CN113763707B - 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法 - Google Patents

一种基于号牌数据的路段溢流和车道阻挡状态辨识方法 Download PDF

Info

Publication number
CN113763707B
CN113763707B CN202110953889.5A CN202110953889A CN113763707B CN 113763707 B CN113763707 B CN 113763707B CN 202110953889 A CN202110953889 A CN 202110953889A CN 113763707 B CN113763707 B CN 113763707B
Authority
CN
China
Prior art keywords
lane
time
vehicle
vehicles
curve
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
Application number
CN202110953889.5A
Other languages
English (en)
Other versions
CN113763707A (zh
Inventor
孙琳
安成川
夏井新
陆振波
严颖
贺洋
申浩亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110953889.5A priority Critical patent/CN113763707B/zh
Publication of CN113763707A publication Critical patent/CN113763707A/zh
Application granted granted Critical
Publication of CN113763707B publication Critical patent/CN113763707B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于号牌数据的路段溢流和车道阻挡状态辨识方法，该方法根据检测器采集到的车辆身份标识数据，包括时间戳、车牌信息、信号交叉口名称、进口方向、进口车道等信息，获取交通流的到达‑驶离信息；在此基础上，通过卡尔曼滤波模型对交通流的累计到达曲线进行重构；以路段车道上的滞留车辆数和上游交叉口驶离车辆的车头时距为辨识参数，构建路段溢流状态辨识模型；在路段未发生溢流状态下，采用动态时间弯曲法对无车道阻挡状态下的预期累计驶离曲线和实际采集的驶离曲线相似度进行比较，通过时间序列分段法比较左转和相邻直行车道的累计驶离曲线偏移距离，对渠化段车道阻挡状态进行辨识。

Description

一种基于号牌数据的路段溢流和车道阻挡状态辨识方法
技术领域
本发明涉及一种基于号牌数据的路段溢流和车道阻挡状态辨识方法，属于路段溢流和渠化段车道阻挡状态辨识领域。
背景技术
路段溢流状态不仅会影响当前路段的车辆通行，还会蔓延至上游交叉口内部空间，若不进行有效控制，溢流还会呈放射状逐渐蔓延至更上游交叉口乃至局部路网，导致交叉口处拥堵严重甚至局部路网的瘫痪。渠化段车道阻挡状态会严重影响被阻挡车道的车辆通行，浪费相应相位的绿灯时间，降低交叉口的通行能力。路段溢流状态和阻挡状态辨识方法是城市道路拥堵状态判别方法的重要组成部分，也是支撑和开发基于排队控制的智能交通信号实时响应控制算法的重要基础。
现有的路段溢流状态和渠化段阻挡状态辨识方法主要有：(1)基于交叉口上游处布设的断面交通流检测器数据，获取流量、占有率等参数，进而实现对路段溢流、车道阻挡状态的辨识。但该方法需要布设额外的上游断面检测器，成本较高。(2)基于交通供给与需求关系建模。一些研究通过对多车道或流向供需关系建模来描述多车道车流间的交互关系，但该方法依赖于所建立的交通流模型的准确性，在溢流和阻挡状态等复杂交通流交互作用场景下，现有模型的准确性和可靠性无法得到有效保障。
我国城市道路广泛布设卡口式电子警察设备，此类设备采集的车辆身份标识数据已不局限于传统的交通违法行为管理方面，在交通状态建模与辨识、交通管控领域也逐步显现出巨大的应用前景。区别于传统基于固定时间间隔采集的断面交通流数据，车辆身份标识数据可以根据车辆号牌的唯一性特征跟踪车辆的行驶轨迹，实现上下游车辆信息的匹配；也可以准确记录每条车道上车辆驶离交叉口停车线的时间戳，构建车道级的交通流到达-驶离关系。车辆身份标识数据的上述特点为精确获取路段累计车辆数，分析路段不同车道间交通流的相互作用关系，进而实现路段溢流、阻挡状态的准确、可靠辨识提供了可能。
现有的路段溢流状态和渠化段阻挡状态辨识方法缺点在于：
(1)路段溢流状态和渠化段阻挡状态辨识所需的交通流参数多基于断面检测器数据，但断面检测器无法获得车道级的车流到达-驶离关系，难以有效区分不同车辆间的交互作用。
(2)基于多车道或流向供需关系建模的方法依赖于所建立的交通流模型的准确性，且在溢流和阻挡状态等复杂交通流交互作用场景下，常规的模型较难描述多个车道之间车流的交互关系，难以实现对溢流和阻挡状态的准确辨识。
发明内容
本发明所要解决的技术问题是：提供一种基于号牌数据的路段溢流和车道阻挡状态辨识方法，基于卡口式电子警察采集的车辆身份标识数据，对路段溢流状态和渠化段车道阻挡状态进行辨识。
本发明为解决上述技术问题采用以下技术方案：
一种基于号牌数据的路段溢流和车道阻挡状态辨识方法，包括如下步骤：
步骤1，获取车辆身份标识数据、信号交叉口交通信号控制配时数据及道路静态信息；
步骤2，根据车辆身份标识数据区分路段车道上到达信息真实车辆与到达信息缺失车辆；
步骤3，根据到达信息真实车辆的身份标识数据，得到最优卡尔曼滤波曲线，根据最优卡尔曼滤波曲线，对路段车道上所有车辆累计到达曲线进行重构；
步骤4，根据车辆重构累计到达曲线，以路段车道滞留车辆数和上游交叉口驶离车辆车头时距作为辨识参数，对路段车道溢流状态进行辨识，若路段车道未处于溢流状态则进入步骤5；
步骤5，根据车辆重构累计到达曲线和交通信号控制配时数据，考虑路段交通需求和绿灯信号阶段车辆消散能力的不同，采用动态时间弯曲算法对无车道阻挡状态的预期累计驶离曲线和实际累计驶离曲线相似度进行比较，利用时间序列分段算法比较左转车道和相邻直行车道的累计驶离曲线偏移距离，对渠化段车道阻挡状态进行辨识。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明基于车辆身份标识数据，构建车道级的车辆到达-驶离关系，精确获取路段累计车辆数、分析路段不同车道间交通流的相互作用，采用数据驱动的方法，不依赖交通流模型建模的准确性，提高路段溢流、渠化段阻挡通行状态辨识的准确性和可靠性。
2、本发明无需布设上游断面检测器，充分利用了现有城市道路广泛布设的卡口式电子警察设备及其采集的车辆身份标识数据，实现了路段溢流、渠化段阻挡通行状态的辨识。所提出的方法可以快速地形成应用，实现成本低。
附图说明
图1是本发明一种基于号牌数据的路段溢流和车道阻挡状态辨识方法的流程图。
图2是本发明实施例测试路段实测累计到达-驶离曲线。
图3是本发明实施例路段车道溢流状态辨识结果。
图4是本发明实施例直行车道累计到达-驶离曲线。
图5是本发明实施例左转车道和相邻直行车道的累计驶离曲线动态时间弯曲距离比较。
图6是本发明实施例渠化段车道阻挡状态辨识结果。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
术语解释：车辆身份标识数据，是由卡口式电子警察系统通过车辆检测、图像采集、牌照定位、牌照字符分割和牌照字符识别等技术采集的车辆号牌数据。路段溢流状态，指某段时间内，路段上某车道累计的车辆排队长度大于路段长度，排队车辆从该路段溢出的现象。渠化段阻挡状态，信号交叉口进口道的拓宽会形成短路段，当不同转向的车辆在红灯信号阶段排队长度超过短车道时，共用车道后续到达的车辆可能被阻挡的现象。车辆累计到达-驶离曲线，描述了从任意初始时刻开始到t时刻，通过上游交叉口停车线驶向下游交叉口的累计车辆数与时间的关系，以及通过路段下游交叉口停车线的累计车辆数和时间的关系。动态时间弯曲，基于非线性动态规划的一种模式匹配算法，可用于比较两个时间序列相似性的常见算法。FIFO规则，即先进先出(First-In-First-Out)规则，对于从上游信号交叉口停车线驶入路段并从下游交叉口停车线驶离路段的不同车辆，总是率先从上游驶入的车辆率先驶离路段。
如图1所示，为本发明提出的一种基于号牌数据的路段溢流和车道阻挡状态辨识方法的流程图，包括以下步骤：
S1获取车辆身份标识数据、信号交叉口交通信号控制配时数据及道路静态信息；具体如下：
S11获取卡口式电子警察采集的车辆身份标识数据，主要用到的数据字段包括交叉口编号、进口道编号、设备编号、车道编号、日期、检测时间、车牌号码等，此外还要获取信号交叉口交通信号控制配时数据及道路静态信息；
S12将车辆身份标识数据按日期及检测时间依次排序，并和信号交叉口交通信号控制配时数据及道路静态信息相匹配。
S2根据车辆身份标识数据标记未匹配车辆与违反FIFO规则车辆，即到达信息缺失车辆；具体为：
S21根据下游交叉口某车道上驶离车辆的时间戳序列建立车辆索引(k＝1,2,…,n)，根据每辆车的驶离时刻
Figure BDA0003219647710000041
和车道累计驶离车辆数
Figure BDA0003219647710000042
绘制单车道累计驶离曲线；
S22根据下游交叉口驶离车辆的身份标识数据，在匹配时间窗阈值范围内，寻找该车辆驶离上游交叉口的时间戳，记为车辆k的到达时刻
Figure BDA0003219647710000043
因此原始累计到达曲线为
Figure BDA0003219647710000044
且
Figure BDA0003219647710000045
若满足以下条件之一时：
(1)车辆k在上游交叉口无法匹配(未匹配的车辆)；
(2)
Figure BDA0003219647710000046
(违反FIFO规则的车辆)。
标记为“到达信息缺失车辆”，用符号j标记，且到达信息缺失车辆满足条件：
Figure BDA0003219647710000051
S23根据下游交叉口驶离车辆的身份标识数据，将满足FIFO规则且在上下游交叉口车辆号牌匹配的车辆k记为“到达信息真实车辆”，用符号i标记，且
Figure BDA0003219647710000052
则所有到达车辆分为两类：到达信息真实车辆i和到达信息缺失车辆j，n＝nm+num。
S3根据车辆身份标识数据，利用卡尔曼滤波模型对车辆累计到达曲线进行重构，并对到达信息缺失车辆进行数据补全；
(1)卡尔曼滤波模型具体方程如下：
①卡尔曼滤波模型的状态方程为：
Figure BDA0003219647710000053
其中，设
Figure BDA0003219647710000054
时刻系统状态变量
Figure BDA0003219647710000055
为累计到达车辆数
Figure BDA0003219647710000056
和累计车辆到达的增长率
Figure BDA0003219647710000057
组成的二维向量，即
Figure BDA0003219647710000058
Figure BDA0003219647710000059
为累计到达曲线上第i-1辆车与第i辆车之间的曲线斜率，
Figure BDA00032196477100000510
为
Figure BDA00032196477100000511
时刻到
Figure BDA00032196477100000512
时刻的状态转移矩阵，
Figure BDA00032196477100000513
Figure BDA00032196477100000514
为
Figure BDA00032196477100000515
时刻的系统随机噪声，
Figure BDA00032196477100000516
Figure BDA00032196477100000517
指白高斯噪声，表示第i-1辆车与第i辆车之间的累计到达曲线增长加速度，
Figure BDA00032196477100000518
表示从时刻
Figure BDA00032196477100000519
到时刻
Figure BDA00032196477100000520
的时间步长，即
Figure BDA00032196477100000521
②卡尔曼滤波模型的观测方程为：
Figure BDA00032196477100000522
其中，
Figure BDA00032196477100000523
为
Figure BDA00032196477100000524
时刻的系统观测变量，即累计车辆数，
Figure BDA00032196477100000525
为
Figure BDA00032196477100000526
时刻的观测矩阵，
Figure BDA00032196477100000527
Figure BDA00032196477100000528
为
Figure BDA00032196477100000529
时刻的观测噪声。
(2)卡尔曼滤波模型的迭代求解为：
①令
Figure BDA00032196477100000530
初始化状态变量
Figure BDA00032196477100000531
状态转移矩阵
Figure BDA00032196477100000532
和观测矩阵
Figure BDA00032196477100000533
②设状态变量
Figure BDA00032196477100000534
初始化系统随机噪声的协方差矩阵
Figure BDA00032196477100000535
和观测噪声协方差矩阵
Figure BDA00032196477100000536
③计算状态变量的先验估计
Figure BDA0003219647710000061
Figure BDA0003219647710000062
④计算先验估计的误差协方差
Figure BDA0003219647710000063
Figure BDA0003219647710000064
Figure BDA0003219647710000065
⑤计算卡尔曼增益
Figure BDA0003219647710000066
Figure BDA0003219647710000067
⑥更新先验估计，得到最优估计值
Figure BDA0003219647710000068
Figure BDA0003219647710000069
⑦更新最优估计值的协方差误差
Figure BDA00032196477100000610
Figure BDA00032196477100000611
⑧令i＝i+1，若i>nm，则停止计算，得到最优卡尔曼滤波曲线，实现累计到达曲线重构。
S4根据车辆累计到达重构曲线，以路段车道滞留车辆数Nst和上游交叉口驶离车辆车头时距h作为辨识参数，当同时满足以下条件时：
(1)Nst≥Nm，Nm为可容纳车辆数；
(2)h≥经验阈值；
则该路段车道处于溢流状态。
辨识参数的获取包括以下步骤：
S41根据重构累计到达曲线和实际累计驶离曲线获取路段单车道在t时刻的滞留车辆数Nst：
Nst＝Narr t-Ndep t
其中，Narr t为t时刻车道上的累计到达车辆数，即上游交叉口的左转车辆、直行车辆与右转车辆驶向下游某路段某车道的累计车辆数；Ndep t为t时刻车道上的累计驶离车辆数，即从下游交叉口该路段该车道停车线处驶离的累计车辆数。
获取路段车道可容纳车辆数Nm：
Figure BDA00032196477100000612
其中，Llane为路段车道长度；
Figure BDA00032196477100000613
为排队状态下的平均车头间距，
Figure BDA00032196477100000614
其中lcar指平均车身长度，Hcar指平均停车间距，因此
Figure BDA00032196477100000615
可由路段车道车型比例的历史数据估算而得。
S42根据车辆身份标识数据，获取所有车辆的车头时距ht：
Figure BDA0003219647710000071
其中，
Figure BDA0003219647710000072
为某进口道上第k辆车驶离停止线的时刻，
Figure BDA0003219647710000073
为同一条进口道上第k-1辆车驶离停止线的时刻。
计算各车道周期内饱和车头时距ht sat＝max{ht}，计算上游交叉口进口道所有周期驶离车辆的饱和车头时距最大值ht max＝max{ht sat}。确定上游交叉口驶离车辆的车头时距指标h为上游交叉口进口道的周期饱和车头时距最大值与该车道饱和车头时距的比值，即h＝ht max/ht sat。
S5根据车辆累计到达重构曲线和交通信号控制数据，考虑路段交通需求和绿灯信号阶段车辆消散能力的不同，采用动态时间弯曲算法对无车道阻挡状态的预期累计驶离曲线和实际采集的累计驶离曲线相似度进行比较，利用时间序列分段算法比较左转车道和相邻直行车道的累计驶离曲线偏移距离，对渠化段车道阻挡状态进行辨识，包含如下步骤：
S51无车道阻挡状态下的预期累计驶离曲线估计
(1)确定当前周期c的到达车辆数，提取车辆累计到达曲线上对应时间区间
Figure BDA0003219647710000074
内的车辆坐标点，并计算周期c到达车辆数
Figure BDA0003219647710000075
其中tr为周期开始时刻(即红灯开始时刻)，t′g为周期结束时刻(即绿灯结束时刻)，vf为路段自由流速度；
(2)判断当前周期的车辆能否完全释放：
①若
Figure BDA0003219647710000076
则当前周期到达车辆数与上一个周期剩余车辆数之和小于该周期绿灯可消散车辆数(第一种情况)；
②若
Figure BDA0003219647710000077
则当前周期到达车辆数与上一个周期剩余车辆数之和大于或等于该周期绿灯可消散车辆数(第二种情况)；
其中ΔNc-1为上一个周期滞留未消散的车辆数，hts为饱和车头时距，tg与t′g分别为当前周期绿灯的开始和结束时间。
(3)无阻挡车辆累计驶离曲线在红灯时间内的部分估计为水平直线，直线的起点为红灯开始时刻tr，终点为绿灯的开始时刻tg，考虑到绿灯开始时的车辆启动损失时间tsl，终点可以设定为tg+tsl；
(4)若步骤(2)判断为第一种情况，确定临界点位置，临界点之前的驶离曲线估计为斜率为
Figure BDA0003219647710000081
的直线，临界点之后的曲线为到达曲线向右平移
Figure BDA0003219647710000082
得到；若步骤(2)判断为第二种情况，通过饱和驶离流率和有效绿灯时间估计累计驶离曲线(累计车辆数)；
(5)计算当前周期的剩余车辆数，并进入下一个周期的无阻挡车辆累计驶离曲线估计，直到所有周期估计结束。
S52基于动态时间弯曲算法的无车道阻挡状态预期累计驶离曲线和实际累计驶离曲线相似度比较
(1)根据无车道阻挡状态的预期驶离时间序列
Figure BDA0003219647710000083
和下游交叉口实际采集的车辆身份标识数据得到实际的驶离时间序列
Figure BDA0003219647710000084
将De和Da两个时间序列的数据点时序索引分别记作p和q，其中p＝1,2,…,N,q＝1,2,…,M，计算两个时间序列中所有观测值两两之间的局部距离后可以得到费用矩阵
Figure BDA0003219647710000085
(2)在费用矩阵Dc中计算两条曲线的平均累计扭曲值：
Figure BDA0003219647710000086
其中，dΩ为平均累计扭曲值，Ω(l)为在费用矩阵Dc中连接所有局部距离d(p,q)的路径；
(3)分别计算信号交叉口左转进口道和相邻直行进口道在各周期的车辆累计驶离曲线DTW距离：
Figure BDA0003219647710000087
其中，C为周期总数，
Figure BDA0003219647710000088
和
Figure BDA0003219647710000089
分别为第c周期左转车道和相邻直行车道，在无车道阻挡状态下估计的车辆累计驶离曲线和实际采集的车辆累计驶离曲线之间的动态时间弯曲距离。
S53基于时间序列分段算法的左转和相邻直行车道DTW距离比较
(1)使用时间序列分段算法将左转车道和相邻直行车道的驶离曲线DTW划分为一系列离散段；
①提取左转车道和相邻直行车道的车辆累计驶离曲线DTW距离；
②构建参数型成本函数：
Figure BDA0003219647710000091
其中，ya…b表示从a时刻到b时刻，车辆累计驶离曲线DTW距离；CM(ya…b)表示从a时刻到b时刻，车辆累计驶离曲线DTW距离的成本函数，
Figure BDA0003219647710000092
表示从a时刻到b时刻，车辆累计驶离曲线DTW距离的均值。
③判断突变点数目；
④确定目标函数：由于渠化段车道阻挡状态辨识的突变点数目不确定，因此，目标函数为：
min(V(T)+pen(T))
Figure BDA0003219647710000093
其中，惩罚函数pen(T)和目标函数V(T)的计算为：
Figure BDA0003219647710000094
Figure BDA0003219647710000095
其中，β为平滑参数；th指全时间样本T中第h个时间段；
Figure BDA0003219647710000096
指从第h-1个时间段到第h个时间段，DTW距离的经验均值；
Figure BDA0003219647710000097
指从第h-1个时间段到第h个时间段，DTW的成本函数；
Figure BDA0003219647710000098
为时间序列分段算法输出的DTW距离序列发生突变的时刻，即发生渠化段阻挡状态的时刻。
⑤采用动态规划搜索算法对DTW距离的突变点进行识别。
S54渠化段左转车道和相邻直行车道间的阻挡关系判断
结合步骤S53中时间序列分段算法输出的车辆累计驶离曲线DTW距离序列发生突变的时刻，即发生渠化段车道阻挡状态的时刻，若满足如下条件时：
(1)直行车道的驶离曲线DTW距离大于第一阈值，且左转车道和相邻直行车道的DTW距离曲线间的面积大于第二阈值，则左转车辆阻挡直行车辆行驶状态；
(2)左转车道的驶离曲线DTW距离大于第三阈值，且左转车道和相邻直行车道的DTW距离曲线间的面积大于第四阈值，则直行车辆阻挡左转车辆行驶状态；
(3)左转车道的驶离曲线DTW距离小于第三阈值，且相邻直行车道的驶离曲线DTW距离小于第一阈值，则无车道阻挡状态。
实施例
(1)步骤S1中的江苏省昆山市车辆身份标识数据如表1所示，信号交叉口交通信号控制配时数据如表2所示。
表1车辆身份标识数据样例
FACILITY_ID DATE TIME PLATE DIRECTIONN LANE
4 2019/1/5 6:33:28 苏E***** 0 1
4 2019/1/5 6:34:01 苏E***** 0 2
4 2019/1/5 6:35:00 苏E***** 0 1
4 2019/1/5 6:35:20 苏E***** 0 2
4 2019/1/5 6:35:25 苏E***** 0 2
4 2019/1/5 6:39:19 苏E***** 0 1
4 2019/1/5 6:40:43 苏E***** 0 1
表2信号交叉口信号配时方案表
Figure BDA0003219647710000101
(2)步骤S3中选用昆山市前进路上某一路段的车辆身份识别数据，得到重构累计到达曲线如图2所示。
(3)步骤S4中路段车道溢流状态辨识结果如图3所示。
(4)步骤S5中无车道阻挡状态下的车辆累计驶离曲线和实际累计驶离曲线如图4所示。
(5)步骤S5中左转车道和相邻直行车道DTW距离计算结果如图5所示。
(6)步骤S5中渠化段车道相互阻挡状态的判别结果如图6所示。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (1)

1.一种基于号牌数据的路段溢流和车道阻挡状态辨识方法，其特征在于，包括如下步骤：
步骤1，获取车辆身份标识数据、信号交叉口交通信号控制配时数据及道路静态信息；具体过程如下：
S11，获取卡口式电子警察采集的车辆身份标识数据，包括交叉口编号、进口道编号、设备编号、车道编号、日期、检测时间及车牌号码，此外还要获取信号交叉口交通信号控制配时数据及道路静态信息；
S12，将车辆身份标识数据按日期及检测时间依次排序，并与信号交叉口交通信号控制配时数据及道路静态信息相匹配；
步骤2，根据车辆身份标识数据区分路段车道上到达信息真实车辆与到达信息缺失车辆；具体过程如下：
S21，根据下游交叉口车道上驶离车辆的时间戳序列建立车辆索引，根据每辆车的驶离时刻
Figure FDA0003714784310000011
和车道累计驶离车辆数
Figure FDA0003714784310000012
绘制单车道累计驶离曲线；
S22，根据下游交叉口驶离车辆的身份标识数据，在匹配时间窗阈值范围内，寻找车辆驶离上游交叉口的时间戳，记为车辆k的到达时刻
Figure FDA0003714784310000013
则原始累计到达曲线为
Figure FDA0003714784310000014
且
Figure FDA0003714784310000015
Figure FDA0003714784310000016
为车道累计到达车辆数，若车辆满足以下条件之一：(1)车辆在上游交叉口无法匹配，即车辆在上下游交叉口间的号牌不匹配；
Figure FDA0003714784310000017
即违反FIFO规则；则标记为到达信息缺失车辆，用符号j表示，j＝1,2,…,num，num为到达信息缺失车辆的数量；
S23，将满足上下游交叉口间车辆号牌匹配且遵循FIFO规则的车辆标记为到达信息真实车辆，用符号i表示，i＝1,2,…,nm，n＝nm+num，nm为到达信息真实车辆的数量，n为车辆的总数量；
步骤3，根据到达信息真实车辆的身份标识数据，得到最优卡尔曼滤波曲线，根据最优卡尔曼滤波曲线，对路段车道上所有车辆累计到达曲线进行重构；具体过程如下：
S31，构建卡尔曼滤波模型：
①卡尔曼滤波模型的状态方程为：
Figure FDA0003714784310000021
其中，设
Figure FDA0003714784310000022
时刻系统状态变量
Figure FDA0003714784310000023
为累计到达车辆数
Figure FDA0003714784310000024
和累计车辆到达的增长率
Figure FDA0003714784310000025
组成的二维向量，即
Figure FDA0003714784310000026
Figure FDA0003714784310000027
为累计到达曲线上第i-1辆车与第i辆车之间的曲线斜率，
Figure FDA0003714784310000028
为
Figure FDA0003714784310000029
时刻到
Figure FDA00037147843100000210
时刻的状态转移矩阵，
Figure FDA00037147843100000211
Figure FDA00037147843100000212
为
Figure FDA00037147843100000213
时刻的系统随机噪声，
Figure FDA00037147843100000214
Figure FDA00037147843100000215
为白高斯噪声，表示第i-1辆车与第i辆车之间的累计到达曲线增长加速度，
Figure FDA00037147843100000216
表示从
Figure FDA00037147843100000217
时刻到
Figure FDA00037147843100000218
时刻的时间步长，即
Figure FDA00037147843100000219
②卡尔曼滤波模型的观测方程为：
Figure FDA00037147843100000220
其中，
Figure FDA00037147843100000221
为
Figure FDA00037147843100000222
时刻的系统观测变量，即累计车辆数，
Figure FDA00037147843100000223
为
Figure FDA00037147843100000224
时刻的观测矩阵，
Figure FDA00037147843100000225
Figure FDA00037147843100000226
为
Figure FDA00037147843100000227
时刻的观测噪声；
S32，对卡尔曼滤波模型进行迭代求解：
①令
Figure FDA00037147843100000228
初始化状态变量
Figure FDA00037147843100000229
状态转移矩阵
Figure FDA00037147843100000230
和观测矩阵
Figure FDA00037147843100000231
②设状态变量
Figure FDA00037147843100000232
初始化系统随机噪声的协方差矩阵
Figure FDA00037147843100000233
和观测噪声协方差矩阵
Figure FDA00037147843100000234
③计算状态变量的先验估计
Figure FDA00037147843100000235
Figure FDA00037147843100000236
④计算先验估计的误差协方差
Figure FDA00037147843100000237
Figure FDA00037147843100000238
Figure FDA00037147843100000239
⑤计算卡尔曼增益
Figure FDA00037147843100000240
Figure FDA00037147843100000241
⑥更新先验估计，得到最优估计值
Figure FDA00037147843100000242
Figure FDA00037147843100000243
⑦更新最优估计值的协方差误差
Figure FDA0003714784310000031
Figure FDA0003714784310000032
⑧令i＝i+1，若i>nm，则停止计算，得到最优卡尔曼滤波曲线，实现累计到达曲线重构；
步骤4，根据车辆重构累计到达曲线，以路段车道滞留车辆数和上游交叉口驶离车辆车头时距作为辨识参数，对路段车道溢流状态进行辨识，若路段车道未处于溢流状态则进入步骤5；具体过程如下：
S41，根据重构累计到达曲线和实际累计驶离曲线获取路段某车道在t时刻的滞留车辆数Ns t：
Ns t＝Narr t-Ndep t
其中，Narr t为t时刻路段某车道上的累计到达车辆数，即路段上游交叉口的左转车辆、直行车辆与右转车辆驶向路段某车道的累计车辆数；Ndep t为t时刻路段某车道上的累计驶离车辆数，即从路段下游交叉口某车道停车线处驶离的累计车辆数；
路段车道可容纳车辆数Nm：
Figure FDA0003714784310000033
其中，Llane为路段车道长度；
Figure FDA0003714784310000034
为排队状态下的平均车头间距，
Figure FDA0003714784310000035
lcar为平均车身长度，Hcar为平均停车间距；
S42，根据车辆身份标识数据，获取所有车辆的车头时距ht：
Figure FDA0003714784310000036
其中，
Figure FDA0003714784310000037
为某进口道上第k辆车驶离停止线的时刻，
Figure FDA0003714784310000038
为同一条进口道上第k-1辆车驶离停止线的时刻；
