CN113129594A - 一种基于卡口数据的交叉口饱和流率计算方法 - Google Patents

Abstract

本发明提供一种基于卡口数据的交叉口饱和流率计算方法，其中，包括：对采集的交叉口卡口数据进行车头时距计算，并对得到的车头时距序列进行周期划分；对所述单周期的车头时距数据进行预处理；根据正态模型检验算法计算高峰时段的饱和车头时距；进而得到交叉口的饱和流率。本发明提高了计算准确性，且满足动态提取饱和流率的需求。

Description

一种基于卡口数据的交叉口饱和流率计算方法

技术领域

本发明涉及交通控制技术领域，尤其涉及一种基于卡口数据的交叉口饱和流率计算方法。

背景技术

近年来，随着国民经济高速发展，汽车保有量持续增长，这对城市交通系统的正常运行带来巨大的压力，同时，人们对交通系统运行的可靠性和可控性要求越来越高。城市道路交叉口是道路交通的咽喉，其通行能力直接影响整个交通网络的承载能力。由于不同方向机动车、非机动车和行人的相互干扰，交叉口处容易出现拥堵等问题。通过标志设置、道路渠化等交通组织方法进行调整的费用较高、交通参与者适应周期较长。因此，交通信号控制系统成为交叉口交通控制的主要方法。交通信号控制系统通过交通流信息采集和信号控制算法，可以提高城市道路交叉口的通行能力，均衡路网内交通流，避免或缓解道路交通拥堵，同时减少车辆拥堵停车等待时的尾气排放，降低环境污染。

饱和流率是计算信号配时和通行能力的关键参数之一，是指某一车道或车道组在一次连续的绿灯信号时间内能够通过的最大流率值。饱和流率可以通过模型或者实测的方式来获得，模型的计算方法是采用基本饱和流率乘以各影响因素的修正系数以获得饱和流率，但是这些修正系数难以获得，并且计算复杂，因此饱和流率多是通过实测的方法获得，除了新建交叉口之外。饱和流率一般不直接进行观测，而是通过观测实际饱和车头时距进行推算获得的。目前，饱和车头时距的测量是通过前后两辆车到达停止线的时间差获得，为了避免绿灯初期的启动延误，从第4辆车开始计算车头时距，至绿灯亮时停在停车线后的最后一辆车，取饱和车头时距的均值的倒数乘以3600作为饱和流率，但是通过该方法获得的饱和流率并不能满足对饱和流率准确性的要求，因为在实际应用中存在不同车型和非饱和交通流状态的车头时距对实测饱和车头时距的影响。

因此，如何提高饱和流率的准确性成为本领域亟待解决的技术问题。

发明内容

为克服现有技术存在的问题，本申请提供一种基于卡口数据的交叉口饱和流率计算方法，包括：

对采集的交叉口的卡口数据进行车头时距计算，并对得到的车头时距序列进行周期划分；

对单周期的所述车头时距数据进行预处理，形成初始车头时距序列X₀；

根据正态模型对初始车头时距序列X₀进行检验，获取饱和车头时距序列X_m；

根据所述饱和车头时距序列X_m的均值来估计实际的饱和车头时距，均值计算如下：

得出实际饱和车头时距估计值

则饱和流率估计值计算如下：

其中，N_m—经过m次迭代之后车头时距序列所包含样本数；

X_m—经过m次迭代后的车头时距序列；

j—车头时距序列中每个数据的对应标号，j＝1,2,3,…,N_m。

进一步地，所述对采集的交叉口的卡口数据进行车头时距计算，包括：

Step1车头时距提取；利用卡口系统所采集到的各个车道的所有过车记录，提取所需的对应车头时距，具体包括以下步骤：

(1)筛选某天某卡口系统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00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别表示时、分、秒；

