[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

说明书

本发明提供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。主要解决的技术问题是：利用车辆号牌数据，基于高斯混合模型，提出一种完全数据驱动的信号交叉口饱和车头时距估计方法。根据采集的信号交叉口号牌数据，分车道提取车头时距，用高斯混合模型对车头时距进行分类，得到两种状态下车头时距的高斯分布模型。根据信号交叉口的实际情况，该模型可看成是饱和状态和非饱和状态下车头时距高斯分布的组合，则两种分布中均值较小的分布可看作是饱和车头时距的高斯分布，其均值即为饱和车头时距。

技术领域

本发明涉及交通控制工程与机器学习应用领域，尤其涉及信号交叉口饱和车头时距估计方法和高斯混合聚类方法，具体来说，是涉及利用车辆号牌数据和信号灯配时方案信息，对信号交叉口的车头时距进行建模来估计饱和车头时距的一种方法。

背景技术

饱和车头时距是城市道路信号交叉口微观交通流运行分析中的一个关键参数，是信号交叉口合理信号配时、运行延误分析、通行能力研究、车辆折算系数研究等内容的关键基础。目前，针对饱和车头时距的估计，国内外研究学者主要采用的方法有：美国《道路通行能力手册》法、阈值法及数据驱动法。

美国《道路通行能力手册》将饱和车头时距定义为：排队状态下，机动车流通过信号交叉口时的车头时距的稳定值，即信号绿灯启亮后，排队位置在第4辆车以后的释放车辆的车头时距趋于常数，用车流里面排队位置在第4辆车及其以后释放车流的车头时距平均值来估计。这种方法需要确定经过信号交叉口的每辆车是否处于排队车辆，因此，易受调查的时间和天气，以及特殊车型的影响，普适性差。用3600秒除以饱和车头时距可计算饱和流率，针对饱和车头时距和饱和流率的估计，美国《道路通行能力手册》除了饱和车头时距定义法，还建立了标准条件下的饱和流率计算模型，即在基本饱和流率的基础上，考虑车道宽度修正系数、交通流中重型车修正系数、自行车修正系数等来计算实际的饱和流率，这种方法虽然考虑了道路及交通流的基础信息，但是没有考虑到交通流的动态运行特性。

阈值法是通过根据车头时距设置阈值将交通流划分为饱和状态和非饱和状态，再通过计算饱和状态车头时距的均值来估计饱和车头时距，但是这种方法存在阈值选取合理性的问题，而且不同车道需要定义不同的阈值。另外，分位数法也是一种常见的阈值法，它是用排队离开车头时距观测样本的中值来估计饱和车头时距，这种方法虽然考虑了车头时距散布(方差)的影响，但是无法反映信号交叉口实际的交通流运行特性。

数据驱动法主要是基于机器学习中模型来估计饱和车头时距。隐马尔科夫链模型法是用采集的交通流数据对隐马尔科夫链模型的参数进行训练，接着对隐含车头时距状态进行估计，得到连续的稳定车头时距序列，并对稳定车头时距序列进行求平均得到饱和车头时距。但是，这种方法在对模型的参数进行训练时需要手工识别车头时距的状态信息，方法操作复杂，工作量大。

发明内容

发明目的：本发明主要解决下述问题：

1、美国《道路通行能力手册》中饱和车头时距定义法易受调查的时间和天气，以及特殊车型的影响，普适性差。

2、美国《道路通行能力手册》中饱和流率模型法和分位数法无法反映信号交叉口实际的交通流运行特性。

3、阈值法存在阈值选取合理性的问题，而且不同车道需要定义不同的阈值。

4、隐马尔科夫链模型在对模型的参数进行训练时需要手工识别车头时距的状态信息，方法操作复杂，工作量大。

技术方案：为解决上述问题，本发明采用以下技术方案：

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，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；