一种车头时距建模方法及一种最小绿灯时间计算方法技术

本发明专利技术提供一种车头时距建模方法，通过采集信号交叉口通过停车线的第一车至第k车的车头时距，并用不同的概率分布函数对所采集的数据进行拟合，通过卡方检测判断拟合效果，为不考虑排队位置时和考虑排队位置时所采集的车头时距，选取适合的概率分布函数进行建模。本发明专利技术还提供一种最小绿灯时间计算方法，根据第一车、第二车车型计算得到第二车通过停车线所需时间；并根据大车的数目和大车的排序位置，计算从第三车开始，后继车辆通过停车线所需时间；由此得到一次绿灯时间内，k辆车中包含d辆大车时，通过信号交叉口的最小绿灯时间。本发明专利技术可对采集的车头时距准确建模，还可以更合理的设置绿灯时间，提高交通出行效率。

A Modeling Method for Head Time Distance and a Method for Calculating Minimum Green Lantern Time

【技术实现步骤摘要】
一种车头时距建模方法及一种最小绿灯时间计算方法
本专利技术涉及城市道路交通管理领域，尤其涉及一种最小绿灯时间计算方法。
技术介绍
随着城市化的发展，信号交叉口作为城市道路交通管理与控制的基本组成部分，在交通管制中扮演着重要的角色。信号交叉口的最小绿灯时间，直接影响了信号交叉口通行能力。车头时距代表着前后两辆车的前端通过同一地点的时间差，对于优化道路设计和管理具有重要意义。车头时距是反映交通流随机过程和时空分布的重要参数，在分析交通状态和交叉口信号配时等方面起着重要作用。目前，有许多关于车头时距分布特征的研究成果，但大多数用于拟合车头时距的概率分布模型都有局限性而且缺乏普适性，例如指数，对数正态模型等。同时根据信号交叉口的车辆通过停车线的车头时距来研究最小绿灯时间也相对较少。更没有结合车型来分析车头时距，从而得到信号交叉口的车辆通过停车线所需最小绿灯时间的技术方案。
技术实现思路
本专利技术提供了为了解决现有研究的缺陷，我们提出了一种车头时距建模方法，得到了在一次绿灯时间内，不考虑车辆排队位置时和考虑车辆排队位置时，适用于对车头时距进行建模的概率分布函数。本专利技术还提供一种最小绿灯时间计算方法。结合车型大小、大车排队位置分析车辆通过停车线的车头时距，有效的帮助交通管理部门在信号交叉路口设置更合理的绿灯时间，提高城市交通出行效率。为了达到上述目的，本专利技术提供了一种车头时距建模方法，包含步骤：S1、选取信号交叉口若干车道，采集每个选取车道上一次绿灯时间内通过停车线的第二车至第k车的车头时距，k>2；将采集的车头时距作为样本数据建立样本数据集T；Ti表示所有选取车道第i车车头时距集合；S2、设置删选条件，预处理样本数据集T，仅保留满足筛选条件的样本数据；S3、在考虑车辆排队位置和不考虑车辆排队位置两种情况下，采用不同的概率分布模型分别拟合样本数据；检验不同概率分布模型的拟合优度，判断拟合度最好的概率分布模型，用以对车头时距建模。步骤S2中所述筛选条件为：u-3δ<t≤u+3δ其中，t为采集的车头时距，t∈T,u表示样本数据集T的期望，δ表示样本数据集T的标准差。所述不同的概率模型包含：三参数Burr分布、Log-logistic分布、log-normal分布和gamma分布。所述步骤S3包含：S31、不考虑车辆排队位置，进入S32；考虑车辆排队位置，进入S34；S32、分别采用三参数Burr分布、Log-logistic分布、log-normal分布和gamma分布拟合样本数据集T，得到各概率分布函数对应于T的拟合曲线，进入S33；S33、采用卡方检测判断步骤S32得到的各个拟合曲线与样本数据集T的拟合程度；根据步骤S32的拟合结果，选取三参数Burr分布对不考虑排队位置的车头时距进行建模；S34、采用三参数Burr分布、Log-logistic分布分别拟合第i车车头时距的样本数据集Ti，得到各概率分布函数对应于Ti的拟合曲线；其中i∈[2,k]；进入S35；S35、采用卡方检测判断步骤S34中得到的各个拟合曲线与对应的样本数据集Ti的拟合程度；重复步骤S34、S35，直到对T2～Tk均进行拟合和检测；进入S36；S36、根据步骤S35的拟合结果，选取Log-logistic分布对考虑排队位置的车头时距进行建模。