[发明专利]一种基于多源数据的交叉口交通状态参数估计方法及系统

说明书

本发明公开了一种基于多源数据的交叉口交通状态参数估计方法及系统，其中方法包括：根据交通波理论建立车辆延误模型，根据车辆的速度分布特征，建立流向级的车辆行程时间模型；由定点检测器检测获取路段入口的流量，确定路段入口的到达车辆数；根据移动检测器获取到的车辆轨迹，通过设置虚拟行程线，确定路段的车流转向比；根据车辆行程时间模型、到达车辆数和车流转向比，确定不同流向的贝叶斯网络；求解贝叶斯网络并确定不同流向的最大排队长度和车辆平均行程时间。本申请实施例结合车辆轨迹数据和定点检测器数据，并建立融合交通波理论和统计分析的参数估计方法，有效提高交通状态参数估计的精度。

技术领域

本申请涉及交通控制领域，尤其涉及一种基于多源数据的交叉口交通状态参数估计方法及系统。

背景技术

交通拥堵是我国新型城镇化建设进程中面临的代表性“城市病”问题，对社会经济发展造成巨大损失。交叉口的交通状况优化是预防和缓解交通拥堵的关键，而交叉口交通状态参数估计是交通优化必不可少的前提条件。传统交通信号系统中，大多使用定点检测器来获取和估计交通状态参数，但定点检测器布设位置、检测频率等因素都会对交通状态参数的估计精度产生影响，且定点检测器的维护成本较高。

而随着信息技术的迅速发展，移动检测器开始出现。以智能网联汽车为例，通过车载单元与路侧单元的无线通信，可以获取到高精度的车辆轨迹数据，并通过车辆轨迹数据包含的多维信息进行交通状态估计。相关技术中，基于车辆轨迹数据的交通状态参数方法总体可分为基于交通流模型的方法和基于机器学习的方法：基于交通流模型的方法通常利用样本数据拟合模型分析得出的确定性交通状态，往往忽略了实际交通条件的随机波动性；基于机器学习的方法虽然考虑了这一随机特性，但是完全依靠统计分析的过程通常仅建立简单的概率关联函数，忽略交通流自身的物理特性，难以通过数据看到物理系统的因果本质。也就是说，两种方法各有优劣。并且，现阶段移动检测器普及度不高，车辆轨迹数据仍存在渗透率低的问题，车辆轨迹数据的不足也对交通状态参数估计的精度产生不良影响。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请提出一种基于多源数据的交叉口交通状态参数估计方法及系统，能结合定点检测器和移动检测器的数据，并结合基于交通流模型和基于机器学习的方法，有效提高交通状态参数估计方法的鲁棒性、可解释性以及估计精度。

第一方面，本申请实施例提供了一种基于多源数据的交叉口交通状态参数估计方法，包括：根据交通波理论建立车辆延误模型；根据所述车辆延误模型和不同流向车辆的速度分布特征，确定流向级的车辆行程时间模型；根据定点检测器获取到的路段入口流量，确定路段入口的到达车辆数；根据移动检测器获取到的车辆轨迹，通过设置虚拟行程线，确定路段的车流转向比；根据所述车辆行程时间模型、所述到达车辆数和所述车流转向比，确定不同流向的贝叶斯网络；根据交通波理论和所述贝叶斯网络的解，确定不同流向的最大排队长度的估计值，并确定车辆平均行程时间的估计值。

可选地，所述车辆延误模型的建立步骤具体包括：确定当前流向车辆在当前信号周期内到达路段入口的第一时刻；若在当前信号周期内，当前流向的车辆未饱和，确定红灯延误后车辆到达车辆入口的第二时刻，并根据所述第一时刻和所述第二时刻，确定所述车辆延误模型；若在当前信号周期内，当前流向的车辆过饱和，确定红灯延误后车辆到达车辆入口的第三时刻，并根据所述第一时刻和所述第三时刻，确定所述车辆延误模型。

可选地，所述当前流向的车辆未饱和是指：在当前信号周期内，当前流向的车辆全部通过交叉口，当前交叉口在下一个信号周期不存在初始排队长度；所述当前流向的车辆过饱和是指：在当前信号周期内，当前流向的车辆部分通过交叉口，当前交叉口在下一信号周期存在初始排队长度。

可选地，所述不同流向车辆的速度分布特征，具体为：：目标倒数服从正态分布，所述速度分布特征包括目标均值和目标标准差；其中，所述目标倒数为当前流向中车辆自由流速度的倒数；其中，所述目标均值为所述目标倒数的均值，所述目标标准差为所述目标倒数的标准差。