[发明专利]基于隐马尔科夫链的交叉口实时饱和流率估计方法

权利要求书

1.一种基于隐马尔科夫链的交叉口实时饱和流率估计方法，其特征在于，该方法包括以下步骤：

1)建立绿灯信号期间车头时距的隐马尔科夫链模型,包含:

①发射概率，即隐含状态和观测值之间的概率关系，所述的隐含状态为根据车辆穿过停车线瞬间的状态将其分为五种：加速状态、稳定状态、不停车驶过状态、减速状态1和减速状态2；发射概率用对数正态分布来表达：当在第k个车头时距且车头时距状态为m时，车头时距的观测值的分布为:

bk,m(t)=12πσk,m2texp-(ln(t)-μk,m)22σk,m2]]>

其中，m为状态的编号，取值范围为1～5；k为该车头时距在整个车头时距序列中的编号，取值范围为1～N，N为绿灯期间总的车头时距的数量；

②状态转移矩阵A＝[a_ij]，其中a_ij表示车头时距的状态从i转移到状态j的概率；

③初始的隐含状态分布π＝{π₁,π₂,π₃,π₄,π₅},表示第一个隐含状态为五种状态某一种的概率；

其中待确定参数λ＝(A，{μ_k,m；σ_k,m},π)；

2)采集一系列绿灯期间的车头时距的数据，包含车头时距对应的状态以及车头时距本身的值；

3)利用EM算法对模型进行训练，得到模型参数的值；

4)利用训练之后的隐马尔科夫车头时距模型对车头时距进行状态估计，得到车头时距对应的状态序列；

5)仅仅利用状态序列中的稳定状态，对其求平均，其倒数作为饱和流率的估计值。

2.根据权利要求1所述的基于隐马尔科夫链的交叉口实时饱和流率估计方法，其特征在于，步骤2)具体为：利用停车线的检测器检测的数据，以及手工识别的车头时距状态信息，具体用摄像机拍摄经过停车线的车队，之后通过人工识别，统计车头时距及其对应的状态：如果通过停车线的车辆仍然处于加速中，则车头时距为加速状态；如果车辆从完全静止状态加速至最大速度通过停车线，则该车头时距状态为稳定状态；如果车辆没有经过停车而直接在绿灯期间通过停车线，则车头时距状态为不停车驶过状态；红灯启亮后停止的车辆如果在上一个红灯没有停车，则为减速状态2；红灯启亮后停止的车辆如果在上一个红灯停车，在本次红灯启亮时再次停止，则为减速状态1。

3.根据权利要求1所述的基于隐马尔科夫链的交叉口实时饱和流率估计方法，其特征在于，步骤5)具体为：得到车头时距对应的状态序列后，对状态序列中稳定状态的车头时距序列o_s,1,o_s,2......o_s,n求平均，并将该平均值的倒数作为饱和流率的估计值，即:

其中，n为车头时距隐含状态中稳定状态的个数。