一种最小绿灯时间计算方法，包含步骤：f1、选取信号交叉口若干车道，采集所有选取车道上一次绿灯时间内通过停车线的第二车至第k车的车头时距,k>2；f2、根据第一车、第二车的车型，统计第二车平均车头时距；f3、根据前导车与跟驰车的车型，统计第三车至第k车的平均车头时距；f4、根据信号交叉口一次绿灯时间内通过的k辆车中所包含的大车数量d，计算k辆车全部通过信号交叉口所需最小绿灯时间。所述步骤f2具体包含：f21、根据步骤f1采集的第二车车头时距建立T1小2小、T1小2大、T1大2小、T1大2大四个样本空间；所述T1小2小、T1小2大、T1大2小、T1大2大分别表示第一车为小型车且第二车为小型车、第一车为小型车且第二车为大型车、第一车为大型车且第二车为小型车、第一车为大型车且第二车为大型车时，采集的第二车车头时距集合；f22、分别去除T1小2小、T1小2大、T1大2小、T1大2大中的异常值后，计算T1小2小、T1小2大、T1大2小、T1大2大对应的样本均值E1小2小、E1小2大、E1大2小、E1大2大；当第一车为小型车且第二车为小型车、第一车为小型车且第二车为大型车、第一车为大型车且第二车为小型车、第一车为大型车且第二车为大型车时，对应的第二车平均车头时距分别为E1小2小、E1小2大、E1大2小、E1大2大。所述步骤f3具体包含：f31、根据步骤f1采集的第三车至第k车的车头时距建立T前小后小、T前小后大、T前大后小、T前大后大四个样本空间；所述T前小后小、T前小后大、T前大后小、T前大后大分别表示前导车为小型车且跟驰车为小型车、前导车为小型车且跟驰车为大型车、前导车为大型车且跟驰车为小型车、前导车为大型车且跟驰车为大型车时，采集的车头时距集合；f23、分别去除T前小后小、T前小后大、T前大后小、T前大后大中的异常值后，计算样本空间T前小后小、T前小后大、T前大后小、T前大后大对应的样本均值E前小后小、E前小后大、E前大后小、E前大后大；当第i车为小型车且前导车为小型车、第i车为大型车且前导车为小型车、第i车为小型车且前导车为大型车、第i车为大型车且前导车为大型车时，第i车的平均车头时距为E前小后小、E前大后大，其中i∈[3,k]。所述步骤f4具体包含：F41、当d辆大车排在信号交叉口一次绿灯时间内通过的k辆车中，根据车型大小，k辆车具有种排序状态，分别为第一排序状态至第排序状态；分别计算不同排序状态下，k辆车在一次绿灯时间内通过信号交叉口对应的所需时间F42、计算一次绿灯时间内，通过信号交叉口的k辆车中包含d辆大车时，k辆车全部通过信号交叉口所需最小绿灯时间Dk_d；其中所述步骤f41具体包含：F411、在第p排序状态下，根据第一车与第二车的车型，得到对应的第二车车头时距tp_2，其中tp_2∈[E1小2小,E1小2大，E1大2小,E1大2大]；F412、在第p排序状态下，根据第h车与其前导车辆的车型，得到第h车的车头时距tp_h，其中F413、计算第p排序状态下，一次绿灯时间内，k辆车通过停车线所需时间所述大车是指车长大于6米的车辆，所述小车是指车长等于或小于6米的车辆。与现有技术相比，本专利技术具有以下优点。1)本专利技术的车头时距建模方法，可以分别为不考虑车辆排队位置时和考虑车辆排队位置时，提供适用于对车头时距进行建模的概率分布函数，与现有技术的概率分布函数相比，拟合度更好。2)本专利技术提供的一种最小绿灯时间计算方法。结合车型大小、大车排队位置分析车辆通过停车线的最小绿灯时间。本方法综合考虑了排队位置、车型大小对于车头时距的影响，设计的最小绿灯时间更符合实际应用需求，可以有效的帮助交通管理部门在信号交叉路口设置合理的绿灯时间，提高城市交通出行效率。附图说明为了更清楚地说明本专利技术技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一个实施例，对于本领域普通本文档来自技高网...

