CN111862602A - 基于轨迹数据的单交叉口信号配时优化方法 - Google Patents

Abstract

本发明公开了一种基于轨迹数据的单交叉口信号配时优化方法，方法包括以下步骤：获取交叉口的原始信号配时信息；获取与交叉口关联路段上同一时段浮动车的历史轨迹数据，求取各浮动车在各周期内的排队位置；根据贝叶斯模型与概率分布理论预测交叉口周期各相位内的排队长度；结合启动波理论计算各相位的最佳配时时长。本发明综合考虑了当前路网浮动车渗透率较低的现实情况，采用不同方法对不同渗透率的交通场景进行计算。本发明利用交叉口排队长度的估计方法结合交通波理论对交叉口进行配时，充分利用海量轨迹数据，充分结合了统计学与交通波理论的优势，建立了基于轨迹数据的交叉口信号配时方法，提高了各相位绿灯时长利用率，有效降低交叉口延误。

Description

基于轨迹数据的单交叉口信号配时优化方法

技术领域

本发明涉及交通控制技术领域，特别涉及一种基于轨迹数据的单交叉口信号配时优化方法。

背景技术

交通理论与互联网技术的飞速发展，为交通研究和城市交通管理提供了多样化，规模庞大的交通数据资源。电子警察数据、卡口数据、线圈数据等存在铺设难度大、维护成本高、数据缺失等缺点，随着网络出租车的兴起，海量的轨迹数据被收集起来。轨迹数据也因其精度较高、样本较大在研究领域备受推崇。

在目前现有的研究当中，轨迹数据多被用于交通参数的估计，如流量、排队长度、路口延误和行程时间等。Comert和Cetin在论文“Queue length estimation from probevehicle location and the impacts of sample size”中考虑了浮动车的渗透率和排队长度的分布问题，得出仅依靠最后一辆浮动车的位置就可以对路口排队长度进行估计，Comert还在论文“Queue length estimation from probe vehicles at isolatedintersections:Estimators for primary parameters”中进一步探索了浮动车渗透率与估计准确率的关系，并没有提出具体算法过程和模型。Li在论文“Estimating QueueLength under Connected Vehicle Technology:Using Probe Vehicle,Loop Detector,Fused Data”中将队列长度的动态作为状态转换过程，并采用卡尔曼滤波器逐周期估算队列长度。同样轨迹数据也被应用于优化干线信号配时，马万经等在论文“基于轨迹数据的干线协调相位差优化方法研究”中提取各路口相位代表轨迹，通过对提取特征轨迹优化来优化干线信号配时；Day等在论文“Detector-Free Signal Offset Optimization withLimited Connected Vehicle Market Penetration”中基于浮动车轨迹建立了虚拟线圈获取车辆到达率进而建立了干线协调控制相位差的优化模型。同样交通波理论在交叉口排队消散的研究中也越来越被重视。刘澜在论文“基于交通波理论的交叉口信号控制最短周期”中考虑到交通波对交叉口车辆排队长度的影响，运用交通波理论对平面交叉口信号控制最短周期的Webster算法进行改进。景春光在论文“交通波理论在交叉口交通流分析中的应用”中以交通波为基础，研究了车辆在交叉口的排队消散过程及其对上下游交叉口的影响。但直接将轨迹数据应用于单交叉口配时还尚未有人研究。

发明内容

本发明的目的在于针对上述现有技术存在的问题，填补基于轨迹数据信号配时的空白，提供一种基于轨迹数据的单交叉口信号配时方法，能充分利用海量的轨迹数据，避免大批量数据收集设备的铺设，具有极大的经济效益。

实现本发明目的的技术解决方案为：基于轨迹数据的单交叉口信号配时优化方法，所述方法包括以下步骤：

步骤1，获取待进行信号配时优化的交叉口的原始信号配时信息；

步骤2，获取与所述交叉口关联路段上同一时段浮动车的历史轨迹数据信息，并结合所述原始信号配时信息求取各浮动车在各周期内的排队位置；

步骤3，基于所述排队位置，根据贝叶斯模型与概率分布理论预测所述交叉口周期各相位内的排队长度；

步骤4，根据各相位排队长度，结合启动波理论计算各相位的最佳配时时长。

进一步地，步骤2中所述求取各浮动车在各周期内的排队位置，所用公式为：

式中，s_i为第i个周期内浮动车辆的位置，p_i为浮动车辆在交叉口的空间物理位置即该浮动车辆在所有浮动车辆中的位置，p_t为该相位车辆停止线，l_v为平均车长。

进一步地，步骤3所述根据贝叶斯模型与概率分布理论预测所述交叉口周期各相位内的排队长度，具体过程包括：

步骤3-1，根据排队队列中有无浮动车将各周期内各相位排队划分为可观测队列q_obs与隐藏队列q_hid；其中可观测队列q_obs为第一辆车到最后一辆浮动车的车辆队列，隐藏队列q_hid为除去可观测队列q_obs之后剩余的车辆队列；

