一种基于轨迹数据的信号交叉口周期流量估计方法技术

本发明专利技术涉及一种基于轨迹数据的信号交叉口周期流量估计方法，包括以下步骤：1)获取抽样车辆的轨迹点数据，获取车辆加入及离开排队的关键点信息；2)采用拟合方法对车辆排队的集结波和消散波进行估计，并将集结波与消散波的交点作为排队车辆的流量估计值；3)根据流量估计值不停车车辆占全周期流量的比例，获取全周期流量的密度分布函数；4)根据全周期流量的密度分布函数将全周期的流量估计问题转化为基于非排队车辆的泊松分布和M3分布的参数估计问题，通过极大似然估计法进行估计，采用期望最大法求解，每个周期的到达流量估计值。与现有技术相比，本发明专利技术具有融合模型解析和统计分析、充分利用轨迹信息、适用性广等优点。

【技术实现步骤摘要】
一种基于轨迹数据的信号交叉口周期流量估计方法
本专利技术涉及智能交通系统领域，尤其是涉及一种基于轨迹数据的信号交叉口周期流量估计方法。
技术介绍
在城市道路信号控制交叉口，每个信号周期内通过的流量对交通状态估计和信号控制优化具有重要作用。传统的交通检测主要是通过以线圈为代表的固定检测器获取流量数据从而对实际到达流量进行估计，但是固定检测器的布设范围有限，而且还存在检测失效的问题。随着车辆定位和车联网技术的发展和普及，实时的轨迹数据逐渐应用于城市交通管理。以上海市为例，当前全市已经基于5万辆出租车和2万辆公交车建立了浮动车系统，每天的数据传输频率为10-30秒；全国最大的车辆共享企业，滴滴出行基于1750万个注册用户的海量数据库每天都会处理多达70TB的GPS轨迹数据，传输频率为1-3秒。轨迹数据一方面传输频率要小得多，比起定点检测器数据一般为10-60秒的传输频率，能够捕捉到更准确的车流信息；另一方面，轨迹数据的应用空间范围没有限制，更适用于路网层面长期宏观的检测需求，在交通检测和管理系统的应用具有良好前景。目前，国内外关于流量估计的研究主要是基于定点检测器实现，预测方法包括滤波算法等数理统计方法和基本图、元胞传输模型等模型解析法。基于定点检测器的流量估计方法主要存在设备布设和维护成本高、上传频率低的问题，而且得到的速度、流量等检测指标是基于检测步长的平均值，不能体现交通流的波动性和随机性。数理统计方法一般是历史检测数据实现，而且模型参数大多需要实证数据标定；基于基本图的方法同样要基于历史数据拟合交通流参数的关系，一般性较差；而元胞传输模型等模型解析的方法都存在特定假设，对交通流参数之间的关系进行了抽象，例如模拟到达分布、同质化假设等等，虽然考虑了交通流的随机特性，但对于交通流参数量化关系的假设因地而异，适用范围有限。利用轨迹做流量估计的研究出现较晚，虽然轨迹数据具有精度高实时性强的优势，但在实际应用中由于捕获率低存在数据稀疏、预测误差大的问题，而且现有的利用轨迹数据的流量估计方法在自适应控制条件下估计精度会降低。因此，建立一个一般性和适用性较强的周期流量估计方法对于轨迹数据的进一步应用推广具有重要的现实意义。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种融合模型解析和统计分析、充分利用轨迹信息、适用性广的基于轨迹数据的信号交叉口周期流量估计方法。本专利技术的目的可以通过以下技术方案来实现：一种基于轨迹数据的信号交叉口周期流量估计方法，该方法包括以下步骤：1)获取抽样车辆的轨迹点数据，并基于轨迹点的速度判断车辆所处的运动状态，通过内插法获取车辆加入及离开排队的关键点信息；2)根据同一周期内所有抽样轨迹的关键点，采用拟合方法对车辆排队的集结波和消散波进行估计，并将集结波与消散波的交点作为排队车辆的流量估计值；3)根据流量估计值不停车车辆占全周期流量的比例，并设定非排队车辆的到达过程为有限取值的泊松分布，对应的车头时距服从M3分布，获取全周期流量的密度分布函数；4)根据全周期流量的密度分布函数将全周期的流量估计问题转化为基于非排队车辆的泊松分布和M3分布的参数估计问题，通过极大似然估计法对全周期的到达率进行估计，并采用期望最大法求解，最终得到每个周期的到达流量估计值。