CN116721551B - 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 - Google Patents

Abstract

本发明公开了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，包括：利用号牌识别数据以及上下游的信号配时数据，获得上下游交叉口累计驶离车辆数；通过车辆号牌匹配，获得在目标断面的车道级部分车辆到达观测数据；采用历史数据训练贝叶斯神经网络，将训练后的贝叶斯神经网络作为到达曲线学习模型；以实时或历史上游交叉口累计驶离车辆数为输入，利用到达曲线学习模型预测得到目标断面的实时或历史到达车辆数，进而重构车道级实时到达曲线或历史到达曲线。本发明通过学习的方式自动捕捉历史数据中隐含的车辆到达模式，能够较好地描述各车道非线性的车辆到达过程，提高了到达曲线重构的精度。

Description

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

技术领域

本发明涉及车辆到达信息技术领域，特别涉及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。

背景技术

车辆到达信息能够为许多智能运输系统应用提供坚实支撑，例如交通管控、交通状态估计和智能网联车辆轨迹优化等。随着智能感知设备的发展，车辆到达信息采集技术从传统的线圈检测到新兴的智能网联技术不断更新发展。现有的采集技术能够较好地实现路段级车辆到达信息获取。面向主动精细化交通管控，获取车道级的车辆到达信息更具有实践意义。通常来说，通过确定合理的车道选择系数，路段级车辆到达信息能够直接转化为车道级。然而车道选择行为往往受多种因素影响，例如出行规划、驾驶偏好、交通状况和车道渠化等。虽然在智能网联环境下能够实现单车到达信息提前感知，但目前智能网联车辆的渗透率仍然相当有限。如何利用现存有限的感知设备，提供实时车道级的车辆到达信息对于当前智能网联车与人工驾驶车辆混行的交通环境下的主动交通管理控制具有显著意义。

现有的车辆到达信息获取手段主要分为两类，包括基于固定断面检测器和移动传感器的方法。其中，基于固定断面检测器主要通过在特定断面安装布设检测器的方式直接获得车道级车辆到达信息，传统的固定断面检测器包括磁感线圈、雷达以及微波检测器等，然而，这类方法的精度极容易受检测器布设位置的影响，且面向车道级的到达信息获取时布设成本较高。基于移动传感器主要通过提取移动式车辆轨迹数据，提取车辆加入排队时的轨迹点获取到达曲线，常见的移动传感器包括网联车和浮动车等。但是，目前移动检测器渗透率较低，获取逐周期的到达信息仍存在一定困难。

号牌识别系统作为一种特殊的固定检测器，不仅能够记录车辆驶离信息，同时也记录了驶离车辆的身份信息。通过对上下游驶离的车进行车辆号牌匹配，该类数据源能够实现上下游交叉口或多交叉口之间的车辆追踪，为车道级的车辆到达信息获取提供了一种更加理想的数据源。车辆到达曲线是到达信息的一种表征手段，通过累计到达车辆数时间序列的形式记录多周期高分辨率的到达信息。受不利条件下(如光照、号牌遮挡等)车辆号牌错误识别和路中车辆汇入汇出等情况的影响，上下游交叉口之间的车辆号牌匹配率有限(50％～70％)，仅能提取部分到达车辆信息，即到达曲线上的部分观测点。因此，车辆到达信息的获取转化为基于部分到达观测点的车道级到达曲线完整准确重构问题。

现有基于号牌识别数据的到达曲线重构方法主要为基于内插的方法，通过车辆号牌匹配获取到达曲线上部分的到达观测点，该类方法首先利用历史数据标定多阶段的到达流率，以到达观测点为边界条件，采用内插的方式重构完整的到达曲线，目前主流的方法为以标定的到达流率为均值函数的高斯过程方法。

现有基于号牌识别数据的车辆到达曲线重构方法存在以下缺点：(1)现有方法假设到达流率为分段线性，而实际中到达流率可能为非线性；(2)现有方法仅考虑了由于观测噪声引起的到达不确定性，而没有考虑由于交通流内在波动引起的到达不确定性；(3)由于从号牌识别数据中获取到达观测点存在时间滞后的问题(即只有当车辆通过整个路段并在下游交叉口被成功识别后，才能更新相应的到达观测点)，现有基于内插的方法仅能进行历史到达曲线重构，而不能对到达曲线进行实时重构。