步骤3-2，判断浮动车在所述可观测队列中的渗透率是否大于预设阈值，若是，根据概率分布理论求取各相位可观测队列q_obs以及隐藏队列q_hid的排队长度；否则，根据概率分布理论求取各相位可观测队列q_obs的排队长度，基于贝叶斯模型求取隐藏队列q_hid的排队长度；

步骤3-3，求取各相位所述可观测队列和隐藏队列的排队长度和，获得该相位的排队长度。

进一步地，步骤3-2中所述根据概率分布理论求取各相位可观测队列q_obs的排队长度，具体过程包括：

步骤3-2-1，根据概率分布理论，求取各周期各相位内的可观测队列的排队长度Q_i：

式中，N_i为第i周期内各相位统计的浮动车数量；

为第i周期内各相位第一辆浮动车的位置；Q_i为第i周期内各相位的可观测队列长度；n_i为第i周期内各相位统计的浮动车数量；

E(Q_i|N_i＝n_i)分别代表当统计浮动车数量为n_i时，第一辆车位置为

时的数学期望、以及该周期内各相位的可观测队列长度Q_i的数学期望；

步骤3-2-2，结合所述排队长度Q_i和各周期第一浮动车辆车的位置

求取各相位所有周期内总的可观测队列的排队长度Q_obs：

式中，L_max为各相位排队长度的最大值；

步骤3-2-3，求取各相位可观测队列q_obs的排队长度

式中，N为周期总数。

进一步地，步骤3-2中所述根据概率分布理论求取各相位隐藏队列q_hid的排队长度，具体包括：

求取各相位所有周期内总的隐藏队列q_hid的排队长度Q_hid：

求取各相位可观测队列q_hid的排队长度

进一步地，步骤3-2中所述基于贝叶斯模型求取隐藏队列q_hid的排队长度，所用公式为：

式中，Q_hid(p)为渗透率为p时各相位隐藏队列长度的总和，P_i为第i周期的隐藏队列长度，l为隐藏队列中队列长度取值，p为路段上浮动车辆的渗透率，E(C_j)、E(C_l)分别为隐藏队列长度为j、l的周期的数目的数学期望，

为隐藏队列长度为l的周期数目的期望值。

进一步地，步骤4所述根据各相位排队长度，结合启动波理论计算各相位的最佳配时时长，所用公式为：

T_j＝-L_j/u_w+T_v+T_m

式中，T_j为第j相位的绿灯时间，L_j为第j相位的排队长度，u_w为启动波速度，T_v为队列末尾车辆从启动到通过停止线所用时间，T_m为相位时长修正参数，单位为s；

其中，u_w的计算公式为：

式中，u_w为负值代表其传播方向为从交叉口往上游路口传播，h为饱和车头时距，k_j为车流阻塞密度，u为车辆的行驶速度；

其中，T_v的计算公式为：

式中，a为车辆的加速度，l_m＝u²/2a为车辆匀加速至最大速度所行驶的距离。

本发明与现有技术相比，其显著优点为：1)利用交叉口排队长度的估计方法结合交通波理论对交叉口进行配时，充分利用海量轨迹数据，充分结合了统计学与交通波理论的优势，建立了基于轨迹数据的交叉口信号配时方法，提高了各相位绿灯时长利用率，有效降低了交叉口延误；2)相较于传统方法，本方法所需数据更易获得，应用成本低；3)本方法考虑了交叉口的排队消散情况，大大提升了相位绿灯利用率，更加有效；4)本方法需要算力较小，更加适应于路侧边缘设备的普及应用趋势。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为一个实施例中基于轨迹数据的单交叉口信号配时优化方法的流程图。

