[发明专利]基于高斯混合模型的信号交叉口饱和车头时距估计方法

权利要求书

1.一种基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：包括以下步骤：

S1：车头时距提取：利用每个电子警察设备在每个车道采集的所有过车记录，提取对应车头时距；

S2：信号周期划分：利用实时的信号配时方案，匹配每条过车记录对应的信号周期；

S3：高斯混合模型构建：去掉每个信号周期第一辆车与前一个信号周期最后一辆车的车头时距，提取各信号周期内部从第二辆车开始的所有离散车头时距作为观测数据，观测数据服从高斯混合分布；

S4：EM算法求解：根据EM算法，求解高斯混合模型参数，确定每个车头时距对应的类别；

S5：饱和车头时距估计：选取车头时距均值较小的类别作为饱和状态，车头时距均值较大的类别为不饱和类别，则饱和状态对应的高斯分布均值为饱和车头时距；

所述步骤S4的过程包括以下步骤：

S41、取参数的初始值开始迭代；混合比例初值α_k是均匀狄利克雷分布中的随机变量；均值初值μ_k是由正态分布随机生成，中心由观测数据决定；标准差初值σ_k是随机指数分布值的向量平方根的倒数，指数分布的参数是根据数据分箱技术确定；

S42、E步：依据当前模型参数，计算分模型k对观测数据y_j的响应度：

其中，是在当前模型参数下第j个观测数据来自第k个分模型的概率，称为分模型k对观测数据y_j的响应度；是高斯分布密度，表示第k个高斯分布的参数；

S43、M步：计算新一轮迭代的模型参数：

其中，是新一轮迭代的第k个分模型的均值；是新一轮迭代的第k个分模型的方差；是新一轮迭代的第k个分模型在混合模型中所占的比例，

S44重复E步和M步，直到收敛。

2.根据权利要求1所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S1的过程包括以下步骤：

S11、筛选某天某电子警察设备检测到的某车道的所有过车记录，将车辆车头端部经过信号交叉口的时间a:b:c转换成距00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别为时、分、秒；

S12、将转换过的时间t按升序排序；

S13、用当前车辆经过的时间t减去前一辆车经过的时间t得到当前车辆的车头时距h，即h_i＝t_i-t_i-1，i＝2,3,4,…,n。

3.根据权利要求2所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S2的过程包括以下步骤：

S21、根据该天该信号交叉口的实时配时方案，梳理在不同时间段所采用的配时方案，确定各信号相位在各信号周期对应的时间区间；

S22、将该车道与对应的信号相位匹配；

S23、确定该车道所有的过车记录位于该信号相位的第几个信号周期；

S24、确定各过车记录在该信号周期内作为第几辆车经过。

4.根据权利要求1所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S3的过程包括以下步骤：

S31、提取各信号周期的除第一辆车以外的所有车辆的车头时距h₁，h₂，…，h_n；

S32、假设车头时距h₁，h₂，…，h_n服从高斯混合分布，

其中，θ＝(β₁，β₂，…，β_k；θ₁，θ₂，…，θ_k)；β_k是系数，表示选择第k个高斯分布的概率，β_k≥0，是高斯分布密度，表示第k个高斯分布的参数，

称为第k个高斯分布模型。