本發(fā)明涉及交通控制領(lǐng)域，尤其是涉及一種基于車輛軌跡的信號控制交叉口排隊長度實時估計方法。
背景技術(shù)：
：信號交叉口作為城市路網(wǎng)的主要組成部分，由于紅綠燈的周期性交替，時常會發(fā)生交通擁堵，很大程度上制約了城市道路交通系統(tǒng)的整體運行效率。排隊長度作為評價交叉口運行的一個重要指標，一方面可用于間接估計車輛延誤、停車次數(shù)以及行程時間等指標，另一方面可直接反饋用于信號配時優(yōu)化?，F(xiàn)有基于車輛軌跡的排隊長度估計相近技術(shù)主要有：(1)Cheng等人基于高精度車輛軌跡數(shù)據(jù)，提取代表車輛狀態(tài)變化的關(guān)鍵軌跡點，進而使用交通波方法模擬車輛排隊與消散過程，實現(xiàn)排隊長度估計；(2)Ban等人使用抽樣行程時間判別車輛延誤模式，并基于不同延誤模式來進行車輛排隊長度估計；(3)Comert建立統(tǒng)計模型來分析浮動車采樣率與排隊長度精度的關(guān)系，并在假設(shè)上游車輛到達分布和浮動車采樣率的前提下計算排隊長隊數(shù)學(xué)期望；(4)熊英格等人考慮交叉口浮動車軌跡點密度和加速度分布特征，采用聚類方法確定軌跡點平均密度最大的位置或加速度突變最大的位置，并將其作為平均排隊長度的估計值。總結(jié)現(xiàn)有基于車輛軌跡的排隊長度估計研究，主要存在以下問題：(1)假設(shè)車輛到達(均勻或泊松到達)，這個假設(shè)忽略了上游交叉口對車輛到達的影響；(2)假設(shè)浮動車采樣率，實際上浮動車采樣率不是個定值，會隨著時間和地點的變化而變化，從而影響估計精度；(3)假設(shè)信號參數(shù)已知，實際上大多數(shù)情況下是無法獲取信號參數(shù)信息，尤其對于自適應(yīng)信號控制系統(tǒng)。技術(shù)實現(xiàn)要素：本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于車輛軌跡的信號控制交叉口排隊長度實時估計方法，能夠適應(yīng)低采樣頻率、低抽樣率的數(shù)據(jù)環(huán)境，具有魯棒性強、實時性高，準確性好等優(yōu)點。本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：一種基于車輛軌跡的信號控制交叉口排隊長度實時估計方法包括以下步驟：1)根據(jù)實時車輛軌跡信息，進行車輛交通狀態(tài)判別；2)根據(jù)實時車輛軌跡信息、車輛交通狀態(tài)和運動學(xué)方程，進行車輛加入排隊關(guān)鍵點和離開排隊關(guān)鍵點估計；3)根據(jù)已估計的車輛加入排隊關(guān)鍵點，進行上游到達的車隊識別；4)根據(jù)已估計的車輛加入排隊關(guān)鍵點、離開排隊關(guān)鍵點及已識別的車隊，進行集結(jié)波和消散波估計；5)根據(jù)已估計的集結(jié)波和消散波，進行交叉口信號參數(shù)和排隊長度估計。所述步驟1)具體為：實時獲取車輛軌跡信息，令第i輛車輛在tk時刻的軌跡點信息表示為分別表示第i輛車輛在tk時刻的空間坐標、速度和加速度，則第i輛車輛在tk時刻的交通狀態(tài)為：Qti∈M,vtki≥vth1C,vtki∈[vth2,vth1)S,vtki<vth2]]>其中，vth1和vth2為預(yù)設(shè)的用于車輛運動狀態(tài)判別的速度閾值，vth1＜vth2，M、C和S分別表示運動、低速停停走走以及停車三個狀態(tài)。