本發(fā)明涉及交通信息領域，尤其是涉及一種基于路中檢測器的交通狀態(tài)估計方法。
背景技術：
：城市道路交通狀態(tài)的準確估計是交通控制與管理的基礎。隨著我國交通信息化的發(fā)展，各類交通檢測技術與設備已被廣泛應用于城市道路交通狀態(tài)的估計與預測。常用的城市道路交通檢測技術可分為定點檢測技術和移動檢測技術。其中，定點檢測器主要包括感應線圈、地磁、微波雷達、紅外線、超聲波等，可以以一定的時間間隔(通常為20～60s)采集斷面流量、速度和占有率等數(shù)據(jù)；移動檢測器主要包括出租車浮動車、自動車輛識別(AVI)設備、車載或者手機導航等，可通過車輛行駛軌跡和路徑信息，直接采集個體車輛的路徑行程時間等。國內外學者針對基于定點和移動檢測數(shù)據(jù)的城市道路交通狀態(tài)估計已開展了大量的研究，采用的數(shù)據(jù)源幾乎涉及上述所有種類的檢測數(shù)據(jù)。在我國大部分的中小城市，出租車浮動車的覆蓋率小且上傳頻率較低(通常為30～60s)，難以用于城市道路交通狀態(tài)的估計；AVI的布設密度有限且受到車輛捕獲率和匹配成功率的影響，交通狀態(tài)估計的可靠性較差；車載導航數(shù)據(jù)雖然覆蓋率和精度都可以滿足要求，但是一般需要政府向高德、百度等運營商購買服務，經(jīng)濟成本較高。在上述背景下，布設密度較高的定點檢測器則具有一定的差位優(yōu)勢，用以進行城市道路交通狀態(tài)估計是較為經(jīng)濟實用的方法。定點檢測器在我國城市道路實際工程應用中，主要有三種典型的布設位置，如圖1所示：(a)下游檢測器：布設在路段下游接近停車線位置，主要用于信號控制方案的計算和優(yōu)化；(b)路中檢測器：布設在路段中間位置，主要用于路段交通狀態(tài)參數(shù)的檢測；(c)上游檢測器，布設在路段上游靠近出口道的位置，主要用于交叉口的溢出檢測與信號控制。下游檢測器距離交叉口過近，受到交叉口信號控制影響大，且由于其自身接入信號控制機的特點，存在通信傳輸和時間匹配等問題，在實際工程中往往只用于信號控制而不用于交通狀態(tài)估計；上游檢測器一般布設在短間距交叉口用于溢出檢測，覆蓋率低，難以用于交通狀態(tài)估計；相比之下，路中定點檢測器則具有覆蓋率高、受交叉口信號控制影響小、穩(wěn)定可靠等優(yōu)點，在實際工程中經(jīng)常被直接用于城市道路交通狀態(tài)的估計?？偨Y基于路中檢測器的交通狀態(tài)估計方法，目前主要存在以下問題：(1)一部分方法主要利用模糊邏輯、神經(jīng)網(wǎng)絡等人工智能算法對交通狀態(tài)劃分等級或建立評價體系以進行交通狀態(tài)估計，難以適用于直接通過行程速度閾值來確定交通狀態(tài)的應用場景(我國大部分中小城市目前的應用現(xiàn)狀)。(2)一部分方法通過檢測器獲取的斷面行程速度，按照一定的閾值范圍直接對應交通狀態(tài)，而未充分考慮下游信號控制交叉口周期、綠信比、檢測器布設位置等因素的影響。技術實現(xiàn)要素：本發(fā)明的目的是針對上述問題提供一種基于路中檢測器的交通狀態(tài)估計方法。本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：一種基于路中檢測器的交通狀態(tài)估計方法，所述方法包括下列步驟：1)獲取路中檢測器的歷史集計數(shù)據(jù)以及對應的環(huán)境變量數(shù)據(jù)和交通狀態(tài)數(shù)據(jù)；2)根據(jù)得到的歷史集計數(shù)據(jù)、對應的環(huán)境變量數(shù)據(jù)和交通狀態(tài)數(shù)據(jù)，生成每組