发明内容

本发明所要解决的技术问题：针对背景技术提出的问题，提供一种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，基于号牌识别数据，对路段各个车道的车辆到达曲线进行历史和实时重构。

为解决以上技术问题，本发明采用以下技术方案：

本发明提出一种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，包括以下步骤：

S10，利用各交叉口的号牌识别数据以及上下游的信号配时数据，获得上下游交叉口累计驶离车辆数；

S20，将车辆号牌识别数据按照日期及检测时间依次排序，并与信号配时数据相匹配：

根据每个车道车辆驶离目标断面的停车线的时间戳t_u进行排序，确定每个车道的累计驶离车辆数N_u，通过连接上游各车道车辆驶离观测{(t_u,N_u),u＝1,2,…,U}，绘制上游交叉口车道级车辆累计驶离曲线则上游交叉口级累计驶离曲线表示为：

上式中，u表示上游交叉口各车道；U表示上游交叉口车道总数量；

通过连接下游各车道驶离观测{(t_l,N_l),l＝1,2,…,L}，得到下游各车道车辆累计驶离曲线

S30，通过车辆号牌匹配，获得在目标断面的车道级部分车辆到达观测数据，具体包括：

通过将上游交叉口与下游交叉口车辆号牌进行匹配，确定目标断面车道级的车辆到达时间戳t_m和累计到达车辆数表达式分别为：

上式中，表示匹配车辆m驶离上游交叉口停车线的时间戳；

上式中，表示匹配车辆m驶离下游交叉口停车线的时间戳；S_l ^*(t_m)表示下游车道级车辆累计驶离曲线；l表示下游交叉口各车道。

S40，以上游交叉口累计驶离车辆数和信号配时数据作为输入项，以目标断面车道级车辆到达观测数据作为输出项，采用历史数据训练贝叶斯神经网络，将训练后的贝叶斯神经网络作为到达曲线学习模型，包括以下子步骤：

S401，利用上游交叉口累计驶离曲线计算在相邻到达匹配点之间的上游驶离车辆数，表达式为：

计算上游驶离时间对应的周期，表达式为：

上式中，sig(·)表示将绝对时间转化为周期内时间的映射函数；

计算估计步长，表达式为：

δ＝t_m+1-t_m

计算相邻到达匹配点之间在目标断面车道级累计到达车辆数，表达式为：

整合历史数据作为训练集对贝叶斯神经网络进行训练，设置输入参数为X＝{x₁，…，x_N}，其中输出参数为y＝{y₁，...，y_N}，其中y＝a_l，m，输入参数与输出参数之间的映射关系表示为y＝f^w(X)，其中w表示模型权重；

S402，采用变分估计方法对实际后验分布进行近似，通过最小化权重变分分布q_θ(w)和后验分布p(w|X，y)之间的KL散度来确定权重w的分布参数，表达式为：

式中，变分参数θ＝(μ，ρ)，对上式进行简化，等于负证据下界-ELBO，表达式为：

式中，x_i和y_i表示第i个训练样本数据，N表示训练样本的个数；

S403，对权重w进行高斯重参数化处理，更新权重分布变分参数，包括：

对权重w进行高斯重参数化，表达式为：

式中，μ表示权重变分分布的标准差，ρ表示权重变分分布的标准差，∈表示从正态分布N(0，I)中采集的随机样本；

计算变分分布参数的梯度，包括均值μ和标准差ρ：

根据梯度，更新权重分布变分参数直至收敛，表达式分别为：

μ←μ-αΔ_μ

ρ←ρ-αΔ_ρ

基于更新后的变分参数θ确定的权重变分后验分布，重新估计车道级车辆到达，表达式为：

式中，表示权重变分后验分布中的样本。

当到达曲线学习模型的输入数据为历史上游交叉口累计驶离车辆数时，以前一个临近到达观测点为参考，利用到达曲线学习模型对目标断面的历史到达车辆数进行估计，并提取边界约束对估计的历史到达车辆数进行修正，获得完整历史到达曲线，具体包括：

