CN115100875B - 基于网联车轨迹数据的绿波行进车速不确定性量化方法 - Google Patents

Abstract

本发明公开了一种基于网联车轨迹数据的绿波行进车速不确定性量化方法，包括：将网联车轨迹点与实际道路路段进行地图匹配，计算网联车轨迹点到下游交叉口的距离；对车辆运行状态进行划分；将轨迹点汇聚到相应的路段元胞内；获得多条不同时间间隔内的路段元胞绿波行进车速序列；利用隐马尔科夫模型对元胞绿波行进车速进行联合分布建模，输入多条不同时间间隔内的元胞绿波行进车速序列进行训练，确定元胞绿波行进车速联合分布；获取若干组路段元胞绿波行进车速样本，计算空间平均值得到路段绿波行进车速样本，确定路段绿波行进车速分布。本发明实现了绿波行进车速的不确定性量化，为支撑鲁棒信号协调控制提供了现实可靠依据。

Description

基于网联车轨迹数据的绿波行进车速不确定性量化方法

技术领域

本发明属于网联车技术领域，具体涉及一种基于网联车轨迹数据的绿波行进车速不确定性量化方法。

背景技术

绿波行进车速是车辆不受任何信号控制影响通过路段的行驶速度，其作为信号协调控制算法中的关键输入参数，对于确定绿波带宽起重要作用。传统绿波行进车速的确定往往采用经验固定值，如路段限速、自由流速度等。而在现实交通环境中，由于路边停车、公交车辆进出站台、路中行人过街、沿线支路进出干扰等因素的影响，车辆按某一特定速度行驶的可能性较低，绿波行进车速在路段的不同位置往往呈现出不同程度的不确定性。

现有的考虑绿波行进车速不确定性的方法主要有：(1)根据有效行驶速度样本确定绿波行进车速变化区间，根据行驶速度出现的频数计算速度加权平均值作为绿波行进车速；(2)假设绿波行进车速服从特定简单分布，如高斯分布、均匀分布等。

现有技术的技术问题在于：

(1)通常选取某一个固定速度值作为路段绿波行进车速代表值，未考虑到路段绿波行进车速的波动变化特点；(2)缺乏对绿波行进车速空间相关性的建模，未考虑绿波行进车速在路段上的空间分布规律；(3)量化绿波行进车速不确定性的方式过于简单，未充分利用现实数据来刻画不同类型道路的绿波行进车速分布。

发明内容

解决的技术问题：针对前述技术问题，本发明提供一种基于网联车采集的车辆轨迹数据，对路段绿波行进车速不确定性进行量化的方法，无需布设额外的检测设备，充分利用了现有海量、时空覆盖范围广的网联车数据，实现了绿波行进车速的不确定性量化，为支撑鲁棒信号协调控制提供了现实可靠依据。所提出的方法可以快速形成大范围应用，且实现成本低。

技术方案：

一种基于网联车轨迹数据的绿波行进车速不确定性量化方法，所述量化方法包括如下步骤：

S1，获取网联车轨迹数据和道路数字地理信息，将网联车轨迹点与实际道路路段进行地图匹配，计算网联车轨迹点到下游交叉口的距离；

S2，根据网联车轨迹点的瞬时车速属性，利用高斯混合模型对车辆运行状态进行划分，车辆运行状态包括：绿波行进状态、加减速状态和停车状态，获取绿波行进状态下的网联车数据；

S3，根据步骤S2中获取的绿波行进状态下的网联车数据，考虑绿波行进车速的空间差异性，将路段划分为若干个等长的路段均质元胞，将轨迹点汇聚到相应的路段元胞内；考虑时间差异性，将数据集按时间进行划分，获得多条不同时间间隔内的路段元胞绿波行进车速序列；

S4，考虑绿波行进车速在路段上的空间相关性，利用隐马尔科夫模型对元胞绿波行进车速进行联合分布建模，输入多条不同时间间隔内的元胞绿波行进车速序列进行训练，采用EM算法完成模型参数学习，确定元胞绿波行进车速联合分布；

S5，对元胞绿波行进车速联合分布进行蒙特卡罗采样直至收敛，获取若干组路段元胞绿波行进车速样本，计算空间平均值得到路段绿波行进车速样本，确定路段绿波行进车速分布。

进一步地，步骤S1中，所述获取网联车轨迹数据和道路数字地理信息，将网联车轨迹点与实际道路路段进行地图匹配，计算网联车轨迹点到下游交叉口的距离的过程包括以下子步骤：

