CN116580561B - 一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法 - Google Patents

Abstract

一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法，主要特征是：充分利用可快速采集的短期轨迹数据和先验知识快速构造信号交叉口附近车辆加速度轨迹；利用驾驶行为理论，考虑出行效率、舒适性，提取车辆加速度共性特征，构建多类含有少量参数的加速度模型；利用最优控制理论，改变模型参数校正难度；利用智能交通系统传感器采集短期车辆数据，针对所有路口车辆，选择车辆所属类型并校正参数；利用驾驶员规避碰撞风险的特性，生成所有车辆轨迹，并计算交叉口流量释放率。该方法通过结合先验知识，和现有技术易采集的短期车辆轨迹数据，快速预测交叉口流量释放，避免传统交通流模型和机器学习方法的弊端。

Description

一种基于加速度模型和短期轨迹数据的交叉口流量释放预测 方法

技术领域

本发明涉及一种交通流量释放率预测方法，具体是一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法。

技术背景

我国市场汽车保有量逐渐增加，这给城市道路带来了诸多压力。随之而来的社会负效益包括交通拥堵、能源危机、噪音、污染排放等。信号交叉口处的车辆排队和释放过程对于信号控制、交通流量控制等交通系统优化控制策略至关重要。准确预测车辆排队和释放过程是相关交通控制的基础，也是检验交通系统效率是否得到提升的重要手段。

现有的关于交叉口处流量释放率的研究从两个角度入手：(1)交通流理论；(2)机器学习。从交通流理论出发的交通流量释放率模型往往用于刻画交叉口处流量释放率的宏观特性，借助交通流中基本图模型、元胞传输模型对释放率进行刻画，得到一种描述性模型。这种模型可以对交叉口处的特性进行解释，但难以预测实时动态变化的交叉口流量释放过程。从机器学习出发的信号交叉口交通流量释放率预测面临一个困境：采用长期的轨迹数据难以预测实时动态的交通释放率变化，采用短期数据容易陷入过拟合。

本发明提出的基于短期轨迹数据和加速度模型相结合的信号交叉口交通流量释放率预测方法可以避免上述方法的弊端。具体来说，本方法充分利用短期内交通数据进行轨迹特征提取，结合多类型车辆加速度特性，进行参数校正，利用驾驶员跟车驾驶特性生成轨迹，预测得到准确、实时的信号交叉口释放率。

发明内容

目的：本发明为了准确预测信号交叉口处流量释放，利用多类型车辆加速度模型，结合交叉口上游路段视频数据以及交通道路数据、限速数据等，进行参数校核、轨迹生成和交通通行率预测，从而提出一种基于加速度模型和短期数据的交叉口流量释放率预测方法。

一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法，包括以下步骤：

步骤一：数据检测、收集和处理。检测并收集所预测流量释放率所在交叉口上下游信息，包括：交叉口排队车辆上游轨迹信息、下游道路坡度等信息和下游限速信息；

步骤二：模型生成。通过最优控制理论，构建加速度模型，对模型进行解析分析，提取模型特征；

步骤三：加速度模型选择。主要根据车辆类型(包括小汽车、卡车/公交车和电动自行车)选择不同类型的加速度模型；

步骤四：加速度模型参数校正。利用模型性质和上下游数据，对所有车辆加速度模型参数分别进行校正；

步骤五：轨迹生成。利用校正后的加速度模型、心理舒适原则生成合理的车辆轨迹；

步骤六：流量释放率预测。基于生成的轨迹，结合基础交通流理论，并得到该信号交叉口处的流量释放率。

本发明与现有技术相比的有益效果：

本发明充分利用了现有交通系统中短期内的视频数据、路侧单元检测数据，结合开发的多车型加速度模型，进行参数标定、轨迹生成和交叉口的流量释放率的预测。该方法可以预测实时准确的流量释放率；此外，由于利用了车辆加速度模型，该方法可以避免机器学习方法的困境。

附图说明：

图1是本发明的流程图，描述了该交叉口流量释放率预测方法的整个流程，主要包括数据获取、模型参数校正、轨迹生成和释放率计算。

图2是本发明的数据获取和模型相结合的示意图。

图3是多类型加速度模型的示意图。

图4是车辆轨迹生成后的车头时距计算方法。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。图1描述了本方法的流程。从数据检测、收集和处理出发，根据线下加速度模型生成，得到加速度轨迹特性；针对线上时实任务，利用处理后的数据，对每一辆车进行模型选择、参数校核，从而得到所有车辆轨迹，最终预测交叉口流量释放率。

步骤一：数据检测、收集和处理。检测并收集所预测流量释放率所在交叉口上下游信息，包括：交叉口排队车辆上游轨迹信息、下游道路坡度等信息和下游限速信息。数据获取和应用如图2所示。

通过道路交通系统已安装的摄像头、路侧检测单元等设施记录、提取并记录车辆轨迹数据，并对其进行标记。数据的提取和记录方法不在本发明的范畴和权利要求之内。可参考经典或前沿的机器视觉技术实施该步骤。

步骤二：模型生成。模型生成分为两步：

(1)线下模型生成，通过最优控制理论，构建加速度模型，对模型进行解析分析，提取模型特征。这一步较为复杂，充分利用对加速度的先验知识，构建加速度模。

通过最优控制生成加速度模型，该模型的具体方法如下：

基于司机对出行效率和出行舒适性的要求，构建最优控制模型，模型如下所示：

司机希望能够在最短的时间内完成一个加速任务，假设在一段距离足够长的距离D内完成加速任务，加速结束时的时间记为t_f，记加速开始时间为t₀，车辆加速的位移为x，司机的单位时间成为记为m_t。因此，司机在一个加速任务中的时间成本表示为：

同时，车辆的加速会让司机感觉不舒适，这种不舒适还和车辆速度有关，因此，加速过程中，车辆舒适度记为:

其中，m_c是司机的舒适性成本系数，a是车辆加速度，v是车辆的速度，α₁,α₂,α₃是相关参数，并且通过线下大规模轨迹数据进行校正。上述两种成本可以用积分形式表示，并将两种成本进行求和，并对参数进行整合：

θ₁,θ₂,θ₃,θ₄是整合后的参数，成本函数仅仅和速度和加速度有关。为了表征司机的舒适性，还需要对加速度对时间的导数，jerk进行约束，约束表示为：

|j(t)|≤j_max

其中，是加速度对时间的导数jerk。此外，对于在信号交叉口处的加速行为，车辆的在开始加速和结束加速时的加速度都是0。同时开始加速时候的车辆速度也是0。一般车辆加速结束时的速度较为接近于道路的限速大小v_l。

该问题属于最优控制模型，其加速度模型可以根据相关约束函数得到车辆最终的加速度轨迹，并且在实际应用中选择加速度模型的类型以及根据实际数据进行参数标定。

(2)模型线上实时校正和应用。根据上述模型特征，利用大量数据验证，进行共有参数(如α₁,α₂,α₃)调整。在调整好参数后，进行接下来的驾驶员独有的模型选择和参数调整。线上实时应用过程如步骤三和步骤四所示。

步骤三：加速度模型选择。主要根据车辆类型(包括小汽车、卡车/公交车和电动自行车)选择不同类型的加速度模型。

在道路交通系统中，不同类型车辆的加速度轨迹有较大不同。并且在我国道路交通系统中存在多种混合车流，主要包括：小汽车、电动自行车和卡车/公交车。三种类型的车辆加速度有不同的类型，三种类型的加速度轨迹见图3。但针对具体每一辆车，需要根据该车上游的轨迹数据进行类型选择。

其中，由于骑行者对车辆的速度感知较为敏感，并且其加速任务较低，因此，其加速度轨迹一般只受到jerk的约束。其轨迹往往较为简单，属于一个三角形式。小汽车对车辆速度感知属于第二位，小汽车不仅仅还受到最大加速度约束，其最大加速度往往随时间变化较小。而卡车/公交车的对车辆速度感知较差，其加速度曲线波动较大，且其最大加速度往往随着时间增加而增加。