所述步驟2)具體為：21)估計車輛離開排隊關(guān)鍵點：當?shù)趇輛車輛在tk和tk+1時刻的交通狀態(tài)識別為和時，獲取對應(yīng)的軌跡點信息和若vf為自由流速度，則第i輛車輛在tk時刻的離開排隊關(guān)鍵點為：t^starti,tk=tk+1-vtk+1iaacc]]>若則第i輛車輛在tk時刻的離開排隊關(guān)鍵點為：t^starti,tk=tk+1-vtk+1i2aacc-d3vtk+1i]]>其中，aacc為第i輛車輛在tk和tk+1時刻之間的加速度，近似等于d3為第i輛車輛在tk和tk+1時刻之間的距離，等于22)估計車輛加入排隊關(guān)鍵點：當?shù)趇輛車輛在tk-1和tk時刻的交通狀態(tài)識別為和時，獲取對應(yīng)的軌跡點信息和若則第i輛車輛在tk時刻的加入排隊關(guān)鍵點為：t^stopi,tk=tk-1-vtk-1i-vth12adec+d2-d1vtk-1i]]>若則第i輛車輛在tk時刻的加入排隊關(guān)鍵點為：t^stopi,tk=tk-1+2(d2-d1)vtk-1i]]>當?shù)趇輛車輛在tk-1和tk時刻的交通狀態(tài)識別為和時，獲取對應(yīng)的軌跡點信息和若則第i輛車輛在tk時刻的加入排隊關(guān)鍵點為：t^stopi,tk=tk-1-vtk-1i-vtki2adec+d2vtk-1i]]>若則第i輛車輛在tk時刻的加入排隊關(guān)鍵點為：t^stopi,tk=tk-1+2d2vtk-1i]]>其中，adec為第i輛車輛在tk-1和tk時刻之間的加速度，近似等于d1為第i輛車輛在tk-1時刻的軌跡點與低速停停走走狀態(tài)下起始點之間的距離，d2為低速停停走走狀態(tài)下起始點與終止點之間的距離。所述第i輛車輛在tk-1時刻的軌跡點與低速停停走走狀態(tài)下起始點之間的距離d1滿足以下公式：d2=xtki-3(vth1+vth2)2-xtk-1i]]>所述低速停停走走狀態(tài)下起始點與終止點之間的距離d2滿足以下公式：d1=3(vth1+vth2)2.]]>所述步驟3)具體為：31)對已估計的車輛加入排隊關(guān)鍵點i＝1,…,n，n為車輛的總數(shù)，進行升序排序；32)獲取升序排序后相鄰車輛加入排隊關(guān)鍵點的時間差和距離差，滿足以下公式：Δt^i=t^stopi,tk-t^stopi-1,tk]]>Δxi=xtki-xtki-1]]>其中，表示第i輛車輛與后一個相鄰車輛的加入排隊關(guān)鍵點的時間差，Δxi表示第i輛車輛與后一個相鄰車輛的加入排隊關(guān)鍵點的距離差；33)進行上游到達的車隊識別，具體為：若θ為車隊判斷閾值，則第i輛車輛和后一個相鄰車輛同屬于一個車隊，反之，不同屬于一個車隊。所述步驟4)具體為：41)根據(jù)時間間隔J內(nèi)估計得到的車輛加入排隊估計點和已識別的車隊，對集結(jié)波進行分段線性模型擬合，滿足以下公式：minJΣm=1||NJs||Σt^stopi,tk∈[t^stop,m,t^stop,m+1][xtki-(ωJ,ms·t^stopi,tk+βJ,ms)]2s.t.(t^stopi,tk,xtki)∈NJs∀m=1,...,||NJs||xm-(ωJ,ms·t^stop,m+βJ,ms)=0TcR≤t^stopi,tk,lstop-bar≥xtkixtki-(ωJ,ms·t^stopi,tk+βJ,ms)≥-ϵ∀Qtki∈Mxtki-(ωJ,ms·t^stopi,tk+βJ,ms)≤ϵ∀Qtki∈C∪S]]>其中，為時間間隔J內(nèi)所有車輛加入排隊估計點的集合，集合中根據(jù)已識別的車隊劃分為個車隊，m表示車隊的編號，分別表示第m、m+1個車隊車頭車輛的加入排隊關(guān)鍵點，xm表示對應(yīng)的車輛的空間坐標，分別為時間間隔J內(nèi)第m段待估計集結(jié)波的斜率與截距，為對應(yīng)進口道紅燈啟亮?xí)r刻，lstop-bar表示停車線所在位置，ε為積極調(diào)整參數(shù)，用于調(diào)整約束硬度；則時間間隔J內(nèi)集結(jié)波表達式為：yJs=wJ,1st+βJ,1s,t<t^stop,1···wJ,mst+βJ,ms,t≥t^stop,m···wJ,||NJs||st+βJ,||NJs||s,t≥t^stop,||NJs||,m=1,...,||NJs||]]>其中，t表示時刻；42)根據(jù)時間間隔J內(nèi)估計得到的車輛離開排隊估計點，對消散波進行最小二乘法線性擬合，滿足以下公式：minJΣ[xtki-(ωJg·t^starti,tk+βJg)]2s.t.(t^starti,tk,xtki)∈NJgxtki-(ωJg·t^starti,tk+βJg)≥-ϵ∀Qtki∈Sxtki-(ωJg·t^starti,tk+βJg)≤ϵ∀Qtki∈M]]>其中，為時間間隔J內(nèi)所有車輛離開排隊估計點的集合，分別為待估計消散波的斜率與截距；則時間間隔J內(nèi)集結(jié)波表達式為：yJg=wJgt+βJg.]]>所述步驟5)具體為：51)獲取時間間隔J內(nèi)紅燈、綠燈啟亮?xí)r刻和滿足以下公式：tJR=lstop-bar-βJ,1swJ,1s]]>tJG=lstop-bar-βJgwJg]]>其中，lstop-bar為停車線所在位置，為時間間隔J內(nèi)第一段集結(jié)波的斜率和截距；52)獲取交叉口信號參數(shù)：時間間隔J內(nèi)的信號周期TJ和相應(yīng)進口道綠燈時間PTJ，滿足以下公式：或PTJ=tJG-tJR]]>其中，為時間間隔J-1內(nèi)的綠燈啟亮?xí)r刻，為時間間隔J-1內(nèi)的紅燈啟亮?xí)r刻；53)獲取當前估計周期內(nèi)的最大排隊長度及其對應(yīng)時刻滿足以下公式：qJmax=lstop-bar-wJgβJg-βJ,||NJs||swJ,||NJs||s-wJg+βJg]]>tJmax=βJg-βJ,||NJs||swJ,||NJs||s-wJg]]>其中，分別為時間間隔J最后一段集結(jié)波的斜率和截距；54)獲取二次排隊長度及對應(yīng)時刻滿足以下公式：qJre=lstop-bar-wJ+1,1s(wJg(tJmax-tJG)wJg+vf+tJmax-tJ+1R)]]>tJre=wJg(tJmax-tJG)wJg+vf+βJg-βJ,||NJs||swJ,||NJs||s-wJg]]>其中，為時間間隔J+1內(nèi)第一段集結(jié)波斜率，為時間間隔J+1內(nèi)紅燈啟亮?xí)r刻。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：1)釋放現(xiàn)有技術(shù)中的已知車輛到達分析、已知浮動車采樣率以及已知信號參數(shù)等假設(shè)，更具實用性；2)實時性強，能夠?qū)崿F(xiàn)基于周期滾動的排隊長度檢測，準確性高，不僅能夠?qū)崿F(xiàn)最大排隊長度估計，還能夠?qū)崿F(xiàn)二次排隊估計；3)方法先進，魯棒性強，能夠適應(yīng)我國適應(yīng)低采樣頻率、低抽樣率的數(shù)據(jù)環(huán)境。4)提出以運動、低速停停走走以及停車為三個交通狀態(tài)劃分，用利用三個交通狀態(tài)獲取加入排隊關(guān)鍵點和排隊離開排隊關(guān)鍵點，能夠更好地反應(yīng)排隊消散波與集結(jié)波的狀態(tài)，獲得精度高的數(shù)據(jù)處理結(jié)果。5)針對排隊集結(jié)波，提出上游到達車隊判別的方法，分段擬合后獲得集結(jié)波公式能夠更好地反應(yīng)排隊集結(jié)波的分段狀態(tài)，提供數(shù)據(jù)準確度。附圖說明圖1為本發(fā)明的方法流程圖；圖2為交叉口宏觀基本圖；圖3為交叉口交通波示意圖；圖4為交叉口車輛速度變化圖；圖5為車隊識別示意圖；圖6為基于綠燈啟亮的周期估計箱形圖；圖7為基于紅燈啟亮的周期估計箱形圖；圖8為排隊長度誤差分析對比圖。具體實施方式下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術(shù)方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。本發(fā)明是基于LWR交通波模型建立得到的，LWR交通波模型能夠很好的揭示交叉口車輛排隊形成及消散過程。如圖2所示，交叉口交通流滿足三角宏觀基本圖特性，圖2中q：表示流量(veh/h)，K：表示密度(veh/km)，q1,1：用來表示交叉口一種流量狀態(tài)，q1,2：用來表示交叉口另一種流量狀態(tài)，qm：交叉口最大流量，k1,1：q1,1相對應(yīng)的交叉口密度，k1,2：與q1,2相對應(yīng)的交叉口密度，km：交叉口最大流量所對應(yīng)的密度，kj：交叉口阻塞密度，v1,1,：在q1,1和k1,1對應(yīng)狀態(tài)的車輛第一段集結(jié)波波速，v1,2：在q1,2和k1,2對應(yīng)狀態(tài)的車輛第二段集結(jié)波波速，v2：消散波波速，v3：自由流速度。根據(jù)LWR交通波模型機理，由于紅綠燈周期性替換，交叉口會形成多股交通波，如圖3所示。當紅燈啟亮，車輛被迫停止，形成集結(jié)波向后傳遞，且集結(jié)波波速隨上游車輛到達變化而變化；綠燈啟亮瞬間，車輛以飽和流率啟動駛離，形成后向消散波。由于后向消散波波速大于后向集結(jié)波，兩個交通波會在c點相交，此時達到最大排隊長度，同時產(chǎn)生前向消散波，排隊逐漸消散。圖3中x：表示距離，其中交叉口停車線所在位置為70m處，a-g：僅僅表示標示點，A-D：表示四種不同的交通狀態(tài)，即4種不同的流量與密度。本發(fā)明方法的基本適用條件如下：1)在同一交叉口車輛排隊次數(shù)不會超過兩次；2)排隊車輛中無大型車輛，例如貨車和公交車等。如圖1所示，一種基于車輛軌跡的信號控制交叉口排隊長度實時估計方法包括以下步驟：1)根據(jù)實時車輛軌跡信息，進行車輛交通狀態(tài)判別；2)根據(jù)實時車輛軌跡信息、車輛交通狀態(tài)和運動學(xué)方程，進行車輛加入排隊關(guān)鍵點和離開排隊關(guān)鍵點估計；3)根據(jù)已估計的車輛加入排隊關(guān)鍵點，進行上游到達的車隊識別；4)根據(jù)已估計的車輛加入排隊關(guān)鍵點、離開排隊關(guān)鍵點及已識別的車隊，對消散波波速分段/排隊集結(jié)波進行估計，根據(jù)獲得的集結(jié)波與消散波波速獲得集結(jié)波和消散波；5)根據(jù)已估計的集結(jié)波和消散波，進行交叉口信號參數(shù)(周期信號等)和排隊長度估計。步驟1)具體為：第i輛車輛在交叉口的速度變化圖如圖4所示，若第i輛車輛在tk時刻的軌跡點信息為分別表示第i輛車輛在tk時刻的空間坐標、速度和加速度，空間坐標由車輛的經(jīng)緯度信息獲得，則第i輛車輛在tk時刻的交通狀態(tài)為：Qti∈M,vtki≥vth1C,vtki∈[vth2,vth1)S,vtki<vth2]]>其中，vth1和vth2為預(yù)設(shè)的用于車輛運動狀態(tài)判別的速度閾值，vth1＜vth2，M、C和S分別表示運動、低速停停走走以及停車三個狀態(tài)。即當車輛屬于運動狀態(tài)，一旦車輛速度則進入低速停走狀態(tài)，當車輛處于低速停停走走狀態(tài)時，其速度處于[vth2,vth1)范圍；當車輛速度低于vth2時，車輛進入停車狀態(tài)。圖4中，x1-x4：表示4個軌跡樣本的空間坐標；d1-d3表示兩兩軌跡樣本點間的行駛。