(2)将转换过的时间t按升序排序；

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

进一步地，所述对得到的车头时距序列进行周期划分，包括：

Step2信号周期划分；计算本周期绿灯第一辆车与上周期绿灯最后一辆车的过车记录，将较大的异常值视为每个周期的第一车头时距，进而将高峰期车头时距数据按周期划分。

进一步地，所述对单周期的所述车头时距数据进行预处理，形成初始车头时距序列X₀，包括：

Step3错误数据剔除；对每周期第二与第三车头时距做差，若结果小于零，则视作发生检测系统错误，将整个周期的数据予以剔除；否则，视为正确数据，参与下一步的数据实验。

进一步地，所述对初始车头时距序列X₀进行正态性检验，包括：

对所述对初始车头时距序列X₀进行Jarque-Bera检验，该统计量近似服从于自由度为2的卡方分布，其统计量如下：

式中，S——表示偏度；

K——表示峰度；

标准正态分布的偏度为0，峰度为3，所以当S＝0，K＝3时，所得统计量最小；原假设H0：数据服从正态分布，备择假设H1：数据不服从正态分布；当原假设成立时，所得即为饱和车头时距序列。

进一步地，还包括：

采用K-Means聚类算法剔除所述初始观测序列X₀中的第一类异常值，得到剔除后的车头时距序列X₁。

进一步地，还包括：

用迭代算法来消除所述剔除后的车头时距序列X₁中的第二类异常值和第三类异常值，其步骤如下：

Step1初始设i＝1；

Step2对车头时距序列X_i进行正态性检验，如果正态性检验通过，转至Step5，序列X_i视作饱和车头时距序列；否则转至Step3；

Step3计算车头时距序列X_i的平均值

再计算序列X_i中每个样本与平均值的距离

剔除距离平均值最远的样本，得到新的车头时距序列X_i+1；

Step4令i＝i+1，转至Step2；

Step5迭代结束。

本申请的基于卡口数据的交叉口饱和流率计算方法的有益效果是：

本发明提供的基于卡口数据的信号交叉口饱和流率的计算方法，排除了绿灯启亮时的车辆启动延误、非饱和交通流状态的车头时距对饱和流率计算造成的偏差。相比于传统人工测量饱和车头时距的方法更为方便可靠，且可动态提取饱和流率，可广泛应用于交通控制系统的信号配时优化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于卡口数据的交叉口饱和流率计算方法的数据预处理流程图；

图2为本申请实施例提供的一种基于卡口数据的交叉口饱和流率计算方法的饱和车头时距提取流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决当前面临的技术问题，本发明提出了一种基于卡口数据的交叉口饱和流率计算方法。

交通卡口数据(TBD，Traffic Bayonet Data)是城市中高清卡口监控系统记录经过交通卡口监控的机动车移动痕迹的电子数据产物，通常包含机动车的号牌、抓拍设备点位、抓拍时间等重要信息。高清卡口监控系统利用车牌识别技术对城市路网中机动车被抓拍的照片进行信息提取，分析机动车在路网中的移动状态。其中，车牌识别技术(ALPRAutomatic License Plate Recognition)是一种基于图像识别技术从被监控机动车号牌中自动提取车辆牌照信息的技术，在交通卡口数据的采集过程中起到关键性作用。

本发明从采集的卡口数据中提取相关字段的信息，进行车头时距数据的计算。所需属性如表1所示：

表1卡口数据车辆信息表

如表1所示，提取车头时距所用的的卡口记录为车辆牌照(plate_num)、车牌类型(plate_type)以及车辆通过停止线的时刻(pass_time)。卡口系统采用加密存储车辆牌照，车牌类型为2表示小型汽车牌照，过车时间记录精确到毫秒，对应车辆的过车时间记录做差即可得到车头时距。

考虑到卡口检测系统的可靠性，在对车头时距序列开展进一步研究之前，需对观测序列采取数据预处理步骤，过滤错误样本，进一步提高实验数据的合理性和可靠性。

根据上述的交叉口车头时距特性，针对卡口数据提出如下预处理方法，剔除错误数据：

Step1车头时距提取。利用卡口系统所采集到的各个车道的所有过车记录，提取所需的对应车头时距，具体包括以下步骤：

(1)筛选某天某卡口系统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00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别表示时、分、秒。