通过车辆号牌匹配获取各个车道的车辆到达观测参数 将输入参数/>输入至到达曲线学习模型，遍历重构区域内的任意位置对应的时间t，输出对应的到达车辆数估计值/>

考虑到达观测m和m+1对应的边界约束，引入修改系数λ_m，计算到达曲线上任意重构位置的累计到达车辆数表达式为：

当到达曲线学习模型的输入数据为实时上游交叉口累计驶离车辆数时，以最新的到达观测点为参考时刻，将当前时刻与参考时刻之间的时间差作为估计步长，利用到达曲线学习模型对实时到达车辆数进行估计，具体包括：

通过车辆号牌匹配获取各个车道的车辆最新到达观测参数将输入参数输入至到达曲线学习模型，对于实时时间t，输出对应的到达车辆数估计值其中m＝M，将/>记为/>

计算到达曲线上任意实时时间t的累计到达车辆数表达式为：

S50，将实时或历史上游交叉口累计驶离车辆数输入至到达曲线学习模型，利用到达曲线学习模型得到目标断面的实时或历史到达车辆数，利用实时或历史到达车辆数重构车道级实时到达曲线或历史到达曲线。

本发明采用以上技术方案，与现有技术相比，其显著优点是：

1、本发明通过学习的方式自动捕捉历史数据中隐含的车辆到达模式，能够较好地描述各车道非线性的车辆到达过程，提高了到达曲线重构的精度。

2、本发明能够同时刻画由于噪声观测引起不确定性以及由于交通流内在波动引起的到达不确定性，避免出现过拟合现象，为鲁棒到达曲线重构提供了可靠方案。

3、本发明能够利用到达观测滞后更新的号牌识别数据，对到达曲线进行实时重构，提出的到达曲线重构方法能够满足精细化交通管控的实时性要求，推动智能交通的发展。

附图说明

图1为车道级到达曲线重构方法流程框图。

图2为实验路段位置信息图。

图3为信号周期时长信息图。

图4为各车道不同时段的历史重构RMSE对比结果图。

图5为不同匹配率下的到达曲线历史重构结果图。

图6为不同匹配率下到达曲线实时重构误差结果对比图。

图7为50％匹配率下不同时段各车道的实时到达车辆数。

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。

如图1所示为本实施例所述的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流程框图，该重构方法具体包括以下步骤：

S10，利用各交叉口的号牌识别数据以及上下游的信号配时数据，获得上下游交叉口累计驶离车辆数。

S20，将车辆号牌识别数据按照日期及检测时间依次排序，并与信号配时数据相匹配。

具体地，根据每个车道车辆驶离目标断面的停车线的时间戳t_u进行排序，确定每个车道的累计驶离车辆数N_u，通过连接上游各车道车辆驶离观测{(t_u,N_u),u＝1,2,…,U}，绘制上游交叉口车道级车辆累计驶离曲线则上游交叉口级累计驶离曲线表示为：

上式中，u表示上游交叉口各车道；U表示上游交叉口车道总数量。

同理，通过连接下游各车道驶离观测{(t_l,N_l),l＝1,2,…,L}，可得到下游各车道车辆累计驶离曲线

S30，通过车辆号牌匹配，获得在目标断面的车道级部分车辆到达观测数据。

具体地，通过车辆号牌匹配，获得在目标断面的车道级部分车辆到达观测数据包括：

通过将上游交叉口与下游交叉口车辆号牌进行匹配，确定目标断面车道级的车辆到达时间戳t_m和累计到达车辆数表达式分别为：

上式中，表示匹配车辆m驶离上游交叉口停车线的时间戳；

上式中，表示匹配车辆m驶离下游交叉口停车线的时间戳；S_l ^*(t_m)表示下游车道级车辆累计驶离曲线；l表示下游交叉口各车道。

S40，以上游交叉口累计驶离车辆数和信号配时数据作为输入项，以目标断面车道级车辆到达观测数据作为输出项，采用历史数据训练贝叶斯神经网络，将训练后的贝叶斯神经网络作为到达曲线学习模型。