步驟2)具體為：21)估計車輛離開排隊關(guān)鍵點：當?shù)趇輛車輛在tk和tk+1時刻的交通狀態(tài)識別為和時，獲取對應(yīng)的軌跡點信息和若vf為自由流速度，即車輛在tk+1時刻仍處于加速狀態(tài)，則第i輛車輛在tk時刻的離開排隊關(guān)鍵點為：t^starti,tk=tk+1-vtk+1iaacc]]>若即車輛在tk+1時刻仍處于勻速運動狀態(tài)，則第i輛車輛在tk時刻的離開排隊關(guān)鍵點為：t^starti,tk=tk+1-vtk+1i2aacc-d3vtk+1i]]>其中，aacc為第i輛車輛在tk和tk+1時刻之間的加速度，近似等于即可取值第i輛車輛在tk+1時刻加速度d3為第i輛車輛在tk和tk+1時刻之間的距離，等于22)估計車輛加入排隊關(guān)鍵點：當?shù)趇輛車輛在tk-1和tk時刻的交通狀態(tài)識別為和時，獲取對應(yīng)的軌跡點信息和若即車輛在tk-1時刻仍處于勻速運動狀態(tài)，則第i輛車輛在tk時刻的加入排隊關(guān)鍵點為：t^stopi,tk=tk-1-vtk-1i-vth12adec+d2-d1vtk-1i]]>若即車輛在tk-1時刻仍處于減速運動狀態(tài)，則第i輛車輛在tk時刻的加入排隊關(guān)鍵點為：t^stopi,tk=tk-1+2(d2-d1)vtk-1i]]>當?shù)趇輛車輛在tk-1和tk時刻的交通狀態(tài)識別為和時，獲取對應(yīng)的軌跡點信息和若即車輛在tk-1時刻仍處于勻速運動狀態(tài)，則第i輛車輛在tk時刻的加入排隊關(guān)鍵點為：t^stopi,tk=tk-1-vtk-1i-vtki2adec+d2vtk-1i]]>若即車輛在tk-1時刻仍處于減速運動狀態(tài)，則第i輛車輛在tk時刻的加入排隊關(guān)鍵點為：t^stopi,tk=tk-1+2d2vtk-1i]]>其中，adec為第i輛車輛在tk-1和tk時刻之間的加速度，近似等于d1為第i輛車輛在tk-1時刻的軌跡點與低速停停走走狀態(tài)下起始點之間的距離，d2為低速停停走走狀態(tài)下起始點與終止點之間的距離。第i輛車輛在tk-1時刻的軌跡點與低速停停走走狀態(tài)下起始點之間的距離d1滿足以下公式：d2=xtki-3(vth1+vth2)2-xtk-1i]]>低速停停走走狀態(tài)下起始點與終止點之間的距離d2滿足以下公式：d1=3(vth1+vth2)2.]]>步驟3)具體為：31)對已估計的車輛加入排隊關(guān)鍵點i＝1,…,n，n為車輛的總數(shù)，進行升序排序(因為這是單車道道路，所以是否進行排序處理不會影響結(jié)果，也就是說前一輛車的加入排隊關(guān)鍵點一定小于后面一輛的加入排隊關(guān)鍵點，即)；32)獲取升序排序后相鄰車輛加入排隊關(guān)鍵點的時間差和距離差，滿足以下公式：Δt^i=t^stopi,tk-t^stopi-1,tk]]>Δxi=xtki-xtki-1]]>其中，表示第i輛車輛與后一個相鄰車輛的加入排隊關(guān)鍵點的時間差，Δxi表示第i輛車輛與后一個相鄰車輛的加入排隊關(guān)鍵點的距離差；33)進行上游到達的車隊識別，具體為：若θ為車隊判斷閾值，則第i輛車輛和后一個相鄰車輛同屬于一個車隊，若則不同屬于一個車隊(可認為車輛i是另一個車隊的頭車，也可認為是上游車輛到達率發(fā)現(xiàn)變化)，識別效果如圖5所示。步驟4)具體為：41)根據(jù)時間間隔J內(nèi)估計得到的車輛加入排隊估計點和已識別的車隊(時間間隔J內(nèi)一輛車僅有一個車輛加入排隊估計點和一個車輛離開排隊估計點)，對集結(jié)波進行分段線性模型擬合，滿足以下公式：minJΣm=1||NJs||Σt^stopi,tk∈[t^stop,m,t^stop,m+1][xtki-(ωJ,ms·t^stopi,tk+βJ,ms)]2s.t.