[发明专利]一种基于浮动车数据城市交叉口流量估计方法

权利要求书

1.一种基于浮动车数据城市交叉口流量估计方法，其特征在于，包括如下步骤：

(1)交叉口相位流量估计

步骤1：利用浮动车数据测量延误

式中：L为路段实际长度；浮动车的自由流状态下的平均车速；t_f为车辆经由路段以非受控车速通过交叉口时间；t_r为车辆经由路段实际通过交叉口时间；t_d为车辆经由路段以通过交叉口的延误时间；

步骤2：估计交叉口相位流量

利用延误公式计算流量：

式中：为红灯期间相位i的受阻浮动车的平均延误时间；C(t)为交叉口信号周期；λ_i(t)为运行相位的绿信比；y_j(t)为所在相位的流量比且y_j(t)＝q_i(t)/S_i，q_i(t)为所在相位的流量，S_i为所在相位的车道的通行能力；

(2)RBF神经网络逼近算法对数据进行修正

步骤1：设计逼近参数综合性能指标

基于延误和旅行时间的逼近参数综合性能指标PI：

其中为指标权重且；为浮动车旅行时间；为浮动车通行受阻的延误时间，其中t_f为车辆经由路段以非受控车速通过交叉口时间；t_r为车辆经由路段实际通过交叉口时间；

采用平移修正处理的距离熵计算PI：

设计分项指标矩阵令则有信息决策矩阵A＝[a_i]_m，a_i为第i个指标的观测值，i＝1,2,3,...,m,m≥2过程如下：

1)将A＝[a_i]_m进行归一化处理，得到标准信息矩阵R＝[r_i]_m，其中归一化的处理方法为:

对于越大越优型分指标：

对于越小越优型分指标：

选择第i个指标所对应的最优单元值选取规则为

2)计算各指标r_i对应的最优单元值r_i^*的距离

d_i＝|r_i-r_i^*|,i＝1,2,3,...,m,m≥2

3)计算对应指标概率

当d_i＞0时无需对p_i进行修正，此时u_i＝0；当d_i＝0时，该分指标对PI不起作用，为了保证所有指标数据的可用性，需人为的对p_i进行平移修正，此时u_i为常数且u_i＞0；

4)计算指标的距离熵

5)计算熵权

其中

6)计算溢流检测综合辨识指标PI

综合公式可得：

步骤2：RBF神经网络逼近算法对数据进行修正

由仿真得到综合性能指标PI_s为：

综合性能指标PI是关于延误、旅行时间的线性加权函数，修正为：

基于RBF神经网络逼近算法就是以q_i(p_i)为输入：

|PI_s-PI_r|≤ε

其中，PI_r为实际数据计算得到的综合性能指标，PI_s为仿真系统得到综合性能指标；

采用Gauss函数作为基础建立RBF神经网络模型：

其中：||q_i(p_i|k)-D_i||为求输入信号与中心矢量的欧几里德距离，b为输出层偏置值，Π_i为RBF神经网络权值，r为扩展常数；

采取梯度训练法，得到RBF神经网络学习的目标函数E(x)：

其中τ为遗忘因子；

网络训练各参数调节分量分别为：

其中μ为学习率；

对实际浮动车的数据进行RBF训练得到输出层偏置值、RBF神经网络权值、中心矢量、扩展常数、遗忘因子参数，然后将仿真得到的q_i(p_i|k)以及各训练参数带入所述目标函数E(x)得到输入信号逼近值。