CN113947899B - 一种低渗透率轨迹数据下排队服务时间动态估计方法 - Google Patents
一种低渗透率轨迹数据下排队服务时间动态估计方法 Download PDFInfo
- Publication number
- CN113947899B CN113947899B CN202111156558.5A CN202111156558A CN113947899B CN 113947899 B CN113947899 B CN 113947899B CN 202111156558 A CN202111156558 A CN 202111156558A CN 113947899 B CN113947899 B CN 113947899B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- period
- queuing
- distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011160 research Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 116
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G08G1/017—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
- G08G1/01—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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/085—Controlling traffic signals using a free-running cyclic timer
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种低渗透率轨迹数据下排队服务时间动态估计方法,获取研究区域内部的车辆轨迹数据,确定区域内每辆车辆的车辆编号、轨迹点时间、车辆位置和车辆速度,对研究区域内部的车辆轨迹数据进行分析处理,提取其中的每一车辆停车信息和车辆停止线驶离时间,建立车辆停车概率模型,对车辆排队时间进行动态估计,采用三种估计方法对交叉口情况进行定量化分析,实现交叉口车辆排队服务时间的动态估计,克服了对车辆到达模式的假设,结合大数据信息,对城市道路中重要节点进行协调管控、优化信号灯配时方案能够高效地提升道路交通资源的利用效率,提升交通通行能力。
Description
技术领域
本发明涉及车辆交通领域,具体是一种低渗透率轨迹数据下排队服务时间动态估计方法。
背景技术
我国经济快速发展,城市化不断推进,城市道路承担了城市出行的主要部分,而快速增长的汽车保有量使城市交通压力日益增加,特别是各大、中城市的交通高峰期时段,车辆排队时间增多,道路拥堵程度增加。
城市交通系统低效运行区域主要集中在城市道路交叉口,因此对交叉口交通运行状态的研究显得尤为重要。排队状态动态信息作为交叉口运行状态的评价指标和信号控制优化的反馈信息,对于信号优化配时、协调控制有着重要作用。对于排队状态研究,传统方法多利用固定检测器数据如线圈检测器数据,然而固定检测器的高昂安装、维修费用使得其覆盖率很低,难以有效支撑路网层级的交通管控应用。
目前对排队状态的研究方法多从车辆聚集的角度出发,将排队长度或排队车辆数作为估计对象,并基于交通流基本理论或概率统计模型进行估计。这些研究取得了一定的成果,但是所使用的方法大多存在对车辆到达模式的假设,如冲击波方法需要假设车辆到达服从相应分布,从而通过追踪波阵面位置获得排队长度。这种假设可能与实际交通流运行情况不符,估计准确性易受到车辆到达随机波动的影响,使得方法的精准性和适用性降低。为克服到达模型假设带来的不足和限制,可以选择更符合实际情况的排队状态表征指标。
本发明考虑车辆排队消散过程,提出排队服务时间反映交叉口排队状况,采用三种估计方法对交叉口情况进行定量化分析,实现交叉口车辆排队服务时间的动态估计,克服了对车辆到达模式的假设,结合大数据信息,对城市道路中重要节点进行协调管控、优化信号灯配时方案能够高效地提升道路交通资源的利用效率,提升交通通行能力。
发明内容
本发明的目的在于提供一种低渗透率轨迹数据下排队服务时间动态估计方法,以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:
一种低渗透率轨迹数据下排队服务时间动态估计方法:
S1:获取研究区域内部的车辆轨迹数据,确定区域内每辆车辆的车辆编号、轨迹点时间、车辆位置和车辆速度,其中,车辆轨迹点用于精确反映车辆的实时位置,车辆轨迹点更新间隔时间为0.1秒;
S2:对研究区域内部的车辆轨迹数据进行分析处理,提取其中的每一车辆停车信息和车辆停止线驶离时间,对区域内车辆停止线驶离时间进行估计;