(t^stopi,tk,xtki)∈NJs∀m=1,...,||NJs||xm-(ωJ,ms·t^stop,m+βJ,ms)=0TcR≤t^stopi,tk,lstop-bar≥xtkixtki-(ωJ,ms·t^stopi,tk+βJ,ms)≥-ϵ∀Qtki∈Mxtki-(ωJ,ms·t^stopi,tk+βJ,ms)≤ϵ∀Qtki∈C∪S]]>其中，為時間間隔J內(nèi)所有車輛加入排隊估計點的集合，集合中根據(jù)已識別的車隊劃分為個車隊，m表示車隊的編號，分別表示第m、m+1個車隊車頭車輛的加入排隊關(guān)鍵點，xm表示對應(yīng)的車輛的空間坐標，分別為時間間隔J內(nèi)第m段待估計集結(jié)波的斜率與截距，為對應(yīng)進口道紅燈啟亮?xí)r刻，lstop-bar表示停車線所在位置，ε為積極調(diào)整參數(shù)，用于調(diào)整約束硬度；則根據(jù)分段擬合后的分段排隊集結(jié)波，得到時間間隔J內(nèi)集結(jié)波完整表達式為：yJs=wJ,1st+βJ,1s,t<t^stop,1···wJ,mst+βJ,ms,t≥t^stop,m···wJ,||NJs||st+βJ,||NJs||s,t≥t^stop,||NJs||,m=1,...,||NJs||]]>其中，t表示時刻，的分段取決于大小，即已識別上游到達車隊個數(shù)；42)根據(jù)時間間隔J內(nèi)估計得到的車輛離開排隊估計點，對消散波進行最小二乘法線性擬合，滿足以下公式：minJΣ[xtki-(ωJg·t^starti,tk+βJg)]2s.t.(t^starti,tk,xtki)∈NJgxtki-(ωJg·t^starti,tk+βJg)≥-ϵ,∀Qtki∈Sxtki-(ωJg·t^starti,tk+βJg)≤ϵ,∀Qtki∈M]]>其中，為時間間隔J內(nèi)所有車輛離開排隊估計點的集合，分別為待估計消散波的斜率與截距，ε為積極調(diào)整參數(shù)，用于調(diào)整約束硬度；則根據(jù)最小二乘線性擬合后的排隊消散波，得到時間間隔J內(nèi)集結(jié)波完整表達式為：yJg=wJgt+βJg.]]>步驟5)具體為：51)獲取時間間隔J內(nèi)紅燈、綠燈啟亮?xí)r刻和滿足以下公式：tJR=lstop-bar-βJ,1swJ,1s]]>tJG=lstop-bar-βJgwJg]]>其中，lstop-bar為停車線所在位置，為時間間隔J內(nèi)第一段集結(jié)波的斜率和截距，分別為消散波的斜率與截距；52)獲取交叉口信號參數(shù)：時間間隔J內(nèi)的信號周期TJ和相應(yīng)進口道綠燈時間PTJ，滿足以下公式：或PTJ=tJG-tJR]]>其中，為時間間隔J-1內(nèi)的綠燈啟亮?xí)r刻，為時間間隔J-1內(nèi)的紅燈啟亮?xí)r刻；53)獲取當前估計周期內(nèi)的最大排隊長度及其對應(yīng)時刻滿足以下公式：qJmax=lstop-bar-wJgβJg-βJ,||NJs||swJ,||NJs||s-wJg+βJgtJmax=βJg-βJ,||NJs||swJ,||NJs||s-wJg]]>其中，分別為時間間隔J最后一段集結(jié)波(即與消散波相交)的斜率和截距；54)在過飽和情況下，除步驟53)中的最大排隊長度，還會出現(xiàn)二次排隊現(xiàn)象，則二次排隊長度及對應(yīng)時刻滿足以下公式：qJre=lstop-bar-wJ+1,1s(wJg(tJmax-tJG)wJg+vf+tJmax-tJ+1R)]]>tJre=wJg(tJmax-tJG)wJg+vf+βJg-βJ,||NJs||swJ,||NJs||s-wJg]]>其中，為時間間隔J+1內(nèi)第一段集結(jié)波斜率，為時間間隔J+1內(nèi)紅燈啟亮?xí)r刻，vf為自由流速度，為步驟54)中估計得到的最大排隊長度對應(yīng)時刻。