计算各车道周期内饱和车头时距ht sat＝max{ht}，以及上游交叉口进口道所有周期驶离车辆的饱和车头时距最大值ht max＝max{ht sat}，上游交叉口驶离车辆车头时距h为上游交叉口进口道的周期饱和车头时距最大值与该车道周期内饱和车头时距的比值，即h＝ht max/ht sat；
S43，当同时满足以下两个条件时：(1)Ns t≥Nm，Nm为路段车道可容纳车辆数；(2)h≥预设阈值；判断路段车道处于溢流状态，否则判断该路段车道未处于溢流状态，进入步骤5；
步骤5，根据车辆重构累计到达曲线和交通信号控制配时数据，考虑路段交通需求和绿灯信号阶段车辆消散能力的不同，采用动态时间弯曲算法对无车道阻挡状态的预期累计驶离曲线和实际累计驶离曲线相似度进行比较，利用时间序列分段算法比较左转车道和相邻直行车道的累计驶离曲线偏移距离，对渠化段车道阻挡状态进行辨识；具体过程如下：
S51，无车道阻挡状态下的预期累计驶离曲线估计：
(1)确定当前周期c的到达车辆数，提取车辆累计到达曲线上对应时间区间
Figure FDA0003714784310000041
内的车辆坐标点，并计算周期c到达车辆数
Figure FDA0003714784310000042
其中tr为周期开始时刻即红灯开始时刻，t′g为周期结束时刻即绿灯结束时刻，vf为路段自由流速度；
(2)判断当前周期的车辆能否完全释放：
若
Figure FDA0003714784310000043
则当前周期到达车辆数与上一个周期剩余车辆数之和小于该周期绿灯可消散车辆数，即当前周期的车辆能完全释放；
若
Figure FDA0003714784310000044
则当前周期到达车辆数与上一个周期剩余车辆数之和大于或等于该周期绿灯可消散车辆数，即当前周期的车辆不能完全释放；
其中，ΔNc-1为上一个周期滞留未消散的车辆数，ht s为饱和车头时距，tg为当前周期绿灯的开始时刻；
(3)无车道阻挡状态下车辆预期累计驶离曲线在红灯时间内的部分估计为水平直线，且直线的起点为红灯开始时刻tr，终点为tg+tsl，tsl为绿灯开始时的车辆启动损失时间；
(4)若当前周期的车辆能完全释放，则确定临界点位置，临界点之前的预期驶离曲线估计为斜率为
Figure FDA0003714784310000045
的直线，临界点之后的曲线为累计到达曲线向右平移
Figure FDA0003714784310000046
得到；若当前周期的车辆不能完全释放，通过饱和驶离流率和有效绿灯时间估计预期累计驶离曲线；
(5)计算当前周期的剩余车辆数，并进入下一周期的无车道阻挡状态下车辆预期累计驶离曲线估计，直到所有周期估计结束；
S52，基于动态时间弯曲算法对无车道阻挡状态预期累计驶离曲线和实际累计驶离曲线的相似度进行比较：
(1)根据无车道阻挡状态的预期驶离时间序列
Figure FDA0003714784310000051
和下游交叉口实际采集的车辆身份标识数据得到实际驶离时间序列
Figure FDA0003714784310000052
计算两个时间序列中所有观测值两两之间的局部距离得到费用矩阵
Figure FDA0003714784310000053
Figure FDA0003714784310000054
p＝1,2,…,N,q＝1,2,…,M，d(p,q)为观测值
Figure FDA0003714784310000055
与
Figure FDA0003714784310000056
间的局部距离，N、M分别是时间序列De和Da的数量；
(2)在费用矩阵Dc中计算两条曲线的平均累计扭曲值：
Figure FDA0003714784310000057
其中，dΩ为平均累计扭曲值，Ω(l)为在费用矩阵Dc中连接所有局部距离d(p,q)的路径，L为路径数量；
(3)分别计算信号交叉口左转车道和相邻直行车道在各周期的车辆累计驶离曲线偏移距离：
Figure FDA0003714784310000058
其中，DTWint为信号交叉口在所有周期内的车辆累计驶离曲线偏移距离时间序列，C为周期总数，
Figure FDA0003714784310000059
为第c周期左转车道在无车道阻挡状态下的车辆累计驶离曲线和实际采集的车辆累计驶离曲线之间的动态时间弯曲距离，
Figure FDA00037147843100000510
为第c周期相邻直行车道在无车道阻挡状态下的车辆累计驶离曲线和实际采集的车辆累计驶离曲线之间的动态时间弯曲距离；
S53，基于时间序列分段算法对左转车道和相邻直行车道的累计驶离曲线偏移距离进行比较：
(1)使用时间序列分段算法将左转车道和相邻直行车道的累计驶离曲线偏移距离划分为一系列离散段；
①提取左转车道和相邻直行车道的车辆累计驶离曲线偏移距离；
②构建参数型成本函数：
Figure FDA00037147843100000511
其中，ya…b表示从a时刻到b时刻车辆累计驶离曲线偏移距离，CM(ya…b)表示从a时刻到b时刻车辆累计驶离曲线偏移距离的成本函数，
Figure FDA00037147843100000512
表示从a时刻到b时刻车辆累计驶离曲线偏移距离的均值，yt为时间序列样本；
③判断突变点数目；
④确定目标函数：
min(V(T)+pen(T))
Figure FDA0003714784310000061
其中，惩罚函数pen(T)和目标函数V(T)的计算为：
Figure FDA0003714784310000062
Figure FDA0003714784310000063
其中，β为平滑参数；th为全时间样本T中第h个时间段；
Figure FDA0003714784310000064
为从第h-1个时间段到第h个时间段偏移距离的经验均值；
Figure FDA0003714784310000065
为从第h个时间段到第h+1个时间段偏移距离的经验均值；
Figure FDA0003714784310000066
为从第h-1个时间段到第h个时间段偏移距离的成本函数；
Figure FDA0003714784310000067
为时间序列分段算法输出的偏移距离序列发生突变的时刻，即发生渠化段车道阻挡状态的时刻；
⑤采用动态规划搜索算法对偏移距离的突变点进行识别；
S54，渠化段左转车道和相邻直行车道间的阻挡关系判断：
结合S53中时间序列分段算法输出的车辆累计驶离曲线偏移距离序列发生突变的时刻，即发生渠化段车道阻挡状态的时刻，若满足如下条件时：
(1)相邻直行车道的累计驶离曲线偏移距离大于第一阈值，且左转车道和相邻直行车道的偏移距离曲线间的面积大于第二阈值，则左转车辆阻挡直行车辆行驶状态；
(2)左转车道的累计驶离曲线偏移距离大于第三阈值，且左转车道和相邻直行车道的偏移距离曲线间的面积大于第四阈值，则直行车辆阻挡左转车辆行驶状态；
(3)左转车道的累计驶离曲线偏移距离小于第三阈值，且相邻直行车道的累计驶离曲线偏移距离小于第一阈值，则无车道阻挡状态。
CN202110953889.5A 2021-08-19 2021-08-19 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法 Active CN113763707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110953889.5A CN113763707B (zh) 2021-08-19 2021-08-19 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110953889.5A CN113763707B (zh) 2021-08-19 2021-08-19 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法