S11，获取网联车采集的轨迹数据，轨迹数据包括网联车的车辆身份、采集日期、采集时间、采集状态、行驶瞬时速度、行驶航向和经纬度；

S12，根据网联车轨迹点的经纬度属性，将轨迹点与最近邻的道路路段进行地图匹配，获得轨迹点所属路段信息；

S13，计算网联车轨迹点到下游交叉口中心点的距离，作为其路段位置信息。

进一步地，步骤S2中，所述根据网联车轨迹点的瞬时车速属性，利用高斯混合模型对车辆运行状态进行划分的过程包括以下子步骤：

S21，提取瞬时车速为零的网联车轨迹点的路段位置坐标，确定历史最大排队长度，并将该路段位置坐标作为信号控制区域的边界点，得到信号控制影响区域；

S22，将信号控制区域以外的网联车轨迹点的车辆状态设置为绿波行进状态；

S23，利用三元高斯混合模型，将信号控制区域以内的网联车轨迹点的车辆状态划分为三种运行状态：绿波行进状态、加减速状态和停车状态。

进一步地，步骤S23中，利用三元高斯混合模型，将信号控制区域以内的网联车轨迹点的车辆状态划分为三种运行状态的过程包括以下子步骤：

S231，提取信号控制区域以内所有网联车轨迹点的瞬时车速，使用K-means聚类方法，设置聚类个数为3，对轨迹点车辆状态进行初始划分；

S231，根据最大似然估计的思想，计算每个类k的聚类中心均值μ_k和方差

以及混合比α_k：

式中，v_ik是第k类中第i个网联车轨迹点；N_k是第k类网联车轨迹点数量；N是网联车轨迹点数量；

S232，依据聚类中心的均值从大到小的顺序，将每一类下的轨迹点的车辆状态依次标记为绿波行进状态、加减速状态和停车状态；

S233，计算网联车轨迹点v_i属于每一种状态k的后验概率γ_ik：

式中，

为第k个高斯成分的概率密度函数；

S234，重新估计模型参数：

S235，计算对数似然lnP(X|μ,σ,α)：

S236，重复S234至S236，直至对数似然收敛；

S237，获得三元高斯混合模型的联合分布的最优参数

S238，依据最优参数计算所有网联车轨迹点属于每个运行状态的后验概率，以0.6为阈值，划分所有网联车轨迹点的运行状态。

进一步地，步骤S3中，考虑绿波行进车速的空间差异性，将路段划分为若干个等长的路段均质元胞，将轨迹点汇聚到相应的路段元胞内的具体过程如下：

S301，将路段划分为若干个等长的路段均质元胞，划分长度与道路等级相关；

S302，提取所有绿波行进状态下的网联车轨迹点，根据其所在的路段位置坐标划分至相应的路段元胞内。

进一步地，步骤S3中，考虑时间差异性，将数据集按时间进行划分，获得多条不同时间间隔内的路段元胞绿波行进车速序列的过程包括以下步骤：

S311，将处于绿波行进状态下的网联车数据集按固定时间间隔划分为若干个子数据集，划分时间间隔t与网联车数据稀疏程度相关；

S312，对每个时间间隔t下每个路段元胞c内的所有处于绿波行进状态的网联车轨迹点的瞬时车速进行汇聚，计算空间平均绿波行进车速

其中，

和

分别指在时间间隔t内第c个元胞中处于绿波行进状态的网联车轨迹点总数和第i个轨迹点的瞬时速度；

S313，从上游到下游对路段元胞依次进行编号，获得时间间隔t内的路段元胞绿波行进车速序列

C为路段元胞的总数；

S314，遍历每个子数据集，获得多条路段元胞绿波行进车速序列V＝{V¹,V²,...,V^t,...,V^T}，T为时间间隔总数。

进一步地，步骤S4中，考虑绿波行进车速在路段上的空间相关性，利用隐马尔科夫模型对元胞绿波行进车速进行联合分布建模，输入多条不同时间间隔内的元胞绿波行进车速序列进行训练，采用EM算法完成模型参数学习，确定元胞绿波行进车速联合分布的过程包括以下子步骤：

