[发明专利]基于停车线检测器的城市地面道路交通状态自动判别方法

说明书

技术领域

本发明涉及一种基于停车线检测器的地面道路交通状态判别方法，尤其涉及一种利用停车线检测器实时检测数据及交叉口信号控制方案判别城市地面道路交通状态的方法，属于智能交通技术领域。

背景技术

目前我国城市信号控制交叉口大多布设了停车线检测器，为制定交叉口红绿灯3的信号配时方案提供数据支撑，如图1所示，停车线检测器1（通常为检测线圈）的布设位置一般为停车线2前5米处。停车线检测器1获取的交通流参数包括流量、占有率和速度。由于交通流状态的改变能通过交通流参数表现出来，因此，许多交通工程工作者基于此建立了多种交通状态自动判别方法。

目前较为常见的基于固定检测线圈判别交通状态的方法主要有：模式识别法，如California算法；统计分析法，如标准差（英文简称为SND）算法；突变理论算法，如McMaster算法；人工智能法，如单截面神经网络算法。

California算法通过分析上下游停车线检测器获取的占有率差值和相对差值，推断交通事故或交通拥挤的发生时刻，然而该算法需要对于每个地点的阈值进行标定，尤其在大的路网中标定工作量较大，同时算法中3个预定的事件判断步骤难以有效地捕捉到所有可能的交通模式。标准差（SND）算法利用时刻t之前m个采样周期的交通参数数据(流量或占有率)的算术平均值作为交通参数在时刻t的预测值，再用标准正态偏差来度量交通参数数据相对于其以前平均值的改变程度，当它超过预先设定的阈值时，则认为发生了偶发性交通拥挤。McMaster算法认为三个连续的采样周期内，车速均降至阈值以下，或占有率超过阈值，或流量与占有率都在非拥挤区域之外，可判定有拥挤存在；在连续两个采样周期内，车速、流量和占有率任意两个超过各自的阈值，也可以判断为发生了交通拥挤。

以上三种典型的交通状态判别算法皆面向连续交通流，由于城市地面道路受红绿灯信号控制交叉口的影响，其交通流存在较大的间断性及周期性，导致传统的交通状态判别算法难以得到有效应用。单截面神经网络法运用大量的（包括拥挤和非拥挤状态的）交通数据对算法进行训练，确定其最佳的结构和权值。对于一组特定的交通数据，通过对算法输出结果与决策阈值相比较，确定所反映的交通状态，该算法需要大量的真实数据对算法进行训练，且标定过程复杂，应用范围较小。

发明内容

本发明的目的是提供一种基于停车线检测器的交通状态判别方法，该方法应用范围大，能够适用于交通流存在较大的间断性及周期性的情况。

为了达到上述目的，本发明的技术方案是提供了一种基于停车线检测器的城市地面道路交通状态自动判别方法，其特征在于：步骤为：

步骤1、通过停车线检测器周期性获取城市地面道路交通路网中每个交叉路口的每条车道的流量及占有率，每个交叉路口的周期设定为该交叉路口红绿灯变化的周期，同时，以                                                秒为时间粒度对每个周期进行划分，设定计数器a，将其初始值设为0，并根据经验设定第一占有率阈值Occ1、第二占有率阈值Occ2、第三占有率阈值Occ3、第一饱和度阈值S1、第二饱和度阈值S2、第三饱和度阈值S3及状态持续周期数DurN；

步骤2、通过停车线检测器获取第条车道在当前周期内第个时间粒度的占有率，计算每条车道在当前周期内的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度，其中，绿灯初期及红灯初期分别指绿灯及红灯时长的前秒，若绿灯时长能够被秒整除，则绿灯末期指绿灯时长的最后秒，若绿灯时长不能够被秒整除，则绿灯末期指绿灯时长的最后秒，其中，为将绿灯时长除以秒所得到的余数，绿灯中期是指除去绿灯初期及绿灯末期的绿灯时长，设第条车道在当前周期的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度分别为、、、、、、，则有： 

、及分别为通过停车线检测器得到的绿灯初期、绿灯末期及红灯初期的实测占有率，为通过停车线检测器得到的绿灯中期内所有时间粒度的实测占用率的算数平均值；

第条车道在当前周期内第个时间粒度的饱和度，其中，为通过停车线检测器得到的第条车道在当前周期内第个时间粒度的实测流量，为第个时间粒度的时长，为第条车道在当前周期内的饱和车头时距，该饱和车头时距通过历史数据分析获得，依据上述公式计算得到绿灯初期饱和度及绿灯末期饱和度，绿灯中期饱和度则为绿灯中期内所有时间粒度的饱和度计算值的算数平均值；