一种基于集成学习的信号控制交叉口排队长度估计方法技术

本发明专利技术涉及一种基于集成学习的信号控制交叉口排队长度估计方法，包括以下步骤：1)在同时具备电警数据与网联车辆轨迹数据的场景下，根据电警数据与网联车辆轨迹数据分别采用三种排队长度估计方法获取排队长度的估计结果，作为部分原始输入信息；2)根据三种排队长度估计方法获取的排队长度估计结果采用随机森林方法设构建集成学习器，并进行训练；3)根据训练后的集成学习器进行信号控制交叉口排队长度的估计。与现有技术相比，本发明专利技术考虑了电警设备难处理过饱和场景、网联车辆轨迹数据低渗透率等因素，使得各类方法在时间、空间维度上进行互补，具有覆盖场景全、适用性广、可拓展性高等优点。展性高等优点。展性高等优点。

【技术实现步骤摘要】
一种基于集成学习的信号控制交叉口排队长度估计方法


[0001]本专利技术涉及交通信息领域，尤其是涉及一种基于集成学习的信号控制交叉口排队长度估计方法。

技术介绍

[0002]信号控制交叉口是城市道路网络中的重要节点，也是交通拥堵的常发地点，排队长度能够直观、有效地反映信号控制交叉口的拥挤程度，是交叉口运行效率评价的主要指标之一，同时也是信号控制优化的重要输入参数。因此，精确有效地估计交叉口排队长度，一方面可以评价当前交叉口各流向排队状态，评估信号控制方案合理性，另一方面，可以根据当前排队长度参数，制定相应的信号控制策略，优化交叉口信号配时参数。
[0003]近年来，由于平安城市建设和交通执法管理的需要，电子警察设备在我国城市道路广泛布设，可提供所有车辆通过交叉口停车线的时刻、所在车道及车辆ID等信息，相比于线圈等现有定点检测器，其数据质量更高，覆盖范围更广。另一方面，随着智能网联汽车、移动导航等新技术的推广应用，海量网联车辆轨迹数据的实时获取成为可能，可提供抽样车辆的个体连续观测信息。上述两类数据在对交通流观测上形成了时间和空间的互补，也为交叉口信号控制评价和优化提供了新机遇。
[0004]因此，国内外学者基于电警和网联车辆轨迹数据，构建了多种信号控制交叉口排队长度估计方法，包括电警数据驱动的估计方法、网联车辆轨迹数据驱动的估计方法以及电警数据和网联车辆轨迹数据融合驱动的估计方法。然而，上述方法只适用于一定的交通状态(饱和度等)或数据条件(网联车渗透率)，适用范围和可移植性存在局限。例如，电警数据驱动的估计方法大都不适用于过饱和条件，而网联车辆轨迹数据驱动的估计方法通常要求较高的渗透率。

