面向低渗透率网联车轨迹数据的排队服务时间估计方法技术

本发明专利技术公开了面向低渗透率网联车轨迹数据的排队服务时间估计方法，该方法首先，根据车速信息判别车辆在路口的排队停车状态，识别标记排队停车车辆。然后，通过对车辆到达、驶离周期的一致性判别，识别标记过饱和车辆。接着，针对欠饱和、过饱和两种情况，将车辆停车状态进行转换，以此为输入构建基于Logistic回归的车辆排队服务时间概率模型。最后，采用拉普拉斯近似方法，基于贝叶斯先验

【技术实现步骤摘要】
面向低渗透率网联车轨迹数据的排队服务时间估计方法


[0001]本专利技术涉及面向低渗透率网联车轨迹数据的排队服务时间估计方法，属于排队状态估计


技术介绍

[0002]城市交通系统低效运行区域主要集中在城市道路交叉口，因此对交叉口交通运行状态的研究显得尤为重要。排队状态动态信息作为交叉口运行状态的评价指标和信号控制优化的反馈信息，对于信号优化配时、协调控制都有着重要作用。对于排队状态的研究，传统方法多利用固定检测器数据如线圈检测器数据，然而固定检测器的高昂安装、维修费用使其覆盖率很低，难以有效支撑路网层级的交通管控应用。为了克服数据空间覆盖率的不足，国内外学者开始尝试利用浮动车数据、手机信令数据、卫星图像数据、无人机拍摄数据来进行研究。近年来由于无人驾驶技术和车路协同的发展，越来越多的车辆如网约车、网联车能够提供行车轨迹记录，基于网联车轨迹数据的排队状态估计问题成为当前研究的热点。
[0003]目前对排队状态的研究多从车辆聚集的角度出发，将排队长度或排队车辆数作为估计对象，基于交通流理论或概率统计学进行估计。基于交通流理论的估计方法将排队长度估计作为一个确定性的过程，按照建模思路可以进一步分为基于冲击波理论方法和基于输入
‑
输出方法。基于概率统计学的方法通常根据车辆的到达分布和周期内收集到的车辆轨迹数据，求得到达分布的参数，从而得到排队长度的概率分布，以其期望值作为排队长度的估计值。这些研究取得了一定的成果，但是所使用的方法大多存在对车辆到达模式的假设，如(1)基于冲击波理论的排队长度估计方法为实现交通波拟合，两个冲击波之间的交点对估计值误差很敏感，排队长度估计在周期数据缺失的情况下较难实现。此外，该方法将排队形成波与消散波的交点至停车线的距离作为排队长度，存在较大误差，尤其是在到达模式不均匀以及低饱和度场景下。(2)基于输入
‑
输出的排队长度估计方法要求上下游同时布置检测器，且估计精度对检测器的测量误差高度敏感。(3)基于概率统计学的排队长度估计方法未考虑车辆到达模式的不确定性，多采用线性或分段线性假设，没有考虑车队在上游受到干扰而产生的到达波动性。此外，该方法假设了一个给定的恒定渗透率，如果渗透率随时间显著变化，或难以准确估计，则排队长度估计结果也可能不准确。现有方法大多存在对车辆到达模式的假设，这种假设可能与实际交通流运行情况不符，估计准确性易受到车辆到达随机波动的影响，且方法的精准性和适用性会有所降低。另一方面受限于目前可观测车辆样本不足，多数方法在低渗透率下性能不佳。
[0004]虽然智能网联技术正在迅猛发展，但是未来近十年内，网联车的普及率都会较低。网联车和传统车混行的状态是必经阶段，网联车的渗透率将会长期维持在一个较低的水平，而低渗透率数据环境会限制现有研究方法的估计效果。部分排队长度估计方法根据模型特性，结合发展迅速的车辆轨迹数据进行研究。这些方法需要的车辆轨迹数据的渗透率普遍较高，在低渗透率数据环境下方法性能不佳。为解决低渗透率数据环境下车辆轨迹信
息不足的问题，一些方法采用历史数据或者对多个周期数据进行汇集，虽然能够提高估计精度，但无法保证实时性。还有一些方法在进行排队状态研究时需要保证车流中可观测车辆渗透率的稳定性，在车辆到达波动性较大时方法受限。

