[发明专利]一种基于抽样轨迹数据的交叉口到达率估计方法

说明书

本发明涉及一种基于抽样轨迹数据的交叉口到达率估计方法，包括以下步骤：1)获取抽样车辆轨迹数据，并将排队轨迹间的到达率预处理成到初始到达率矩阵；2)根据初始到达率矩阵，通过奇异值阈值算法对初始到达率矩阵中的空值进行填充得到填充后的到达率矩阵；3)对填充后的到达率矩阵进行修正和修补后得到最终的到达率矩阵，对每个周期的到达率向量进行累加乘以单位时间间隔的长度得到每个周期的流量。与现有技术相比，本发明具有一般性强、拓展性好、适用性广等优点。

技术领域

本发明涉及城市交通信息领域，尤其是涉及一种基于抽样轨迹数据的交叉口到达率估计方法。

背景技术

在城市信控交叉口，每个信号周期内通过的流量对交通状态估计和信号控制优化具有重要作用，现有的交通检测主要是通过以线圈为代表的固定检测器获取流量数据从而对实际到达流量进行估计，随着车辆定位和车联网技术的发展和普及，实时的轨迹数据逐渐应用于城市交通管理。以上海市为例，当前全市已经基于5万辆出租车和2万辆公交车建立了浮动车系统，每天的数据传输频率为10-30秒；全国最大的车辆共享企业，滴滴出行基于1750万个注册用户的海量数据库每天都会处理多达70TB的GPS轨迹数据，传输频率为1-3秒。轨迹数据一方面传输频率比传统线圈检测数据(一般为10-60秒的传输频率)要小得多，能够捕捉到更准确的车流运行信息；另一方面，轨迹数据的应用空间范围没有限制，更适用于路网层面长期宏观的检测需求，在交通检测和管理系统的应用具有良好前景。

传统流量估计的研究主要是基于定点检测器实现，预测方法包括滤波算法等数理统计方法和基本图、元胞传输模型等模型解析法。基于定点检测器的流量估计方法主要存在设备布设和维护成本高、上传频率低的问题，而且得到的速度、流量等检测指标是基于检测步长的平均值，不能体现交通流的波动性和随机性。数理统计方法一般是历史检测数据实现，而且模型参数大多需要实证数据标定；基于基本图的方法同样要基于历史数据拟合交通流参数的关系，一般性较差；而元胞传输模型等模型解析的方法都存在特定假设，对交通流参数之间的关系进行了抽象，例如模拟到达分布、同质化假设等等，虽然考虑了交通流的随机特性，但对于交通流参数量化关系的假设因地而异，适用范围有限。利用轨迹做流量估计的研究出现较晚，现有国内外的基于轨迹数据进行流量估计的研究同样可以分为基于概率论和基于交通波理论两类方法。虽然轨迹数据具有精度高实时性强的优势，但在实际应用中由于捕获率低存在数据稀疏、预测误差大的问题。针对这个问题，基于概率论的方法通常是假设车辆到达服从某种分布从而利用抽样轨迹数据对分布参数进行估计；而基于交通波的方法则是轨迹启停的关键点对排队进行估计，结合流密速的关系标定得到周期流量。部分研究则通过抽样轨迹的排队位置分布和样本的随机分布对抽样率进行估计从而间接得到流量。类似地，现有的利用轨迹数据的流量估计方法的估计精度和所采用的车辆到达分布假设有较大关联，对交通需求和应用场景较为敏感。因此，建立一个一般性和适用性较强的周期流量估计方法对于轨迹数据的进一步应用推广具有重要的现实意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于抽样轨迹数据的交叉口到达率估计方法。

本发明的目的可以通过以下技术方案来实现：

一种基于抽样轨迹数据的交叉口到达率估计方法，包括以下步骤：

1)获取抽样车辆轨迹数据，并将排队轨迹间的到达率预处理成到初始到达率矩阵；

2)根据初始到达率矩阵，通过奇异值阈值算法对初始到达率矩阵中的空值进行填充得到填充后的到达率矩阵；

3)对填充后的到达率矩阵进行修正和修补后得到最终的到达率矩阵，对每个周期的到达率向量进行累加乘以单位时间间隔的长度得到每个周期的流量。

所述的步骤1)具体包括以下步骤：