技术实现思路

[0005]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基于集成学习的信号控制交叉口排队长度估计方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]与现有技术相比，本专利技术具有以下优点：
[0008]一、覆盖场景全：本专利技术考虑了电警设备难以处理过饱和场景、网联车辆轨迹数据低渗透率等因素，使得各类方法在时间、空间维度上进行互补，能够适用于各种交通状态(饱和度等)或数据条件(网联车渗透率)。
[0009]二、可拓展性强：本专利技术的基于集成学习的信号控制交叉口排队长度估计方法，可降低单个排队长度估计方法因自身方法局限对结果所带来的影响，其估计框架可拓展到其他类型的交通检测器数据。
附图说明
[0010]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0011]图1为本专利技术实施例提供的变点识别模型研究场景示意图。
[0012]图2为本专利技术实施例提供的交通波模型研究场景示意图。
[0013]图3为本专利技术实施例提供的贝叶斯模型研究场景示意图。
[0014]图4为本专利技术实施例提供的基于随机森林的交叉口排队长度估计建模流程图。
[0015]图5为本专利技术中仿真验证的交叉口渠化设计图(研究路口为东进口)。
[0016]图6为本专利技术中仿真验证的交叉口仿真模型示意图(研究路口为东进口)。
[0017]图7为本专利技术中仿真验证的特征重要性分析结果示意图。
[0018]图8为本专利技术中仿真验证的特征个数对模型精度的影响示意图。
[0019]图9为本专利技术中仿真验证的决策子树个数对模型精度及训练时间的影响示意图。
[0020]图10为本专利技术中仿真验证的不同排队长度估计模型精度对比结果(平均绝对误差)示意图。
[0021]图11为本专利技术中仿真验证的不同排队长度估计模型精度对比结果(平均绝对百分比误差)示意图。
[0022]图12为本专利技术中仿真验证的不同学习模型精度对比(平均绝对误差)示意图。
[0023]图13为本专利技术中仿真验证的不同学习模型精度对比(平均绝对百分比误差)示意图。
具体实施方式
[0024]下面结合附图和具体实施例对本专利技术进行详细说明。
[0025]实施例
[0026]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0027]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0028]在本专利技术的一个实施例中，提供了一种基于集成学习的信号控制交叉口排队长度估计方法，所述方法包括以下流程：
[0029]1)针对所研究对象同时具备电警数据与网联车辆轨迹数据的场景，分别基于三种典型的排队长度估计方法获取排队长度，并作为本专利技术的输入信息，可通过以下方式得到：
[0030]在本专利技术中，一个周期即是一个样本，因此，可分别基于三种典型的排队长度估计方法，获取得到原始输入信息其中，表示当前第i周期所采集的基于电警数据的变点识别方法估计结果，表示基于网联车辆轨迹数据的交通波方法估计结果，表示基于数据融合的贝叶斯方法估计结果，其计算场景示意图分别如图1
‑
3所示。
[0031]2)基于步骤1)所获取的三种典型排队长度估计方法结果，运用随机森林方法设计集成学习器，可通过以下步骤得到：
[0032]21)训练数据准备。在基于随机森林的集成学习模型中，通过考虑不同的饱和度、轨迹渗透率组合生成训练数据，且一个周期即是一个样本，此外，原始输入数据主要可分为数据层变量与决策层变量两类，前者选取可直接从两类数据源中所获取的信息：电警数据所包含的周期车流量、轨迹数据所包含的周期内排队轨迹数与周期内非排队轨迹数，而后者包含上述三种方法的排队长度估计方法的结果，在此基础上，定义训练数据集格式：
[0033]D＝((x1,y1),(x2,y2),...,(x
N
,y
N
)}
[0034]其中，为输入特征向量，y
i
为标签变量，即第i周期的真实排队长度(i＝1,2,
…
,N)。在输入特征向量中，v
i
表示当前第i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的信号控制交叉口排队长度估计方法，其特征在于，该方法包括以下步骤：1)在同时具备电警数据与网联车辆轨迹数据的场景下，根据电警数据与网联车辆轨迹数据分别采用三种排队长度估计方法获取排队长度的估计结果，作为部分原始输入信息；2)根据三种排队长度估计方法获取的排队长度估计结果采用随机森林方法设构建集成学习器，并进行训练；3)根据训练后的集成学习器进行信号控制交叉口排队长度的估计。2.根据权利要求1所述的一种基于集成学习的信号控制交叉口排队长度估计方法，其特征在于，所述的步骤1)中，三种排队长度估计方法包括基于电警数据驱动的变点识别方法、基于网联车辆轨迹数据的交通波方法以及基于电警与网联车辆轨迹数据融合的贝叶斯方法。3.根据权利要求2所述的一种基于集成学习的信号控制交叉口排队长度估计方法，其特征在于，所述的步骤2)具体包括以下步骤：21)生成训练数据样本；22)基学习器训练；23)基学习器集成。4.根据权利要求3所述的一种基于集成学习的信号控制交叉口排队长度估计方法，其特征在于，所述的步骤21)中，根据原始输入信息通过考虑不同的饱和度及轨迹渗透率组合生成训练数据集，原始输入信息包括数据层变量和决策层变量，所述的数据层变量包括电警数据的周期车流量以及轨迹数据的周期内排队轨迹数和周期内非排队轨迹数，所述的决策层变量则包括分别采用三种排队长度估计方法获取排队长度的估计结果。5.根据权利要求4所述的一种基于集成学习的信号控制交叉口排队长度估计方法，其特征在于，所述的步骤21)中，训练数据样本D的数据格式为：D＝{(x1，y1)，(x2，y2)，...，(x
N
，y
N
)}其中，为输入特征向量，y
i
为标签变量，即第i周期的真实排队长度，i＝1，2，...，N，v
i
为当前第i周期内电警设备所采集到的交通流量，m
i
，n
i
分别为当前第i周期内采样轨迹数据中排队车辆轨迹与非排队车辆轨迹的数量，分别为当前第i周期所采集的基于电警数据驱动的变点识别方法、基于网联车辆轨迹数据的交通波方法以及基于电警与网联车辆轨迹数据融合的贝叶斯方法的估计结果。6.根据权利要求5所述的一种基于集成学习的信号控制交叉口排队长度估计方法，其特征在于，所述的步骤22)中，采用CART决策树算法对基学习器进行训练，具体包括以下步骤：221)对任意的划分特征x
i
，对应的任意划分点s，将训练集R划分成两个子集R1与R2，通过遍历特征向量中的变量j，求取使得两个子集R1与R2，以及两个子集R1与R2之和的均方差最小的对应划分点s和最优切分变量j，则有：其中，j为输入特征向量x
i
中的第j个特征变量，s为对该特征变量的最优切分点，R
m
表示
第m个子区域，m＝1，2，为第m个子区域...

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