該基于實時車輛軌跡的交叉口信號參數(shù)與排隊長度估計模型的建立方法包括如下步驟：1)仿真模型搭建為驗證本發(fā)明算法的估計效果，采用德國PTV公司的VISSIM5.4微觀仿真軟件建立仿真模型。為真實反映上游交叉口對下游車輛到達的影響，本仿真模型包含3個交叉口，距離分別為200米、350米，信號周期為100s，東西相位時長為50s，車道流量為1000veh/hr。同時為使仿真模型更具一般性，能夠代表城市交叉口，將仿真模型中交叉口限速設(shè)施為45Km/h，車輛期望速度正態(tài)分布在40Km/h-50Km/h的區(qū)間內(nèi)，仿真在10個不同隨機種子下分別運行8400s，前600s為預(yù)熱時間。以第三個交叉口為研究對象，提取600s至8400s之間的車輛軌跡，部分軌跡示意如表1所示。表1部分采集軌跡數(shù)據(jù)庫示意表為了檢驗本發(fā)明算法在不同車輛軌跡采樣率和采樣頻率下的估計效果，設(shè)置5s、15s、25s3個采樣頻率和5％至100％20個采樣率，共形成60個測試場景。同時為進一步驗證本發(fā)明算法的有效性，還與Ramezani和Geroliminis提出的算法進行了比較，兩種算法所需參數(shù)設(shè)置如表2所示：表2兩種算法所需參數(shù)設(shè)置表2)仿真結(jié)果(1)周期長度不同軌跡采樣率和采樣頻率下，統(tǒng)計20次基于綠燈或紅燈啟亮?xí)r刻的箱形圖如圖6和圖7所示，同時統(tǒng)計同一采樣頻率下的周期估計的最大絕對誤差(MAE)和平均絕對百分誤差(MAPE)如表3所示。表3不同采樣頻率下周期估計結(jié)果對比(單位：s)(2)排隊長度圖8為本發(fā)明和Ramezani與Geroliminis算法在上述60個測試場景下的排隊長度和成功率示意。3)仿真結(jié)果分析從周期估計箱形圖和平均周期統(tǒng)計對比可以得到如下結(jié)論：(1)基于綠燈啟亮?xí)r刻的周期估計結(jié)果要優(yōu)于基于紅燈啟亮的周期估計結(jié)果；(2)對于兩種估計方法而言，隨著采樣間隔的增大，其估計誤差和波動也隨之增大。出現(xiàn)以上兩個結(jié)論的原因分析如下：(1)結(jié)論1說明基于綠燈啟亮?xí)r刻的周期估計方法更具實用，這是因為綠燈啟亮瞬間，排隊車輛以接近于飽和流率駛離，排隊消散過程穩(wěn)定，消散波接近于定值。相反的，當紅燈啟亮，車輛減速緩慢停止，排隊集結(jié)過程不穩(wěn)定，且集結(jié)波隨上游車輛達到變化而變化。(2)結(jié)論2說明隨著采樣間隔的增大，本發(fā)明周期估計方法準確性和魯棒性隨之下降。這是因為采樣間隔越大，估計得到的車輛加入和離開排隊關(guān)鍵點精度隨之下降。從排隊長度誤差對比圖可以得到如下結(jié)論：(1)2種算法的排隊估計誤差均是隨著采樣率的增加而下降；(2)在低采樣率下，本發(fā)明的估計誤差要小于RamezaniandGeroliminis算法。但是隨著采樣率的增加，存在一個臨界值，使得RamezaniandGeroliminis算法要優(yōu)于本發(fā)明算法，并且隨著采樣間隔的增加，臨界采樣率越小(5s、15s以及25s采樣間隔下的臨界采樣率分別為47％、40％以及20％)。出現(xiàn)以上兩個結(jié)論的原因分析如下：(1)結(jié)論1說明兩種算法均能對采樣率的變化做出反應(yīng)，在三種采樣間隔下，采樣率的增加均能夠提供排隊長度的估計精度；(2)結(jié)論2說明本發(fā)明算法更能適應(yīng)當前低采樣頻率、低抽樣率的數(shù)據(jù)環(huán)境。當前第1頁1 2 3