S3:获取每一信号周期的每一可观测车辆轨迹数据中的车辆停止线驶离时刻和停车排队时间,建立车辆停车概率模型,其中,信号周期表示一个红绿灯跳转周期时间;
步骤S3中,包括以下步骤:
S31:利用Logistic模型计算研究区域内车辆的停车概率,设定车辆的停车概率为P(xi),e为自然底数,设定i为车辆编号,设定g(xi)表示解释变量的线性组合关系,根据公式:
g(xi)=β0+β1x1i+....+βkxki
xki表示样本i中第k个变量的值;β0表示回归截距;β1,β2,...,βk是解释变量xki的回归系数;
根据上述公式,可以得出车辆停车排队曲线,根据曲线反应绿灯持续时间与车辆停车的概率关系;
S32:设定某一周期内,绿灯启亮时刻为0,获取某一车辆A在t时刻驶离车辆停止线,设定某一车辆A停车事件为Y,Y=0表示车辆A不经历排队停车,Y=1,表示车辆A经历排队停车,设定车辆A的停车概率为p(t),根据Sigmoid函数公式:
e为自然底数,α、β为停车概率p(t)的参数,计算得出车辆在该周期的停车概率;
S33:获取研究区域内每辆车的停止线驶离时间和车辆停车信息以及区域每一路段自由流速度,根据上述信息获取车辆的到达、驶离周期,根据到达周期将每辆车归入某个周期,判断车辆的到达、驶离周期是否相同;
其中,步骤S33中,包括以下步骤:
S33-1:当车辆A到达、驶离时间在同一个完整绿灯信号周期,将一个完整绿灯信号周期划分为无数个极小段时间△t,假设该信号周期内车辆停车概率恒定,则时间Δt上的车辆排队时间应该为Δt*p(Δt),p(Δt)为Δt时间内车辆停车概率,设定该信号周期内车辆排队时间为QST,设定某一周期内,绿灯启亮时刻为0,设定车辆A驶离车辆停止线的时间为t,设定该信号周期的绿灯时间为G,根据公式:
计算得出该信号周期内车辆排队时间,其中,积分下线0表示该信号周期内绿灯时间的开始,积分上线G表示该信号周期内绿灯时间的结束;
S33-2:当车辆到达、驶离时间不在同一个完整绿灯信号周期,设定车辆在一个完整绿灯信号周期e到达,在信号周期e+N驶离,当e信号周期结束时,未检测到该车辆通过交叉口,判定e信号周期为过饱和周期,车辆需要等待N个绿灯信号周期,设定Gi为i周期的绿灯时间,设定Ge+N为该e+N信号周期内绿灯时间,根据公式:
计算得出,当前车辆在多个信号周期内车辆排队时间,其中,表示从e信号周期到e+N-1信号周期的所有绿灯时间;
S33-3:当交叉口信号灯配时方案固定的情况下,不在考虑车辆到达和驶离是否在同一个完整绿灯信号周期,设定车辆在交叉口排队的信号周期数量为N,设定Ge为e周期的绿灯结束的时间,Gs为e周期绿灯启亮时间,根据公式:
计算得出,当交叉口信号灯配时方案固定的情况下,车辆在多个信号周期内车辆排队时间;
S4:考虑路口排队状态的时间连续性,根据每个信号周期收集的车辆轨迹数据分析每一周期的车流运行状况,获取车辆排队概率模型的参数后验概率分布,根据该周期的参数后验概率分布假设下一个周期的先验概率分布,根据先验、后验概率的不断迭代实现停车概率模型参数的滚动动态估计,实现车辆排队时间的动态估计;
步骤S4中包括以下步骤:
S41:设定参数θ=(α,β)T,其中,α、β为步骤S32中车辆停车概率P(t)的参数,对参数θ获取参数后验分布,其中,车辆通过研究区域第一个周期的先验分布根据人为经验进行估计,后验分布使用Logistic回归模型的似然函数与先验分布共同确定,下一周期的先验分布则是通过上一周期的后验分布得到的;
S42:设定p(θ|x)为参数θ后验分布即参数估计的结果,L(x|θ)为所求参数θ的似然函数,p(θ)为参数θ的先验分布,P(x)为x的边际密度函数,且与θ无关,为归一化常数,x为该周期内所有观测车辆信息对集合,根据公式:
计算得出该周期内参数θ后验概率分布即参数估计的结果,根据参数θ的后验概率分布值,能够观测出周期的后验概率分布正比于似然函数与先验分布概率的乘积,即
p(θ|x)∝L(x|θ)*p(θ)
S43:通过使用拉普拉斯近似方法把后验概率分布近似为一个高斯分布,确定其高斯分布f(θ)来近似获得周期后验概率分布,设定与后验概率分布近似的高斯分布f(θ)≈N(θ|θ0,σ2),其中,θ0为均值,σ2为方差,高斯分布的函数特征可知在θ0处,函数取到局部最大值,后验概率分布近似于f(θ),后验概率函数在θ0也能取到局部最大值,求出使得函数取得局部最大值的均值θ0,根据均值θ0将lnf(θ)在θ0泰勒展开,求得方差σ2;
S44:高斯分布f(θ)服从均值θ0和方差σ2的正态分布,根据函数得出:
设定A为lnf(θ)在驻点θ0的黑塞矩阵,得出与后验概率分布近似的高斯分布:
S45:在每个周期得到参数的后验分布概率后,根据车辆排队服务时间积分公式,可以得到该周期的排队服务时间分布;
S46:通过收集的车辆轨迹数据提取的信息不断获取车辆排队概率模型的参数后验分布,将前一个周期参数后验分布为下一周期的先验分布,通过先验、后验概率不断迭代实现停车概率模型的滚动动态估计,实现交叉口车辆排队服务时间的动态估计;
