤S34：计算每个中心点到每个观测值之间的距离的总和(总成本)。

步骤S35：选择一个该类中不是中心的点，并和中心点互换。

步骤S36：重新把每个点分配到距它最近的中心点。

步骤S37：再次计算总成本。

步骤S38：如果总成本与步骤S34计算的总成本少，把新的点作为中心点。

步骤S39：重复步骤S35至步骤S38，直到中心点不再改变。

具体地，本实施例测试数据选择A市越城区155个交叉口的交通流量数据；数据采集时间为2016全年365天；数据量为3749280条(96条/天/个*107个*365天)。单条数据格式为15分钟内单个交叉口交通流总量(单位：PCU/小时)(单个交叉口一天共96条数据)。

进一步地，基于Synchro7的同一个系统默认控制模型；测试方法为本发明时段划分方法与传统总流量时段划分方法进行对比分析(为保证模型对比分析的客观性，传统方法同样也采用CUSUM方法合并多时段控制方案，只是输入数据源不同，本发明方法中的输入源用三维向量替代传统总流量)；评价指标为全天总延误时间。(其计算公式为经过此交叉口所有车辆停车等待的时间总和)(单位：小时)

本发明分别以“驼峰型”交叉口(08号交叉口)、“常峰型”交叉口(79号交叉口)、“多峰型”交叉口(61号交叉口)的交通流数据为例，介绍仿真过程，如附图6所示。

A.驼峰型：总流量存在明显的早晚高峰与低峰，高峰与低峰震荡幅度较大。曲线类似骆驼的驼峰形状一样。同时内部冲突点的分布比较均匀。例如08号交叉口(解放南路与环城南路交叉口)，详情见附图7。

B.常峰型：总流量比较大，大多数时间都在高峰附近震荡，常态化高峰流量。低峰几乎不存在或者时间极短。例如79号交叉口(平江路与人民东路交叉口)在这种类型交叉口中，内部冲突点几乎存在于整个平稳期内，期间发生多起冲突点跃迁现象，详情见附图8。

C.多峰型：在早晚高峰之间存在多个伪高峰，伪高峰之间距离比较分散，同时它的总流量变化与冲突点波动十分同步，此型非常好判定时段划分拐点。例如61号交叉口(解放北路与人民西路交叉口)，详情见附图9。

D.其它型：高峰低峰没有明显规律，内部冲突点多且杂乱无章，利用本创新方法无法确定时段划分分段点，故本文仅针对上面三类交叉口进行适应性分析，三类交叉口聚类中心点位置如表1所示。

表1

由表1可知，本发明时段划分方法对上述三种类型交叉口与传统总流量划分方法相比较，其交通延误总体有所下降。特别是对“驼峰型”交叉口时段划分效果尤为明显，其平均每天总延误降低约5.6％(减少5.14小时)，同时平均每天高峰缓冲期内延误降低约17％。但是对于“常峰型”和“多峰型”交叉口，其延误反而略有上升。说明创新方法专有性较强，对交通流量较大且持续性强的，特别是高峰缓冲期内部跃迁点比较杂乱的交叉口控制效果有待提高。

本实施例通过构建道路交叉口多时段控制分段点划分双阶优化模型并对传统经典模型进行逐阶深度优化。一阶优化(模型输入数据深度优化)，利用数据驱动方法赋予交通流量的方向性，增加传统交通流量数据的维度并对传统经典模型进行重构与优化。以三维向量的形式表示在某一交叉口某一段时间内的交通总流量的大小、方向以及内部冲突点分布情况。运用CUSUM时间序列分割算法对相邻三维向量间距离进行递归与合并确定多时段控制方案各个分段点。二阶优化(模型适应性分析)，以绍兴市越城区155个交叉口实际交通流量数据为测试数据利用本文创新无数概括法对测试数据进行处理，将处理后的数据进行大数据K中心点聚类分析，将测试数据分为四大类型交叉口，分别是驼峰型(总流量存在明显的早晚高峰与低峰，高峰与低峰震荡幅度较大，同时内部冲突点的分布比较均匀)、常峰型(总流量比较大，大多数时间都在高峰附近震荡，常态化高峰流量)、多峰型(在早晚高峰之间存在多个伪高峰，伪高峰之间距离比较分散)、其他型(高峰低峰没有明显规律，内部冲突点多且杂乱无章)。基于Synchro7仿真软件对测试范围内四大类型全部交叉口以本文创新时段划分模型与传统单因素总流量时段划分模型进行评价对比分析。结果表明，本文创新时段划分模型运用在符合“驼峰型”交通流特征的交叉口时，与传统单因素总流量时段划分模型相比其控制方案能够有效降低车辆的平均延误，具有一定的工程实施效果。但是对于“常峰型”和“多峰型”交叉口，其延误反而略有上升，说明其专有性较强。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (7)

1.一种交叉口信号控制时段划分方法，其特征在于，包括：

获取交叉口一天的交通流数据；

将所述交通流数据转换为交通流向量，并获取各个相邻交通流向量之间的距离；

基于大数据的CUSUM时间序列分割算法，将一天的时间段划分为初始时间分段；

按照预设的方式对所述初始时间分段进行合并处理，得到合并后的时间分段；

根据各个相邻交通流向量之间的距离，采用聚类算法对合并后的时间分段进行分类处理，得到分类后的目标时间分段；

根据所述目标时间分段，确定各个分段的信号控制策略。

2.根据权利要求1所述的交叉口信号控制时段划分方法，其特征在于，获取交叉口一天的交通流数据，包括：

根据预设的时间间隔采集交叉口的交通流数据，所述交通流数据包括：各个时间段内交叉口东、西、南、北四个进口方向的分流量；其中，交叉口东、西、南、北四个进口方向的分流量之和为对应时段的交通流总量。

3.根据权利要求2所述的交叉口信号控制时段划分方法，其特征在于，将所述交通流数据转换为交通流向量，包括：

将各个时间段的交通流总量表示为包含交通总流量的大小、交通流方向，以及冲突点时间频度三个信息的三维向量。

4.根据权利要求1所述的交叉口信号控制时段划分方法，其特征在于，各个相邻交通流向量之间的距离的计算公式如下：

其中，m_i表示基于三维坐标下第i个相邻三维向量之间的距离，H_i+1表示第i+1个时间段的交通流总量，H_i表示第i个时间段的交通流总量，θ_i+1表示第i+1个时间段的交通流方向，θ_i表示第i个时间段的交通流方向，S_(i+1)-k表示第i+1个时间段的冲突点频度。

5.根据权利要求1所述的交叉口信号控制时段划分方法，其特征在于，基于大数据的CUSUM时间序列分割算法，将一天的时间段划分为初始时间分段，包括：

利用递归与分治的策略，对分割后的每一个时间段基于分段点进行二分法处理，直到最后分割的时间段的长度小于最小分割长度阈值λ，得到多个非等分的初始时间分段。

6.根据权利要求1所述的交叉口信号控制时段划分方法，其特征在于，按照预设的方式对所述初始时间分段进行合并处理，得到合并后的时间分段，包括：

若存在时间段的宽度小于或等于预设时间阈值，则将所时间段与相邻的时长较短的时间段合并，直到所有的时间段均大于预设时间阈值。

7.根据权利要求1所述的交叉口信号控制时段划分方法，其特征在于，根据各个相邻交通流向量之间的距离，采用聚类算法对合并后的时间分段进行分类处理，得到分类后的目标时间分段，包括：

采用K中心点聚类算法对合并后的时间分段进行分类处理，得到分类后的目标时间分段。