[发明专利]一种基于网联车辆轨迹数据的信控交叉口运行评估方法

说明书

本发明涉及一种基于网联车辆轨迹数据的信控交叉口运行评估方法，包括以下步骤：1)根据网联车辆轨迹周期内的到达时刻信息获取累计到达曲线；2)根据网联车辆轨迹离开排队信息获取累计离开曲线；3)根据停车轨迹获取总延误标定平均到达率，从而确定交叉口累计流图；4)根据累计流图计算交叉口运行参数，与现有技术相比，本发明具有纯轨迹数据驱动、评估全面、估计精度高、适用性广等优点。

技术领域

本发明涉及交通信息领域，尤其为涉及一种基于网联车辆轨迹数据的信控交叉口运行评估方法。

背景技术

近年来，移动互联、智能网联技术的发展使得实时获取大规模路网中的高频车辆轨迹数据成为可能。例如，国内最大的网约车平台滴滴出行拥有超过1750万注册车辆，国内主要大城市的用户数均超过百万，每天传输超过70T的高频(1～3秒)车辆轨迹数据。这些海量高频轨迹数据可以实时动态反映大规模路网交通流的时空特性，且数据采集成本相比于定点检测器更低。因此，网联车轨迹数据被认为为互联网时代用于交通管控和服务的经济高效且富有发展前景的数据资源。尽管网联车辆轨迹数据具有覆盖范围广、全天候采集、抽样总量大等优点，但为面向精细化交通管控与服务的需求，其渗透率仍处于较低水平且时空分布不均衡，聚焦到具体交叉口的特定时段，可观测的网联车数量十分有限。现有研究的案例表明，网联车辆的实际渗透率通常在3％～15％。

至今，已有不少研究基于网联车辆轨迹数据估计信控交叉口交通运行参数。其中，排队长度估计的研究最为广泛。目前，基于网联车辆轨迹数据的排队长度估计研究可以大体分为两大类，即模型驱动方法和数据驱动方法。模型驱动方法包括基于交通波理论的确定性方法和基于概率统计的随机性方法，基于交通波理论的确定方法通常基于观测网联车辆轨迹的关键启停点重构周期内排队的累计和消散过程，在周期内轨迹数量充足时(不少于2辆排队的网联车轨迹)可以实现较为准确的周期排队长度估计，然而在低渗透率条件下估计精度下降较快且可靠性差；基于概率统计的随机性方法通常假设特定的车辆到达分布(泊松分布等)，可以在周期内仅有1辆网联车辆时实现周期排队长度的估计，然而在低渗透率条件下该类方法的精度和可靠性也难以保证。

除排队长度估计外，部分研究基于网联车辆轨迹数据实现了交通流量的估计。最早的研究由Zheng and Liu(2017)提出，假设车辆的到达服从时变泊松分布，采用极大似然估计算法构建时段平均流量的似然函数，并基于期望最大化算法估计最终的时段平均流量。Yao等(2019)则提出一种混合方法，融合交通波理论和概率理论，实现了周期流量的估计，该方法基于交通波理论估计排队车的流量，并假设非排队的车辆的到达过程为服从有限取值的时变泊松分布，采用极大似然估计方法计算非排队车辆的流量。Tang等(2020)则提出一种数据驱动方法，基于最后一辆排队车辆将周期流量划分为已知流量和未知流量，并采用张量修补的方法实现周期流量的估计，除去上述方法外，还有部分研究基于估计的渗透率发推时段平均流量。

基于网联车辆数据估计延误的方法还比较少，只有Ban等(2009)以抽样车辆的行程时间信息为输入，基于交通波理论重构车辆的排队过程，从而实现延误的估计，理论上，基于交通波理论的排队长度估计方法都可以进一步计算总延误，然而由于流量未知，无法估计平均延误等参数。

综上，现有的发明或研究仍然存在以下局限：

1)大部分方法仅能实现单个或两个交通参数的估计，无法全面评估交叉口运行状况；

2)现有方法最多只能基于交通波理论描绘排队车辆的累计和离开过程，无法重构非排队车辆的累计和离开过程，因此无法完整描述交通流在交叉口的运行状况。

发明内容

本发明的目的就为为了克服上述现有技术存在的缺陷而提供一种基于网联车辆轨迹数据的信控交叉口运行评估方法。

本发明的目的可以通过以下技术方案来实现：

一种基于网联车辆轨迹数据的信控交叉口运行评估方法，包括以下步骤：