一种基于浮动车数据城市交叉口流量估计方法技术

本发明专利技术提供一种基于浮动车数据城市交叉口流量估计方法，该方法首先利用webster延误定理定量描述城市交叉口相位流量与车辆受阻延误之间的关系，并通过将测量浮动车通过交叉口时的延误作为输入数据计算得到相位流量；其次，考虑到上述计算的流量数据准确率不高，再利用RBF神经网络逼近算法对数据进行修正，逼近参数的综合性能指标由浮动车测得延误和旅行时间作为分项得到。通过本方法，利用浮动车数据可以得到准确率较高的相位流量数据，能够为城市交叉口的信号控制及优化提供支撑，从而有效提高城市道路路口的控制效率，达到缓解拥堵的目的。

【技术实现步骤摘要】
一种基于浮动车数据城市交叉口流量估计方法
本专利技术属于城市智能交通
，具体涉及一种利用低占比率浮动数据的城市交叉口流量估计技术，为交叉口信号控制及优化提供数据支撑。
技术介绍
获取城市交叉口各相位的流量数据是进行交通信号控制的前提，传统获取流量数据的方法主要有两种：一种是通过部署在受控交叉口停车线后的固定式检测器测量得到，具有代表性的为英国SCOOT交通控制系统和澳大利亚的SCATS交通控制系统；另一种是通过人工或人工手持设备测量得到，当前我国部门城市的交通管理部门在进行受控交叉口信号配时优化时仍经常采用该方式。由出行需求驱动的城市交通流具有时空特性，最显著的包括宏观的规律性、微观的波动性、随机性、非线性等。因此传统交通流量获取方式就存在了先天的不足和缺点。为此，以浮动车为代表的移动式检测方式应用而生，其所具有的覆盖范围广、检测种类丰富、检测精度高等特点可为充分感知城市交通出行需求提供支撑。
技术实现思路
针对当前城市交叉口信号控制与优化中获取的检测数据存在的不足，本专利技术通过利用浮动车的位置数据、速度数据等，提出交叉口相位流量估计和修正的方法，可实现相位流量的准确估计。本专利技术解决其技术问题所采用的技术方案是：(1)交叉口相位流量估计步骤1：利用浮动车数据测量延误式中：L为路段实际长度；浮动车的自由流状态下的平均车速；tf为车辆经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时间；td为车辆经由路段以通过交叉口的延误时间。步骤2：估计交叉口相位流量利用延误公式计算流量：式中：为红灯期间相位i的受阻浮动车的平均延误时间；C(t)为交叉口信号周期；λj(t)为运行相位的绿信比；yj(t)为所在相位的流量比且yj(t)＝qi(t)/Si，qi(t)为所在相位的流量，Si为所在相位的车道的通行能力。(2)RBF神经网络逼近算法对数据进行修正步骤1：设计逼近参数综合性能指标基于延误和旅行时间的逼近参数综合性能指标PI：其中n＝2为指标权重且；为浮动车旅行时间；为浮动车通行受阻的延误时间，其中tf为车辆经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时间；采用平移修正处理的距离熵计算PI：设计分项指标矩阵令则有信息决策矩阵A＝[ai]m，ai为第i个指标的观测值，i＝1,2,3,...,m,m≥2过程如下：1)将A＝[ai]m进行归一化处理，得到标准信息矩阵R＝[ri]m，其中归一化的处理方法为:对于越大越优型分指标[17]：对于越小越优型分指标：选择第i个指标所对应的最优单元值ri*，i＝1,2,3,...,m,m≥2，选取规则为2)计算各指标ri对应的最优单元值ri*的距离。di＝|ri-ri*|,i＝1,2,3,...,m,m≥23)计算对应指标概率当di>0时无需对pi进行修正。此时ui＝0；当di＝0时，该分指标对PI不起作用，为了保证所有指标数据的可用性，需人为的对pi进行平移修正，此时ui为常数且ui>0；4)计算指标的距离熵5)计算熵权其中6)计算溢流检测综合辨识指标PI综合公式可得：步骤2：RBF神经网络逼近算法对数据进行修正由仿真得到综合性能指标PIs为：综合性能指标PI是关于延误、旅行时间的线性加权函数，修正为：基于RBF神经网络逼近算法就是以qi(pi)为输入：|PIs-PIr|≤ε其中，PIr为实际数据计算得到的综合性能指标，PIs为仿真系统得到综合性能指标；采用Gauss函数作为基础建立RBF神经网络模型：其中：||qi(pi|k)-Di||为求输入信号与中心矢量的欧几里德距离，b为输出层偏置值，Πi为RBF神经网络权值，ri为扩展常数；采取梯度训练法，得到RBF神经网络学习的目标函数E(x)：其中τ为遗忘因子；网络训练各参数调节分量分别为：其中μ为学习率；对实际浮动车的数据进行RBF训练得到输出层偏置值、RBF神经网络权值、中心矢量、扩展常数、遗忘因子等参数，然后根据仿真得到的qi(pi|k)以及各训练参数计算得到输入信号逼近值。本专利技术具有如下有益的技术效果：(1)利用浮动车数据估计交叉口相位流量不受固定检测设备检测数据的限制，且计算简单；(2)修正后的流量数据准确，能够作为交叉口信号控制与优化的数据支撑。附图说明图1是估计数据修正流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合技术方案与附图详细叙述本专利技术的具体实施方式：浮动车数据采集：用安装在出租车、网约车上的车载装置或打车软件，实时采集浮动车的运动状态信息，包括车辆的id，车辆经纬度、车辆点速度、车辆运行时间戳等，其中数据通过无线网络传输到中心服务器上，数据的采样和传输频率为高频和中频(采样和传输间隔<5s/次则称为高频，5s/次<采样和传输间隔<15s/次则称为高频)，浮动车数据类型包括车辆ID、时间、状态(重车|任务车|空车|)、经纬度/车头方向/车速，关联路段编号、路口编号、并行路信息等。地图路网信息提取：过谷歌、百度、高德等地图厂商提供的API接口，提取地图路网中的组成元素(地图路网中的路段由多个link组成)，包括路段link，交叉口node等，将该类地图数据存储在中心服务器的专用地图数据库中，并对其中所包含的经纬度数据进行纠偏处理。估计交叉口相位流量并修正：首先，将利用浮动车数据估计得到的交叉口流量数据作为初始数据输入到交通仿真软件中，并计算得到基于实际数据的PIr和基于仿真结果的PIs。其次，在仿真时间t0约束下，计算PIr和PIs的差值，并判断差值是否为0，如果为0则输出仿真的相位流量，如果不为0则调整仿真软件的输入流量，调整流量的比例由决定，如果则流量增加ε％，如果则流量减少σ％，其中ε＝15，σ＝10。如图1所示。基于浮动车数据的城市交叉口流量估计方法，包括如下步骤：步骤一、浮动车数据采集：利用安装在出租车、网约车上的车载装置或打车软件，实时采集浮动车的运动状态信息，包括车辆的id，车辆经纬度、车辆点速度、车辆运行时间戳等；步骤二、地图路网信息提取：通过谷歌、百度、高德等地图厂商提供的API接口，提取地图路网中的组成元素(地图路网中的路段由多个link组成)，包括路段link，交叉口node等；步骤三、实现交叉口相位流量估计(1)利用浮动车数据测量延误式中：L为路段实际长度；浮动车的自由流状态下的平均车速；tf为车辆经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时间；td为车辆经由路段以通过交叉口的延误时间。(2)估计交叉口相位流量式中：为红灯期间相位i的受阻浮动车的平均延误时间；C(t)为交叉口信号周期；λj(t)为运行相位的绿信比；yj(t)为所在相位的流量比且yj(t)＝qi(t)/Si，qi(t)为所在相位的流量，Si为所在相位的车道的通行能力。步骤四、利用RBF神经网络逼近算法修正估计结果(1)：设计逼近参数综合性能指标为得到较为准确的流量数据，采用仿真数据逼近实际数据的方法对反推所得流量进行修正。为此，首先设计用于逼近的参数指标。考虑到浮动车提供的交叉口延误和旅行时间数据较为准确，因此提出基于延误和旅行时间的逼近参数综合性能指标P本文档来自技高网...

