CN113851006B - 基于多源数据融合的交叉口实时交通状态估计方法及系统 - Google Patents
基于多源数据融合的交叉口实时交通状态估计方法及系统 Download PDFInfo
- Publication number
- CN113851006B CN113851006B CN202111022996.2A CN202111022996A CN113851006B CN 113851006 B CN113851006 B CN 113851006B CN 202111022996 A CN202111022996 A CN 202111022996A CN 113851006 B CN113851006 B CN 113851006B
- Authority
- CN
- China
- Prior art keywords
- model
- flow
- lane
- data
- cell
- 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
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/083—Controlling the allocation of time between phases of a cycle
-
- 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
本发明公开了基于多源数据融合的交叉口实时交通状态估计方法及系统,方法包括:根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞;根据目标影响因素对所述元胞传输模型进行优化,得到改进的元胞传输模型;所述目标影响因素包括排队消散过程、分流过程、可选择性换道和合用车道;根据所述改进的元胞传输模型建立系统模型;根据固定检测器数据和车辆轨迹数据建立测量模型;根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计;根据所述后验估计的结果,计算交通道路中各个车道组的排队长度。本发明鲁棒性好、可解释性强且适用范围广,可广泛应用于交通控制技术领域。
Description
技术领域
本发明涉及交通控制技术领域,尤其是基于多源数据融合的交叉口实时交通状态估计方法及系统。
背景技术
信号控制交叉口作为城市交通系统的重要组成部分,是影响城市道路运行效率的决定性因素。实时、准确的交通状态信息则是交叉口优化的前提条件和重要输入,对有效缓解交通具有重要意义。交通状态信息的获取主要依托于交通状态检测技术和交通状态估计技术。其中,现有的交通状态检测技术大多利用固定检测器(地磁线圈、电警卡口等)、浮动车以及无线通信等技术采集车辆的运动信息。然而现有的检测技术大多只能获取有限时空范围内的交通数据、且往往受噪声干扰,因此需要通过交通状态估计技术反映交通状态的实际演化过程。
基于贝叶斯滤波框架的数据同化技术是交通状态估计中最有效的方法之一,其通过引入系统模型和测量模型,利用检测技术观测的部分含噪声的数据,对系统模型预测的交通状态进行修正,进而提高交通状态估计精度。这类方法的估计精度很大程度上取决于系统模型的准确性和观测数据蕴含的信息量。然而现有技术在系统模型方面大多采用简化的交通流模型,以路段为研究单元,未能充分考虑信控交叉口渠化区空间排队特征的影响,对交通流演化规律的描述不够准确;在测量模型方面大多利用定点检测器或浮动车等单源数据,未能充分利用新兴的智能网联车辆轨迹数据以及进一步融合多源数据。
发明内容
有鉴于此,本发明实施例提供一种精度高的,基于多源数据融合的交叉口实时交通状态估计方法及系统。
本发明的一方面提供了一种基于多源数据融合的交叉口实时交通状态估计方法,包括:
根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞;
根据目标影响因素对所述元胞传输模型进行优化,得到改进的元胞传输模型;所述目标影响因素包括排队消散过程、分流过程、可选择性换道和合用车道;
根据所述改进的元胞传输模型建立系统模型;
根据固定检测器数据和车辆轨迹数据建立测量模型;
根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计;
根据所述后验估计的结果,计算交通道路中各个车道组的排队长度。
可选地,所述根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞,包括:
将相邻交叉口间路段总体划分为上游混行区、过渡区和下游渠化区;
沿道路中心线的水平方向将所述相邻交叉口间路段进一步划分为多个节;
沿道路中心线垂直方向将过渡区和渠化区纵向划分为不同车道组;
根据所述节和车道组的编号组合,确定划分得到的各个元胞。
可选地,所述根据目标影响因素对所述元胞传输模型进行优化,得到改进的元胞传输模型,包括:
根据阻塞流率,将元胞发送流量函数修正为单调递减函数,得到修正后的元胞传输模型,完成排队消散过程建模;
根据最大传输流量和最小传输流量,引入阻塞因子对所述最大传输流量进行修正,并将修正后的最大传输流量和所述最小传输流量中的最大值作为元胞间的实际传输流量,以完成分流过程建模;其中,所述阻塞因子用于量化车道组空间排队相互影响的程度;