S41，输入多条路段元胞绿波行进车速序列，采用隐马尔科夫模型对元胞级绿波行进车速的空间相关性进行联合分布建模；具体包括：

S411，设置两种隐状态S_c∈{s₁,s₂}，分别代表正常驾驶状态s₁和谨慎驾驶状态s₂；

S412，建立基于隐马尔可夫模型的元胞绿波行进车速联合概率分布：

其中，模型参数θ＝(A,B,π)，初始状态分布π＝{π_k}，满足：

初始状态为s_k的概率表示为

状态转移矩阵A＝{a_jk}，从状态j转移到k的状态转移概率

满足：

在隐状态k下元胞绿波行进车速分布B＝{b_k}，

表示时间间隔t内第c个路段元胞的隐状态；

S42，输入观测序列数据

进行模型参数学习；具体包括：

S421，初始化模型参数θ^old；

S422，计算后验概率

和

S423，引入正向概率α_c(k)和反向概率β_c(k)：

S424，确定正向概率α_c(k)和反向概率β_c(k)的递归关系：

式中，

表示时间间隔t内第c个路段元胞的前向概率；

表示时间间隔t内第c个路段元胞的后向概率；

表示时间间隔t内第一个路段元胞的前向概率；

表示时间间隔t内最后一个路段元胞的后向概率；

S425，根据前向α_c(k)和后向概率β_c(k)，重新计算后验概率γ_c(k)和ξ_c(j,k)：

式中，

表示时间间隔t内第c个路段元胞的隐状态边缘后验概率；

表示时间间隔t内第c个路段元胞的隐状态联合后验概率；

S426，计算似然函数的对数期望：

式中，

表示时间间隔t内第一个路段元胞的隐状态边缘后验概率；

S427，对多条序列V＝{V¹,V²,...,V^t,…,V^T}，重复步骤S424至S426；

S428，更新模型参数：

S429，重复S426至S428，直至模型参数收敛。

进一步地，步骤S5中，对元胞绿波行进车速联合分布进行蒙特卡罗采样直至收敛，获取若干组路段元胞绿波行进车速样本，计算空间平均值得到路段绿波行进车速样本，确定路段绿波行进车速分布的具体过程如下：

S51，对隐马尔可夫模型控制的元胞绿波行进车速联合分布中进行蒙特卡罗采样，获取若干组元胞绿波行进车速样本，每组样本数等于路段元胞个数；

S52，对于每组元胞绿波行进车速样本，计算路段l绿波行进车速样本v_l：

其中，v_p,c是元胞c的绿波行进车速样本，L_l和L_c分别是路段长度和元胞长度；

S53，根据路段绿波行进车速样本，确定路段绿波行进车速分布。

有益效果：

第一，本发明的基于网联车轨迹数据的绿波行进车速不确定性量化方法，基于网联车轨迹数据，构建起元胞级绿波行进车速分布，刻画绿波行进车速在不同类型的路段上不同位置的分布特点及规律，采用数据驱动的方法，无需人工现场标定。

第二，本发明的基于网联车轨迹数据的绿波行进车速不确定性量化方法，无需布设额外的检测设备，充分利用了现有海量、时空覆盖范围广的网联车数据，实现了绿波行进车速的不确定性量化，为支撑鲁棒信号协调控制提供了现实可靠依据。所提出的方法可以快速形成大范围应用，且实现成本低。

附图说明

图1为元胞行进车速的联合分布模型示意图；

图2为实验路段位置信息示意图；

图3为车辆运行状态划分结果示意图；图3中，(a)对应主干道-路段151的车辆运行状态划分结果，(b)对应主干道-路段442的车辆运行状态划分结果，(c)对应主干道-路段440的车辆运行状态划分结果，(d)对应主干道-路段62的车辆运行状态划分结果，(e)对应主干道-路段217的车辆运行状态划分结果，(f)对应主干道-路段219的车辆运行状态划分结果；

图4为元胞级绿波行进车速分布示意图；图4中，(a)对应主干道-路段151的元胞级绿波行进车速分布，(b)对应主干道-路段442的元胞级绿波行进车速分布，(c)对应主干道-路段440的元胞级绿波行进车速分布，(d)对应主干道-路段62的元胞级绿波行进车速分布，(e)对应主干道-路段217的元胞级绿波行进车速分布，(f)对应主干道-路段219的元胞级绿波行进车速分布；

