一种基于稀疏网联车轨迹数据的交叉口排队长度估计方法与流程

本发明属于交通信息估计，具体涉及一种基于稀疏网联车轨迹数据的交叉口排队长度估计方法。

背景技术：

1、随着城市车辆保有量的不断增加，城市交通日益拥堵，调查显示，居民通勤时间中17％-35％是信号交叉口造成的车辆延误时间，而交叉口的排队长度可以及时反映信号交叉口的拥堵情况，是评价信号交叉口通行效率的重要指标。此外，交叉口的排队长度信息对于交通信号优化、行程时间估计和交通疏导等至关重要。

2、随着近些年检测手段的提升，作为交通信息重要的参数之一，排队长度的估计方法也得到了不断的发展。现阶段有三种常见的排队长度估计方法，第一种是基于环路检测器等类型的交通传感器，将环路传感器埋于进口道内停车线后一定距离，通过车流的密度结合交通流理论来估计车辆的排队长度，其缺点是安装和维护成本高、覆盖范围有限，如果路口排队长度过长，将无法测到超过检测器范围的排队车辆，并且此种方法无法描述车辆在空间上的排队分布情况。第二种方法是利用视频监控数据，通过基于图像或者视频的方法来估计排队长度，基于图像的方法是通过提取视频中的车牌号和时间戳等信息，推断车辆的行程时间，然后估算车辆的排队长度，此种方法仍然采取的是静态信息，并且图像识别费时费力，精确度受到视频质量的影响；基于视频的方法是通过对车辆的识别和跟踪来分析静止车辆的位置来确定视频中车辆的排队长度，但是此种方法受到监控摄像头拍摄范围的限制，当排队车辆超过监控摄像头的监控范围，便失去作用。近期有研究提出基于视频的改进方法是利用监控视频提供的车辆信息重构车辆在视频范围外的轨迹，估算出排队长度超出监控范围的演变过程，以此来估计排队长度。但是此种方法利用神经网络模型进行训练，模型复杂，工作量大，对视频的质量和数量有一定的要求，同时采用此种方法需要一定的硬件设备支持，成本高。第三种方法是结合视频数据和gps轨迹数据，通过多种数据融合和随机森林回归模型，来获得实时估计的排队长度，此类方法精度高，但是所需数据来源不一，首先需要对多源数据进行融合，其次随机森林回归模型训练过程复杂。

3、现有技术的缺点主要在于：(1)交通传感器和监控视频的覆盖范围有限，无法对超过覆盖范围的排队车辆长度进行估计；(2)利用神经网络和随机森林回归模型的新型方法，需要海量的数据进行训练，否则效果不佳。因此需要提出一种获取数据成本低、简单易行的排队长度动态估计方法，及时反馈交叉口的拥堵情况，协助交通管理部门进行交通信号优化和交通疏导。

技术实现思路

1、针对现有技术中存在的技术问题，本发明提供一种基于稀疏网联车轨迹数据的交叉口排队长度估计方法，基于交叉口范围内的稀疏网联车轨迹数据，利用整数规划模型，有效推断出交叉口内的排队长度。

2、本发明所提供的技术方案如下：

3、一种基于稀疏网联车轨迹数据的交叉口排队长度估计方法，包括以下步骤：

4、步骤1、利用稀疏的网联车轨迹数据构建交叉口路段红灯状态下的速度矩阵sred、绿灯状态下的速度矩阵sgreen和速度的标准差矩阵σgreen；

5、步骤2、利用所构建的交叉口路段红灯状态下的速度矩阵sred、绿灯状态下的速度矩阵sgreen和速度的标准差矩阵σgreen得到排队车辆可能影响范围矩阵pj,m；

6、步骤3、基于所得的排队车辆可能影响范围矩阵pj,m，利用整数规划模型和约束条件，得到排队车辆实际影响范围矩阵δj,m，从而得到信号周期内的车辆排队长度lmax；

7、步骤4、重复步骤1至步骤3，动态得到每个信号周期内的车辆排队长度。

8、按照上述技术方案，步骤1具体包括：

9、步骤11、对于给定的一个交叉口进口道，从上游到停车线将其划分为j个均等的路段，分别为l1,l2,l3...lj...lj，每段长度为w米；与该路段相对应的信号灯的红色相位被分成m个均等的时间间隔，分别是t1,t2,t3...tm...tm；

10、步骤12、用sj,m表示路段lj，时间间隔tm的速度，该值是属于路段lj，时间间隔tm中所有网联车轨迹点速度的平均值；由此得到红灯状态下的速度矩阵sred，如下式(1)所示：