具体地，以上游交叉口累计驶离车辆数和信号配时数据为输入，以目标断面车道级车辆到达观测数据为输出，训练贝叶斯神经网络，将训练后的贝叶斯神经网络作为到达曲线学习模型，包括以下步骤：

S401，利用上游交叉口累计驶离曲线计算在相邻到达匹配点之间的上游驶离车辆数，表达式为：

计算上游驶离时间对应的周期，表达式为：

上式中，sig(·)表示将绝对时间转化为周期内时间的映射函数；

计算估计步长，表达式为：

δ＝t_m+1-t_m

计算相邻到达匹配点之间在目标断面车道级累计到达车辆数，表达式为：

整合历史数据作为训练集对贝叶斯神经网络进行训练，设置输入参数为X＝{x₁，…，x_N}，其中输出参数为y＝{y₁，...，y_N}，其中y＝a_l，m，输入参数与输出参数之间的映射关系表示为y＝f^w(X)，其中w表示模型权重。

S402，采用变分估计方法对实际后验分布进行近似，通过最小化权重变分分布q_θ(w)和后验分布p(w|X，y)之间的KL散度来确定权重w的分布参数，表达式为：

式中，变分参数θ＝(μ，ρ)，对上式进行简化，等于负证据下界-ELBO，表达式为：

式中，x_i和y_i表示第i个训练样本数据，N表示训练样本的个数。

S403，对权重w进行高斯重参数化处理，更新权重分布变分参数，包括：

对权重w进行高斯重参数化，表达式为：

式中，μ表示权重变分分布的标准差，ρ表示权重变分分布的标准差，∈表示从正态分布N(0，I)中采集的随机样本；

计算变分分布参数的梯度，包括均值μ和标准差ρ：

根据梯度，更新权重分布变分参数直至收敛，表达式分别为：

μ←μ-αΔ_μ

ρ←ρ-αΔ_ρ

基于更新后的变分参数θ确定的权重变分后验分布，重新估计车道级车辆到达，表达式为：

式中，表示权重变分后验分布中的样本。

S50，将实时或历史上游交叉口累计驶离车辆数输入至到达曲线学习模型，利用到达曲线学习模型得到目标断面的实时或历史到达车辆数，利用实时或历史到达车辆数重构车道级实时到达曲线或历史到达曲线。

具体地，到达曲线学习模型的输入数据为历史上游交叉口累计驶离车辆数时，以前一个临近到达观测点为参考，利用到达曲线学习模型对目标断面的历史到达车辆数进行估计，并提取边界约束对估计的历史到达车辆数进行修正，获得完整历史到达曲线，包括：

通过车辆号牌匹配获取各个车道的车辆到达观测参数 将输入参数/>输入至到达曲线学习模型，遍历重构区域内的任意位置对应的时间t，输出对应的到达车辆数估计值/>

考虑到达观测m和m+1对应的边界约束，引入修改系数λ_m，计算到达曲线上任意重构位置的累计到达车辆数表达式为：

具体地，当到达曲线学习模型的输入数据为实时上游交叉口累计驶离车辆数时，以最新的到达观测点为参考时刻，将当前时刻与参考时刻之间的时间差作为估计步长，利用到达曲线学习模型对实时到达车辆数进行估计包括：

通过车辆号牌匹配获取各个车道的车辆最新到达观测参数将输入参数输入至到达曲线学习模型，对于实时时间t，输出对应的到达车辆数估计值其中m＝M，将/>记为/>

计算到达曲线上任意实时时间t的累计到达车辆数表达式为：

为进一步展示本发明基于号牌识别数据的车道级到达曲线重构方法的产生效果，通过以下示例进行说明。

以江苏省昆山市前进路某一道路交叉口作为实验路段对象，于2018年6月4日至6月8日，在早高峰8:15-8:30、平峰14:15-14:30、晚高峰17:15-17:30三个时段通过卡口式电子警察采集车辆号牌识别数据，如表1所示，包含了到达车辆的时间戳、车牌号、行驶车道等信息，图2为该实验路段位置信息图，图3为信号周期时长信息，总周期时长为175s，其中相位1时长57s，相位2时长31s，相位3时长46s，相位4时长41s。