環(huán)境變量數(shù)據(jù)下的占有率-車輛數(shù)-交通狀態(tài)二維圖，并對其進行分析；3)對步驟2)生成的所有組環(huán)境變量數(shù)據(jù)下的占有率-車輛數(shù)-交通狀態(tài)二維圖，擬合交通狀態(tài)分界曲線，并提取交通狀態(tài)分界曲線的系數(shù)xi；4)根據(jù)步驟3)提取的交通狀態(tài)分界曲線的系數(shù)xi，利用多元線性回歸擬合出交通狀態(tài)分界曲線與環(huán)境變量數(shù)據(jù)的函數(shù)關系，并對新一組環(huán)境變量數(shù)據(jù)下的交通狀態(tài)分界曲線的參數(shù)進行預測；5)獲取路中檢測器的實時檢測數(shù)據(jù)，重復步驟1)至步驟4)，實時估計交通狀態(tài)。所述歷史集計數(shù)據(jù)包括5min內的道路占有率和車輛流量；所述環(huán)境變量數(shù)據(jù)包括下游交叉口信控周期C、綠信比λ和路中檢測器位置S。所述占有率-車輛數(shù)-交通狀態(tài)二維圖具體為：點的位置代表路中檢測器的歷史集計數(shù)據(jù)，點的顏色代表對應時間段的交通狀態(tài)。所述對占有率-車輛數(shù)-交通狀態(tài)二維圖進行分析具體為：分析占有率-車輛數(shù)-交通狀態(tài)二維圖中不同交通狀態(tài)對應的數(shù)據(jù)點，按照位置對其進行劃分。所述步驟3)具體為：31)根據(jù)交通狀態(tài)對占有率-車輛數(shù)-交通狀態(tài)二維圖劃分出邊界曲線；32)針對每種交通狀態(tài)選取邊界擬合點；33)根據(jù)實際情況排除異常點，進行邊界擬合；34)根據(jù)擬合的結果確定每條擬合曲線的最優(yōu)線型，同時確定每條擬合曲線的邊界點；35)根據(jù)每條擬合曲線的邊界點的端點所確定的占有率作為曲線外區(qū)域不同交通狀態(tài)的分界線，得到交通狀態(tài)分界曲線；36)提取每組環(huán)境變量數(shù)據(jù)及與其對應的交通狀態(tài)分界曲線的系數(shù)xi。所述選取邊界擬合點具體為：針對每種交通狀態(tài)，在縱軸方向上從最低點開始以5為區(qū)間長度選取邊界擬合點，在邊界曲線頂部時以3為區(qū)間長度選取邊界擬合點，所述邊界擬合點包括邊界曲線左右兩個區(qū)間的邊界點。所述交通狀態(tài)分界曲線與環(huán)境變量數(shù)據(jù)的函數(shù)關系具體為：xi=F(C100,λ,S100)=fi0+fi1C100+fi2λ+fi3S100]]>其中，F(xiàn)表示多元線性回歸函數(shù)，C表示下游交叉口信控周期，λ表示綠信比，S表示檢測器位置，fi0為常數(shù)項，fi1、fi2和fi3分別為下游交叉口信控周期、綠信比和檢測器位置的系數(shù)。與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：(1)基于路中檢測器進行檢測，適應我國中小城市交通信息采集與服務的技術現(xiàn)狀。(2)考慮了環(huán)境變量因素，充分考慮下游信號控制交叉口周期、綠信比和檢測器布設位置等因素的影響，充分結合實際，增強了交通狀態(tài)估計的準確性。(3)首先通過歷史集計數(shù)據(jù)進行交通狀態(tài)的估計，可以通過歷史數(shù)據(jù)的不斷積累而更新數(shù)據(jù)庫并優(yōu)化相關參數(shù)，進一步提高交通狀態(tài)估計的準確性。(4)利用曲線擬合進行交通狀態(tài)的估計，計算方法簡單，便于實現(xiàn)，進一步擴大了本方法的適用范圍。