[发明专利]一种基于电子警察数据的交叉口车道排队长度估计方法

权利要求书

1.一种基于电子警察数据的交叉口车道排队长度估计方法，其特征在于，包括以下步骤：

1)对电子警察数据进行预处理，获取各车辆的绿灯期间通过停车线时刻和车头时距序列，具体包括以下步骤：

11)根据电子警察数据检测到的车辆通过停车线时刻序列计算周期内各车辆的车头时距序列，根据电子警察数据检测到以绿灯启亮时间为起点的车辆通过停车线时刻序列计算得到周期内各车辆的车头时距序列H^k，具体表达式为：

其中，N_k为第k个周期内电子警察识别的车辆数，为第k个周期内第i辆车的车头时距，为第k个周期内第i辆车的通过停车线时刻，对于第一辆车无前车的情况，则给定其车头时距为经验饱和车头时距，即

12)对红灯期间检测车辆的电子警察数据进行修正，考虑电子警察通常布设在停车线上游5至15米处，各周期内前1～2辆车辆通常在红灯期间加入排队时被检测，通过停车线时刻小于0，据此对红灯期间检测车辆进行处理，则有：

若第k个周期内第i辆车通过时刻则令且

13)获取研究时段内电子警察数据的周期形式和时段形式，研究时段内电子警察数据的周期形式的表达式具体为：

X＝{D¹,D²,…,D^k,…,D^K}

其中，D^k为第k个周期内共计N_k辆车的通过时刻与车头时距矩阵，K为研究时段总数；

时段形式的表达式具体为：

X＝{x₁,x₂,…,x_m,…,x_M}＝{(t₁,h₁),(t₂,h₂),…,(t_m,h_m),…,(t_M,h_M)}

其中，x_m为研究时段内第m辆车的数据点，即观测数据，且x_m＝(t_m,h_m)；(t_m,h_m)为研究时段内电子警察检测的第m辆车的通过停车线时刻与车头时距；

2)假设处理后电子警察数据隶属于排队车辆和非排队车辆两个分布，建立高斯混合模型，高斯混合模型的表达式为：

p(x)＝α_qΦ(x|μ_q,Σ_q)+α_nqΦ(x|μ_nq,Σ_nq)

其中，p(x)为高斯混合模型的概率密度函数，x表示观测数据，Φ(x|μ_z,Σ_z)为二维高斯分布概率密度函数，μ_z、μ_nq均为二维均值向量，Σ_q、Σ_nq均为2×2协方差矩阵，α_q、α_nq为权重系数，且α_q+α_nq＝1，下标q表示排队车辆，nq表示非排队车辆；

3)采用期望最大化算法求解高斯混合模型的参数，采用期望最大化算法，求解得到高斯混合模型的未知参数θ＝{α_q,μ_q,Σ_q,μ_nq,Σ_nq}，具体包括以下步骤：

31)初始化未知参数θ；

32)E步骤：依据当前模型参数，分别计算观测数据x_m属于排队和非排队车辆的概率：

33)M步骤：基于极大似然估计，重新求解新一轮迭代模型参数，则有：

其中，下标z∈{q,nq}，β_z(x_m)为观测数据x_m隶属于排队车辆或非排队车辆的概率，下标为q时，对应为隶属排队车辆的概率，下标为nq时，对应为隶属于非排队车辆的概率；

34)重复步骤32)-33)，直至收敛，完成参数求解；

4)依据高斯混合模型结果判别周期内各车辆是否排队，并根据最后一辆排队车辆确定车道排队长度，具体包括以下步骤：

41)判断周期内各车辆是否为排队车辆，并根据判断结果得到周期内最后一辆排队车辆，具体为：

根据求解参数后的高斯混合模型，对于给定的周期内任一辆车辆的电子警察数据信息x_m＝(t_m,h_m)，获取其隶属于排队车辆的概率β_q(x_m)和非排队车辆的概率β_nq(x_m)，若β_q(x_m)＞β_nq(x_m)，则为该车辆判定为排队车辆，否则，该车辆判定为非排队车辆；

42)根据周期内最后一辆排队车辆的电子警察信息，估计该车道的排队长度。

2.根据权利要求1所述的一种基于电子警察数据的交叉口车道排队长度估计方法，其特征在于，所述的步骤42)中，根据周期内最后一辆排队车辆l的电子警察信息估计该车道的排队长度，则有：

其中，为饱和车头时距，依据标定的高斯混合模型，即排队车辆的高斯分布均值为为排队车辆车头时距的均值，为排队车辆通过停车线时刻的均值，表示取整数部分。