S5:对每一信号周期收集的车辆停车样本数据进行分析,根据估计得到的停车概率模型参数分析车辆排队服务时间,排队服务时间是绿灯时间内用于消散排队车辆的时间,实现车辆排队服务时间的动态估计,包括以下步骤:
S51:设定每个信号周期收集到的参数数据都是独立分布的随机变量,设定一个周期内收集的信息对集为H,设定x为车辆停止线驶离时间,y为停车概率,H={(x1,y1),(x2,y2),...,(xN,yN)},其中,x∈[0,G],y∈{0,1},信号周期的绿灯时间为G,根据公式:
hθ(X)=P(Y=1|X)=(1+e-(βt+α))-1
设定x={x1,x2,....,xN,1},θ={β1,β2,...,βN,α},构建逻辑回归模型的对数似然函数;
S52:确定信号周期的参数取值,采用梯度下降法或牛顿迭代法对逻辑回归模型的对数似然函数进行求解;
S53:将求解估计得到的参数θ进行积分得出车辆排队服务时间,实现交叉口车辆排队服务时间的动态估计;
S6:对研究区域内一个周期内部的车辆轨迹数据进行观测分析,提取其中的每一车辆停车信息和车辆停止线驶离时间,观测该周期最后驶离停止线的车辆,提取其停车线驶离时间,分析其车辆排队服务时间的动态估计。
进一步设置:步骤S46,通过收集的车辆轨迹数据提取的信息不断获取车辆排队概率模型的参数后验分布,将前一个周期参数后验分布为下一周期的先验分布,通过先验、后验概率不断迭代实现停车概率模型的滚动动态估计,还包括以下步骤:
S46-1:对第一个信号周期的先验概率分布通过假设进行,设定第一个周期绿灯时间的一半用于消散排队车辆,提取车辆在周期内排队服务时间参数取值α、β,α≈N(0,0.01),β≈N(0,0.01),将α和β代入θ,计算得出第一个信号周期的先验概率分布;
S46-2:获取第一个周期的参数后验概率分布,求出排队服务时间的概率分布,将其作为第二个周期的先验分布概率,即:
p(θ|x1)=p(θ2)
S46-3:设定一信号周期m,对信号周期m排队服务时间进行估计时,都是用m-1周期得到的后验分布作为m周期的先验分布,即:
p(θm)=p(θ|xm-1)
进一步设置:步骤S6中,对研究区域内一个周期内部的车辆轨迹数据进行观测分析,提取其中的每一车辆停车信息和车辆停止线驶离时间,观测该周期最后驶离停止线的车辆,提取其停车线驶离时间,分析其车辆排队服务时间的动态估计,还包括以下步骤:
S61:提取研究区域内每一信号周期的车辆最后驶离停止线时间进行汇总;
S62:将每一信号周期的车辆最后驶离停止线时间作为该周期的排队服务时间估计值;
S63:将每一周期的排队服务时间估计值进行汇总,得出交叉口车辆排队服务时间的动态估计。
与现有技术相比,本发明的有益效果是:本发明在考虑车辆排队消散过程,提出排队服务时间反映交叉口排队状况。排队服务时间是绿灯时间内用于消散排队车辆的时间,对其估计克服了对车辆到达模式的假设,同时在低渗透率环境也有良好的精度。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
图1为本发明一种低渗透率轨迹数据下排队服务时间动态估计方法的步骤示意图;
图2为本发明一种低渗透率轨迹数据下排队服务时间动态估计方法的S3中步骤示意图;
图3为本发明一种低渗透率轨迹数据下排队服务时间动态估计方法的S33中步骤示意图;
图4为本发明一种低渗透率轨迹数据下排队服务时间动态估计方法的S4中步骤示意图;
图5为本发明一种低渗透率轨迹数据下排队服务时间动态估计方法的S46中步骤示意图;
图6为本发明一种低渗透率轨迹数据下排队服务时间动态估计方法的S5中步骤示意图;
图7为本发明一种低渗透率轨迹数据下排队服务时间动态估计方法的S6中步骤示意图。
具体实施方式
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,所描述的实施例仅仅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。
实施例1:请参阅图1~7,本发明实施例中,一种低渗透率轨迹数据下排队服务时间动态估计方法:
获取研究区域内部的车辆轨迹数据,确定区域内每辆车辆的车辆编号、轨迹点时间、车辆位置和车辆速度,其中,车辆轨迹点用于精确反映车辆的实时位置,车辆轨迹点更新间隔时间为0.1秒。
对研究区域内部的车辆轨迹数据进行分析处理,提取其中的每一车辆停车信息和车辆停止线驶离时间,对区域内车辆停止线驶离时间进行估计;
获取每一信号周期的每一可观测车辆轨迹数据中的车辆停止线驶离时刻和停车排队时间,建立车辆停车概率模型,其中,每一信号周期表示一个红绿灯跳转周期时间;
利用Logistic模型计算研究区域内车辆的停车概率,设定车辆的停车概率为P(xi),e为自然底数,设定i为车辆编号,设定g(xi)表示解释变量的线性组合关系,根据公式:
g(xi)=β0+β1x1i+....+βkxki
xki表示样本i中第k个变量的值;β0表示回归截距;β1,β2,...,βk是解释变量xki的回归系数。