(5)進行曲線擬合過程中，根據(jù)實際情況排除異常點，避免了異常點對擬合的曲線造成的誤差，提高了交通狀態(tài)估計的準確性。(6)根據(jù)每條擬合曲線的邊界點的端點所確定的占有率作為曲線外區(qū)域不同交通狀態(tài)的分界線，避免了實際應用過程中，數(shù)據(jù)點有可能在擬合曲線范圍外的情況，進一步提高了交通狀態(tài)估計的準確性。附圖說明圖1為我國城市道路定點檢測器典型布設方式圖；圖2為占有率-車輛數(shù)-交通狀態(tài)二維示意圖；圖3為邊界曲線示意圖；圖4為交通狀態(tài)分界曲線示意圖；圖5為交叉口仿真模型圖；圖6為交通狀態(tài)分界曲線的結果圖；圖7為本發(fā)明的方法流程圖。具體實施方式下面結合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。本發(fā)明提供了一種基于路中檢測器的交通狀態(tài)估計方法，利用曲線擬合的數(shù)理統(tǒng)計方法，基于路中檢測器在不同環(huán)境變量下的大量歷史數(shù)據(jù)(即為上傳的長時間段的5min集計數(shù)據(jù)集)，開發(fā)出了一種道路狀態(tài)估計方法。本發(fā)明包含兩個子算法，分別是基于交通狀態(tài)的分界曲線確定方法和新環(huán)境變量組合的分界線預測方法。本發(fā)明原理是在確定環(huán)境變量組合(周期C、綠信比λ、檢測器位置S)下由大量歷史數(shù)據(jù)形成的占有率-流量-交通狀態(tài)二維圖進行分界曲線的擬合與建立，然后利用多組環(huán)境變量組合下的分界曲線系數(shù)擬合出其與環(huán)境變量的函數(shù)關系，并用其估計一般條件下的交通狀態(tài)。如圖7所示，該方法包括以下步驟：1)獲取路中檢測器的歷史集計數(shù)據(jù)以及對應的環(huán)境變量數(shù)據(jù)和交通狀態(tài)數(shù)據(jù)：11)提取目標路段路中檢測器的大量歷史數(shù)據(jù)(5min集計數(shù)據(jù)，包括占有率與流量)；12)提取上述檢測器5min集計數(shù)據(jù)所對應的環(huán)境變量數(shù)據(jù)(下游交叉口信控周期C、綠信比λ、路中檢測器位置S(檢測器距離下游停車線距離))和交通狀態(tài)數(shù)據(jù)(基于對應5min下的路段平均行程速度，設定狀態(tài)1代表通暢(>22km/h)，狀態(tài)2代表擁擠(16～22km/h)，狀態(tài)3代表擁堵(<16km/h))；2)根據(jù)得到的歷史集計數(shù)據(jù)、對應的環(huán)境變量數(shù)據(jù)和交通狀態(tài)數(shù)據(jù)，生成每種環(huán)境變量組合下的占有率-車輛數(shù)-交通狀態(tài)二維圖，并對其進行分析：21)生成二維圖：根據(jù)大量歷史數(shù)據(jù)，得到每種環(huán)境組合下的占有率-車輛數(shù)-交通狀態(tài)二維圖，示意圖如圖2所示，其中，每個點的位置代表路中檢測器記錄的5min集計數(shù)據(jù)，點的顏色代表對應時間段的交通狀態(tài)(左、中、右三部分顏色點分別代表交通狀態(tài)1暢通、2擁擠、3擁堵)；22)分析二維圖：從圖中可以看出，不同交通狀態(tài)對應的數(shù)據(jù)點相對集中，相互之間有較為明顯的位置區(qū)分，如暢通狀態(tài)下的數(shù)據(jù)點集中在較低占有率的位置，而擁堵狀態(tài)下的數(shù)據(jù)點所對應的占有率較高，符合實際交通情況；3)對步驟2)生成的所有環(huán)境變量組合下的占有率-車輛數(shù)-交通狀態(tài)二維圖，擬合交通狀態(tài)分界曲線，并提取交通狀態(tài)分界曲線的系數(shù)xi：31)根據(jù)交通狀態(tài)劃分較為明顯的4條邊界曲線，如圖3所示，邊界曲線I、II、III和IV別代表狀態(tài)1、2和3的外圍或中間邊界；32)針對每種交通狀態(tài)，在縱軸方向(流量)，從最低流量開始以5為區(qū)間長度選取每區(qū)間的曲線邊界擬合點(當接近曲線頂部時以3為區(qū)間長度選取邊界點)，值得注意的是用于擬合曲線II的點包括狀態(tài)1的右邊界點和狀態(tài)2的左邊界點，同理擬合曲線III；33)在擬合過程中，根據(jù)實際情況調整擬合點以防止異常點干擾；34)綜合評判各線型的優(yōu)劣以選取合適線型；同時，確定各曲線的取值范圍。根據(jù)綜合分析，本實施例中，確定曲線I、II、III的最優(yōu)線型為二次函數(shù)線型，曲線IV的最優(yōu)線型為一次函數(shù)線型，各邊界曲線的函數(shù)表達式如下列公式所示：其中，Vol(veh/5min)表示每5min的流量、Occ(％)表示實際占有率，ai、bi、ci分別代表二次項系數(shù)、一次項系數(shù)和常數(shù)項；VolΙ＝a1Occ2+b1Occ+c1VolΙΙ＝a2Occ2+b2Occ+c2VolΙΙΙ＝a3Occ2+b3Occ+c3VolΙV＝b4Occ+c435)其中，A點為曲線I和曲線II點的右交點；C為曲線II和曲線III的右交點；B點為曲線II定義域左端點，取交通狀態(tài)2數(shù)據(jù)點的最小占有率值；D點為曲線III定義域左端點，取交通狀態(tài)3數(shù)據(jù)點的最小占有率值；36)在實際應用過程中，已有的歷史大量數(shù)據(jù)不可能包含所有的數(shù)據(jù)點，有可能有數(shù)據(jù)點在已有曲線I、II、III和IV的范圍之外，解決的方法是根據(jù)不同邊界曲線的端點所確定的占有率作為曲線外區(qū)域不同交通狀態(tài)的分界線，如圖4所示。分界線I和分界線II分別是交通狀態(tài)1和2、2和3的分界線；37)提取所有的環(huán)境變量(C、λ、S)組合數(shù)據(jù)及其對應的分界曲線I和分界線II的各系數(shù)xi；4)根據(jù)步驟3)提取的交通狀態(tài)分界曲線的系數(shù)xi，利用多元線性回歸擬合出交通狀態(tài)分界曲線與環(huán)境變量的函數(shù)關系，并對新的環(huán)境變量組合下的交通狀態(tài)分界曲線的參數(shù)進行預測：41)對所有的環(huán)境變量(C、λ、S)組合進行分界曲線擬合，則能得到各分界曲線各系數(shù)xi與環(huán)境變量組合(C、λ、S)的數(shù)據(jù)組，從而可以利用多元線性回歸擬合出各系數(shù)xi與周期占有率λ、檢測器位置這三個環(huán)境變量的函數(shù)關系，如下述公式所示：xi=F(C100,λ,S100)=fi0+fi1C100+fi2λ+fi3S100]]>其中：xi代表第i條邊界曲線的系數(shù)x，F(xiàn)表示多元線性回歸函數(shù)，C表示下游交叉口信控周期，λ表示綠信比，S表示檢測器位置，fi0為常數(shù)項，fi1、fi2和fi3分別為下游交叉口信控周期、綠信比和檢測器位置的系數(shù)；42)得到所有系數(shù)xi的擬合結果，可用于新環(huán)境變量組合下的邊界曲線系數(shù)預測；5)獲取路中檢測器的實時檢測數(shù)據(jù)，重復步驟1)至步驟4)，實時估計交通狀態(tài)。