表1号牌数据样例

分别利用本发明构建的贝叶斯到达曲线学习(BACL)模型和传统的基于高斯过程(GP)模型在不同号牌匹配率下的性能进行对比，结果如表2所示。BACL模型在不同匹配率下优于基准方法，并且随着匹配率的降低，GP模型的性能下降明显，而本发明构建的BACL模型对于非线性到达过程学习的准确性和有效性更高。

表2BACL与GP的RMSE/MAPE指标对比

利用本发明BACL模型与传统GP模型在各车道不同时段的历史重构误差对比结果如图4所示，在匹配率较高的条件下，两种模型RMSE都较小。在匹配率较低的条件下，由于重构的不确定性高，GP模型的RMSE显著增加，而BACL模型仍能保持相对稳定的准确率。

利用本发明构建的BACL模型在不同匹配率下的到达曲线历史重构结果如图5所示，从图中可知即使在10％匹配率的情况下，BACL模型也有较好地重构精度，BACL模型历史重构的到达曲线较好地刻画了非线性的车辆到达模式，未出现过拟合现象。

BACL模型与GP模型在不同匹配率下的执行时间对比结果如表3所示，测试均在内存为16GB、3.70GHz的CPU的主机上运行。从表3中可知，在内存为16GB、3.70GHz的CPU桌面上运行时，传统GP模型对到达曲线重构的时间较长，而本发明BACL模型的执行时间较短，效率较高。

表3BACL与GP的执行时间

利用本发明BACL模型在不同估计步长下到达曲线实时重构误差结果如图6所示，从图6中可知，当实时估计时长在一个信号周期时长内时，BACL模型重构性能相对稳定，受匹配率影响较小；当实时估计时长大于一个信号周期时长时，重构误差增大，在1.5C左右达到峰值；在达到峰值后，实时重构误差在400s(接近该车道的平均运行时间)内会下降到一个相对稳定的水平。可以看出，本发明BACL模型实时重构误差较小，鲁棒性较好。

利用本发明车道机到达曲线重构方法在50％匹配率下不同时段各车道的实时到达车辆数估计结果如图7所示，可以看出，BACL模型提供了准确的车道实时到达车辆数估计，并对不确定性进行了刻画，表明本发明BACL模型在实时重构的优越能力。

Claims (1)

1.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，其特征在于，包括以下步骤：

S10，利用各交叉口的号牌识别数据以及上下游的信号配时数据，获得上下游交叉口累计驶离车辆数；

S30，通过车辆号牌匹配，获得在目标断面的车道级部分车辆到达观测数据；

S40，以上游交叉口累计驶离车辆数和信号配时数据作为输入项，以目标断面车道级车辆到达观测数据作为输出项，采用历史数据训练贝叶斯神经网络，将训练后的贝叶斯神经网络作为到达曲线学习模型；

S50，将实时或历史上游交叉口累计驶离车辆数输入至到达曲线学习模型，利用到达曲线学习模型得到目标断面的实时或历史到达车辆数，利用实时或历史到达车辆数重构车道级实时到达曲线或历史到达曲线；

利用各交叉口的号牌识别数据以及上下游的信号配时数据，获得上下游交叉口累计驶离车辆数后包括：

S20，将车辆号牌识别数据按照日期及检测时间依次排序，并与信号配时数据相匹配：

根据每个车道车辆驶离目标断面的停车线的时间戳t_u进行排序，确定每个车道的累计驶离车辆数N_u，通过连接上游各车道车辆驶离观测{(t_u,N_u),u＝1,2,…,U}，绘制上游交叉口车道级车辆累计驶离曲线则上游交叉口级累计驶离曲线表示为：

