CN110853350B - 一种基于浮动车轨迹数据的干道相位差优化方法 - Google Patents
一种基于浮动车轨迹数据的干道相位差优化方法 Download PDFInfo
- Publication number
- CN110853350B CN110853350B CN201911097601.8A CN201911097601A CN110853350B CN 110853350 B CN110853350 B CN 110853350B CN 201911097601 A CN201911097601 A CN 201911097601A CN 110853350 B CN110853350 B CN 110853350B
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- phase difference
- point
- data
- 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
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
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于浮动车轨迹数据的干道相位差优化方法,目的是基于集计的轨迹数据增加在绿灯期间通过停止线的车辆数从而得出最优相位差,克服了现有通过固定检测器获取交通信息的弊端,提供一种高精度、低成本的干道相位差优化方法。本方法基于浮动车轨迹数据,首先对轨迹数据进行集计以及筛选,然后根据车辆运动状态对轨迹数据进行分类,通过得出车辆到达曲线图计算不同绿灯起亮时间对应通过停止线的车辆数;最后以绿灯期间到达停止线的车辆数最多得出干道最优相位差。
Description
技术领域
本发明属于智能交通领域,具体来说是一种基于浮动车轨迹数据的干道相位差优化方法。
背景技术
随着定位技术、移动网络技术和无线通信技术的发展,利用智能终端设备采集车辆轨迹的方式越来越普遍,这为交通监测和交通预测提供了一种新的解决方案。不同于传统固定检测器覆盖率低、安装和维护成本高以及损坏率高等缺点,智能终端设备不仅能采集时间和空间两个维度的数据而且能够以相对较低的通信成本采集大范围区域内的详细车辆轨迹。因此,对于城市干道相位差优化而言,浮动车轨迹数据能够提供更多有效的信息。
目前已有基于轨迹数据优化城市干道相位差的相关研究,Wu开发了一个通过在时空图中画出轨迹数据从而得到车辆实际行驶速度的GPS工具,从而用一种改进的带宽优化算法根据车辆实际速度调整相位差和相序;Priemer和Bernhard基于动态规划和完全枚举法处理每5s时间间隔的轨迹数据来预测接下来20s的排队长度,然后用预测的排队长度以减少交叉口排队长度为目标对相序进行优化;Huang等通过得出相位差与停车次数之间的函数关系以协调方向车辆总停车次数最小为优化目标建立了相位差优化模型,该方法只适用于未饱和状态下干线交叉口的相位差优化,在实用性方面具有较大局限。
本方法基于高频浮动车数据(采样频率3-6秒),通过统计方法对轨迹数据进行处理优化城市干道相位差。
发明内容
1.发明目的
本发明针对现有城市干道相位差优化方式的弊端,通过浮动车轨迹数据,结合轨迹集计、轨迹分类和统计方法,提出一种基于浮动车轨迹数据的城市干道相位差优化方式方法。该方法具有操作简单、实用性强、范围大的优点。
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城市干道相位差优化方法,可以通过以下步骤实现:
(1)轨迹集计。将不同天数、相同时间段内的轨迹集计至同一时间段内。
(2)删除无效轨迹。通过轨迹的起始点、结束点、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减速(包括停车)的轨迹和车辆不减速的轨迹,根据速度阈值对轨迹进行分类,并在减速车辆的轨迹中找出开始减速之前的点。(4)获取轨迹特征点。在减速车辆轨迹中,定义车辆开始减速之前的数据点定义为特征点;在不减速车辆轨迹中,位于停止线两侧且距其最近的两个点为特征点。
(5)计算车辆到达停止线的期望时间。根据提取出的特征点计算车辆以自由流速度行驶到达停止线时的期望时间,并改变数据表现形式绘制出车辆到达散点图。
(6)绘制车辆到达分布图。首先将散点图中数据集计至同一周期,然后绘制出车辆到达分布图。
(7)得出最优相位差。根据绘制的车辆到达分布图,得出绿灯时长不变的情况下,不同绿灯起始时间对应的绿灯期间到达车辆数,并绘制车均延误评价图,其中延误最小的点对应的横轴绿灯起始时间即为当前交叉口与上游交叉口的最优相对相位差。
所述步骤(1)具体为:从多天数据中筛选出连续十个工作日上午10:00-11:30之间的数据,通过调整不同日期数据的轨迹起始时间,将不同天数相同时间段内的轨迹数据集计到同一个时间段中。
所述步骤(2)为:原始轨迹数据中车辆行为多样,为了保证数据的有效性,删除所有在交叉口左转(包含掉头)、右转或者终点不过停止线的轨迹数据。
所述步骤(3)为:若车辆在靠近停止线时有减速(或停车)行为,则对应轨迹数据为减速轨迹;否则为无减速轨迹数据。具体判别可以通过公式(1)计算:
其中,vi是车辆第i(i>1)点时的速度,pi+1、ti+1分别是第i+1点的位置和时间戳,ve表示速度阈值。
所述步骤(4)为:在减速轨迹中包含一系列的减速点,将轨迹中开始减速之前的点定义为减速轨迹的特征点,如公式(3)所示;不减速轨迹的特征点为位于停止线两边并与之距离最近的两个点,如图2所示。
c_p=(ti,xi)if:st_i=1&st_i-1=0 (3)
其中,(ti,xi)是特征点,st_i是i点时的车辆状态。
所述步骤(5)为:车辆到达停止线的期望时间分为两类:对于不减速轨迹,车辆到达停止线的期望时间为车辆实际到达停止线的时间;对于减速轨迹,车辆到达停止线的期望时间为车辆按期望速度从特征点到停止线的行驶时间与特征点对应时间的加和,如公式(4)所示。
其中,t_cp是减速轨迹特征点的时间戳,p_sl是停止线位置,p_cp是减速轨迹特征点的位置,Ve是速度阈值。
然后仅用车辆达到停止线的期望时间记录数据,表现形式为(C_num,ti),其中C_num是周期编号,ti是在周期中的时间。接着绘制车辆在各周期中的到达图,即车辆到达散点图。
所述步骤(6)具体为:由于轨迹数据来自工作日相同时段,即车辆到达规律具有一致性,所以将散点图中数据集计至一个周期中就可以得到工作日同一时段车辆在一个周期内的到达分布特性,并绘制车辆到达分布图。具体数据集计过程如公式(5)所示,其中nb是各周期第i秒绿灯期间期望到达停止线的车辆数。W是轨迹数据所在时段中包含的周期个数。
所述步骤(7)为:基于步骤(6)中得到的集计数据,可以计算不同绿灯起始时间(绿灯时长不变)对应的绿灯期间期望到达停止线的车辆数,如公式(6)所示。改变绿灯起始时间可以得出对应的绿灯期间到达停止线车辆数最多的起始时间,而且此时对应的绿灯起始时间是当前路口与上游路口的绿灯起始时间的差值,即相对相位差,处理就可得出最优相位差。
由于在日常出行中,绿灯期间经过停止线的车辆数是一个可以评价信号控制优劣的直观指标,所以本文选取其为相位差优化目标。即对应绿灯期间通过车辆数最多时的相位差为最优相位差。
3.本发明所产生的技术效果
本发明基于浮动车轨迹数据,利用轨迹集计、轨迹分类和概率统计的方法优化城市干道相位差,具有以下优点:
(1)本发明克服了现有城市干道相位差优化方式的弊端,具有好操作、实用性强和范围大等优点;
(2)本发明对城市交通干线相位差路网的优化提供了理论依据;
(3)本发明对干道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为轨迹特征点的选择示意图。
图3为研究路段图。
图4为车辆到达散点图。
图5为集计车辆到达直方图。
图6为不同绿灯起始时间对应车辆数曲线图。
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数据统计的方法,对城市干道相位差进行优化。
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)车辆无超速等违法行为;
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。
5)工作日相同时段信号配时信息相同
如图1所示,本发明步骤如下:
(1)轨迹集计。将不同天数、相同时间段内的轨迹集计至同一时间段内。
(2)删除无效轨迹。通过轨迹的起始点、结束点、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减速(包括停车)的轨迹和车辆不减速的轨迹,根据速度阈值对轨迹进行分类,并在减速车辆的轨迹中找出开始减速之前的点。
(4)获取轨迹特征点。在减速车辆轨迹中,定义车辆开始减速之前的数据点定义为特征点;在不减速车辆轨迹中,位于停止线两侧且距其最近的两个点为特征点。
(5)计算车辆到达停止线的期望时间。根据提取出的特征点计算车辆以自由流速度行驶到达停止线时的期望时间。
(6)绘制出车辆到达图。首先将散点图中数据集计至同一周期,然后绘制出车辆到达分布图。
(7)得出最优相位差。根据绘制的车辆到达图,得出绿灯时长不变的情况下,不同绿灯起始时间对应的绿灯期间到达车辆数,并绘制曲线图,其中延误最小的点对应的横轴绿灯起始时间即为当前交叉口与上游交叉口的最优相对相位差。
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3中相邻三个信号交叉口(皇岗路与笋岗西路、红荔路、福中路交叉口)北向南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3-7日,4月10-14日(十天均为工作日)10:00-11:30时段的数据。
第(2)步:轨迹处理
在第(1)步中十天10:00-11:30的数据中,筛选出通过皇岗路与笋岗西路、红荔路、福中路交叉口的北向南直行的浮动车轨迹数据,并将其集计至同一天的10:00-11:30时段,对轨迹的格式进行处理,阈值速度(自由流速度)确定为8m/s,通过阈值速度分类出减速轨迹和不减速轨迹。随后通过提取出的特征点计算车辆到达停止线的期望时间,绘制出车辆到达图,如图4所示。
第(3)步:数据统计计算