根据上述公式,可以得出车辆停车排队曲线,根据曲线反应绿灯持续时间与车辆停车的概率关系;
S32:设定某一周期内,路灯启停时间为0,获取某一车辆A在t时刻驶离车辆停止线,设定某一车辆A停车事件为Y,Y=0表示车辆A不经历排队停车,Y=1,表示车辆A经历排队停车,设定车辆A的停车概率为p(t),根据公式:
e为自然底数,α、β为停车概率P(t)的参数,计算得出车辆在该周期的停车概率。
获取研究区域内每辆车的停止线驶离时间和车辆停车信息以及区域每一路段自由流速度,根据上述信息获取车辆的到达、驶离周期,根据到达周期将每辆车归入某个周期,判断车辆的到达、驶离周期是否相同。
当车辆到达、驶离时间在同一个完整绿灯信号周期,将一个完整绿灯信号周期划分为无数个极小段时间△t,假设该信号周期内车辆停车概率恒定,则时间Δt上的车辆排队时间应该为Δt*p(Δt),p(Δt)为Δt时间内车辆停车概率,设定该信号周期内车辆排队时间为QST,设定某一周期内,绿灯启亮时刻为0,设定车辆A驶离车辆停止线的时间为t,设定该信号周期的绿灯时间为G,根据公式:
计算得出该信号周期内车辆排队时间,其中,积分下线0表示该信号周期内绿灯时间的开始,积分上线G表示该信号周期内绿灯时间的结束;
当车辆到达、驶离时间不在同一个完整绿灯信号周期,设定车辆在一个完整绿灯信号周期e到达,在信号周期e+N驶离,当e信号周期结束时,未检测到该车辆通过交叉口,判定e信号周期为过饱和周期,车辆需要等待N个绿灯信号周期,设定Gi为i周期的绿灯时间,i=e,设定,Ge+N为该e+N信号周期内绿灯时间,根据公式:
计算得出,当前车辆在多个信号周期内车辆排队时间,其中,表示从e信号周期到e+N-1信号周期的所有绿灯时间;
当交叉口信号灯配时方案固定的情况下,不在考虑车辆到达和驶离是否在同一个完整绿灯信号周期,设定车辆在交叉口排队的信号周期数量为N,设定Ge为信号灯绿灯时间,Gs为e周期绿灯启亮时间,根据公式:
计算得出,当交叉口信号灯配时方案固定的情况下,车辆在多个信号周期内车辆排队时间,建立车辆停车概率模型。
考虑路口排队状态的时间连续性,根据每个信号周期收集的车辆轨迹数据分析每一周期的车流运行状况,获取车辆排队概率模型的参数后验概率分布,根据该周期的参数后验概率分布假设下一个周期的先验概率分布,根据先验、后验概率的不断迭代实现停车概率模型参数的滚动动态估计,实现车辆排队时间的动态估计;
设定参数θ=(α,β)T,其中,α、β为步骤S32中车辆停车概率P(t)的参数取值,对参数θ获取参数后验分布,其中,车辆通过研究区域第一个周期的先验分布根据人为经验进行估计,后验分布使用Logistic回归模型的似然函数与先验分布共同确定,下一周期的先验分布则是通过上一周期的后验分布得到的;
设定p(θ|x)为参数θ后验分布即参数估计的结果,L(x|θ)为所求参数θ的似然函数,p(θ)为参数θ的先验分布,P(x)为x的边际密度函数,且与θ无关,为归一化常数,x为该周期内所有观测车辆信息对集合,根据公式:
计算得出该周期内参数θ后验概率分布即参数估计的结果,根据参数θ的后验概率分布值,能够观测出周期的后验概率分布正比于似然函数与先验分布概率的乘积,即
p(θ|x)∝L(x|θ)*p(θ)
通过使用拉普拉斯近似方法把后验概率分布近似为一个高斯分布,确定其高斯分布f(θ)来近似获得周期后验概率分布,设定与后验概率分布近似的高斯分布f(θ)≈N(θ|θ0,σ2),其中,θ0为均值,σ2为方差,高斯分布的函数特征可知在θ0处,函数取到局部最大值,后验概率分布近似于f(θ),后验概率函数在θ0也能取到局部最大值,根据公式:
计算得出使得函数取得局部最大值的均值θ0,根据均值θ0将lnf(θ)在θ0泰勒展开,求得方差σ2,根据公式:
其中,
得出A为lnf(θ)在驻点θ0的黑塞矩阵。
公式中
将公式中自然对数符号去除得出:
高斯分布f(θ)服从均值θ0和方差σ2的正态分布,根据函数得出:
对比可知,得出与后验概率分布近似的高斯分布:
在每个周期得到参数的后验分布概率后,根据车辆排队服务时间积分公式,可以得到该周期的排队服务时间分布。
通过收集的车辆轨迹数据提取的信息不断获取车辆排队概率模型的参数后验分布,将前一个周期参数后验分布为下一周期的先验分布。
对第一个信号周期的先验概率分布通过假设进行,设定第一个周期绿灯时间的一半用于消散排队车辆,提取车辆在周期内排队服务时间参数取值α、β,α≈N(0,0.01),β≈N(0,0.01),将α和β代入θ,计算得出第一个信号周期的先验概率分布;
获取第一个周期的参数后验概率分布,求出排队服务时间的概率分布,将其作为第二个周期的先验分布概率,即:
p(θ|x1)=p(θ2)
设定一信号周期m,对信号周期m排队服务时间进行估计时,都是用m-1周期得到的后验分布作为m周期的先验分布,即:
p(θm)=p(θ|xm-1)
通过先验、后验概率不断迭代实现停车概率模型的滚动动态估计,实现交叉口车辆排队服务时间的动态估计。
实施例2:实施例1中在获取了车辆在多个信号周期内车辆排队时间,建立车辆停车概率模型后,可以采用第二种方法对交叉口车辆排队服务时间的动态估计;
