CN103927866A

CN103927866A - 基于gps的车辆等待红绿灯时间预测方法

Info

Publication number: CN103927866A
Application number: CN201310753349.8A
Authority: CN
Inventors: 杨晴虹; 李桐; 李戈; 黄坚; 郄金辉
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2013-12-31
Filing date: 2013-12-31
Publication date: 2014-07-16
Anticipated expiration: 2033-12-31
Also published as: CN103927866B

Abstract

本发明公开了一种基于GPS的车辆等待红绿灯时间预测方法，属于智能交通领域，包括：获取目标车辆单灯等待时间的预测公式，根据历史GPS数据，利用最小二拟合获得公式中的参数；采集公交车的实时GPS数据，基于该公交车适用参数的目标车辆单灯等待时间的预测公式，获取该公交车的红绿灯等待预测时间。本发明先通过机理建模的方法，建立了单灯等待时间与车辆排队距离之间的关系；再通过数据挖掘与机器学习理论，离线处理大规模历史数据，最终得到单灯等待时间的线性预测方程。本发明中建立的线性模型简单，分析效果好，易推广，适用于大多数城市路段。

Description

基于GPS的车辆等待红绿灯时间预测方法

技术领域

本发明属于智能交通技术领域，特别涉及一种基于GPS的车辆等待红绿灯时间预测方法。

背景技术

现有的公交到站预测系统是运用实时GPS来定位公交车，再结合实时路况得到公交车将要行驶的路链速度，来预测公交车到下一站需要的时间。因为实时路况是通过速度来反应的，所以该系统遇到以下情形时，预测准确率不能达到实际要求：

对于某条路段实时路况的计算总是基于短时间前已经行驶过该路段的车，例如：用2分钟前开过此路段的车辆进行计算。但是当道路车流速度短时间内发生较大的变化时，通过计算提供的道路车流速度就会与真正的道路车流速度相差较大，导致预测难以准确。在城市内正常行驶的道路上，交叉口信号灯就成了造成车流速度短时间内发生较大变化的主要因素。例如：当车流遇到红灯时，车流速度会在极短的时间降为零，而计算实时路况所用的是已经走过该路段的车辆，很有可能是在绿灯时候快速通过，这就导致计算值与当前实际值相差很大，如果预测系统完全不考虑交叉口信号灯的影响，在相应的路段就不能达到理想的准确率。

发明内容

有鉴于此，本发明的目的在于提供一种基于GPS的车辆等待红绿灯时间预测方法，用于实现公交车的红绿灯等待时间预测。

本发明提供了一种基于GPS的车辆等待红绿灯时间预测方法，包括：

获取目标车辆单灯等待时间的预测公式，根据历史GPS数据，利用最小二拟合获得公式中的参数；

采集公交车的实时GPS数据，基于该公交车适用参数的目标车辆单灯等待时间的预测公式，获取该公交车的红绿灯等待预测时间。

本发明先通过机理建模的方法，建立了单灯等待时间与车辆排队距离之间的关系；再通过数据挖掘与机器学习理论，离线处理大规模历史数据，最终得到单灯等待时间的线性预测方程。本发明中建立的线性模型简单，分析效果好，易推广，适用于大多数城市路段。

附图说明

图1为本发明实施例中的车辆通过信号灯模型示意图；

图2为本发明实施例中的测试车辆轨迹示意图；

图3为本发明实施例中DBSCAN算法的簇示意图；

图4为本发明实施例中拟合结果分析示意图；

图5为本发明实施例中车辆等待信号灯时间预测的方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本发明实施例提出了一种实用的方法来准确地估计信号交叉路口的车辆延误。首先分析延误公式的推导是基于观察队列的形成与消散过程，根据统一的假设，该公式简化为等待时间与排队距离（目标车辆与信号灯间距）的带有未知参数的线性关系。根据交通流中信号交叉口的延误模型，收集了大量的历史轨迹数据使用GPS检测交通车辆，并分析了它与DBSCAN算法和最小二乘法拟合确定每个交叉点的时变因素。该公式基于车辆定位数据可以精确计算出交叉口延误时间。

