[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

摘要

本发明公开了一种基于隐马尔科夫链的交叉口实时饱和流率估计方法,包括以下步骤a,采集影响饱和车头时距的交通流数据,包含饱和车头时距本身；b,通过采集的交通流数据对隐含马尔科夫链模型的参数进行训练；c,实时采集信号交叉口停车线前面的车头时距,对车头时距序列背后的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；d,对稳定车头时距序列进行求平均,并利用平均值的倒数作为该停车线对应的饱和流率。本发明可以实时估计饱和流率，并为交通控制提供参数基础。

主权项

一种基于隐马尔科夫链的交叉口实时饱和流率估计方法，其特征在于，该方法包括以下步骤：1)建立绿灯信号期间车头时距的隐马尔科夫链模型,包含:①发射概率，即隐含状态和观测值之间的概率关系，所述的隐含状态为根据车辆穿过停车线瞬间的状态将其分为五种：加速状态、稳定状态、不停车驶过状态、减速状态1和减速状态2；发射概率用对数正态分布来表达：当在第k个车头时距且车头时距状态为m时，车头时距的观测值的分布为:bk,m(t)=12πσk,m2texp-(ln(t)-μk,m)22σk,m2]]>其中，m为状态的编号，取值范围为1～5；k为该车头时距在整个车头时距序列中的编号，取值范围为1～N，N为绿灯期间总的车头时距的数量；②状态转移矩阵A＝[aij]，其中aij表示车头时距的状态从i转移到状态j的概率；③初始的隐含状态分布π＝{π1,π2,π3,π4,π5},表示第一个隐含状态为五种状态某一种的概率；其中待确定参数λ＝(A，{μk,m；σk,m},π)；2)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。