Publications (2)

Publication Number Publication Date
CN113763707A CN113763707A (zh) 2021-12-07
CN113763707B true CN113763707B (zh) 2022-08-16

Family

ID=78790500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110953889.5A Active CN113763707B (zh) 2021-08-19 2021-08-19 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法

Country Status (1)

Country Link
CN (1) CN113763707B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114512000A (zh) * 2022-01-11 2022-05-17 海南省设计研究院有限公司 一种具有连续交通信息检测功能的智慧综合杆
CN116721551B (zh) * 2023-05-04 2024-05-14 东南大学 基于号牌识别数据的车道级到达曲线历史和实时重构方法
CN116340433B (zh) * 2023-05-31 2023-07-28 中国水利水电第七工程局有限公司 施工监测信息存储计算方法、存储介质、设备及系统
CN117951487A (zh) * 2024-03-27 2024-04-30 鱼快创领智能科技(南京)有限公司 基于云计算的重型货运车辆总重辨识及置信度评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004077377A1 (fr) * 2003-02-27 2004-09-10 Shaopeng Yang Procede de regulation de la circulation routiere et installations routieres
CN109191872A (zh) * 2018-10-09 2019-01-11 东南大学 一种基于号牌数据的路口交通流特征参数提取方法
CN110334666A (zh) * 2019-07-10 2019-10-15 北京工业大学 一种基于双摄像机的交叉口分车道详细交通参数采集方法
CN111932915A (zh) * 2020-06-03 2020-11-13 东南大学 一种基于到达时间步进式预测的公交右转合乘信号优先方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7009438B2 (ja) * 2016-07-07 2022-01-25 アスペン テクノロジー インコーポレイテッド 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004077377A1 (fr) * 2003-02-27 2004-09-10 Shaopeng Yang Procede de regulation de la circulation routiere et installations routieres
CN109191872A (zh) * 2018-10-09 2019-01-11 东南大学 一种基于号牌数据的路口交通流特征参数提取方法
CN110334666A (zh) * 2019-07-10 2019-10-15 北京工业大学 一种基于双摄像机的交叉口分车道详细交通参数采集方法
CN111932915A (zh) * 2020-06-03 2020-11-13 东南大学 一种基于到达时间步进式预测的公交右转合乘信号优先方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
入口匝道与毗邻交叉口交通流关联度模型;严妍等;《兰州交通大学学报》;20190415(第02期);全文 *
城市交通控制中的数据采集研究综述;王殿海等;《交通运输系统工程与信息》;20200615(第03期);全文 *
面向交通拥堵的车辆鲁棒检测及分车道到达累计曲线估计;辛乐等;《北京工业大学学报》(第08期);全文 *

Also Published As

Publication number Publication date
CN113763707A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN113763707B (zh) 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法
CN111079590B (zh) 一种无人驾驶车辆的周边车辆行为预判方法
CN111310583B (zh) 一种基于改进的长短期记忆网络的车辆异常行为识别方法
CN112512890B (zh) 一种异常驾驶行为识别方法
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
CN110717433A (zh) 一种基于深度学习的交通违规分析方法及装置
CN109191849B (zh) 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN103235933A (zh) 一种基于隐马尔科夫模型的车辆异常行为检测方法
CN110705484B (zh) 利用行车轨迹识别连续变更车道违法行为的方法
CN107310550A (zh) 道路交通工具行驶控制方法和装置
CN104951764A (zh) 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法
CN106097717A (zh) 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法
CN110766940A (zh) 道路信号交叉口运行状况评估方法
CN111797768A (zh) 一种城市道路交通拥堵多原因自动实时识别方法及系统
Revilloud et al. A lane marker estimation method for improving lane detection
CN112116813B (zh) 状态识别模型建立方法、道路交通状态识别方法及装置
CN116704750B (zh) 一种基于聚类算法的交通状态识别方法、电子设备、介质
Shan et al. Vehicle collision risk estimation based on RGB-D camera for urban road
CN116224317A (zh) 非机动车运动轨迹的预测方法、装置及相关设备
CN115092138A (zh) 基于自然驾驶人特性的车辆高速公路换道轨迹规划方法
Zou et al. A reliable hybrid prediction model for real-time travel time prediction with widely spaced detectors
Sayed et al. A novel approach for diagnosing road safety issues using automated computer vision techniques
Zekany et al. Finding and indexing vehicle maneuvers from dashboard camera video
Kahaki et al. Incident and traffic-bottleneck detection algorithm in high-resolution remote sensing imagery
Kandalkar et al. Review on Image Processing Based Vehicle Detection & Tracking System

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