图2为一个实施例中可观测队列的示意图。

图3为一个实施例中隐藏队列长度分布关系分析图。

图4为一个实施例中估计各相位排队长度的对比图，其中图(a)为在渗透率为20％时的估计各相位排队长度对比图，图(b)为在渗透率为15％时的估计各相位排队长度对比图。

图5为一个实施例中估计各相位排队长度的对比图，其中图(a)为在渗透率为10％时的估计各相位排队长度对比图，图(b)为在渗透率为5％时的估计各相位排队长度对比图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

在一个实施例中，结合图1，提供了一种基于轨迹数据的单交叉口信号配时优化方法，所述方法包括以下步骤：

步骤1，获取待进行信号配时优化的交叉口的原始信号配时信息；

这里，所述原始信号配时信息包括交叉口信号周期、相序、各相位时长及相位开始时间。所述相位开始时间是指开始计算交叉口的红绿灯周期的开始时刻。

步骤2，获取与所述交叉口关联路段上同一时段浮动车的历史轨迹数据信息，并结合所述原始信号配时信息求取各浮动车在各周期内的排队位置；

这里，浮动车即为联网车，能够实时动态获取其位置信息。

步骤3，基于所述排队位置，根据贝叶斯模型与概率分布理论预测所述交叉口周期各相位内的排队长度；

步骤4，根据各相位排队长度，结合启动波理论计算各相位的最佳配时时长。

进一步地，在其中一个实施例中，步骤2中所述求取各浮动车在各周期内的排队位置，所用公式为：

式中，s_i为第i个周期内浮动车辆的位置，p_i为浮动车辆在交叉口的空间物理位置即该浮动车辆在所有浮动车辆中的位置，p_t为该相位车辆停止线，l_v为平均车长。

进一步地，在其中一个实施例中，步骤3所述根据贝叶斯模型与概率分布理论预测所述交叉口周期各相位内的排队长度，具体过程包括：

步骤3-1，根据排队队列中有无浮动车将各周期内各相位排队划分为可观测队列q_obs与隐藏队列q_hid；其中可观测队列q_obs为第一辆车到最后一辆浮动车的车辆队列，隐藏队列q_hid为除去可观测队列q_obs之后剩余的车辆队列；

步骤3-2，判断浮动车在所述可观测队列中的渗透率是否大于预设阈值，若是，根据概率分布理论求取各相位可观测队列q_obs以及隐藏队列q_hid的排队长度；否则，根据概率分布理论求取各相位可观测队列q_obs的排队长度，基于贝叶斯模型求取隐藏队列q_hid的排队长度；

这里，预设阈值一般设置为20％。

步骤3-3，求取各相位所述可观测队列和隐藏队列的排队长度和，获得该相位的排队长度。

进一步地，在其中一个实施例中，步骤3-2中所述根据概率分布理论求取各相位可观测队列q_obs的排队长度，具体过程包括：

步骤3-2-1，根据概率分布理论，求取各周期各相位内的可观测队列的排队长度Q_i：

式中，N_i为第i周期内各相位统计的浮动车数量；

为第i周期内各相位第一辆浮动车的位置；Q_i为第i周期内各相位的可观测队列长度；n_i为第i周期内各相位统计的浮动车数量；

E(Q_i|N_i＝n_i)分别代表当统计浮动车数量为n_i时，第一辆车位置为

时的数学期望、以及该周期内各相位的可观测队列长度Q_i的数学期望；

步骤3-2-2，结合所述排队长度Q_i和各周期第一浮动车辆车的位置

求取各相位所有周期内总的可观测队列的排队长度Q_obs：

式中，L_max为各相位排队长度的最大值；

步骤3-2-3，求取各相位可观测队列q_obs的排队长度

式中，N为周期总数。

进一步地，在其中一个实施例中，当道路上浮动车辆占比率较高时，路口每个周期各相位队列中存在浮动车辆的概率较大，隐藏队列的长度与周期数量较小，可根据队列中浮动车辆位置的对称性计算。如图3隐藏队列Q_hid分布关系图所示，第k个周期中的队列与第j个周期中的队列相反，这意味着第j个周期中最后一个浮动车辆之后的车辆数量等于第k个第一个联网车辆之前的车辆数量。由于对称性，这两个队列的发生概率相同。因此，即使一个周期中最后一个浮动车辆后面的车辆数量是未知的，只要样本量足够，也可以用另一个周期中第一个联网车辆前面的车辆数量来补偿丢失的数量。因此，步骤3-2中所述根据概率分布理论求取各相位隐藏队列q_hid的排队长度，具体包括：