技术实现思路

[0005]本专利技术所要解决的技术问题是：提供面向低渗透率网联车轨迹数据的排队服务时间估计方法，从车辆消散的角度，提出以排队服务时间为表征的路口排队状态，避免了对车流到达模式的假设，并给出低渗透率条件下的估计方法。
[0006]本专利技术为解决上述技术问题采用以下技术方案：
[0007]面向低渗透率网联车轨迹数据的排队服务时间估计方法，包括如下步骤：
[0008]步骤1，获取交叉口的信号配时方案以及经过交叉口的网联车车辆轨迹数据；
[0009]步骤2，从网联车车辆轨迹数据中提取车辆的速度信息，根据车辆的速度信息判断车辆通过交叉口时是否经过排队停车，即车辆是否存在停车等红灯状态，若车辆存在停车等红灯状态，则标记为停车车辆，否则不标记，从而得到车辆排队停车状态信息；
[0010]步骤3，定义车辆到达周期和车辆驶离周期，确定车辆到达周期和驶离周期；
[0011]步骤4，根据车辆到达周期将每辆车归入相应的周期；对于每个周期，若该周期中所有车辆的到达周期和驶离周期都相同，则该周期为欠饱和周期；若该周期中存在车辆到达周期和驶离周期不同，则判定到达周期和驶离周期不同的车辆为过饱和车辆，过饱和车辆所在的周期为过饱和周期；
[0012]步骤5，建立基于Logistic回归的车辆排队服务时间概率模型，将车辆排队停车状态信息进行转换作为模型的输入，排队服务时间表现为对停车概率进行积分；
[0013]步骤6，考虑相邻周期之间交通流运行状态的关联性，基于贝叶斯先验
‑
后验滚动实现排队服务时间的动态估计，将相邻两周期中的前一周期得到的后验估计信息作为后一周期的先验估计信息，利用贝叶斯Logistic回归中的拉普拉斯近似方法实现先验
‑
后验信息动态滚动，得到模型参数的分布，从而得到排队服务时间的分布，取其均值完成周期级排队服务时间的动态估计。
[0014]作为本专利技术的一种优选方案，所述步骤2中，设定车辆的速度小于3m/s时为低速行驶状态，判断车辆的速度是否出现小于3m/s的情况，当车辆的速度小于3m/s时，判断车辆是否连续5s以上处于低速行驶状态，若车辆连续5s以上处于低速行驶状态，则标记其为停车车辆。
[0015]作为本专利技术的一种优选方案，所述步骤3中，车辆到达周期定义为车辆在不受到信号控制和前车影响时的理想状态下，以自由流速度行驶驶离停止线的时间对应的周期；车辆驶离周期定义为车辆实际的停止线驶离时间对应的周期；
[0016]1)根据车辆实际驶离停止线的时间确定车辆驶离周期，选取车辆轨迹数据中停止线前后最近的两个轨迹点，利用线性插值法确定车辆实际驶离停止线的时间：
[0017][0018]其中，l
b
、l
a
分别表示车辆前进方向上停止线前、后两个连续轨迹点的位置，t
b
、t
a
分别表示车辆经过停止线前、后两个连续轨迹点的时间，l
sb
表示停止线的位置；通过匹配车
辆实际驶离停止线时间与信号配时，从而得到车辆驶离周期；
[0019]2)根据车辆轨迹数据，获取车辆瞬时速度，建立三元高斯混合模型，并利用最大期望算法对三元高斯混合模型的参数进行求解，基于求解的参数，将车辆瞬时速度作为三元高斯混合模型的输入，对车辆行驶状态进行划分，估计车辆运行的自由流速度，结合车辆轨迹数据确定车辆到达周期；
[0020]车辆行驶状态分为排队停车及启动状态、减速状态和自由行驶状态，三种状态对应三个高斯分布，当瞬时速度x属于x
k
类的后验概率P>0.6时，认为x属于x
k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向低渗透率网联车轨迹数据的排队服务时间估计方法，其特征在于，包括如下步骤：步骤1，获取交叉口的信号配时方案以及经过交叉口的网联车车辆轨迹数据；步骤2，从网联车车辆轨迹数据中提取车辆的速度信息，根据车辆的速度信息判断车辆通过交叉口时是否经过排队停车，即车辆是否存在停车等红灯状态，若车辆存在停车等红灯状态，则标记为停车车辆，否则不标记，从而得到车辆排队停车状态信息；步骤3，定义车辆到达周期和车辆驶离周期，确定车辆到达周期和驶离周期；步骤4，根据车辆到达周期将每辆车归入相应的周期；对于每个周期，若该周期中所有车辆的到达周期和驶离周期都相同，则该周期为欠饱和周期；若该周期中存在车辆到达周期和驶离周期不同，则判定到达周期和驶离周期不同的车辆为过饱和车辆，过饱和车辆所在的周期为过饱和周期；步骤5，建立基于Logistic回归的车辆排队服务时间概率模型，将车辆排队停车状态信息进行转换作为模型的输入，排队服务时间表现为对停车概率进行积分；步骤6，考虑相邻周期之间交通流运行状态的关联性，基于贝叶斯先验
‑
后验滚动实现排队服务时间的动态估计，将相邻两周期中的前一周期得到的后验估计信息作为后一周期的先验估计信息，利用贝叶斯Logistic回归中的拉普拉斯近似方法实现先验
‑
后验信息动态滚动，得到模型参数的分布，从而得到排队服务时间的分布，取其均值完成周期级排队服务时间的动态估计。2.根据权利要求1所述的面向低渗透率网联车轨迹数据的排队服务时间估计方法，其特征在于，所述步骤2中，设定车辆的速度小于3m/s时为低速行驶状态，判断车辆的速度是否出现小于3m/s的情况，当车辆的速度小于3m/s时，判断车辆是否连续5s以上处于低速行驶状态，若车辆连续5s以上处于低速行驶状态，则标记其为停车车辆。3.根据权利要求1所述的面向低渗透率网联车轨迹数据的排队服务时间估计方法，其特征在于，所述步骤3中，车辆到达周期定义为车辆在不受到信号控制和前车影响时的理想状态下，以自由流速度行驶驶离停止线的时间对应的周期；车辆驶离...

【专利技术属性】
技术研发人员：宋慧洁，安成川，夏井新，熊睿成，圣皓，
申请(专利权)人：东南大学，
类型：发明
国别省市：