图5为路段级绿波行进车速分布示意图；

图6为本发明实施例的基于网联车轨迹数据的绿波行进车速不确定性量化方法流程图。

具体实施方式

下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。

图6为本发明实施例的基于网联车轨迹数据的绿波行进车速不确定性量化方法流程图。

参见图6，该量化方法包括如下步骤：

S1，获取网联车轨迹数据和道路数字地理信息，将网联车轨迹点与实际道路路段进行地图匹配，计算网联车轨迹点到下游交叉口的距离。

S2，根据网联车轨迹点的瞬时车速属性，利用高斯混合模型对车辆运行状态进行划分，车辆运行状态包括：绿波行进状态、加减速状态和停车状态，获取绿波行进状态下的网联车数据。

S3，根据步骤S2中获取的绿波行进状态下的网联车数据，考虑绿波行进车速的空间差异性，将路段划分为若干个等长的路段均质元胞，将轨迹点汇聚到相应的路段元胞内；考虑时间差异性，将数据集按时间进行划分，获得多条不同时间间隔内的路段元胞绿波行进车速序列。

S4，考虑绿波行进车速在路段上的空间相关性，利用隐马尔科夫模型对元胞绿波行进车速进行联合分布建模，输入多条不同时间间隔内的元胞绿波行进车速序列进行训练，采用EM算法完成模型参数学习，确定元胞绿波行进车速联合分布。

S5，对元胞绿波行进车速联合分布进行蒙特卡罗采样直至收敛，获取若干组路段元胞绿波行进车速样本，计算空间平均值得到路段绿波行进车速样本，确定路段绿波行进车速分布。

下面结合附图和实例对前述量化方法的原理做进一步说明。

一，将网联车轨迹点与实际道路路段进行地图匹配，计算网联车轨迹点到下游交叉口的距离。

步骤S1的具体过程如下：

S11，获取网联车采集的轨迹数据，包括网联车的车辆身份、采集日期、采集时间、采集状态、行驶瞬时速度、行驶航向和经纬度。网联车轨迹数据如表1所示。

表1网联车轨迹数据样例

S12，根据网联车轨迹点的经纬度属性，将轨迹点与最近邻的道路路段进行地图匹配，获得轨迹点所属路段信息。

S13，计算网联车轨迹点到下游交叉口中心点的距离，作为其路段位置信息。实验路段位置信息如图2所示。

二，对车辆运行状态进行划分。

步骤S2的具体过程如下：

S21，提取瞬时车速为零的网联车轨迹点的路段位置坐标，确定历史最大排队长度，并将其作为信号控制影响区域边界；

S22，将信号控制区域以外的网联车轨迹点的车辆状态设置为绿波行进状态；

S23，利用三元高斯混合模型(GMM)，将信号控制区域以内的网联车轨迹点的车辆状态划分为三种运行状态：绿波行进状态、加减速状态和停车状态，包括以下步骤：

(1)提取信号控制区域以内所有网联车轨迹点的瞬时车速，使用K-means聚类方法，设置聚类个数为3，对轨迹点车辆状态进行初始划分。

(2)根据最大似然估计的思想，计算每个类的聚类中心均值μ_k和方差以及混合比：

(3)依据聚类中心的均值大小，从大到小将每一类下的轨迹点的车辆状态依次标记为绿波行进状态、加减速状态和停车状态。

(4)计算网联车轨迹点v_i属于每一种状态k的后验概率γ_ik：

(5)重新估计模型参数:

(6)计算对数似然：

(7)重复步骤(4)～(6)直至对数似然收敛，收敛判断条件设为10^-6。

(8)最终获得GMM3的联合分布的最优参数μ_k,

α_k。

(9)依据最优参数计算所有网联车轨迹点属于每个运行状态的后验概率，以0.6为阈值，划分所有网联车轨迹点的运行状态。

网联车轨迹数据的地图匹配的结果如表2所示。

表2地图匹配结果样例

三，将轨迹点汇聚到相应的路段元胞内；获得多条不同时间间隔内的路段元胞绿波行进车速序列。

步骤3的具体过程如下：

S31，将路段划分为若干个等长的路段均质元胞，划分长度视道路等级而定，主干道可选50±5米，次干道可选40±5米。

S32，提取所有绿波行进状态下的网联车轨迹点，根据其所在的路段位置坐标划分至相应的路段元胞内。

S33，将处于绿波行进状态下的网联车数据集按固定时间间隔划分为若干个子数据集，划分时间间隔t视网联车数据稀疏程度(渗透率)而定，一般可取1h。

S34，对每个时间间隔t下每个路段元胞c内的所有处于绿波行进状态的网联车轨迹点的瞬时车速进行汇聚，计算空间平均绿波行进车速

其中，

分别指在时间间隔t内第c个元胞中处于绿波行进状态的网联车轨迹点总数和第i个轨迹点的瞬时速度。

S35，从上游到下游对路段元胞依次进行编号，获得时间间隔t内的路段元胞绿波行进车速序列

C为路段元胞的总数。

S36，遍历每个子数据集，获得多条路段元胞绿波行进车速序列V＝{V¹,V²,…,V^t,…,V^T}，T为时间间隔总数。

示例性地，针对前述轨迹数据和实验道路，车辆运行状态划分结果以及相应的高斯分布估计参数如图3所示，按均值从小到大分别表示停车状态、减速/加速状态、绿波行进状态。图3中，①表示停车状态下车速分布，②表示加减速状态下车速分布，③表示绿波行进状态下车速分布。

四，确定元胞绿波行进车速联合分布。

步骤S4的具体过程如下：

S41，输入多条路段元胞绿波行进车速序列，采用隐马尔科夫模型对元胞级绿波行进车速的空间相关性进行联合分布建模，建模结果如图1所示。具体地：

(1)设置两种隐状态S_c∈{s₁,s₂}，分别为正常驾驶状态和谨慎驾驶状态。

(2)建立基于隐马尔可夫模型的元胞绿波行进车速联合概率分布：

其中，模型参数θ＝(A,B,π)，初始状态分布π＝{π_k}，满足：

初始状态为s_k的概率表示为

状态转移矩阵A＝{a_jk}，从状态j转移到k的状态转移概率

满足：

在隐状态k下元胞绿波行进车速分布B＝{b_k}，

S42，输入观测序列数据

进行模型参数学习：

(1)初始化模型参数θ^old。

(2)计算后验概率

和

(3)引入正向概率α_c(k)和反向概率β_c(k)：

(4)确定正向概率α_c(k)和反向概率β_c(k)的递归关系：

(5)根据前向α_c(k)和后向概率β_c(k)，重新计算后验概率γ_c(k)和ξ_c(j,k)：

(6)计算似然函数的对数期望：

(7)对多条序列V＝{V¹,V²,…,V^t,...,V^T}重复步骤(4)～(6)。

(8)更新模型参数：

(9)重复步骤(6)～(8)直至模型参数收敛，收敛判断条件设为10^-6。

五、确定路段绿波行进车速分布。

步骤5的具体过程如下：

S51，对隐马尔可夫模型控制的元胞绿波行进车速联合分布中进行蒙特卡罗采样，获取若干组元胞绿波行进车速样本，每组样本数等于路段元胞个数，样本组数一般可取3000；获得元胞级绿波行进车速样本分布(分隐状态)结果如图4所示。

S52，对于每组元胞绿波行进车速样本，计算路段l绿波行进车速样本v_l：

其中，v_p,c是元胞c的绿波行进车速样本，L_l和L_c分别是路段长度和元胞长度。

S53，根据路段绿波行进车速样本，确定路段绿波行进车速分布。路段行进车速采样结果如图5所示，其中图5(a)是主干道的行进车速采样结果，图5(b)是次干道的行进车速采样结果。

网联车轨迹数据具有时空覆盖范围广、数据海量等优势，可支撑动态绿波、绿波车速指引。本发明提供一种基于网联车采集的车辆轨迹数据，对路段绿波行进车速不确定性进行量化的方法，具体的，根据网联车辆采集到的轨迹数据，包括时间戳、车辆身份、车辆速度、航向、经纬度等信息；首先，根据经纬度将网联车轨迹点与路段进行地图匹配；其次，根据轨迹点的车辆瞬时速度进行单车级别的车辆状态划分，包括：绿波行进状态、加减速状态、停车状态；接着，将路段划分为若干个路段均质元胞，对固定时间间隔，根据位置信息将网联车轨迹点汇聚到相应的路段元胞内，计算元胞内的所有轨迹点瞬时速度的空间平均值作为元胞绿波行进车速代表值；使用隐马尔科夫模型对元胞绿波行进车速的空间相关性进行联合分布建模，采用EM算法完成模型参数学习；最后，对建立的联合分布进行蒙特卡罗采样直至收敛，获取若干组路段元胞绿波行进车速样本，对每组样本计算相应的空间平均值得到路段绿波行进车速样本，从而确定路段绿波行进车速分布。