对每一信号周期收集的车辆停车样本数据进行分析,根据估计得到的停车概率模型参数分析车辆排队服务时间,实现车辆排队服务时间的动态估计;
设定每个信号周期收集到的参数数据都是独立分布的随机变量,设定一个周期内收集的信息对集为H,设定x为车辆停止线驶离时间,y为停车概率,H={(x1,y1),(x2,y2),...,(xN,yN)},其中,x∈[0,G],y∈{0,1},G为信号周期的绿灯时间,根据公式:
hθ(X)=P(Y=1|X)=(1+e-(βt+α))-1
设定x={x1,x2,....,xN,1},θ={β1,β2,...,βN,α},将x和θ代入hθ(x),得出hθ(x)=P(Y=1|X)=(1+e-θt)-1,根据上述看出,1-hθ(x)=P(Y=0|X),构建逻辑回归模型的对数似然函数,根据公式:
为对似然函数进行求解,对其取自然对数得到对数似然函数L(θ):
将对L(θ)求取最大值转化为求取-L(θ)的最小值θ*,采用平均形式:
确定信号周期的参数取值,采用梯度下降法或牛顿迭代法对逻辑回归模型的对数似然函数进行求解。
其中,设定
采用梯度下降法,由于θ包含α、β,将梯度向量表示为:
确定每次找到梯度反方向后的“行进”距离和最终的效果,设定相应的步长α和收敛精度ε,对于每一步迭代,设定:
为函数在θi-1值时的梯度,α即为所设定的步长,当α误差小于设定的检验精度ε时则停止迭代,将此时的参数视作所要求得的参数值,将求解估计得到的参数θ进行积分得出车辆排队服务时间,实现交叉口车辆排队服务时间的动态估计。
采用牛顿迭代法,对函数g(θ)在θk处进行二阶泰勒展开,其中,θk为初始迭代变量:
将求g(θ)的极小值转化为求其导数为0,将g(θ)求导可得:
g′(θk)+g′(θk)(θ-θk)=0
将θ不断迭代直至其精度满足预设值,将求解估计得到的参数θ进行积分得出车辆排队服务时间,实现交叉口车辆排队服务时间的动态估计。
实施例3:实施例1中在获取了车辆在多个信号周期内车辆排队时间,建立车辆停车概率模型后,可以采用第三种方法对交叉口车辆排队服务时间的动态估计;
对研究区域内一个周期内部的车辆轨迹数据进行观测分析,提取其中的每一车辆停车信息和车辆停止线驶离时间,观测该周期最后驶离停止线的车辆,提取其停车线驶离时间,分析其车辆排队服务时间的动态估计。
提取研究区域内每一信号周期的车辆最后驶离停止线时间进行汇总;
将每一信号周期的车辆最后驶离停止线时间作为该周期的排队服务时间估计值;
将每一周期的排队服务时间估计值进行汇总,得出交叉口车辆排队服务时间的动态估计。
上述三个实施例考虑的因素各有不同,对交叉口情况进行定量化分析,均能实现交叉口车辆排队服务时间的动态估计,估计克服了对车辆到达模式的假设,同时在低渗透率环境也有良好的精度,结合大数据信息,对城市道路中重要节点进行协调管控、优化信号灯配时方案能够高效地提升道路交通资源的利用效率,提升交通通行能力。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (3)
1.一种低渗透率轨迹数据下排队服务时间动态估计方法,其特征在于:所述
S1:获取研究区域内部的车辆轨迹数据,确定区域内每辆车辆的车辆编号、轨迹点时间、车辆位置和车辆速度,其中,车辆轨迹点用于精确反映车辆的实时位置,车辆轨迹点更新间隔时间为0.1秒;
S2:对研究区域内部的车辆轨迹数据进行分析处理,提取其中的每一车辆停车信息和车辆停止线驶离时间,对区域内车辆停止线驶离时间进行估计;
S3:获取每一信号周期的每一可观测车辆轨迹数据中的车辆停止线驶离时刻和停车排队时间,建立车辆停车概率模型,其中,信号周期表示一个红绿灯跳转周期时间,包括以下步骤:
S31:利用Logistic模型计算研究区域内车辆的停车概率,设定车辆的停车概率为P(xi),e为自然底数,设定i为车辆编号,设定g(xi)表示解释变量的线性组合关系,根据公式:
g(xi)=β0+β1x1i+....+βkxki
xki表示样本i中第k个变量的值;β0表示回归截距;
β1,β2,...,βk是解释变量xki的回归系数;
根据上述公式,可以得出车辆停车排队曲线,根据曲线反应绿灯持续时间与车辆停车的概率关系;
S32:设定某一周期内,绿灯启亮时刻为0,获取某一车辆A在t时刻驶离车辆停止线,设定某一车辆A停车事件为Y,Y=0表示车辆A不经历排队停车,Y=1,表示车辆A经历排队停车,设定车辆A的停车概率为p(t),根据Sigmoid函数公式:
e为自然底数,α、β为停车概率p(t)的参数,计算得出车辆在该周期的停车概率;
S33:获取研究区域内每辆车的停止线驶离时间和车辆停车信息以及区域每一路段自由流速度,根据上述信息获取车辆的到达、驶离周期,根据到达周期将每辆车归入某个周期,判断车辆的到达、驶离周期是否相同;
其中,所述步骤S33中,包括以下步骤:
S33-1:当车辆A到达、驶离时间在同一个完整绿灯信号周期,将一个完整绿灯信号周期划分为无数个极小段时间△t,假设该信号周期内车辆停车概率恒定,则时间Δt上的车辆排队时间应该为Δt*p(Δt),p(Δt)为Δt时间内车辆停车概率,设定该信号周期内车辆排队时间为QST,设定某一周期内,绿灯启亮时刻为0,设定车辆A驶离车辆停止线的时间为t,设定该信号周期的绿灯时间为G,根据公式:
计算得出该信号周期内车辆排队时间,其中,积分下线0表示该信号周期内绿灯时间的开始,积分上线G表示该信号周期内绿灯时间的结束;
S33-2:当车辆到达、驶离时间不在同一个完整绿灯信号周期,设定车辆在一个完整绿灯信号周期e到达,在信号周期e+N驶离,当e信号周期结束时,未检测到该车辆通过交叉口,判定e信号周期为过饱和周期,车辆需要等待N个绿灯信号周期,设定Gi为i周期的绿灯时间,设定Ge+N为该e+N信号周期内绿灯时间,根据公式:
计算得出,当前车辆在多个信号周期内车辆排队时间,其中,表示从e信号周期到e+N-1信号周期的所有绿灯时间;
S33-3:当交叉口信号灯配时方案固定的情况下,不在考虑车辆到达和驶离是否在同一个完整绿灯信号周期,设定车辆在交叉口排队的信号周期数量为N,设定Ge为e周期的绿灯结束的时间,Gs为e周期绿灯启亮时间,根据公式:
计算得出,当交叉口信号灯配时方案固定的情况下,车辆在多个信号周期内车辆排队时间;
S4:考虑路口排队状态的时间连续性,根据每个信号周期收集的车辆轨迹数据分析每一周期的车流运行状况,获取车辆排队概率模型的参数后验概率分布,根据该周期的参数后验概率分布假设下一个周期的先验概率分布,根据先验、后验概率的不断迭代实现停车概率模型参数的滚动动态估计,实现车辆排队时间的动态估计,包括以下步骤:
S41:设定参数θ=(α,β)T,其中,α、β为步骤S32中车辆停车概率P(t)的参数,对参数θ获取参数后验分布,其中,车辆通过研究区域第一个周期的先验分布根据人为经验进行估计,后验分布使用Logistic回归模型的似然函数与先验分布共同确定,下一周期的先验分布则是通过上一周期的后验分布得到的;
S42:设定p(θ|x)为参数θ后验分布即参数估计的结果,L(x|θ)为所求参数θ的似然函数,p(θ)为参数θ的先验分布,P(x)为x的边际密度函数,且与θ无关,为归一化常数,x为该周期内所有观测车辆信息对集合,根据公式:
计算得出该周期内参数θ后验概率分布即参数估计的结果,根据参数θ的后验概率分布值,能够观测出周期的后验概率分布正比于似然函数与先验分布概率的乘积,即
p(θ|x)∝L(x|θ)*p(θ)
S43:通过使用拉普拉斯近似方法把后验概率分布近似为一个高斯分布,确定其高斯分布f(θ)来近似获得周期后验概率分布,设定与后验概率分布近似的高斯分布f(θ)≈N(θ|θ0,σ2),其中,θ0为均值,σ2为方差,高斯分布的函数特征可知在θ0处,函数取到局部最大值,后验概率分布近似于f(θ),后验概率函数在θ0也能取到局部最大值,求出使得函数取得局部最大值的均值θ0,根据均值θ0将lnf(θ)在θ0泰勒展开,求得方差σ2;
S44:高斯分布f(θ)服从均值θ0和方差σ2的正态分布,根据函数得出:
设定A为lnf(θ)在驻点θ0的黑塞矩阵,得出与后验概率分布近似的高斯分布:
S45:在每个周期得到参数的后验分布概率后,根据车辆排队服务时间积分公式,可以得到该周期的排队服务时间分布;
S46:通过收集的车辆轨迹数据提取的信息不断获取车辆排队概率模型的参数后验分布,将前一个周期参数后验分布为下一周期的先验分布,通过先验、后验概率不断迭代实现停车概率模型的滚动动态估计,实现交叉口车辆排队服务时间的动态估计;
S5:对每一信号周期收集的车辆停车样本数据进行分析,根据估计得到的停车概率模型参数分析车辆排队服务时间,排队服务时间是绿灯时间内用于消散排队车辆的时间,实现车辆排队服务时间的动态估计,包括以下步骤:
S51:设定每个信号周期收集到的参数数据都是独立分布的随机变量,设定一个周期内收集的信息对集为H,设定x为车辆停止线驶离时间,y为停车概率,H={(x1,y1),(x2,y2),...,(xN,yN)},其中,x∈[0,G],y∈{0,1},信号周期的绿灯时间为G,根据公式:
hθ(X)=P(Y=1|X)=(1+e-(βt+α))-1
设定x={x1,x2,....,xN,1},θ={β1,β2,...,βN,α},构建逻辑回归模型的对数似然函数;
S52:确定信号周期的参数取值,采用梯度下降法或牛顿迭代法对逻辑回归模型的对数似然函数进行求解;
S53:将求解估计得到的参数θ进行积分得出车辆排队服务时间,实现交叉口车辆排队服务时间的动态估计;
S6:对研究区域内一个周期内部的车辆轨迹数据进行观测分析,提取其中的每一车辆停车信息和车辆停止线驶离时间,观测该周期最后驶离停止线的车辆,提取其停车线驶离时间,分析其车辆排队服务时间的动态估计。
2.根据权利要求1所述的一种低渗透率轨迹数据下排队服务时间动态估计方法,其特征在于:所述步骤S46,通过收集的车辆轨迹数据提取的信息不断获取车辆排队概率模型的参数后验分布,将前一个周期参数后验分布为下一周期的先验分布,通过先验、后验概率不断迭代实现停车概率模型的滚动动态估计,还包括以下步骤:
S46-1:对第一个信号周期的先验概率分布通过假设进行,设定第一个周期绿灯时间的一半用于消散排队车辆,提取车辆在周期内排队服务时间参数取值α、β,α≈N(0,0.01),β≈N(0,0.01),将α和β代入θ,计算得出第一个信号周期的先验概率分布;
S46-2:获取第一个周期的参数后验概率分布,求出排队服务时间的概率分布,将其作为第二个周期的先验分布概率,即:
p(θ|x1)=p(θ2)
S46-3:设定一信号周期m,对信号周期m排队服务时间进行估计时,都是用m-1周期得到的后验分布作为m周期的先验分布,即:
p(θm)=p(θ|xm-1)。
3.根据权利要求1所述的一种低渗透率轨迹数据下排队服务时间动态估计方法,其特征在于:所述步骤S6中,对研究区域内一个周期内部的车辆轨迹数据进行观测分析,提取其中的每一车辆停车信息和车辆停止线驶离时间,观测该周期最后驶离停止线的车辆,提取其停车线驶离时间,分析其车辆排队服务时间的动态估计,还包括以下步骤:
S61:提取研究区域内每一信号周期的车辆最后驶离停止线时间进行汇总;
S62:将每一信号周期的车辆最后驶离停止线时间作为该周期的排队服务时间估计值;
S63:将每一周期的排队服务时间估计值进行汇总,得出交叉口车辆排队服务时间的动态估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156558.5A CN113947899B (zh) | 2021-09-30 | 2021-09-30 | 一种低渗透率轨迹数据下排队服务时间动态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156558.5A CN113947899B (zh) | 2021-09-30 | 2021-09-30 | 一种低渗透率轨迹数据下排队服务时间动态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947899A CN113947899A (zh) | 2022-01-18 |
CN113947899B true CN113947899B (zh) | 2023-11-10 |
Family
ID=79330207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111156558.5A Active CN113947899B (zh) | 2021-09-30 | 2021-09-30 | 一种低渗透率轨迹数据下排队服务时间动态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947899B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822050B (zh) * | 2022-03-30 | 2023-07-21 | 阿里巴巴(中国)有限公司 | 路况识别方法、电子设备及计算机程序产品 |
CN114973693B (zh) * | 2022-04-12 | 2024-03-15 | 中南大学 | 车辆排队长度计算方法、计算机设备及计算机存储介质 |
CN115100847B (zh) * | 2022-05-18 | 2023-05-26 | 东南大学 | 面向低渗透率网联车轨迹数据的排队服务时间估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148295A (zh) * | 2019-04-03 | 2019-08-20 | 东南大学 | 一种估计路段自由流速度及交叉口上游到达流率的方法 |
CN110175692A (zh) * | 2019-04-16 | 2019-08-27 | 同济大学 | 一种基于轨迹数据的干线交叉口协调控制方法 |
CN110335459A (zh) * | 2019-04-26 | 2019-10-15 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
WO2021073526A1 (zh) * | 2019-10-15 | 2021-04-22 | 同济大学 | 一种基于轨迹数据的信号控制时段划分方法 |
-
2021
- 2021-09-30 CN CN202111156558.5A patent/CN113947899B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148295A (zh) * | 2019-04-03 | 2019-08-20 | 东南大学 | 一种估计路段自由流速度及交叉口上游到达流率的方法 |
CN110175692A (zh) * | 2019-04-16 | 2019-08-27 | 同济大学 | 一种基于轨迹数据的干线交叉口协调控制方法 |
