[发明专利]一种基于浮动车数据城市交叉口流量估计方法

摘要

本发明提供一种基于浮动车数据城市交叉口流量估计方法，该方法首先利用webster延误定理定量描述城市交叉口相位流量与车辆受阻延误之间的关系，并通过将测量浮动车通过交叉口时的延误作为输入数据计算得到相位流量；其次，考虑到上述计算的流量数据准确率不高，再利用RBF神经网络逼近算法对数据进行修正，逼近参数的综合性能指标由浮动车测得延误和旅行时间作为分项得到。通过本方法，利用浮动车数据可以得到准确率较高的相位流量数据，能够为城市交叉口的信号控制及优化提供支撑，从而有效提高城市道路路口的控制效率，达到缓解拥堵的目的。

主权项

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_j(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n＝2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＝[ai]m进行归一化处理，得到标准信息矩阵R＝[ri]m，其中归一化的处理方法为:对于越大越优型分指标[17]：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ri*，i＝1,2,3,...,m,m≥2，选取规则为2)计算各指标ri对应的最优单元值ri*的距离。di＝|ri‑ri*|,i＝1,2,3,...,m,m≥23)计算对应指标概率当di>0时无需对pi进行修正。此时ui＝0；当di＝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pi进行平移修正，此时ui为常数且ui>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PIs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qi(pi)为输入：|PIs‑PIr|≤ε其中，PIr为实际数据计算得到的综合性能指标，PIs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：||qi(pi|k)‑Di||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，Πi为RBF神经网络权值，ri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、遗忘因子等参数，然后根据仿真得到的qi(pi|k)以及各训练参数计算得到输入信号逼近值。