11、

12、步骤13、同理得到该路段在绿灯状态下的速度矩阵sgreen和速度的标准差矩阵σgreen，如下式(2)和(3)所示：

13、

14、式中，sjm为绿灯状态下路段lj，时间间隔tm的所有网联车轨迹点速度的平均值，σjm为绿灯状态下路段lj，时间间隔tm的所有网联车轨迹点速度的平均值的标准差。

15、按照上述技术方案，步骤2具体包括：

16、步骤21、构建排队车辆可能影响范围矩阵pj,m，如下式(4)所示：

17、

18、式中，σ为阈值参数；如果sj,m≤sj,m-ασj,m，说明红灯状态下的sj,m比绿灯状态下的sj,m小很多，那么pj,m＝0，即路段lj在时间间隔tm中有排队车辆。

19、按照上述技术方案，步骤2还包括：

20、步骤22、将排队车辆可能影响范围矩阵pj,m可视化。

21、按照上述技术方案，阈值参数σ根据路段的设计速度进行设定。

22、按照上述技术方案，步骤3具体包括：

23、步骤31、假设排队车辆实际影响范围矩阵为δj,m，如公式(5)所示：

24、

25、步骤32、利用以下整数规划模型(6)和约束条件(7)、(8)求得δj,m：

26、

27、通过最小化目标函数(6)，得到：当pj,m＝0时，δj,m＝1；当pj,m＝1时，δj,m＝0；

28、步骤34、基于排队车辆实际影响范围矩阵δj,m，求得最大排队长度lmax，如公式(9)所示：

29、lmax＝w·(j-j)                                (9)

30、式中，j为排队车辆实际影响范围矩阵中δj,m＝1时最小的j值。

31、按照上述技术方案，步骤3还包括：

32、步骤33、将排队车辆实际影响范围矩阵δj,m可视化。

33、按照上述技术方案，网联车轨迹数据包括网联车gps轨迹数据。

34、本发明与现有技术相比，具有以下优点及有益效果：

35、本发明可以利用有限的稀疏网联车gps轨迹数据，构造红灯状态和绿灯状态下的速度矩阵，并利用整数规划模型和约束条件，完整构造出排队车辆实际影响范围，从而求得每个信号周期内的排队长度，该方法不需要获取全部车辆的数据，并且方法科学，有效，实用性强。

技术特征：

1.一种基于稀疏网联车轨迹数据的交叉口排队长度估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于稀疏网联车轨迹数据的交叉口排队长度估计方法，其特征在于，步骤1具体包括：

3.根据权利要求2所述的基于稀疏网联车轨迹数据的交叉口排队长度估计方法，其特征在于，步骤2具体包括：

4.根据权利要求3所述的基于稀疏网联车轨迹数据的交叉口排队长度估计方法，其特征在于，步骤2还包括：

5.根据权利要求3或4所述的基于稀疏网联车轨迹数据的交叉口排队长度估计方法，其特征在于，阈值参数σ根据路段的设计速度进行设定。

6.根据权利要求5所述的基于稀疏网联车轨迹数据的交叉口排队长度估计方法，其特征在于，步骤3具体包括：

7.根据权利要求6所述的基于稀疏网联车轨迹数据的交叉口排队长度估计方法，其特征在于，步骤3还包括：

8.根据权利要求1所述的基于稀疏网联车轨迹数据的交叉口排队长度估计方法，其特征在于，网联车轨迹数据包括网联车gps轨迹数据。

技术总结
本发明公开了一种基于稀疏网联车轨迹数据的交叉口排队长度估计方法，包括以下步骤：步骤1、利用稀疏的网联车轨迹数据构建交叉口路段红灯状态下的速度矩阵、绿灯状态下的速度矩阵和速度的标准差矩阵；步骤2、利用交叉口路段红灯状态下的速度矩阵、绿灯状态下的速度矩阵和速度的标准差矩阵得到排队车辆可能影响范围矩阵；步骤3、基于所得的排队车辆可能影响范围矩阵，利用整数规划模型和约束条件，得到排队车辆实际影响范围矩阵，从而得到信号周期内的车辆排队长度；步骤4、重复步骤1至3，动态得到每个信号周期内的车辆排队长度。本发明利用有限的稀疏网联车轨迹数据，并利用整数规划模型和约束条件，能够有效地推断出交叉口内的排队长度。

技术研发人员：郭梦迪,邵俊豪,周强,赵瑞松,李叙辰,王佼佼,刘青意,赵淋姗,李文兵
受保护的技术使用者：中冶南方城市建设工程技术有限公司
技术研发日：
技术公布日：2024/1/13