[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

说明书

技术领域

本发明涉及一种用于城市交通控制中的交叉口实时饱和流率的估计方法,具体来说，是涉及利用检测器数据和信号灯信息，对交叉口的车头时距的状态进行建模，并训练模型，之后用模型来实时估计饱和流率的一种方法。

背景技术

饱和流率是城市交通控制系统中的关键参数之一，指的是当信号灯的绿灯信号启亮之后，车队以饱和状态驶过停车线时的流率。该流率随着时间和空间的变化而变化，且很大程度上影响了交叉口的控制效果。目前，主流控制系统中大多采用固定式的饱和流率或者简单的用分位数对饱和流率进行设定。这种比较僵化的方法难以反映实际情况。从而，有必要针对交叉口的交通流特性提出新的饱和流率的估计方法。

发明内容

本发明要解决的技术问题是,克服现有方法不能实时准确估计交叉口进口道饱和流率的缺陷。本发明提出一种基于隐马尔科夫链的饱和流率估计方法。为解决技术问题，本发明的解决方案是：针对某一个进口道，当绿灯启亮之后，车队驶过停车线，从而产生一系列相继的车头时距。本发明将车头时距按照后车的状态分为五类:加速状态，稳定状态，减速状态1，减速状态2，不停车驶过状态共五种。其中的稳定状态就是车队以稳定的饱和车头时距驶过停车线的状态，稳定状态下所有车头时距的平均值就可以作为停车线在该周期内的估计值。

为了识别车头时距的状态，本发明基于马尔科夫链，提出了车头时距的隐马尔科夫链模型。其中，隐含状态就是五种状态，可观测的参数为车头时距。

本发明的技术方案是:1建立绿灯信号期间车头时距的隐马尔科夫链模型；2采集数据，也就是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。

通过本发明的方法可以实时估计饱和流率，并为交通控制提供参数基础。

附图说明

图1为停车线的检测器设置图；

图2为车头时距的定义图；

图3为理想情况下的车头时距变化图；

图4为车头时距状态转移图。

具体实施方式

下面结合附图和实施例对本发明进行进一步说明。

图1为停车线的检测器设置图。其中,检测器设置于停车线处，从而每辆车通过停车线之后都可以被停车线检测到。图2为车头时距的计算方法，相邻车辆经过停车线的时间差作为车头时距的检测值。图3为当信号灯的绿灯启亮后，理想情况下经过停车线的车头时距的变化图。在绿灯的初期,由于车辆加速尚未完全，从而车头时距较大，随着后续车辆的经过，车辆速度逐渐增加，因此车头时距越来越小，到第5辆或者第6辆车左右，车头时距基本上稳定，这一稳定的车头时距就是该停车线对应的饱和车头时距。该饱和车头时距的倒数就是饱和流率。由于路面的老化、车辆的组成、天气等原因，该饱和流率会不断变化，从而有必要实时估计哪些车头时距是稳定车头时距，并利用该饱和车头时距估计饱和流率。

对于某一个绿灯期间所有的车头时距，其状态有图4的五种:加速状态，稳定状态，减速状态1，减速状态2以及不停车经过状态。加速状态是绿灯启亮初期的状态，稳定状态紧紧接着加速状态。当绿灯结束,转换为黄灯时，车辆减速并停在停车线处。减速状态1对应的是上游有足够的车队需求，减速状态2对应的是上游到达的车辆并不是饱和的。不减速通过状态指的是车辆没有经过减速状态而直接穿越交叉口的状态。

五种状态的转移如图4所示。

本发明利用下述符号:

车头时距的状态取值集合,共有五种状态:S＝s₁,s₂,s₃,s₄,s₅；

观测值集合:M∈R⁺，该集合是一个正的实数；

一个周期的观测序列:O＝o₁,o₂,o₃,o₄,...o_k....；

一个周期内的隐含状态序列:I＝i₁,i₂,i₃,i₄,....i_k....，其中每一个隐含状态取值为S中的某一种。

本发明的步骤

本发明的步骤包括如下三步: