[发明专利]一种基于抽样轨迹数据的排队长度分布估计方法

说明书

本发明涉及一种基于抽样轨迹数据的排队长度分布估计方法，包括以下步骤：1)获取抽样车辆轨迹数据，提取各排队的抽样车辆的排队位置信息；2)采用核密度估计的方法拟合得到排队的抽样车辆排队位置分布；3)基于抽样车辆的排队位置分布估计得到该时段内排队长度分布。与现有技术相比，本发明具有渗透率要求低、估计精度高、适用范围广等优点。

技术领域

本发明涉及交通控制领域，尤其是涉及一种基于抽样轨迹数据的排队长度分布估计方法。

背景技术

目前，交叉口交通运行状态监测评估以及信号控制所需的交通信息输入主要依赖于以线圈、地磁、微波、视频为代表的定点检测器。然而，定点检测的固定位置检测的局限以及高损坏率、高使用及维护成本则直接影响交通状态检测的准确率及控制系统的效能。近年来，依托于定位技术和移动互联技术的快速发展和普及，移动智能终端导航、车联网、智能网联车等新型智能交通技术得到迅速发展，高频车辆轨迹数据的实时获取成为可能。截至目前，滴滴出行在全国拥有超过2100万注册司机，每日订单数量超过3000万，产生超过106TB新增原始轨迹数据，数据精度可达1～3s。高德导航在全国也拥有超过7亿用户，每日活跃设备数超过3000万台，上传频率也达到3～5s。高频的轨迹可以较为精细化的反映车辆的时空运行特征，蕴含丰富的交通流信息，且其与定点检测相比，包含更丰富的时空信息，并且具有覆盖广、可靠性高、采集成本低等特点。

现有的基于轨迹数据排队长度估计方法主要分为两类，确定性方法和概率方法。确定性方法主要基于交通波理论，假设每两辆排队的抽样轨迹之间的车辆是均匀到达的，估计周期排队长度。该方法对于渗透率的要求较高，在稀疏轨迹环境下估计精度难以满足实际需求。概率方法假设车辆的到达服从特定分布，基于概率论等方法估计周期排队长度。同样，在稀疏轨迹环境下该方法的精度不高，难以满足实际需求。可见，在低渗透率的轨迹环境下，实现周期排队长度的估计仍存在较大困难。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于抽样轨迹数据的排队长度分布估计方法。

本发明的目的可以通过以下技术方案来实现：

一种基于抽样轨迹数据的排队长度分布估计方法，包括以下步骤：

1)获取抽样车辆轨迹数据，提取各排队的抽样车辆的排队位置信息；

2)采用核密度估计的方法拟合得到排队的抽样车辆排队位置分布；

3)基于抽样车辆的排队位置分布估计得到该时段内排队长度分布。

2.根据权利要求1所述的一种基于抽样轨迹数据的排队长度分布估计方法，其特征在于，所述的步骤1)中，各排队的抽样车辆的排队位置信息表达如下：

第i车辆的第j个轨迹点的特征向量表达式为：

s_i,j＝{x_i,j,v_i,j,t_i,j,δ_i,j}

其中，x_i,j为车辆该时刻的位置；v_i,j为车辆该时刻的速度；t_i,j为时间；δ_i,j为车辆的行驶状态，对于第i辆车的轨迹，若存在第p个点使得δ_i,p＝1，且δ_i,p-1＝0，则该车辆为排队车辆，且x_i,p为该排队车辆的排队位置。

所述的步骤2)具体包括以下步骤：

21)选取所有排队的抽样车辆排队位置的样本集为X₁＝{x₁,x₂......,x_n}，