求取各相位所有周期内总的隐藏队列q_hid的排队长度Q_hid：

求取各相位可观测队列q_hid的排队长度

进一步地，在其中一个实施例中，当路段上浮动车渗透率较低时，各相位排队队列中存在浮动车的概率变小，依据浮动车辆路口停车对称性预测隐藏队列长度Q_hid的估计方法的预测精度会快速降低。因此基于贝叶斯定理计算隐藏队列的长度Q_hid。步骤3-2中所述基于贝叶斯模型求取隐藏队列q_hid的排队长度，所用公式为：

式中，Q_hid(p)为渗透率为p时各相位隐藏队列长度的总和，P_i为第i周期的隐藏队列长度，l为隐藏队列中队列长度取值，p为路段上浮动车辆的渗透率，E(C_j)、E(C_l)分别为隐藏队列长度为j、l的周期的数目的数学期望，

为隐藏队列长度为l的周期数目的期望值。

作为一种具体示例，针对如下表1所示的仿真的各方向流量输入及交叉口信号配时，计算各相位在不同渗透率下的排队长度估计值如下表2所示，并利用MAPE对估计值精度进行评估，MAPE的计算公式如下：

式中，N为周期总数，q_i为估计的第i周期排队长度，q_li为统计的第i周期排队长度；

表1各方向流量输入及配时

表2各相位排队长度估计

由表2可知，当渗透率p＝20％时，排队长度估计精度最高为5.90％，当渗透率下降时，MAPE均在20％以上，可见估计精度大致随渗透率下降而下降。各渗透率下各相位排队长度柱状对比图如图4、图5所示。

进一步地，在其中一个实施例中，利用交通波理论即可对各相位信号进行配时。在交通运动波理论中，交叉口排队车辆通过交叉口可以被分为两步：首先绿灯开始，启动波形成并以一定的速度向上游交叉口传播，然后接收到启动波的车辆开始加速启动通过路口。步骤4所述根据各相位排队长度，结合启动波理论计算各相位的最佳配时时长，所用公式为：

T_j＝-L_j/u_w+T_v+T_m

式中，T_j为第j相位的绿灯时间，L_j为第j相位的排队长度，u_w为启动波速度，T_v为队列末尾车辆从启动到通过停止线所用时间，T_m为相位时长修正参数，单位为s；

这里优选地，T_m＝3s。

其中，u_w的计算公式为：

式中，u_w为负值代表其传播方向为从交叉口往上游路口传播，h为饱和车头时距，经轨迹数据统计获得h≈1.5s/veh，k_j为车流阻塞密度，u为车辆的行驶速度；

其中，T_v的计算公式为：

式中，a为车辆的加速度，l_m＝u²/2a为车辆匀加速至最大速度所行驶的距离。

结合上述计算得到的交叉口各相位的最佳相位时长，根据原始相序即可得到新的交叉口配时方案。

将本发明的配时方案进行仿真验证，分别与原配时方案及经典Webster方法对比，配时结果及路口延误见下表3所示。

表3配时方案对比

由表可知，4种采样率的路口延误平均约为12.56s，相较于交叉口原配时方案降低了19.95s，本发明模型有效降低了交叉口61.37％的延误时间。相较于传统Webster配时方案，延误时间降低7.36s，占比36.95％。

本发明利用交叉口排队长度的估计方法结合交通波理论对交叉口进行配时，充分利用海量轨迹数据，充分结合了统计学与交通波理论的优势，建立了基于轨迹数据的交叉口信号配时方法，提高了各相位绿灯时长利用率，有效降低了交叉口延误。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.基于轨迹数据的单交叉口信号配时优化方法，其特征在于，所述方法包括以下步骤：