上式中，u表示上游交叉口各车道；U表示上游交叉口车道总数量；

通过连接下游各车道驶离观测{(t_l,N_l),l＝1,2,…,L}，得到下游各车道车辆累计驶离曲线

通过车辆号牌匹配，获得在目标断面的车道级部分车辆到达观测数据包括：

通过将上游交叉口与下游交叉口车辆号牌进行匹配，确定目标断面车道级的车辆到达时间戳t_m和累计到达车辆数表达式分别为：

上式中，表示匹配车辆m驶离上游交叉口停车线的时间戳；

上式中，表示匹配车辆m驶离下游交叉口停车线的时间戳；S_l ^*(t_m)表示下游车道级车辆累计驶离曲线；l表示下游交叉口各车道；

以上游交叉口累计驶离车辆数和信号配时数据作为输入项，以目标断面车道级车辆到达观测数据作为输出项，训练贝叶斯神经网络，将训练后的贝叶斯神经网络作为到达曲线学习模型，包括以下步骤：

S401，利用上游交叉口累计驶离曲线计算在相邻到达匹配点之间的上游驶离车辆数，表达式为：

计算上游驶离时间对应的周期，表达式为：

上式中，sig(·)表示将绝对时间转化为周期内时间的映射函数；

计算估计步长，表达式为：

δ＝t_m+1-t_m

计算相邻到达匹配点之间在目标断面车道级累计到达车辆数，表达式为：

整合历史数据作为训练集对贝叶斯神经网络进行训练，设置输入参数为X＝{x₁,…,x_N}，其中输出参数为y＝{y₁,…,y_N}，其中y＝a_l,m，输入参数与输出参数之间的映射关系表示为y＝f^w(X)，其中w表示模型权重；

S402，采用变分估计方法对实际后验分布进行近似，通过最小化权重变分分布q_θ(w)和后验分布p(w|X,y)之间的KL散度来确定权重w的分布参数，表达式为：

式中，变分参数θ＝(μ,ρ),对上式进行简化，等于负证据下界-ELBO，表达式为：

式中，x_i和y_i表示第i个训练样本数据，N表示训练样本的个数；

S403，对权重w进行高斯重参数化处理，更新权重分布变分参数，包括：

对权重w进行高斯重参数化，表达式为：

式中，μ表示权重变分分布的标准差，ρ表示权重变分分布的标准差，∈表示从正态分布N(0,I)中采集的随机样本；

计算变分分布参数的梯度，包括均值μ和标准差ρ：

根据梯度，更新权重分布变分参数直至收敛，表达式分别为：

μ←μ-αΔ_μ

ρ←ρ-αΔ_ρ

基于更新后的变分参数θ确定的权重变分后验分布，重新估计车道级车辆到达，表达式为：

式中，表示权重变分后验分布中的样本；

到达曲线学习模型的输入数据为历史上游交叉口累计驶离车辆数时，以前一个临近到达观测点为参考，利用到达曲线学习模型对目标断面的历史到达车辆数进行估计，并提取边界约束对估计的历史到达车辆数进行修正，获得完整历史到达曲线；

当到达曲线学习模型的输入数据为实时上游交叉口累计驶离车辆数时，以最新的到达观测点为参考时刻，将当前时刻与参考时刻之间的时间差作为估计步长，利用到达曲线学习模型对实时到达车辆数进行估计；

到达曲线学习模型的输入数据为历史上游交叉口累计驶离车辆数时，以前一个临近到达观测点为参考，利用到达曲线学习模型对目标断面的历史到达车辆数进行估计，并提取边界约束对估计的历史到达车辆数进行修正，获得完整历史到达曲线包括：

通过车辆号牌匹配获取各个车道的车辆到达观测参数 将输入参数/>输入至到达曲线学习模型，遍历重构区域内的任意位置对应的时间t，输出对应的到达车辆数估计值/>

考虑到达观测m和m+1对应的边界约束，引入修改系数λ_m，计算到达曲线上任意重构位置的累计到达车辆数表达式为：

当到达曲线学习模型的输入数据为实时上游交叉口累计驶离车辆数时，以最新的到达观测点为参考时刻，将当前时刻与参考时刻之间的时间差作为估计步长，利用到达曲线学习模型对实时到达车辆数进行估计包括：

通过车辆号牌匹配获取各个车道的车辆最新到达观测参数将输入参数输入至到达曲线学习模型，对于实时时间t，输出对应的到达车辆数估计值其中m＝M，将/>记为/>

计算到达曲线上任意实时时间t的累计到达车辆数表达式为：