CN110335459A (zh) * | 2019-04-26 | 2019-10-15 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
WO2021073526A1 (zh) * | 2019-10-15 | 2021-04-22 | 同济大学 | 一种基于轨迹数据的信号控制时段划分方法 |
Non-Patent Citations (1)
Title |
---|
A Probability-Based Model for Queue Service Time Distribution Estimation Using Accumulative Vehicle Trajectory Data;Liu J;《Transportation Research Board 99thAnnual Meeting》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113947899A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113947899B (zh) | 一种低渗透率轨迹数据下排队服务时间动态估计方法 | |
Dou et al. | A hybrid CEEMD-GMM scheme for enhancing the detection of traffic flow on highways | |
CN111267830B (zh) | 一种混合动力公交车能量管理方法、设备和存储介质 | |
CN107610464A (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN111325968B (zh) | 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备 | |
Chen et al. | Application of finite mixture of regression model with varying mixing probabilities to estimation of urban arterial travel times | |
CN106652441A (zh) | 一种基于时空数据的城市道路交通状态预测方法 | |
CN113420414B (zh) | 一种基于动态时空分析的短时交通流预测模型 | |
CN110288825B (zh) | 基于多源数据融合和snmf的交通控制子区聚类划分方法 | |
Sunderrajan et al. | Traffic state estimation using floating car data | |
CN105006149B (zh) | 交通路况估计动态迭代方法 | |
Gavirangaswamy et al. | Assessment of ARIMA-based prediction techniques for road-traffic volume | |
CN111739292A (zh) | 一种考虑路网od流量贡献时变性的收费站流量预测方法 | |
CN115935672A (zh) | 一种融合工况预测信息的燃料电池汽车能耗计算方法 | |
CN107092988B (zh) | 一种专用道公交车辆驻站时间预测方法 | |
Elhenawy et al. | Automatic congestion identification with two-component mixture models | |
Genser et al. | Time-to-Green predictions: A framework to enhance SPaT messages using machine learning | |
CN113806857A (zh) | 一种基于变分图自编码器的高速列车节能制动方法 | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN115100847B (zh) | 面向低渗透率网联车轨迹数据的排队服务时间估计方法 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
Widhalm et al. | Robust road link speed estimates for sparse or missing probe vehicle data | |
Sassella et al. | On queue length estimation in urban traffic intersections via inductive loops | |
CN113674525A (zh) | 基于稀疏数据的信号交叉口车辆排队长度预测方法 |
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 |