實施例1基于仿真環(huán)境對上述方法進行驗證，主要包括包括如下步驟：第一步：場景選取與搭建本實施例主要基于仿真環(huán)境進行方法建立與驗證，并用實證數(shù)據(jù)加以驗證。這是因為在現(xiàn)實環(huán)境中，交叉口相關的環(huán)境變量(下游交叉口信控周期C、綠信比λ、路中檢測器位置S(檢測器距離下游停車線距離))組合較為單一且上游路段的流量變化有限，短期內難以達到實例所需的樣本量；而在仿真環(huán)境中，能夠設置不同的環(huán)境變量組合和上游路段流量輸入值，有效地解決了實證數(shù)據(jù)的局限，極大地提高了效率。同時，用實證數(shù)據(jù)加以驗證，也證明了本方法的有效性。選取安徽省合肥市黃山路-科學大道西進口道及其上游路段作為對象，該路段為城市主干道，符合本發(fā)明的典型場景，布設有路中檢測器。根據(jù)現(xiàn)實道路利用VISSIM微觀仿真軟件，建立如圖5所示的交叉口仿真模型，以路段中間的直行車道作為驗證區(qū)域，在交叉口上游路段C處設置路中檢測器作為數(shù)據(jù)來源；同時以該進口道上游A處與下游進口道B處之間作為行程時間檢測區(qū)域，布設行程時間檢測器以檢測該區(qū)域的平均行程時間。本驗證過程設置不同的環(huán)境變量(C、λ、S)取值如表1所示，分別為8種、5種、3種，每個環(huán)境變量的取值范圍均能覆蓋絕大部分實際交通狀況。對不同的環(huán)境變量(C、λ、S)組合分別進行仿真實驗，共有120組(8*5*3＝120)實驗，每組仿真時長共計8000min，即每組有1600條數(shù)據(jù)。表1環(huán)境變量(C、λ、S)取值表參數(shù)數(shù)值綠信比λ0.2、0.3、0.33、0.36、0.39、0.42、0.5、0.6周期C(s)60、90、120、150、180檢測器位置S(m)200、250、300第二步：數(shù)據(jù)采集對于上述120組仿真實驗中的每一種環(huán)境變量(C、λ、S)組合，提取路中檢測器與相對應的行程時間檢測器的5min集計數(shù)據(jù)。具體方法為將VISSIM軟件連接數(shù)據(jù)庫，輸出*.sdf文件，包括路中檢測器的5min流量(veh/5min)，5min占有時間(s/5min)以及5min的路段平均行程時間(s)。將上述數(shù)據(jù)庫數(shù)據(jù)進一步處理為每5min的流量Vol(veh/5min)、實際占有率Occ(％)、對應的區(qū)間(圖4中A、B檢測器之間)行程速度v(km/h)及其對應的交通狀態(tài)。最終得到實例所需數(shù)據(jù)，數(shù)據(jù)記錄形式如表2，其中位置代表路中檢測器距離停車線的距離。表2仿真數(shù)據(jù)記錄表編號S(m)Vol(veh/5min)Occ(％)v(km/h)交通狀態(tài)13009010.067.013(擁堵)2250111.1131.181(暢通)3200121.1529.191(暢通)………………第三步：交通狀態(tài)分界曲線擬合方法驗證采用MATLAB環(huán)境進行編程，根據(jù)子算法I方法可以得到所有環(huán)境變量(C、λ、S)組合下的分界結果。以其中一組環(huán)境變量(C、λ、S)組合(周期為60s、綠信比為0.36、檢測器位置為1)為例，擬合效果如圖6所示，可以看出各曲線對各交通狀態(tài)邊界點的擬合效果均較好，R2均能達到80％以上，能夠有效區(qū)分出不同的交通狀態(tài)。對本子算法進行驗證，驗證方法為隨機選取不同環(huán)境變量組合下所有數(shù)據(jù)(1600條)中的75％數(shù)據(jù)(1200條)進行曲線擬合，剩下的25％數(shù)據(jù)(400條)用于驗證分析，即利用本方法，輸入檢測器的占有率和流量數(shù)據(jù)得出交通狀態(tài)，將其與實際交通狀態(tài)進行對比。