所述的步骤1)具体包括以下步骤：11)基于轨迹点的速度判断车辆所处的运动状态，具体为：令第i辆车辆在tk时刻的轨迹点信息表示为分别为第i辆车辆在tk时刻的空间坐标、速度和加速度，则车辆所处的运动状态为：其中，vth1和vth2为车辆运动状态的速度判定阈值，用实证数据标定得到，为车辆i在时刻t的速度，M为移动状态集合，C为怠速状态集合，S为停车状态集合；12)将车辆对应的轨迹表示为车辆轨迹点集，并获取车辆轨迹点集内的连续两个轨迹点；13)根据连续两个轨迹点的运动状态获取车辆加入及离开排队的关键点信息。所述的13)具体包括以下步骤：131)当步骤12)中的前一个轨迹点处于停车状态而后一个轨迹点处于移动状态时，则车辆i离开排队的关键点的时刻为：当车辆i在tk+1时刻速度还未达到自由流速度的情况时，则有：当车辆i在tk+1时刻速度达到自由流速度的情况时，则有：其中，aacc为车辆i离开排队时的加速度，d3为连续两个轨迹点间的距离；132)当步骤12)中的前一个轨迹点处于移动状态而后一个轨迹点处于停车状态时，则车辆i加入排队的关键点的时刻为：当车辆i处于移动状态下的情况时，则有：其中，adec是车辆在加入排队过程中的加速度，d1为时刻tk+1的轨迹点与加入排队后停车位置的距离，d2为连续两个轨迹点间的距离；当车辆i处于减速到怠速状态的情况时，则有：133)当步骤12)中的前一个轨迹点处于移动状态而后一个轨迹点处于怠速状态时，则车辆i加入排队的关键点的时刻为：所述的步骤2)具体包括以下步骤：21)根据同周期内车辆加入排队的关键点，采用多段线性拟合得到红灯间隔内排队的集结波波速的曲线方程；22)根据同周期内车辆离开排队的关键点，采用线性拟合得到绿灯启亮之后排队的消散波波速的曲线方程；23)联立集结波和消散波的曲线方程，得到的交点对应排队长度达到最大的情况，即得到排队车辆的流量估计值。所述的步骤21)中，通过多段线性拟合，周期J内的集结波曲线方程通过以下方程求得：约束条件为：其中，为形成周期J的集结波的车辆轨迹的停车关键点的集合，上标s表示集结波，为红灯期间到达的车队组合的数量，即形成集结波的多段线数量，为在第m个车队组合的停车关键点的集合，即第m段集结波的时间范围，为周期J第m段集结波的斜率，为周期J第m段集结波的截距，xm为第m段集结波和第m+1段集结波的交点的空间坐标，为该周期的红灯启亮时刻，xstop-bar为停车线的空间位置，ε为多段线性拟合的误差允许范围的阈值。所述的步骤22)中，通过多段线性拟合，周期J内的消散波曲线方程通过有约束的最小二乘法模型求得：约束条件为：其中，上标g表示消散波，为消散波的斜率，为消散波的截距，为消散波的关键点数量。所述的步骤23)中，最大的排队长度Lmax,J为：其中，为最后一个车队组合的停车关键点拟合的集结波的截距，即周期J内集结波的最后一段的拟合直线方程的截距，为周期J内集结波的最后一段的拟合直线方程的斜率。所述的步骤3)中，不停车车辆占全周期流量的比例αJ的计算式为：其中，tc,J为周期J排队消散的时刻，gs,J为绿灯间隔的启亮时间，Rp,J为周期J的队列比，g为绿灯时长，C为周期长度，trc,J为红灯间隔内到达的车辆清空的时刻，ω3为从饱和流到自由流的交通波波速。所述的步骤3)中，全周期流量的密度分布函数为：其中，λJ为周期J的到达率，nJ为周期J不停车车辆的流量，rs,J+1为周期J+1的红灯启亮时刻，tnonstop为不停车车辆的车头时距。所述的步骤3)中，在极大似然估计中采用期望最大化估计到达率λJ的值，最终迭代收敛的到达率值即周期到达流量的估计值。与现有技术相比，本专利技术具有以下优点：一、融合了模型解析和统计分析的方法：本专利技术将抽样的车辆轨迹通过不同方法进行处理，一方面基于交通波理论利用停车的车辆轨迹进行交叉口在每个周期内的集结波和消散波的重构，计算不停车流量的比例；另一方面假本文档来自技高网...