因此，根据不同的车辆类型，需要根据上游数据计算其jerk约束和最大加速度约束，从而选择更适合其运行特征的加速度类型。不同的加速度类型能够使用不同的基础模型。

步骤四：加速度模型参数校正。利用模型性质和上游数据，对所有车辆加速度模型参数分别进行矫正。

加速度模型参数校正主要包括以下几个参数的校正：(a)j_s是加速度轨迹中最重要的参数，其为加速过程中最后一段轨迹的下降斜率，该斜率可以根据实际轨迹进行矫正，本质上和m_t,m_c(当校正α₁,α₂,α₃后，校正m_t,m_c等价于校正θ₁,θ₂,θ₃,θ₄)有关，但是m_t,m_c无法根据轨迹数据得到。(b)车辆加速过程中最大jerk，j_max。即使一辆车在减速过程中jerk绝对值很大，但是在加速过程中，由于车辆运行性能有限，以及司机乘客无法接受过大的jerk，每一辆车的最大jerk有所不同。(c)最大加速度斜率根据步骤三的内容可知，车辆加速过程受到最大加速度的影响，但每一个司机在行进过程中无法准确认知到加速度的变化。根据实际数据可知，往往最大加速度在短时间内不变，或者线性增加，因此最大加速度斜率十分重要，需要根据历史轨迹进行校正。

步骤五：轨迹生成。利用校正后的加速度模型、心理舒适原则生成合理的车辆轨迹；

所有车辆的加速度模型得到了校正后，即可生成轨迹曲线。对于信号灯前车辆加速过程中，车辆轨迹曲线不仅仅和所有车辆轨迹曲线有关，还和车辆停车位置和起步时间有关。

为了描述这个过程，记录n辆车在停车过程中的位置为[p₁,p₂,…,p_n]，其起步时间为司机在起步阶段需要满足以下条件：

s.t.inf_t∈Th_i(t)≥h_m,i∈1,2,…,n

其中，是第n辆车结束加速时间，/>是第一辆车结束加速时间，h_i(t)是第i辆车在t时刻的车头时距，h_m是最小车头时距。如果车辆的车头时距小于h_m，则司机和乘客会觉得存在危险，经验丰富的司机会通过改变起步时间使加速度轨迹符合自己偏好的轨迹，且满足上述条件。

当车辆停车位置和起步时间都确定后，根据不同司机的加速度轨迹偏好，即可预测所有车辆的轨迹，完成轨迹生成。

步骤六：流量释放率预测。基于生成的轨迹，结合基础交通流理论，并得到该信号交叉口处的流量释放率。

基于轨迹计算信号交叉口的流量释放率是利用释放率定义实时计算，方法描述如下：

(1)将生成的轨迹画在时间-位置二维图(时空轨迹图)中，其示意图见图4；

(2)通过画出p＝p_in直线，截取时空轨迹图中信号灯位置处的车辆通行时间之差，记作其中，p代表时空轨迹图的纵坐标，p_in代表信号交叉口位置；

(3)利用车头时距和交通流量的关系式:

其中，d(t)是信号交叉口的流量释放率。值得注意的是：在时空轨迹图中并非时间t的连续函数，但是对于任意车，其到达信号交叉口的位置和时间是已知的，通过插值的方法，可得到/>关于时间的连续函数。

Claims (4)

1.一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法，其特征在于利用不同类型车辆加速度模型和用户短期轨迹数据对模型参数进行校核，预测交叉口流量释放率，包括以下步骤：

步骤一：检测并收集所预测流量释放率所在交叉口上下游信息，包括交叉口排队车辆上游轨迹信息、下游道路坡度信息和下游限速信息；

步骤二：通过最优控制理论，构建加速度模型，对模型进行解析分析，提取模型特征；步骤二的加速度模型生成方法，利用最优控制模型，构建基于最大化车辆运行效率和驾驶舒适性的轨迹规划方法，利用最优控制理论得到解析结果，该加速度模型介绍如下：

驾驶员需在距离D内完成加速任务，加速结束时的时间记为t_f，加速开始时间为t₀，车辆加速的位移为x，驾驶员的单位时间成本记为m_t，驾驶员在一个加速任务中的时间成本表示为：

同时，车辆加速过程中，驾驶员的舒适度表示为:

其中，m_c是驾驶员的舒适性成本系数，a是车辆加速度，v是车辆速度，α₁,α₂,α₃是相关参数，上述两种成本用积分形式表示，并对两种成本求和得到驾驶员加速成本，表示为：