【技术保护点】
1.一种基于浮动车数据城市交叉口流量估计方法，其特征在于，包括如下步骤：(1)交叉口相位流量估计步骤1：利用浮动车数据测量延误

【技术特征摘要】
1.一种基于浮动车数据城市交叉口流量估计方法，其特征在于，包括如下步骤：(1)交叉口相位流量估计步骤1：利用浮动车数据测量延误式中：L为路段实际长度；浮动车的自由流状态下的平均车速；tf为车辆经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时间；td为车辆经由路段以通过交叉口的延误时间。步骤2：估计交叉口相位流量利用延误公式计算流量：式中：为红灯期间相位i的受阻浮动车的平均延误时间；C(t)为交叉口信号周期；λj(t)为运行相位的绿信比；yj(t)为所在相位的流量比且yj(t)＝qi(t)/Si，qi(t)为所在相位的流量，Si为所在相位的车道的通行能力。(2)RBF神经网络逼近算法对数据进行修正步骤1：设计逼近参数综合性能指标基于延误和旅行时间的逼近参数综合性能指标PI：其中n＝2为指标权重且；为浮动车旅行时间；为浮动车通行受阻的延误时间，其中tf为车辆经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时间；采用平移修正处理的距离熵计算PI：设计分项指标矩阵令则有信息决策矩阵A＝[ai]m，ai为第i个指标的观测值，i＝1,2,3,...,m,m≥2过程如下：1)将A＝[ai]m进行归一化处理，得到标准信息矩阵R＝[ri]m，其中归一化的处理方法为:对于越大越优型分指标[17]：对于越小越优型分指标：选择第i个指标所对应的最优单元值ri*，i＝1,2,...

【专利技术属性】
技术研发人员：张立立，王力，张海波，何忠贺，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：北京,11