本发明实施例运用到的算法有：

1、DBSCAN算法：DBSCAN算法是一种基于密度的聚类算法，该算法的目的在于过滤低密度区域，发现稠密度样本点，跟传统的基于层次聚类和划分聚类的凸形聚类簇不同，该算法可以发现任意形状的聚类簇。

2、最小二乘拟合算法：（xi）2为最小，按ni=1这样的标准定义的拟合函数称为最小二乘拟合，是离散情形下的最佳平方逼近。对给定数据点{(Xi，Yi)}(i=0,1,…，m)，在取定的函数类Φ中，求p(x)∈Φ，使误差的平方和E^2最小，E^2=∑[p(Xi)-Yi]^2。从几何意义上讲，就是寻求与给定点{(Xi，Yi)}(i=0,1,…,m)的距离平方和为最小的曲线y=p(x)。函数p(x)称为拟合函数或最小二乘解，求拟合函数p(x)的方法称为曲线拟合的最小二乘法。

3、速度-密度模型：当道路上的汽车数量增多，也就是密度增大，车辆间距就会变小，驾驶人就得降低车速，因此速度随着密度的增加而单调递减。基于交通流基本关系式，一旦知道密度和车速，就可以据此计算出流量。

4、信号交叉口的延误模型：排队论的一个重要应用是研究信号交叉口的延误模型。延误和排队长度是信号交叉口配时设计和服务水平评价的主要指标。在信号交叉口中，由于人为控制的确定性与交通需求的随机性之间相互作用，使得交叉口的运行状况相当复杂。信号交叉口进口的排队是一个车辆随机到达和固定服务率问题。车辆接受服务过程相对简单，当红灯启亮时，服务率为0，车辆停止；当绿灯启亮时，服务率为饱和流率，车辆驶离交叉口，因此是一个确定可变服务率问题。

步骤101、获取目标车辆单灯等待时间t和目标车辆停车排队位置与信号灯间距x之间的线性模型。

如图1，针对某一个信号灯，考察目标车辆（深色标记车辆A）遇到红灯发生等待后一次绿灯时长内通过信号灯（称这种情况为单灯等待）的等待时间t，其中：

Ⅰ时刻：红灯亮起时刻T₁，车流由正常行驶开始减速准备进入信号灯前排队状态。设此时车流中第一辆未过信号灯的车与信号灯间距为d，车辆间的平均间距为g₁。

Ⅱ时刻：目标车辆停车时刻T₂，目标车辆此时进入队列完全停下，开始等待。设队列中完全停下的车平均占有空间长度为l，目标车辆与信号灯间距为x，目标车辆从T₁时刻到T₂时刻位移为S，平均速度为v，加速度为a。

Ⅲ时刻：绿灯亮起时刻T₃，此时排队状态开始缓解，但目标车辆因为排队的原因还未启动。

Ⅳ时刻：目标车辆启动时刻T₄，此时目标车辆前的排队状态已经完全解除，目标车辆启动，随后在一次绿灯时长内通过信号灯。

为了方便处理众多参数，以下先对模型做以下合理假设：

假设：红绿灯配时一定时间内恒定不变；车辆在未过红绿灯的路段上分布均匀：即为Ⅰ时刻中任意两辆车间距g相等；绿灯亮时车辆启动造成的延迟在单灯范围内忽略不计；同一特征日同一时间段内未过红绿灯路段车流密度相同。

则，基于以上的假设和参数设置，单灯等待时间t为：

t＝T₄-T₂＝(T₄-T₃)+(T₃-T₁)-(T₂-T₁) （1）

（T₄-T₃）是k辆车启动时间的总和，所以

T₄-T₃＝kt_d，其中t_d为每辆车的平均启动时间。

设信号灯红灯的配置时长为t₀，有t₀＝T₃-T₁。

车辆A从t₁到t₂移动的距离为S，加速度为a，平均速度为v，因此得到下面的公式：

v＝a(T₂-T₁)