(2)将转换过的时间t按升序排序。

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

Step2信号周期划分。受卡口系统局限，每周期的第一车头时距无法获得，只能计算本周期绿灯第一辆车与上周期绿灯最后一辆车的过车记录，得到一个较大的异常车头时距值，且周期性出现。据此，可将较大的异常值视为每个周期的第一车头时距，进而将高峰期车头时距数据按周期划分。

Step3错误数据剔除。对每周期第二与第三车头时距做差，若结果小于零，则视作发生检测系统错误，将整个周期的数据予以剔除；否则，视为正确数据，参与下一步的数据实验。

数据预处理的流程图如图1所示。

正态检验模型

在饱和运动状态下，由于驾驶员的驾驶特性和车辆的性能差异，车头时距应只存在很小的差异，接近于实际的饱和车头时距。从统计的角度看，排队车辆的车头时距应围绕着某个常数起伏变化，且波动方向及大小是不规则的。换言之，车头时距的误差序列是独立同分布，且均值为零。设时间序列{h_m}(m＝1，2，…，M)，是由饱和车头时距随机变量H生成的时间序列，序列长度为M，即包含M个饱和车头时距样本，则第m个饱和车头时距值应该围绕实际饱和车头时距μ上下波动，如下式所示：

h_m＝μ+η_m

式中：h_m——第m个饱和车头时距样本，单位秒；

μ——实际饱和车头时距，单位秒；

η_m——第m个样本车头时距的随机误差；

考虑到随机误差项η_m的特性，本申请假设其服从于均值为零，方差为

的正态分布，即

加上μ是一个常数，由此可进一步得出，随机变量H的均值和方差应满足下式：

E[H]＝μ

因此，饱和车头时距序列{h_m}是服从于均值为实际饱和车头时距μ，方差为

的正态分布。对所有提取的高峰车头时距序列进行预处理后，合理剔除车头时距异常值，若序列中剩余的数据能通过正态性检验，说明剩余数据服从正态分布，为饱和车头时距序列。

在本申请的实施例中，正态性检验采用基于偏度和峰度统计量的综合检验方法：Jarque-Bera检验，简称JB检验。JB检验基于总体为正态分布时，该统计量近似服从于自由度为2的卡方分布。其统计量如下：

式中，S——表示偏度；

K——表示峰度；

标准正态分布的偏度为0，峰度为3，所以当S＝0，K＝3时，所得统计量最小。原假设H0：数据服从正态分布，备择假设H1：数据不服从正态分布。当原假设成立时，所得即为饱和车头时距序列。

异常车头时距分析

高峰时段提取的车头时距序列经预处理后记为X₀，其中车头时距样本总数记作N₀，第j个样本车头时距表示为X₀(j)，1≤j≤N₀。初始提取的车头时距序列X₀受到较多因素的影响，所得车头时距并不全是饱和车头时距的观测值，存在一定的异常值，需要予以剔除，才能最终获得饱和车头时距。

初始车头时距序列X₀主要包含的异常值有三类。第一，因等待红灯，本周期第一辆通过停止线的车辆与上周期最后一辆通过停止线的车辆的车头时距会异常偏大，大于或等于红灯时长；第二，绿灯启亮阶段，处于排队队列头部的车辆因驾驶员反应时间和车辆加速过程，其车头时距也会较饱和车头时距偏大；第三，绿灯阶段，由于驾驶员的注意力不集中以及车辆到达的随机性，观测到的车头时距也会偏大。

针对上述情况，对于初始观测序列X₀中的第一类异常值，由于其较车头时距序列中剩余样本显著性偏大，故采用K-Means聚类算法能较好地识别出该类型的异常值，并予以剔除，得序列X₁。剔除后的车头时距序列X₁中仍存在第二类和第三类异常值，本申请提出一种迭代算法来消除序列X₁中的异常值，其步骤如下：