计算不同元胞之间的传输流量,在过渡区根据各个元胞的剩余接受能力确定换道流量,并更新各个元胞的转向比,以完成过渡区可选择性换道建模;
根据所述排队消散过程建模的结果,完成下游渠化区合用车道建模。
可选地,所述根据所述改进的元胞传输模型建立系统模型,包括:
根据所述改进的元胞传输模型,确定每一时刻所有元胞内各流向密度以及元胞密度的确定性表达式;
将所有元胞内各流向密度组成为密度向量,将模型输入组成为输入向量,将模型参数组成为参数向量,其中,模型参数的变化服从随机游走策略;
将所述密度向量和所述参数向量增广为状态向量;
根据改进的元胞传输模型和模型参数的随机游走策略,对系统模型进行简化,获取最终系统模型。
可选地,所述根据固定检测器数据和车辆轨迹数据建立测量模型,包括:
通过固定检测器获取各车道断面每秒的流量数据作为所述固定检测器数据;
获取智能网联车辆的车辆位置和速度数据作为车辆轨迹数据;
根据所述固定检测器数据和所述车辆轨迹数据建立测量模型,其中,所述测量模型包括流量测量模型、速度测量模型和转向比测量模型;
通过所述流量测量模型建立固定检测器实际测量流量与状态向量和输入向量之间的映射关系;
通过所述速度测量模型建立车辆轨迹提供的车辆位置和速度数据与状态向量和输入向量之间的映射关系;
通过所述转向比测量模型建立车辆轨迹提供的位置数据与状态向量和输入向量之间的映射关系;
将任一时刻的所有观测数据组成观测向量,根据上述测量模型建立观测向量与状态向量和输入向量之间的函数关系式;
其中,所述固定检测器包括环形线圈、微波雷达或视频检测器中至少之一。
可选地,所述根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计,包括:
将所述系统模型和测量模型分别表示为贝叶斯滤波中的状态转移概率和似然概率;根据粒子滤波算法对贝叶斯滤波器进行递归求解,其中,所述递归求解的步骤包括:
初始时刻根据给定的初始后验分布生成多个状态向量;
进入下一时刻,并根据给定的噪声概率分布生成多个系统噪声和测量噪声;
根据所述系统模型计算状态向量的先验分布,并根据所述测量模型计算所述状态向量的权重;
对所述权重进行归一化处理后,利用所述权重从所述状态向量中重采样得到多个状态向量,并计算状态向量的后验分布;
重复上述步骤直至终止时刻;
其中,所述状态向量的后验分布的均值用多个状态向量的均值进行表示。
可选地,所述根据所述后验估计的结果,计算交通道路中各个车道组的排队长度中,包括:
辨识各车道组排队末尾所在的元胞;
在识别出排队末尾元胞后,对排队末尾元胞进行精确定位。
本发明实施例的另一方面提供了一种基于多源数据融合的交叉口实时交通状态估计系统,包括:
路网建模模块,用于根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞;
改进元胞传输模型模块,用于根据目标影响因素对所述元胞传输模型进行优化,得到改进的元胞传输模型;所述目标影响因素包括排队消散过程、分流过程、可选择性换道和合用车道;
系统模型模块,用于根据所述改进的元胞传输模型建立系统模型;
测量模型模块,用于根据固定检测器数据和车辆轨迹数据建立测量模型;
粒子滤波算法模块,用于根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计;
排队长度计算模块,用于根据所述后验估计的结果,计算交通道路中各个车道组的排队长度。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞;根据目标影响因素对所述元胞传输模型进行优化,得到改进的元胞传输模型;所述目标影响因素包括排队消散过程、分流过程、可选择性换道和合用车道;根据所述改进的元胞传输模型建立系统模型;根据固定检测器数据和车辆轨迹数据建立测量模型;根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计;根据所述后验估计的结果,计算交通道路中各个车道组的排队长度。本发明鲁棒性好、可解释性强且适用范围广。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本发明实施例提供的基于多源数据融合的交叉口实时交通状态估计方法的整体步骤流程图;
图2为本发明实施例提供的两个相邻交叉口间路段几何结构示意图;
图3为本发明实施例提供的路段划分为元胞的结构特征示意图;
图4为对元胞传输模型进行改进的步骤流程图;
图5为本发明实施例提供的修正的发送流量函数示意图;
图6为分流区域车道组之间相互影响示意图;
图7为本发明实施例提供的可选择性换道建模的步骤流程图;
图8为合用车道建模的步骤流程图;
图9为粒子滤波算法步骤流程图;
图10为排队末尾元胞车辆空间分布特征示意图;
图11为形成排队车辆空间分布特征示意图;
图12为本申请实施例提供的一种基于多源数据融合的交叉口实时交通状态估计系统的示意图。
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,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
首先对本申请中出现的技术名词进行解释:
流向:对于一个信号控制交叉口的某个进口道,用Ω={L,T,R}表示该进口道包含的流向集合,L表示左转流向,T表示直行流向,R表示右转流向,则φ∈Ω表示该进口的某一特定流向;特别地,用Ωi,j表示元胞(i,j)包含的流向集合,则φ∈Ωi,j表示元胞(i,j)内的某一特定流向。
车道组:交叉口的一个进口道中,具有相同交通流向的一条或多条车道组成车道组。
合用车道:包含多个交通流向的一条车道,如直左合用车道。
可选择性换道:指车辆选择从排队较长的车道变道至具有共同流向且排队较短车道的换道行为。
信号相位:在信号控制交叉口,其每一种控制状态(一种通行权),即对各进口道不同转向所显示的不同灯色的组合,称为一个信号相位(一个信号相位可以包含一个或多个流向)。
信号周期:某个相位从一个红灯时间开始直到下一个红灯时间开始所经历的时间。
自由流:当交通流密度小时,驾驶员能根据自己的驾驶特性和车辆条件、道路条件进行驾驶,基本不受或少受道路上的其他使用者的影响,保持期望车速的交通流状态。
饱和流率:在一次连续的绿灯信号时间内,进口道上一列连续车队能通过进口道停车线的最大流量。
下面结合说明书附图,对本发明的具体实现原理进行详细说明:
参考图1,图1是本发明实施例提供的基于多源数据融合的交叉口实时交通状态估计方法,该方法包括但不限于步骤(1)-(6);
(1)根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞。
具体地,以具有进口道展宽设计和合用车道功能设计的信号控制交叉口为例,参考图2,图2为本发明实施例提供的两个相邻交叉口间路段几何结构示意图,两个相邻交叉口间路段可分为常规路段、渐变段和展宽段。其中,常规路段上车辆可自由换道,渐变段上车辆可选择驶入期望的进口车道,展宽段上车辆禁止换道,并根据车道功能将展宽段和渐变段的车道划分至不同车道组中。由于存在展宽设计和合用车道,不同车道组空间排队特征差异明显,因此需要以车道组为单元将展宽段和渐变段纵向划分为不同元胞。
参考图3,图3为本发明实施例提供的路段划分为元胞的结构特征示意图,具体包括以下步骤1-4:
1.将上述路段总体划分为上游混行区,过渡区和下游渠化区。其中,上游混行区对应常规路段,不区分车道组;过渡区和渠化区分别对应渐变段和展宽段,区分车道组。
2.沿道路中心线水平方向将路段进一步划分为若干节,用i表示节的编号,沿车辆行驶方向递增。
3.沿道路中心线垂直方向将过渡区和渠化区纵向划分为不同车道组,用j表示车道组的编号,沿道路中心线向边缘线方向递增,特别地,用0表示上游混行区车道组。
4.将元胞表示为节和车道组编号的组合(i,j)。
(2)根据目标影响因素对所述元胞传输模型进行优化,得到改进的元胞传输模型;所述目标影响因素包括排队消散过程、分流过程、可选择性换道和合用车道。
参考图4,图4为对元胞传输模型进行改进的步骤流程图,该方法步骤包括但不限于以下步骤1-4:
1.排队消散过程建模
具体地,考虑到驾驶员的反应时间以及车辆的启动加速过程,停车线处的放行流率呈现出随时间逐渐递增至饱和流率的趋势。因此,参考图5,图5为本发明实施例提供的修正的发送流量函数示意图,通过引入阻塞流率qjam,将元胞发送流量函数的右半部分修正为单调递减函数,其余部分保持不变。修正后的元胞传输模型表示方式如下:
Si,j(t)=min{vfki,j(t),qjam+c(kjam-ki,j(t))} (1)
Ri,j(t)=min{qc,w(kjam-ki,j(t))} (2)
qi,j(t)=min{Si,j(t)ni,j,Ri+1,j(t)ni+1,j} (3)
其中,Si,j(t)和Ri,j(t)分别为时间间隔[t,t+Δt)内元胞(i,j)每车道的发送能力和接收能力,ni,j为元胞(i,j)的车道数,vf为自由流速度,qc为饱和流率,w为阻塞状态下的激波速度,kjam为阻塞密度,c为阻塞状态下发送能力函数的斜率,ki,j(t)为t时刻元胞(i,j)的密度。
参考图2,以同一车道组上的相邻元胞(i-1,j)和(i,j)为例,根据流量守恒定律,可以得到密度更新公式:
其中,Ωi,j为元胞(i,j)包含的流向集合,φ∈Ωi,j为元胞(i,j)内的某一特定流向,为流向φ的密度,qi,j(t)为时间间隔[t,t+Δt)内从元胞(i,j)到元胞(i+1,j)的传输流量,为t时刻元胞(i,j)中流向φ车流的比例(下文简称转向比);为流向φ的传输流量,li,j为元胞(i,j)的长度,需要满足约束条件li,j≥vfΔt,Δt为时间步长。
进一步,对元胞(i,j)内的转向比进行更新:
其中,mid表示取中位数运算。
需要说明的是:排队消散过程建模是后续3步建模的基础,其作用范围是所有元胞。
2.分流过程建模
具体地,在渐变段,不同流向的车辆会选择驶入相应的车道组,该过程可用分流表示,对应于图3中车流从上游混行区末节元胞分流至过渡区首节元胞。用(i,j)表示上游混行区末节元胞,(i+1,j′)为过渡区首节元胞,J′表示过渡区车道组集合。通常,元胞间的传输流量存在最大传输流量和最小传输流量两种临界情况。
最大传输流量假设下游元胞独立的接收来自上游元胞的发送流量,不同车道组的空间排队不存在相互影响,可表示为:
其中,为从元胞(i,j)到(i+1,j′)的最大传输流量,λi,j→j′(t)为时间间隔[t,t+Δt)内从元胞(i,j)到(i+1,j)车流的比例,可通过将转向比按车道组功能和车道数等比例分配计算得出。