【技术保护点】
1.一种车头时距建模方法，其特征在于，包含步骤：S1、选取信号交叉口若干车道，采集每个选取车道上一次绿灯时间内通过停车线的第二车至第k车的车头时距，k>2；将采集的车头时距作为样本数据建立样本数据集T；

【技术特征摘要】
1.一种车头时距建模方法，其特征在于，包含步骤：S1、选取信号交叉口若干车道，采集每个选取车道上一次绿灯时间内通过停车线的第二车至第k车的车头时距，k>2；将采集的车头时距作为样本数据建立样本数据集T；Ti表示所有选取车道第i车车头时距集合；S2、设置删选条件，预处理样本数据集T，仅保留满足筛选条件的样本数据；S3、在考虑车辆排队位置和不考虑车辆排队位置两种情况下，采用不同的概率分布模型分别拟合样本数据；检验不同概率分布模型的拟合优度，判断拟合度最好的概率分布模型，用以对车头时距建模。2.如权利要求1所述的车头时距建模方法，其特征在于，步骤S2中所述筛选条件为：u-3δ<t≤u+3δ其中，t为采集的车头时距，t∈T,u表示样本数据集T的期望，δ表示样本数据集T的标准差。3.如权利要求1所述的车头时距建模方法，其特征在于，所述不同的概率模型包含：三参数Burr分布、Log-logistic分布、log-normal分布和gamma分布。4.如权利要求3所述的车头时距建模方法，其特征在于，所述步骤S3包含：S31、不考虑车辆排队位置，进入S32；考虑车辆排队位置，进入S34；S32、分别采用三参数Burr分布、Log-logistic分布、log-normal分布和gamma分布拟合样本数据集T，得到各概率分布函数对应于T的拟合曲线，进入S33；S33、采用卡方检测判断步骤S32得到的各个拟合曲线与样本数据集T的拟合程度；根据步骤S32的拟合结果，选取三参数Burr分布对不考虑排队位置的车头时距进行建模；S34、采用三参数Burr分布、Log-logistic分布分别拟合第i车车头时距的样本数据集Ti，得到各概率分布函数对应于Ti的拟合曲线；其中i∈[2,k]；进入S35；S35、采用卡方检测判断步骤S34中得到的各个拟合曲线与对应的样本数据集Ti的拟合程度；重复步骤S34、S35，直到对T2～Tk均进行拟合和检测；进入S36；S36、根据步骤S35的拟合结果，选取Log-logistic分布对考虑排队位置的车头时距进行建模。5.一种最小绿灯时间计算方法，其特征在于，包含步骤：f1、选取信号交叉口若干车道，采集所有选取车道上一次绿灯时间内通过停车线的第二车至第k车的车头时距,k>2；f2、根据第一车、第二车的车型，统计第二车平均车头时距；f3、根据前导车与跟驰车的车型，统计第三车至第k车的平均车头时距；f4、根据信号交叉口一次绿灯时间内通过的k辆车中所包含的大车数量d，计算k辆车全部通过信号交叉口所需最小绿灯时间。6.如权利要求5所述的最小绿灯时间计算方法，其特征在于，所述步骤f2具体包含：f21、根据步骤f1采集的第二车车头时距建立T1小2小、T1小2大、T1大2小、T1大2大四个样本空间；...

【专利技术属性】
技术研发人员：陈信强，陈辉兴，杨勇生，于泽崴，吴华锋，吴淑博，赵建森，刘卫，许波桅，陈晶，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海,31