Step1初始设i＝1。

Step2对车头时距序列X_i(包括N_i个样本)进行正态性检验，如果正态性检验通过，转至Step5，序列X_i视作饱和车头时距序列；否则转至Step3。

Step3计算车头时距序列X_i的平均值

再计算序列X_i中每个样本与平均值的距离

剔除距离平均值最远的样本，得到新的车头时距序列X_i+1(包括N_i+1个车头时距样本)。

Step4令i＝i+1，转至Step2。

Step5迭代结束。

经最后一次迭代，得到饱和车头时距序列X_m，包括N_m个样本。

提取饱和车头时距的流程图如图2所示。

本发明采用最后得到的饱和车头时距序列X_m的均值来估计实际的饱和车头时距，均值计算如下：

得出实际饱和车头时距估计值

则饱和流率估计值计算如下：

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于卡口数据的交叉口饱和流率计算方法，其特征在于，包括：

对采集的交叉口的卡口数据进行车头时距计算，并对得到的车头时距序列进行周期划分；

对单周期的所述车头时距数据进行预处理，形成初始车头时距序列X₀；

根据正态模型对初始车头时距序列X₀进行检验，获取饱和车头时距序列X_m；

根据所述饱和车头时距序列X_m的均值来估计实际的饱和车头时距，均值计算如下：

得出实际饱和车头时距估计值

则饱和流率估计值计算如下：

其中，N_m—经过m次迭代之后车头时距序列所包含样本数；

X_m—经过m次迭代后的车头时距序列；

j—车头时距序列中每个数据的对应标号，j＝1,2,3,…,N_m。

2.根据权利要求1所述的一种基于卡口数据的交叉口饱和流率计算方法，其特征在于，所述对采集的交叉口的卡口数据进行车头时距计算，包括：

Step1车头时距提取；利用卡口系统所采集到的各个车道的所有过车记录，提取所需的对应车头时距，具体包括以下步骤：

(1)筛选某天某卡口系统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00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别表示时、分、秒；

(2)将转换过的时间t按升序排序；

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

3.根据权利要求2所述的一种基于卡口数据的交叉口饱和流率计算方法，其特征在于，所述对得到的车头时距序列进行周期划分，包括：

Step2信号周期划分；计算本周期绿灯第一辆车与上周期绿灯最后一辆车的过车记录，将较大的异常值视为每个周期的第一车头时距，进而将高峰期车头时距数据按周期划分。

4.根据权利要求3所述的一种基于卡口数据的交叉口饱和流率计算方法，其特征在于，所述对单周期的所述车头时距数据进行预处理，形成初始车头时距序列X₀，包括：

Step3错误数据剔除；对每周期第二与第三车头时距做差，若结果小于零，则视作发生检测系统错误，将整个周期的数据予以剔除；否则，视为正确数据，参与下一步的数据实验。

5.根据权利要求4所述的一种基于卡口数据的交叉口饱和流率计算方法，其特征在于，所述对初始车头时距序列X₀进行正态性检验，包括：

对所述对初始车头时距序列X₀进行Jarque-Bera检验，该统计量近似服从于自由度为2的卡方分布，其统计量如下：

式中，S——表示偏度；

K——表示峰度；

标准正态分布的偏度为0，峰度为3，所以当S＝0，K＝3时，所得统计量最小；原假设H0：数据服从正态分布，备择假设H1：数据不服从正态分布；当原假设成立时，所得即为饱和车头时距序列。

6.根据权利要求5或所述的一种基于卡口数据的交叉口饱和流率计算方法，其特征在于，还包括：

采用K-Means聚类算法剔除所述初始观测序列X₀中的第一类异常值，得到剔除后的车头时距序列X₁。

7.根据权利要求5或6所述的一种基于卡口数据的交叉口饱和流率计算方法，其特征在于，还包括：

用迭代算法来消除所述剔除后的车头时距序列X₁中的第二类异常值和第三类异常值，其步骤如下：

Step1初始设i＝1；

Step2对车头时距序列X_i进行正态性检验，如果正态性检验通过，转至Step5，序列X_i视作饱和车头时距序列；否则转至Step3；

Step3计算车头时距序列X_i的平均值

再计算序列X_i中每个样本与平均值的距离

剔除距离平均值最远的样本，得到新的车头时距序列X_i+1；

Step4令i＝i+1，转至Step2；

Step5迭代结束。

Images