最小传输流量假设元胞间的传输流量受上游元胞发送能力和所有下游元胞接收能力共同约束,不同车道组的空间排队相互影响程度最大,可通过求解线性规划问题得出:
由于存在展宽设计和合用车道,不同车道组的车流会产生复杂的交互作用,参考图6,图6为分流区域车道组之间相互影响示意图,可能会出现直行车道组被部分阻塞和左转车道组被完全阻塞等情况,因此,通过引入阻塞因子来量化车道组空间排队相互影响的程度。定义ri,j→j′(t)为时刻t从元胞(i,j)到(i+1,j′)的阻塞因子,取值范围为[0,1],0表示完全阻塞,1表示未阻塞,阻塞因子的取值受到其他车道组空间排队以及交叉口渠化方式的共同影响。
取修正后的最大传输流量和最小传输流量中的最大值作为元胞间的实际传输流量qi,j→j′(t):
3.可选择性换道建模
具体地,参考图2,假设可选择性换道只发生于过渡区直行和直右车道组之间,且上游混行区中的直行车流以相同的概率选择过渡区的直行和直右车道组。用(i,j)表示过渡区直右车道组的任意元胞,(i,j-1)表示直行车道组中与(i,j)位于同一节的元胞,参考图7,图7为可选择性换道建模的步骤流程图,本申请先是比较直行车道组元胞(i,j-1)和(i+1,j-1)之间的关系;如果(i+1,j-1)存在剩余接收能力,说明可以接收换道车流,再计算元胞(i,j)换道至(i+1,j-1)的流量;此时(i,j)的发送流量包括换道流量和不换道两部分,把发送流量中换道的部分除去,再根据剩余的不换道流量计算(i,j)和(i+1,j)的传输流量。
具体包括以下步骤1-11:
1.使用公式(3)计算元胞(i,j-1)与(i+1,j-1)间的传输流量qi,j-1(t);
2.判断元胞(i+1,j-1)是否存在剩余接收能力,如果存在剩余接收能力,进入步骤3,否则进入步骤7;
3.计算元胞(i,j)的换道率Ci,j→j-1(t),公式为:
其中,I表示路段上节的数量,Ci,j→j-1(t)的取值范围为[0,1],且直右车道组与直行车道组密度差越大,换道率越高;
4.计算元胞(i,j)的换道流量qi,j→j-1(t),由元胞(i,j)直行流向的换道发送能力和元胞(i+1,j-1)的剩余接收能力共同确定,公式为:
5.除去换道流量qi,j→j-1(t)后,计算元胞(i,j)与(i+1,j)间的传输流量,公式为:
qi,j(t)=min{Si,j(t)ni,j-qi,j→j-1(t),Ri+1,j(t)ni+1,j} (15)
并进入步骤9;
7.元胞(i,j)的换道流量qi,j→j-1(t)=0;
8.使用公式(3)计算元胞(i,j)与(i+1,j)间的传输流量;
11.进入下一时刻t+1,并重复步骤1-10,直至达到最终时刻T。
4.合用车道建模
具体地,参考图2,以直右车道组为例,直右车道组包含直行和右转车流,其中,直行车流受直行信号控制,右转车流不受信号控制,因此两股车流会在车道内形成冲突。用(i,j)表示直右车道组停止线前的元胞,上标dT、dR分别表示直行和右转流向的下游路段。参考图8,图8为合用车道建模的步骤流程图,具体包括以下步骤1-7:
其中,m为右转车流在直行流向红灯期间理论上能通过的最大车辆数,r为信号周期内直行流向的红灯时间。
4.进入下一时刻t+1,并重复步骤2和3,直至直行流向红灯结束;
7.进入下一时刻t+1,并重复步骤5和6,直至直行流向绿灯结束。
本申请通过步骤1-4,获得改进的元胞传输模型,下面开始阐述图1中的步骤(3)。
(3)根据所述改进的元胞传输模型建立系统模型。
具体地,通过上述步骤(2)中改进的元胞传输模型,可以得到每一时刻所有元胞内各流向密度以及元胞密度的确定性表达式。由于不同位置元胞对应的表达式可能不同,需要建立系统方程进行统一表示,将所有元胞内各流向密度组成为密度向量模型输入组成为输入向量模型参数组成为参数向量并假设模型参数的变化服从随机游走策略,公式为:
θ(t)=θ(t-1)+qθ (22)
其中,g1,0(t)为t时刻路段入口流率,qθ为模型参数的噪声向量。
进一步将密度向量和参数向量增广为状态向量假设x(t)的维数为M,根据改进的元胞传输模型中建立的交通流演化规律以及模型参数的随机变化规律,则t时刻状态向量x(t)中的任意元素xi(t)均可表示为关于x(t-1)和u(t-1)的一个函数,公式为:
其中,xi*(·)表示状态变量xi的函数形式,因此t时刻的x(t)整体可表示为关于x(t-1)和u(t-1)的函数,公式为:
假设改进的元胞传输模型受噪声向量qk影响,则整个状态向量x(t)受系统噪声qx=(qk,qθ)T影响,因此,系统模型可简化表示为:
x(t)=f(x(t-1),u(t-1))+qx (25)
(4)根据固定检测器数据和车辆轨迹数据建立测量模型。
具体地,固定检测器包括但不限于环形线圈、微波雷达、视频检测器等,本申请实施例以布设于路段入口和展宽段入口处采样频率为1s的高频线圈检测器为例,该高频线圈检测器提供的各车道断面每秒的流量数据。车辆轨迹数据以智能网联车辆轨迹数据为例,智能网联车辆可每秒提供精确到车道级的车辆位置和速度数据。
需要说明的是,本申请的测量模型具体包括流量测量模型,速度测量模型和转向比测量模型。
其中,流量测量模型用于建立固定检测器实际测量流量与状态向量和输入向量之间的映射关系,可表示为:
速度测量模型用于建立车辆轨迹提供的车辆位置和速度数据与状态向量和输入向量之间的映射关系,首先需要根据位置信息将车辆定位至具体元胞,接着利用宏观基本图确定该元胞的平均速度,最后建立实际测量速度与元胞平均速度的关系,公式为:
其中,为t时刻元胞(i,j)的实际测量速度,为元胞(i,j)的速度测量函数,vi,j(t)为t时刻元胞(i,j)的平均速度,为元胞(i,j)内速度的测量噪声。需要说明的是,当元胞内包含多个车辆轨迹数据时,取速度数据的均值作为该元胞的实际测量速度。
转向比测量模型用于建立车辆轨迹提供的位置数据与状态向量和输入向量之间的映射关系,在交叉口附近,根据多个连续的位置点可以确定车辆的转向,因此,将不同转向的车辆轨迹数据进行集计,可以得到路段转向比的近似测量值,用CL(t)、CT(t)、CR(t)分别表示直至t时刻左转流向、直行流向和右转流向车辆轨迹数据的累计值,则转向比的测量值可表示为:
将t时刻所有观测数据组成观测向量z(t),则测量模型同样可以表示为状态向量和输入向量的函数形式:
z(t)=h(x(t),u(t))+r (31)
其中,r为测量噪声向量。
(5)根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计。
具体地:贝叶斯滤波是一种基于概率形式的状态估计器,由先验概率分布和后验概率分布两部分组成,并通过递归的方式求解后验概率分布,可表示为:
P(x(t)|z(1:t-1),u(1:t-1))=∫P(x(t)|x(t-1),u(t-1))P(x(t-1)|z(1:t-1),u(1:t-1))dx(t-1)
(32)
P(x(t)|z(1:t),u(1:t))∝P(z(t)|x(t))P(x(t)|z(1:t-1),u(1:t-1)) (33)
其中,P(x(t)|z(1:t-1),u(1:t-1))为t时刻状态向量的先验分布,P(x(t)|x(t-1),u(t-1))为状态转移概率,P(x(t)|z(1:t),u(1:t))为t时刻状态向量的后验分布,P(z(t)|x(t))为t时刻的似然概率。可以看出,整个过程中的未知量只有状态转移概率和似然概率,因此,只要给定初始时刻的后验分布P(x(0)|z(0),u(0)),并求出状态转移概率和似然概率,即可通过公式(32)和(33)迭代计算出任意时刻的后验分布。
用系统模型来描述状态转移概率,公式为:
P(x(t)|x(t-1),u(t-1))=f(x(t-1),u(t-1))+qx (34)
用测量模型来描述似然概率,公式为:
P(z(t)|x(t))=h(x(t),u(t))+r (35)
由于函数f(·)和h(·)是非线性的且qx和r的概率分布可能是非高斯分布,因此使用粒子滤波算法求解上述非线性非高斯分布问题,参考图9,图9为粒子滤波算法步骤流程图,具体包括以下步骤1-7:
1.令t=0并根据给定的初始后验分布P(x(0)|z(0),u(0))生成N个初始状态向量xn(t),n=1,2,…,N,并令每个初始状态向量的权重λn(t)=1/N;
4.根据测量模型计算λn(t)=P(z(t)|xn(t))=h(xn(t),u(t))+rn;
6.按照归一化后权重的比例从步骤3得到的xn(t)中重采样N个状态向量,xn(t),n=1,2,…,N,并令λn(t)=1/N;
7.判断t+1是否为终止时刻,如果t+1=T,则结束流程,否则返回步骤2。
(6)基于求解的系统状态后验估计结果,计算各车道组排队长度。
具体地,基于求解的系统状态后验估计结果可以得到每一时刻每个元胞的密度以及模型参数的估计值,由于元胞密度在现实中难以直接观测,因此提出一种基于元胞密度计算各车道组排队长度的方法,并使用排队长度作为评价指标,具体包括辨识各车道组排队末尾所在的元胞以及计算排队末尾在元胞中所处的具体位置。
t时刻辨识各车道组排队末尾所在的元胞的流程包括以下步骤1-4:
1.从停止线前的元胞(i,j),i=I开始;
2.如果i为过渡区的首节,输出排队末尾元胞(i,j);
3.判断上游元胞(i-1,j)内的车辆能否完全离开,如果ki-1,j(t)li-1,jni-1,j-qi-1,j(t)Δt>0,则表示上游元胞内存在剩余排队,i=i-1,返回步骤2;否则,进入步骤4;
4.输出排队末尾元胞(i,j),结束。
在识别出排队末尾元胞(i,j)后,需要对排队末尾在元胞内进行精确定位,以排队末尾元胞(i,j)和上游元胞(i-1,j)为例进行分析,参考图10,图10为排队末尾元胞车辆空间分布特征示意图,t时刻元胞(i,j)内车辆不能完全离开,将在t+1时刻形成剩余排队计算公式为:
并且,t+1时刻元胞(i,j)内的车辆按照空间分布特征可分为剩余排队、形成排队和自由行驶三类,其中剩余排队车辆密度为kjam,自由行驶车辆的密度为ki,j(t)。参考图11,图11为形成排队车辆空间分布特征示意图,假设形成排队车辆的密度从ki,j(t)线性变化至kjam,平均密度为(ki,j(t)+kjam)/2,并取密度等于kc的位置作为排队末尾。将t+1时刻元胞(i,j)中形成排队车辆所占的长度记为根据几何关系,计算公式如下:
参照图12,图12为本申请实施例提供的一种基于多源数据融合的交叉口实时交通状态估计系统的示意图,该系统包括路网建模模块、改进元胞传输模型模块、系统模型模块、测量模型模块、粒子滤波算法模块和排队长度计算模块。路网建模模块用于描述相邻交叉口间路段的几何结构特征,并将路段划分为不同的元胞;改进元胞传输模型模块用于综合考虑排队消散过程、分流过程、可选择性换道和合用车道四个因素对元胞传输模型进行改进;系统模型模块用于将改进的元胞传输模型和模型参数统一表示为系统方程形式;测量模型模块用于将固定检测器数据和车辆轨迹数据融合,并建立观测数据和状态向量之间的映射关系;粒子滤波算法模块用于求解系统状态的后验估计;排队长度计算模块用于根据求解的系统状态的后验估计结果,计算各车道组的排队长度。
综上所述,相较于现有技术,本发明具有以下优点:
1、该技术融合固定检测器数据和车辆轨迹数据,在车辆轨迹数据渗透率较低的条件下,仍可以提供较为可靠的交通状态估计结果;
2、该技术基于贝叶斯滤波框架融合系统模型和测量模型,系统模型充分考虑信控交叉口渠化区空间排队特征,测量模型充分利用多源数据的时空关联特征;既考虑了交通系统本身的物理特性,也结合了实际交通条件的随机波动性;
3、该技术可以实现对交通状态变量和模型参数的联合估计,其估计结果可广泛应用于信控交叉口优化中,进一步提升城市交叉口交通运行状态监测水平,更高效地为智能交通系统提供信息支撑。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.基于多源数据融合的交叉口实时交通状态估计方法,其特征在于,包括:
根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞;
根据目标影响因素对元胞传输模型进行优化,得到改进的元胞传输模型;所述目标影响因素包括排队消散过程、分流过程、可选择性换道和合用车道;
根据所述改进的元胞传输模型建立系统模型;
根据固定检测器数据和车辆轨迹数据建立测量模型;
根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计;
根据所述后验估计的结果,计算交通道路中各个车道组的排队长度;
所述根据固定检测器数据和车辆轨迹数据建立测量模型,包括:
通过固定检测器获取各车道断面每秒的流量数据作为所述固定检测器数据;
获取智能网联车辆的车辆位置和速度数据作为车辆轨迹数据;
根据所述固定检测器数据和所述车辆轨迹数据建立测量模型,其中,所述测量模型包括流量测量模型、速度测量模型和转向比测量模型;
通过所述流量测量模型建立固定检测器实际测量流量与状态向量和输入向量之间的映射关系;
通过所述速度测量模型建立车辆轨迹提供的车辆位置和速度数据与状态向量和输入向量之间的映射关系;
通过所述转向比测量模型建立车辆轨迹提供的位置数据与状态向量和输入向量之间的映射关系;
将任一时刻的所有观测数据组成观测向量,根据上述测量模型建立观测向量与状态向量和输入向量之间的函数关系式;
其中,所述固定检测器包括环形线圈、微波雷达或视频检测器中至少之一;
所述根据所述后验估计的结果,计算交通道路中各个车道组的排队长度中,包括:
辨识各车道组排队末尾所在的元胞;
在识别出排队末尾元胞后,对排队末尾元胞进行精确定位;
车道组的排队长度的计算公式如下:
2.根据权利要求1所述的基于多源数据融合的交叉口实时交通状态估计方法,其特征在于,所述根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞,包括:
将相邻交叉口间路段总体划分为上游混行区、过渡区和下游渠化区;
沿道路中心线的水平方向将所述相邻交叉口间路段进一步划分为多个节;
沿道路中心线垂直方向将过渡区和渠化区纵向划分为不同车道组;
根据所述节和车道组的编号组合,确定划分得到的各个元胞。
3.根据权利要求1所述的基于多源数据融合的交叉口实时交通状态估计方法,其特征在于,所述根据目标影响因素对所述元胞传输模型进行优化,得到改进的元胞传输模型,包括:
根据阻塞流率,将元胞发送流量函数修正为单调递减函数,得到修正后的元胞传输模型,完成排队消散过程建模;
根据最大传输流量和最小传输流量,引入阻塞因子对所述最大传输流量进行修正,并将修正后的最大传输流量和所述最小传输流量中的最大值作为元胞间的实际传输流量,以完成分流过程建模;其中,所述阻塞因子用于量化车道组空间排队相互影响的程度;
计算不同元胞之间的传输流量,在过渡区根据各个元胞的剩余接受能力确定换道流量,并更新各个元胞的转向比,以完成过渡区可选择性换道建模;
根据所述排队消散过程建模的结果,完成下游渠化区合用车道建模。
4.根据权利要求1所述的基于多源数据融合的交叉口实时交通状态估计方法,其特征在于,所述根据所述改进的元胞传输模型建立系统模型,包括:
根据所述改进的元胞传输模型,确定每一时刻所有元胞内各流向密度以及元胞密度的确定性表达式;
将所有元胞内各流向密度组成为密度向量,将模型输入组成为输入向量,将模型参数组成为参数向量,其中,模型参数的变化服从随机游走策略;
将所述密度向量和所述参数向量增广为状态向量;
根据改进的元胞传输模型和模型参数的随机游走策略,对系统模型进行简化,获取最终系统模型。
5.根据权利要求1所述的基于多源数据融合的交叉口实时交通状态估计方法,其特征在于,所述根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计,包括:
将所述系统模型和测量模型分别表示为贝叶斯滤波中的状态转移概率和似然概率;根据粒子滤波算法对贝叶斯滤波器进行递归求解,其中,所述递归求解的步骤包括:
初始时刻根据给定的初始后验分布生成多个状态向量;
进入下一时刻,并根据给定的噪声概率分布生成多个系统噪声和测量噪声;
根据所述系统模型计算状态向量的先验分布,并根据所述测量模型计算所述状态向量的权重;
对所述权重进行归一化处理后,利用所述权重从所述状态向量中重采样得到多个状态向量,并计算状态向量的后验分布;
重复上述步骤直至终止时刻;
其中,所述状态向量的后验分布的均值用多个状态向量的均值进行表示。
6.基于多源数据融合的交叉口实时交通状态估计系统,其特征在于,包括:
路网建模模块,用于根据相邻交叉口间路段的几何结构特征,将路段划分为不同的元胞;
改进元胞传输模型模块,用于根据目标影响因素对元胞传输模型进行优化,得到改进的元胞传输模型;所述目标影响因素包括排队消散过程、分流过程、可选择性换道和合用车道;
系统模型模块,用于根据所述改进的元胞传输模型建立系统模型;
测量模型模块,用于根据固定检测器数据和车辆轨迹数据建立测量模型;
粒子滤波算法模块,用于根据贝叶斯滤波框架融合所述系统模型和所述测量模型,并根据粒子滤波算法计算系统状态的后验估计;
排队长度计算模块,用于根据所述后验估计的结果,计算交通道路中各个车道组的排队长度;所述根据固定检测器数据和车辆轨迹数据建立测量模型,包括:
通过固定检测器获取各车道断面每秒的流量数据作为所述固定检测器数据;
获取智能网联车辆的车辆位置和速度数据作为车辆轨迹数据;
根据所述固定检测器数据和所述车辆轨迹数据建立测量模型,其中,所述测量模型包括流量测量模型、速度测量模型和转向比测量模型;
通过所述流量测量模型建立固定检测器实际测量流量与状态向量和输入向量之间的映射关系;
通过所述速度测量模型建立车辆轨迹提供的车辆位置和速度数据与状态向量和输入向量之间的映射关系;
通过所述转向比测量模型建立车辆轨迹提供的位置数据与状态向量和输入向量之间的映射关系;
将任一时刻的所有观测数据组成观测向量,根据上述测量模型建立观测向量与状态向量和输入向量之间的函数关系式;
其中,所述固定检测器包括环形线圈、微波雷达或视频检测器中至少之一;
所述根据所述后验估计的结果,计算交通道路中各个车道组的排队长度中,包括:
辨识各车道组排队末尾所在的元胞;
在识别出排队末尾元胞后,对排队末尾元胞进行精确定位;
车道组的排队长度的计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111022996.2A CN113851006B (zh) | 2021-09-01 | 2021-09-01 | 基于多源数据融合的交叉口实时交通状态估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111022996.2A CN113851006B (zh) | 2021-09-01 | 2021-09-01 | 基于多源数据融合的交叉口实时交通状态估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113851006A CN113851006A (zh) | 2021-12-28 |
CN113851006B true CN113851006B (zh) | 2022-10-21 |
Family
ID=78976806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111022996.2A Active CN113851006B (zh) | 2021-09-01 | 2021-09-01 | 基于多源数据融合的交叉口实时交通状态估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113851006B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114464001B (zh) * | 2022-01-30 | 2023-07-04 | 同济大学 | 车路协同环境下城市多交叉口多层分布控制系统及其方法 |
CN114464000B (zh) * | 2022-02-21 | 2023-04-25 | 上海商汤科技开发有限公司 | 路口交通灯控制方法、装置、设备和存储介质 |
CN114627658B (zh) * | 2022-04-22 | 2023-10-27 | 河北上元智能科技股份有限公司 | 一种重大特殊车队通行高速公路的交通控制方法 |
CN115100875B (zh) * | 2022-06-06 | 2023-05-16 | 东南大学 | 基于网联车轨迹数据的绿波行进车速不确定性量化方法 |
CN115440033B (zh) * | 2022-08-16 | 2023-08-29 | 广东交通职业技术学院 | 基于宏观基本图的干线协调控制方法、系统、装置及介质 |