步骤1，获取待进行信号配时优化的交叉口的原始信号配时信息；

步骤2，获取与所述交叉口关联路段上同一时段浮动车的历史轨迹数据信息，并结合所述原始信号配时信息求取各浮动车在各周期内的排队位置；

步骤3，基于所述排队位置，根据贝叶斯模型与概率分布理论预测所述交叉口周期各相位内的排队长度；

步骤4，根据各相位排队长度，结合启动波理论计算各相位的最佳配时时长。

2.根据权利要求1所述的基于轨迹数据的单交叉口信号配时优化方法，其特征在于，步骤1中所述原始信号配时信息包括交叉口信号周期、相序、各相位时长及相位开始时间。

3.根据权利要求1所述的基于轨迹数据的单交叉口信号配时优化方法，其特征在于，步骤2中所述求取各浮动车在各周期内的排队位置，所用公式为：

式中，s_i为第i个周期内浮动车辆的位置，p_i为浮动车辆在交叉口的空间物理位置即该浮动车辆在所有浮动车辆中的位置，p_t为该相位车辆停止线，l_v为平均车长。

4.根据权利要求1所述的基于轨迹数据的单交叉口信号配时优化方法，其特征在于，步骤3所述根据贝叶斯模型与概率分布理论预测所述交叉口周期各相位内的排队长度，具体过程包括：

步骤3-1，根据排队队列中有无浮动车将各周期内各相位排队划分为可观测队列q_obs与隐藏队列q_hid；其中可观测队列q_obs为第一辆车到最后一辆浮动车的车辆队列，隐藏队列q_hid为除去可观测队列q_obs之后剩余的车辆队列；

步骤3-2，判断浮动车在所述可观测队列中的渗透率是否大于预设阈值，若是，根据概率分布理论求取各相位可观测队列q_obs以及隐藏队列q_hid的排队长度；否则，根据概率分布理论求取各相位可观测队列q_obs的排队长度，基于贝叶斯模型求取隐藏队列q_hid的排队长度；

步骤3-3，求取各相位所述可观测队列和隐藏队列的排队长度和，获得该相位的排队长度。

5.根据权利要求3或4所述的基于轨迹数据的单交叉口信号配时优化方法，其特征在于，步骤3-2中所述根据概率分布理论求取各相位可观测队列q_obs的排队长度，具体过程包括：

步骤3-2-1，根据概率分布理论，求取各周期各相位内的可观测队列的排队长度Q_i：

式中，N_i为第i周期内各相位统计的浮动车数量；

为第i周期内各相位第一辆浮动车的位置；Q_i为第i周期内各相位的可观测队列长度；n_i为第i周期内各相位统计的浮动车数量；

E(Q_i|N_i＝n_i)分别代表当统计浮动车数量为n_i时，第一辆车位置为

时的数学期望、以及该周期内各相位的可观测队列长度Q_i的数学期望；

步骤3-2-2，结合所述排队长度Q_i和各周期第一浮动车辆车的位置

求取各相位所有周期内总的可观测队列的排队长度Q_obs：

式中，L_max为各相位排队长度的最大值；

步骤3-2-3，求取各相位可观测队列q_obs的排队长度

式中，N为周期总数。

6.根据权利要求3或4所述的基于轨迹数据的单交叉口信号配时优化方法，其特征在于，步骤3-2中所述根据概率分布理论求取各相位隐藏队列q_hid的排队长度，具体包括：

求取各相位所有周期内总的隐藏队列q_hid的排队长度Q_hid：

求取各相位可观测队列q_hid的排队长度

7.根据权利要求4所述的基于轨迹数据的单交叉口信号配时优化方法，其特征在于，步骤3-2中所述基于贝叶斯模型求取隐藏队列q_hid的排队长度，所用公式为：

式中，Q_hid(p)为渗透率为p时各相位隐藏队列长度的总和，P_i为第i周期的隐藏队列长度，l为隐藏队列中队列长度取值，p为路段上浮动车辆的渗透率，E(C_j)、E(C_l)分别为隐藏队列长度为j、l的周期的数目的数学期望，

为隐藏队列长度为l的周期数目的期望值。

8.根据权利要求1所述的基于轨迹数据的单交叉口信号配时优化方法，其特征在于，步骤4所述根据各相位排队长度，结合启动波理论计算各相位的最佳配时时长，所用公式为：

T_j＝-L_j/u_w+T_v+T_m

式中，T_j为第j相位的绿灯时间，L_j为第j相位的排队长度，u_w为启动波速度，T_v为队列末尾车辆从启动到通过停止线所用时间，T_m为相位时长修正参数，单位为s；

其中，u_w的计算公式为：

式中，u_w为负值代表其传播方向为从交叉口往上游路口传播，h为饱和车头时距，k_j为车流阻塞密度，u为车辆的行驶速度；

其中，T_v的计算公式为：

式中，a为车辆的加速度，l_m＝u²/2a为车辆匀加速至最大速度所行驶的距离。

Images