【技术保护点】
一种基于轨迹数据的信号交叉口周期流量估计方法，其特征在于，该方法包括以下步骤：1)获取抽样车辆的轨迹点数据，并基于轨迹点的速度判断车辆所处的运动状态，通过内插法获取车辆加入及离开排队的关键点信息；2)根据同一周期内所有抽样轨迹的关键点，采用拟合方法对车辆排队的集结波和消散波进行估计，并将集结波与消散波的交点作为排队车辆的流量估计值；3)根据流量估计值不停车车辆占全周期流量的比例，并设定非排队车辆的到达过程为有限取值的泊松分布，对应的车头时距服从M3分布，获取全周期流量的密度分布函数；4)根据全周期流量的密度分布函数将全周期的流量估计问题转化为基于非排队车辆的泊松分布和M3分布的参数估计问题，通过极大似然估计法对全周期的到达率进行估计，并采用期望最大法求解，最终得到每个周期的到达流量估计值。

【技术特征摘要】
2017.09.12 CN 20171081833051.一种基于轨迹数据的信号交叉口周期流量估计方法，其特征在于，该方法包括以下步骤：1)获取抽样车辆的轨迹点数据，并基于轨迹点的速度判断车辆所处的运动状态，通过内插法获取车辆加入及离开排队的关键点信息；2)根据同一周期内所有抽样轨迹的关键点，采用拟合方法对车辆排队的集结波和消散波进行估计，并将集结波与消散波的交点作为排队车辆的流量估计值；3)根据流量估计值不停车车辆占全周期流量的比例，并设定非排队车辆的到达过程为有限取值的泊松分布，对应的车头时距服从M3分布，获取全周期流量的密度分布函数；4)根据全周期流量的密度分布函数将全周期的流量估计问题转化为基于非排队车辆的泊松分布和M3分布的参数估计问题，通过极大似然估计法对全周期的到达率进行估计，并采用期望最大法求解，最终得到每个周期的到达流量估计值。2.根据权利要求1所述的一种基于轨迹数据的信号交叉口周期流量估计方法，其特征在于，所述的步骤1)具体包括以下步骤：11)基于轨迹点的速度判断车辆所处的运动状态，具体为：令第i辆车辆在tk时刻的轨迹点信息表示为分别为第i辆车辆在tk时刻的空间坐标、速度和加速度，则车辆所处的运动状态为：其中，vth1和vth2为车辆运动状态的速度判定阈值，用实证数据标定得到，为车辆i在时刻t的速度，M为移动状态集合，C为怠速状态集合，S为停车状态集合；12)将车辆对应的轨迹表示为车辆轨迹点集，并获取车辆轨迹点集内的连续两个轨迹点；13)根据连续两个轨迹点的运动状态获取车辆加入及离开排队的关键点信息。3.根据权利要求2所述的一种基于轨迹数据的信号交叉口周期流量估计方法，其特征在于，所述的13)具体包括以下步骤：131)当步骤12)中的前一个轨迹点处于停车状态而后一个轨迹点处于移动状态时，则车辆i离开排队的关键点的时刻为：当车辆i在tk+1时刻速度还未达到自由流速度的情况时，则有：当车辆i在tk+1时刻速度达到自由流速度的情况时，则有：其中，aacc为车辆i离开排队时的加速度，d3为连续两个轨迹点间的距离；132)当步骤12)中的前一个轨迹点处于移动状态而后一个轨迹点处于停车状态时，则车辆i加入排队的关键点的时刻为：当车辆i处于移动状态下的情况时，则有：其中，adec是车辆在加入排队过程中的加速度，d1为时刻tk+1的轨迹点与加入排队后停车位置的距离，d2为连续两个轨迹点间的距离；当车辆i处于减速到怠速状态的情况时，则有：133)当步骤12)中的前一个轨迹点处于移动状态而后一个轨迹点处于怠速状态时，则车辆i加入排队的关键点的时刻为：4.根据权利要求3所述的一种基于轨迹数据的信号交叉口周期流量估计方法，其特征在于，所述的步骤2)具体包括以下步骤：21)根据同周期内车辆加入排队的关键点，采用多段线性拟合得到红灯间隔内排队的集结波波速的曲线方程；22)根据同周期内车辆离开排队的关键点，采用线性拟合得到绿灯启亮之后排队的消散波波速的曲线方程；23)联立集结波和消散波的曲线方程，得到的交点对应排队长度达到最大的情况，即得到排队车辆的流量估计值。5.根据权利要求4所述的一种基于轨迹数据的信号交叉口周期流量估计方法，其特征在于，所述的步骤21)中，通过多段线性拟合，周期J内的集结波曲线方程通过以下方程求得：约束条件为：

【专利技术属性】
技术研发人员：唐克双，姚佳蓉，李福樑，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31