成本函数仅与速度、加速度有关；为表征驾驶员的舒适度，对加速度对时间的导数jerk进行约束，约束表示为：

|j(t)|≤j_max

其中，是加速度对时间的导数jerk；此外，信号交叉口处，车辆的在起步和结束加速时的加速度为0；同时，起步时车辆速度也是0；车辆加速结束时的速度近似为道路的限速大小v_l；该问题属于最优控制模型，其加速度模型可以根据相关约束函数得到车辆最终的加速度轨迹，并且在实际应用中选择加速度模型的类型以及根据实际数据进行参数标定；

该模型整体表示为：

其中为加速度、速度和jerk的取值范围；A(t)是加速度的上界；该方法在线下利用大规模轨迹数据对不同类型车辆对应的上述加速度模型进行共有参数较正，共有参数包括α₁,α₂,α₃；实时应用时，利用车辆上游的短时间轨迹数据进行θ₁,θ₂,θ₃,θ₄的参数校正；

步骤三：根据车辆类型选择不同类型的加速度模型，其中车辆类型包括小汽车、卡车/公交车和电动自行车；

步骤四：利用模型性质和上下游数据，对所有车辆加速度模型参数分别进行校正；

步骤五：利用校正后的加速度模型，基于心理舒适原则生成车辆轨迹；具体包括：

所有车辆的加速度模型得到了校正后，即可生成轨迹曲线；对于信号灯前车辆加速过程中，车辆轨迹曲线不仅仅和所有车辆轨迹曲线有关，还和车辆停车位置和起步时间有关；

步骤五提出一种基于驾驶员心理舒适原则的轨迹生成方法，为了描述这个过程，记录n辆车在停车过程中的位置为[p₁,p₂,…,p_n]，其起步时间为驾驶员在跟车过程中的心理舒适度，取决于车头时距是否大于阈值h_m；步骤五提出一种多车轨迹生成方法用于降低驾驶员心理不舒适；该多车轨迹生成方法的模型表示为：

其中，是第n辆车结束加速时间，/>是第一辆车结束加速时间，h_i(t)是第i辆车在t时刻的车头时距，h_m是最小车头时距；如果车辆的车头时距小于h_m，则司机和乘客会觉得存在危险，经验丰富的司机会通过改变起步时间使加速度轨迹符合自己偏好的轨迹，且满足多车轨迹生成方法的模型的条件；当车辆停车位置和起步时间都确定后，根据不同司机的加速度轨迹偏好，即可预测所有车辆的轨迹，完成轨迹生成；

步骤六：基于生成的轨迹，结合交通流理论，利用释放率定义实时计算得到该信号交叉口处的流量释放率；具体包括：

将生成的轨迹画在时间-位置二维图中；

通过画出p＝p_in直线，截取时空轨迹图中信号灯位置处的车辆通行时间之差，记作其中，p代表时空轨迹图的纵坐标，p_in代表信号交叉口位置；利用车头时距和交通流量的关系式:

其中，d(t)是信号交叉口的流量释放率；在时空轨迹图中并非时间t的连续函数，但是对于任意车，其到达信号交叉口的位置和时间是已知的，通过插值的方法，可得到/>关于时间的连续函数。

2.根据权利要求1所述的一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法，其特征在于：

本方法提出的流量释放率预测结合短期轨迹数据和先验知识，收集、处理车辆在上游的轨迹数据，选择适合该车辆类型的加速度模型，校正该模型参数，生成车辆在交叉口处的轨迹，并实时预测交叉口流量释放率。

3.根据权利要求1所述的一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法，其特征在于：

实时应用时，步骤三对不同类型车辆进行加速度模型选择，可选择的模型依据针对不同类型车辆数据聚类获得。

4.根据权利要求1所述的一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法，其特征在于：

步骤四针对实时应用中每一辆车辆的加速度模型参数校正，具体包括：

由于步骤二中的加速度模型里参数θ₁、θ₂、θ₃和θ₄无法根据车辆轨迹数据得到，因此利用步骤二中加速度模型特性，通过对加速度模型中不同段的加速度斜率进行校正，不同段的加速度斜率为j_s，j_max和得到最终加速度模型，能够避免对参数θ₁、θ₂、θ₃和θ₄进行校正。