Claims (2)

1.一种基于网联车轨迹数据的绿波行进车速不确定性量化方法，其特征在于，所述量化方法包括如下步骤：

S1，获取网联车轨迹数据和道路数字地理信息，将网联车轨迹点与实际道路路段进行地图匹配，计算网联车轨迹点到下游交叉口的距离；

S2，根据网联车轨迹点的瞬时车速属性，利用高斯混合模型对车辆运行状态进行划分，车辆运行状态包括：绿波行进状态、加减速状态和停车状态，获取绿波行进状态下的网联车数据；

S3，根据步骤S2中获取的绿波行进状态下的网联车数据，考虑绿波行进车速的空间差异性，将路段划分为若干个等长的路段均质元胞，将轨迹点汇聚到相应的路段元胞内；考虑时间差异性，将数据集按时间进行划分，获得多条不同时间间隔内的路段元胞绿波行进车速序列；

S4，考虑绿波行进车速在路段上的空间相关性，利用隐马尔科夫模型对元胞绿波行进车速进行联合分布建模，输入多条不同时间间隔内的元胞绿波行进车速序列进行训练，采用EM算法完成模型参数学习，确定元胞绿波行进车速联合分布；

S5，对元胞绿波行进车速联合分布进行蒙特卡罗采样直至收敛，获取若干组路段元胞绿波行进车速样本，计算空间平均值得到路段绿波行进车速样本，确定路段绿波行进车速分布；

步骤S2中，所述根据网联车轨迹点的瞬时车速属性，利用高斯混合模型对车辆运行状态进行划分的过程包括以下子步骤：

S21，提取瞬时车速为零的网联车轨迹点的路段位置坐标，确定历史最大排队长度，并将该路段位置坐标作为信号控制区域的边界点，得到信号控制影响区域；

S22，将信号控制区域以外的网联车轨迹点的车辆状态设置为绿波行进状态；

S23，利用三元高斯混合模型，将信号控制区域以内的网联车轨迹点的车辆状态划分为三种运行状态：绿波行进状态、加减速状态和停车状态；

步骤S23中，利用三元高斯混合模型，将信号控制区域以内的网联车轨迹点的车辆状态划分为三种运行状态的过程包括以下子步骤：

S231，提取信号控制区域以内所有网联车轨迹点的瞬时车速，使用K-means聚类方法，设置聚类个数为3，对轨迹点车辆状态进行初始划分；

S231，根据最大似然估计的思想，计算每个类k的聚类中心均值μ_k和方差以及混合比α_k：

式中，v_ik是第k类中第i个网联车轨迹点；N_k是第k类网联车轨迹点数量；N是网联车轨迹点数量；

S232，依据聚类中心的均值从大到小的顺序，将每一类下的轨迹点的车辆状态依次标记为绿波行进状态、加减速状态和停车状态；

S233，计算网联车轨迹点v_i属于每一种状态k的后验概率γ_ik：

式中，为第k个高斯成分的概率密度函数；

S234，重新估计模型参数：

S235，计算对数似然lnP(X|μ,σ,α)：

S236，重复S234至S236，直至对数似然收敛；

S237，获得三元高斯混合模型的联合分布的最优参数

S238，依据最优参数计算所有网联车轨迹点属于每个运行状态的后验概率，以0.6为阈值，划分所有网联车轨迹点的运行状态；

步骤S3中，考虑绿波行进车速的空间差异性，将路段划分为若干个等长的路段均质元胞，将轨迹点汇聚到相应的路段元胞内的具体过程如下：

S301，将路段划分为若干个等长的路段均质元胞，划分长度与道路等级相关；

S302，提取所有绿波行进状态下的网联车轨迹点，根据其所在的路段位置坐标划分至相应的路段元胞内；

步骤S3中，考虑时间差异性，将数据集按时间进行划分，获得多条不同时间间隔内的路段元胞绿波行进车速序列的过程包括以下步骤：

S311，将处于绿波行进状态下的网联车数据集按固定时间间隔划分为若干个子数据集，划分时间间隔t与网联车数据稀疏程度相关；

S312，对每个时间间隔t下每个路段元胞c内的所有处于绿波行进状态的网联车轨迹点的瞬时车速进行汇聚，计算空间平均绿波行进车速

其中，和分别指在时间间隔t内第c个元胞中处于绿波行进状态的网联车轨迹点总数和第i个轨迹点的瞬时速度；

S313，从上游到下游对路段元胞依次进行编号，获得时间间隔t内的路段元胞绿波行进车速序列C为路段元胞的总数；

S314，遍历每个子数据集，获得多条路段元胞绿波行进车速序列V＝{V¹,V²,…,V^t,…,V^T}，T为时间间隔总数；

步骤S4中，考虑绿波行进车速在路段上的空间相关性，利用隐马尔科夫模型对元胞绿波行进车速进行联合分布建模，输入多条不同时间间隔内的元胞绿波行进车速序列进行训练，采用EM算法完成模型参数学习，确定元胞绿波行进车速联合分布的过程包括以下子步骤：

S41，输入多条路段元胞绿波行进车速序列，采用隐马尔科夫模型对元胞级绿波行进车速的空间相关性进行联合分布建模；具体包括：

S411，设置两种隐状态S_c∈{s₁,s₂}，分别代表正常驾驶状态s₁和谨慎驾驶状态s₂；

S412，建立基于隐马尔可夫模型的元胞绿波行进车速联合概率分布：

其中，模型参数θ＝(A,B,π)，初始状态分布π＝{π_k}，满足：初始状态为s_k的概率表示为状态转移矩阵A＝{a_jk}，从状态j转移到k的状态转移概率满足：在隐状态k下元胞绿波行进车速分布B＝{b_k}， 表示时间间隔t内第c个路段元胞的隐状态；

S42，输入观测序列数据进行模型参数学习；具体包括：

S421，初始化模型参数θ^old；

S422，计算后验概率和

S423，引入正向概率α_c(k)和反向概率β_c(k)：

S424，确定正向概率α_c(k)和反向概率β_c(k)的递归关系：

式中，表示时间间隔t内第c个路段元胞的前向概率；表示时间间隔t内第c个路段元胞的后向概率；表示时间间隔t内第一个路段元胞的前向概率；表示时间间隔t内最后一个路段元胞的后向概率；表示在时间间隔t内第一个路段元胞隐状态为k条件下出现行进车速观测的概率；表示时间间隔t内第c-1个路段元胞的前向概率；

S425，根据前向概率α_c(k)和后向概率β_c(k)，重新计算后验概率γ_c(k)和ξ_c(j,k)：

式中，表示时间间隔t内第c个路段元胞的隐状态边缘后验概率；表示时间间隔t内第c个路段元胞的隐状态联合后验概率；

S426，计算似然函数的对数期望：

式中，表示时间间隔t内第一个路段元胞的隐状态边缘后验概率；

S427，对多条序列V＝{V¹,V²,…,V^t,…,V^T}，重复步骤S424至S426；

S428，更新模型参数：

S429，重复S426至S428，直至模型参数收敛；

步骤S5中，对元胞绿波行进车速联合分布进行蒙特卡罗采样直至收敛，获取若干组路段元胞绿波行进车速样本，计算空间平均值得到路段绿波行进车速样本，确定路段绿波行进车速分布的具体过程如下：

S51，对隐马尔可夫模型控制的元胞绿波行进车速联合分布中进行蒙特卡罗采样，获取若干组元胞绿波行进车速样本，每组样本数等于路段元胞个数；

S52，对于每组元胞绿波行进车速样本，计算路段l绿波行进车速样本v_l：

其中，v_p,c是元胞c的绿波行进车速样本，L_l和L_c分别是路段长度和元胞长度；

S53，根据路段绿波行进车速样本，确定路段绿波行进车速分布。

2.根据权利要求1所述基于网联车轨迹数据的绿波行进车速不确定性量化方法，其特征在于，步骤S1中，所述获取网联车轨迹数据和道路数字地理信息，将网联车轨迹点与实际道路路段进行地图匹配，计算网联车轨迹点到下游交叉口的距离的过程包括以下子步骤：

S11，获取网联车采集的轨迹数据，轨迹数据包括网联车的车辆身份、采集日期、采集时间、采集状态、行驶瞬时速度、行驶航向和经纬度；

S12，根据网联车轨迹点的经纬度属性，将轨迹点与最近邻的道路路段进行地图匹配，获得轨迹点所属路段信息；

S13，计算网联车轨迹点到下游交叉口中心点的距离，作为其路段位置信息。

Images