轨迹处理完毕之后,根据公式(5)将所有数据集计至一个周期内,并绘制出集计车辆直方图,如图5所示。然后根据公式(6)得出不同绿灯起始时间对应的绿灯期间到达停止线的车辆数,结果如图6所示,其中对应车辆数最多的绿灯起始时间即为当前交叉口与上游交叉口的最优相对相位差。
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 (3)
1.一种基于浮动车轨迹数据的干道相位差优化方法,包括以下几个步骤:
步骤一:轨迹集计,将不同天数、相同时间段内的轨迹集计至同一时间段内;
步骤二:删除无效轨迹,通过轨迹的起始点、结束点、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;
步骤三:轨迹分类,浮动车轨迹在通过交叉口的时候分为车辆减速包括停车的轨迹和车辆不减速的轨迹,根据速度阈值对轨迹进行分类,并在减速车辆的轨迹中找出开始减速之前的点;
步骤四:获取轨迹特征点,在减速车辆轨迹中,定义车辆开始减速之前的数据点定义为特征点,在不减速车辆轨迹中,位于停止线两侧且距其最近的两个点为特征点;
步骤五:计算车辆到达停止线的期望时间,根据提取出的特征点计算车辆以自由流速度行驶到达停止线时的期望时间,并改变数据表现形式绘制出车辆到达散点图;
步骤六:绘制车辆到达分布图,首先将散点图中数据集计至同一周期,然后绘制出车辆到达分布图;
步骤七:得出最优相位差,根据绘制的车辆到达分布图,得出绿灯时长不变的情况下,不同绿灯起始时间对应的绿灯期间到达车辆数,并绘制车均延误评价图,其中延误最小的点对应的横轴绿灯起始时间即为当前交叉口与上游交叉口的最优相对相位差。
3.根据权利要求2所述的一种基于浮动车轨迹数据的干道相位差优化方法,在减速轨迹中包含一系列的减速点,将轨迹中开始减速之前的点定义为减速轨迹的特征点,如公式(3)所示,不减速轨迹的特征点为位于停止线两边并与之距离最近的两个点,
c_p=(ti,xi) if:st_i=1&st_i-1=0 (3)
其中,(ti,xi)是特征点,st_i是i点时的车辆状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911097601.8A CN110853350B (zh) | 2019-11-12 | 2019-11-12 | 一种基于浮动车轨迹数据的干道相位差优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911097601.8A CN110853350B (zh) | 2019-11-12 | 2019-11-12 | 一种基于浮动车轨迹数据的干道相位差优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110853350A CN110853350A (zh) | 2020-02-28 |
CN110853350B true CN110853350B (zh) | 2023-04-18 |
Family
ID=69601401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911097601.8A Active CN110853350B (zh) | 2019-11-12 | 2019-11-12 | 一种基于浮动车轨迹数据的干道相位差优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110853350B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327436B (zh) * | 2021-01-18 | 2022-06-21 | 兆边(上海)科技有限公司 | 一种基于轨迹数据的干线协调控制优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104575034A (zh) * | 2015-01-19 | 2015-04-29 | 浙江大学 | 一种基于卡口数据的单点交叉口信号配时参数优化方法 |
CN108492562A (zh) * | 2018-04-12 | 2018-09-04 | 连云港杰瑞电子有限公司 | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 |
CN109635495A (zh) * | 2018-12-29 | 2019-04-16 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106571030B (zh) * | 2016-10-20 | 2020-06-02 | 西南交通大学 | 多源交通信息环境下排队长度预测方法 |
US11127297B2 (en) * | 2017-07-17 | 2021-09-21 | Veoneer Us, Inc. | Traffic environment adaptive thresholds |
CN107248299B (zh) * | 2017-07-26 | 2020-01-10 | 北方工业大学 | 一种基于驻站时间的专用道公交优先干线协调控制方法 |
