[发明专利]基于定点检测与电警数据融合的交叉口车辆轨迹重构方法

摘要

本发明提供一种基于电警和定点检测器数据融合的交叉口车辆轨迹重构方法，其包括如下步骤：长排队(排队长度超出检测器位置)识别；上下游车道流量映射；基于交通波理论的交叉口车辆轨迹重构。当排队长度靠近检测器时，检测器占有率增加，通过车辆数减少；从流量和占有率的变化特征出发，基于路段定点检测数据对长排队进行识别。本发明交叉口车辆轨迹重构方法具有以下效果：该车辆轨迹重构方法立足于我国大多数城市的检测条件，以60s集计的流密速数据和检测频率，克服了现有方法对高频浮动车轨迹数据的依赖。

主权项

1.一种基于定点检测器数据与电警数据融合的交叉口车辆运行轨迹重构方法，其特征在于：包括以下步骤：(1)长排队识别；当排队长度靠近检测器时，检测器占有率增加，通过车辆数减少；从流量和占有率的变化特征出发，基于路段定点检测数据对长排队进行识别；占有率表示为：在一定时间间隔T内，检测器被占用的时间t和T的比值，即：Occ—检测器的时间占有率；T—检测器统计时间间隔；N—在T时间内通过检测器的车辆数；ti—车辆i通过检测器所需时间；a)当车辆以自由流速度通过检测器时，占有率计算如下：vf—车辆通过检测器的自由流速m/s；n/T—车辆消散的车头时距的倒数；lv—平均有效车长m；ld—检测器长度m；b)假设排队长度靠近检测器位置时车辆平均速度为vd，则占有率计算公式：Occ2—排队车辆靠近检测器位置的占有率；vd—车辆靠近检测器位置时的平均速度；Q—排队车辆靠近检测器位置时，通过检测器的小时车辆数；通过研究车辆停车位置到检测器之间距离与车辆通过检测器时速度的关系，采用聚类方法确定vd；(2)基于BP神经网络的上下游车道流量映射；假设车辆通过路段检测器所在车道为O，最终进入的目标车道为D，则这种关联性实质上就表示为基于路段车道‑进口转向车道的OD流量矩阵；应用BP神经网络时，输入层即为路段检测器所在各车道O的流量，输出层即为车辆到达目标车道D的流量；在数据训练过程中，输入变量分为两组，一是路段检测器位置各车道流量数据，二是由电警设备获得的交叉口进口道各转向车道流量数据；通过对训练，建立上下游车道流量映射矩阵；在网络验证时，将输入变量O输入网络输入层，此时输出变量即为OD流量预测矩阵；可通过应用OD流量预测矩阵和实际的OD流量矩阵对比，验证网络预测精度；(3)交叉口车辆轨迹重构：A、非长排队情况下车辆轨迹重构：在非长排队情况下，检测器输出的流量即可表征上游路段车辆到达情况；而电警数据则反映车辆驶离规律即车头时距，当车头时距小于4s时，可认为车辆以饱和流率通过停车线，当车头时距大于4s时，可认为车辆自由到达；B、长排队情况下车辆轨迹重构：假设第i周期无剩余排队，红灯启亮后，车辆在停车线前排队，集结波波速为w11，w12，w13，…；TA时刻，排队长度到达检测器位置绿灯启亮后，车辆以饱和车头时距通过停止线，形成波速为w2的消散波；TB时刻，排队消散到检测器位置；在TA和TB之间，检测器占有率为1；在TA和TB之间检测器无法感知到上游车辆的到达情况；假设在TA和TB之间到达的车辆符合均匀分布，集结波和消散波相遇时刻为Timax，此时排队长度即为周期最大排队长度；之后，排队车辆以速度为w3的离去波驶离，设离去波到达检测器位置的时刻为TC，则在TB和TC之间，检测器检测到的车辆以饱和流率通过；除在TA和TB之间车辆轨迹重构需要基于均匀到达分布之外，其余车辆的轨迹重构与非长排队情况基本一致。