CN116092297B (zh) * | 2023-04-07 | 2023-06-27 | 南京航空航天大学 | 一种低渗透率分布式差分信号控制的边缘计算方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5764163A (en) * | 1995-09-21 | 1998-06-09 | Electronics & Space Corp. | Non-imaging electro-optic vehicle sensor apparatus utilizing variance in reflectance |
CN100456335C (zh) * | 2006-10-12 | 2009-01-28 | 华南理工大学 | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 |
CN110209990B (zh) * | 2019-05-22 | 2023-04-07 | 中山大学 | 一种基于车辆身份检测数据的单辆车排放轨迹计算方法 |
CN112802325B (zh) * | 2019-11-13 | 2023-06-27 | 阿波罗智联(北京)科技有限公司 | 车辆排队长度检测方法及装置 |
-
2021
- 2021-09-01 CN CN202111022996.2A patent/CN113851006B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113851006A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113851006B (zh) | 基于多源数据融合的交叉口实时交通状态估计方法及系统 | |
US11077878B2 (en) | Dynamic lane biasing | |
US11794736B2 (en) | Dynamic collision checking | |
CN110383008B (zh) | 基于车辆活动的导航 | |
US10642268B2 (en) | Method and apparatus for generating automatic driving strategy | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
CN108597235B (zh) | 基于交通视频数据的交叉口信号参数优化及效果评估方法 | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN108431549A (zh) | 具有施加的约束的经训练的系统 | |
US11814040B2 (en) | System and method for avoiding a collision course | |
CN104615897B (zh) | 基于低频gps数据的路段行程时间估算方法 | |
JP2002008183A (ja) | 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法 | |
WO2023231569A1 (zh) | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 | |
JP2018511857A (ja) | 交通渋滞終端位置を特定するためのサーバ、システム及び方法 | |
Long et al. | Deep reinforcement learning for transit signal priority in a connected environment | |
CN113362600A (zh) | 一种交通状态估计方法及系统 | |
US20230001953A1 (en) | Planning-aware prediction for control-aware autonomous driving modules | |
CN117141489B (zh) | 一种基于最小作用量原理的智能车辆轨迹分层规划方法 | |
Medina-Lee et al. | Reachability estimation in dynamic driving scenes for autonomous vehicles | |
CN113978462A (zh) | 自适应巡航系统的主目标筛选方法、轨迹规划方法及系统 | |
CN113178074A (zh) | 应用于车辆的交通流机器学习建模系统及其方法 | |
Abhigna et al. | Multi vehicle-type right turning gap-acceptance and capacity analysis at uncontrolled urban intersections | |
CN115416656A (zh) | 基于多目标轨迹规划的自动驾驶换道方法、装置及介质 | |
CN114475607B (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
CN116434532A (zh) | 一种基于策略意图的交叉口轨迹预测方法及装置 |
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 |