選取檢測器位置S＝300m時的所有周期C與綠信比λ組合進行綜合正確率驗證，即對每種組合均隨機選取75％的數(shù)據(jù)進行擬合并驗證剩下的25％數(shù)據(jù)。具體結果如表3所示，得出正確率為81.30％，嚴重錯誤率為1.98％；同時，不同實際交通狀態(tài)下利用本子算法估計出的交通狀態(tài)正確率沒有明顯差異，均接近81％。表3驗證結果注：估計量，表示實際交通狀態(tài)為i而根據(jù)本算法估計出的交通狀態(tài)為j的樣本個數(shù)；正確，表示根據(jù)本算法估計出的交通狀態(tài)與實際交通狀態(tài)相同；嚴重錯誤，表示本算法估計交通狀態(tài)與實際交通狀態(tài)相差兩個交通狀態(tài)的情況，如：本算法估計交通狀態(tài)為1而實際交通狀態(tài)為3。第四步：新環(huán)境變量組合的分界線參數(shù)預測方法驗證根據(jù)子算法I，得出所有系數(shù)xi擬合結果如表4所示：表4多元線性回歸結果表實施例2采用實證數(shù)據(jù)對預測方法進行驗證。選取青島市福州南路三個路段為驗證對象，選取2015年11月03日早高峰為驗證時間段，采集相關實證數(shù)據(jù)，包括定點微波檢測器數(shù)據(jù)、視頻數(shù)據(jù)和信控配時、檢測器布設數(shù)據(jù)。視頻數(shù)據(jù)用于獲得該路段某5min集計時間段內的路段平均車輛速度v(km/h)以確定交通狀態(tài)，具體方法為通過視頻采集該5min中路段所有車輛的路段行程時間，并計算出平均速度；定點微波檢測器數(shù)據(jù)可獲得對應路段與集計時間段的流量Vol(veh/5min)和實際占有率Occ(％)；信控配時、檢測器布設數(shù)據(jù)可獲得對應路段與集計時間段的環(huán)境變量C(s)、λ和S(m)。實證數(shù)據(jù)具體參數(shù)如表5所示。用上述實證數(shù)據(jù)對方法進行驗證，對于每組驗證樣本，根據(jù)表4和環(huán)境變量預測出對應路段和集計時間段的分界曲線并得到估計交通狀態(tài)，并與實際交通狀態(tài)對比，驗證樣本量為48，驗證結果如表6所示，可以得出總體正確率約為75.00％，且嚴重錯誤率約為2.1％。同時，不同實際交通狀態(tài)下利用本方法估計出的交通狀態(tài)正確率有一定差異，其中在擁擠狀態(tài)下的估計正確率最高，達到80％以上；而擁堵狀態(tài)下的估計正確率最低，約為70％左右。通過實證數(shù)據(jù)的驗證，本子算法的總體正確率不很高且不同交通狀態(tài)下的估計正確率有一定差異的主要原因有三個：(1)實證數(shù)據(jù)存在一定的檢測誤差。微波檢測器在車型較為單一、車速一致性高、車流量不高的路段上檢測精度較高，而在交通擁堵的情況下因車輛間遮擋、開普勒效應等因素，檢測精度會下降。(2)系數(shù)擬合過程存在誤差。因為在確定環(huán)境變量下的分界曲線系數(shù)進行擬合的過程中必然存在著一定的擬合誤差，再基于這些系數(shù)數(shù)據(jù)對新環(huán)境變量下的分界線進行預測時，必然存在一定的誤差。(3)單個路中檢測器的信息量存在限制。因為本發(fā)明未加入其他數(shù)據(jù)源，所使用的數(shù)據(jù)僅局限于其單個路中檢測器的檢測數(shù)據(jù)，存在一定的信息量限制。表5實證數(shù)據(jù)相關參數(shù)表6實證數(shù)據(jù)驗證結果當前第1頁1 2 3