CN108922193B (zh) * | 2018-08-03 | 2019-06-04 | 北京航空航天大学 | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 |
CN109348423B (zh) * | 2018-11-02 | 2020-04-07 | 同济大学 | 一种基于抽样轨迹数据的干道协调控制优化方法 |
CN109410587B (zh) * | 2018-12-18 | 2021-07-02 | 北京工业大学 | 一种城市快速路的宏观交通流参数估计方法 |
CN110175692B (zh) * | 2019-04-16 | 2023-05-02 | 同济大学 | 一种基于轨迹数据的干线交叉口协调控制方法 |
CN110415519B (zh) * | 2019-07-30 | 2020-07-07 | 黄卫 | 一种基于车辆轨迹数据的区域交通信号实时优化控制方法 |
CN113327436B (zh) * | 2021-01-18 | 2022-06-21 | 兆边(上海)科技有限公司 | 一种基于轨迹数据的干线协调控制优化方法 |
-
2019
- 2019-11-12 CN CN201911097601.8A patent/CN110853350B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104575034A (zh) * | 2015-01-19 | 2015-04-29 | 浙江大学 | 一种基于卡口数据的单点交叉口信号配时参数优化方法 |
CN108492562A (zh) * | 2018-04-12 | 2018-09-04 | 连云港杰瑞电子有限公司 | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 |
CN109635495A (zh) * | 2018-12-29 | 2019-04-16 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110853350A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355907B (zh) | 基于车辆轨迹的信号控制交叉口排队长度实时估计方法 | |
CN110047277B (zh) | 基于信令数据的城市道路交通拥堵排名方法及系统 | |
CN108428348B (zh) | 一种道路交通优化方法、装置以及电子设备 | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
CN108492562B (zh) | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 | |
CN103325245B (zh) | 一种黑名单车辆的时空行驶轨迹预测方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN108986509B (zh) | 一种基于车路协同的城市区域路径实时规划方法 | |
CN110379169B (zh) | 基于视频号牌设备的待转区车道饱和车头时距计算方法 | |
CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
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 | |
CN104318770A (zh) | 基于手机数据实时检测高速公路交通拥堵状态的方法 | |
CN112512020A (zh) | 一种基于多源数据融合的交通状态弱信号感知研判方法 | |
CN104778835A (zh) | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 | |
CN112509328B (zh) | 一种交叉口右转机动车与电动自行车冲突行为分析方法 | |
CN107590999A (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
CN113380036A (zh) | 一种基于电子警察数据的排队长度计算方法 | |
CN110853350B (zh) | 一种基于浮动车轨迹数据的干道相位差优化方法 | |
CN112699535A (zh) | 高架地面联动交通信号区域自适应控制方法 | |
CN110610118A (zh) | 交通参数采集方法及装置 | |
CN113284338B (zh) | 机动车紧急避让无灯控人行横道对交通流影响的计算方法 | |
KR20230063080A (ko) | 교통량 증대를 위한 신호교차로 노면조건 및 교통패턴 분석 결과에 따른 신호등 운영 시스템 | |
CN113593222A (zh) | 一种多源数据支撑的交通管控诊断方法 |
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 |