S = \frac{1}{2} a {(T_{2} - T_{1})}^{2}

则

T_{2} - T_{1} = \frac{2 S}{v}

基于上述分析，重写公式（1）：

t = (T_{4} - T_{3}) + (T_{3} - T_{1}) - (T_{2} - T_{1}) = {kt}_{d} + t_{0} - \frac{2 S}{v}

由于S＝d+kg₁

k = \frac{x}{1 + g_{2}}

最终获得到站延误时间t为

\begin{matrix} t = \frac{x}{1 + g_{2}} t_{d} + t_{0} - \frac{2 (d + \frac{g_{1}}{1 + g_{2}} x)}{v} \\ = t_{0} + \frac{t_{d}}{1 + g_{2}} x - \frac{2 d}{v} - \frac{{2 g}_{1}}{(1 + g_{2}) v} x \end{matrix}

即

t = t_{0} - \frac{2 d}{v} + [\frac{t_{d}}{1 + g_{2}} - \frac{{2 g}_{1}}{(1 + g_{2}) v}] x - - - (2)

对公式（2）进行简化：

在公式(2)中有8个因子，其中：

t₀：红灯配置时长，由假设为一常数；

l：队列中车辆平均占有的空间长度，按照车辆标准为一常数；

d：在T₁时刻排队队列中第一辆车与停止线之间的距离，通常是一个很小的值，使得2d/v相对于t₀可以忽略不计；

t_d：每辆车的平均启动时间，可以视为常数；

v：由交通流理论可知，车流速度v与车流密度密切相关；

g₁：由假设车辆在未过红绿灯的路段上分布均匀可知g₁只与车流密度相关，车流密度固定时，g₁也为一定值；

g₂：在T₂时刻队列中车辆的平均间距，可以视为常数；

x：目标车辆的排队距离，与等待时间成线性关系。

基于上述分析可对公式（2）进行简化：

t = t_{0} + [\frac{t_{d}}{1 + g_{2}} - \frac{{2 g}_{1}}{(1 + g_{2}) v}] x - - - (3)

在公式(3)中有3个参数被保留：x、g₁和v，其中g₁和v是交通流密度公式D中的参数，当D确定时，g₁和v也相应确定。因此，可将公式(3)进一步简化为：

t＝t₀-D₀x (4)

D₀在公式(4)中表示

- [\frac{t_{d}}{1 + g_{2}} - \frac{{2 g}_{1}}{(1 + g_{2}) v}]

通过交通流密度模型D₀可以确定该变量，另一方面，如果D是给定的值，那么D₀也会相应确定。因此，得到了目标车辆单灯等待时间t和目标车辆停车排队位置与信号灯间距x之间的线性模型。

步骤102、通过数据挖掘的方法来求解公式（4）中参数的历史数据。

如图2圆圈内所示，当公交车在信号灯前发生停车等待的行为时，其GPS点在地图上的投影便呈现聚集状态。需要从数据中查找出所有的公交车停车等待行为，在这里使用一种基于密度的聚类方法DBSCAN(Density-Based Spatial Clustering of Application with Noise)：

DBSCAN算法有两个参数：邻域半径E和密度阈值MinPts。如果一个对象的E-邻域内至少包含MinPts个对象，则该对象是核心对象。该算法连接核心对象和他们的邻域，形成稠密区域作为簇。如图3所示，给定一个对象集D，对于核心对象q和对象p，p是从q（关于E和MinPts）直接密度可达的，如果p在q的E-邻域内；p是从q（关于E和MinPts）密度可达的，如果存在一个对象链p₁，p₂，…，p_n使得p₁=q，p_n=p，并且对于每个p_i（1<=i<=n）,p_i+1是从p_i关于E和MinPts直接密度可达的；两个对象p₁，p₂是关于E和MinPts密度相连的，如果存在一个对象q，使得对象p₁和p₂都是从q关于E和MinPts密度可达的。最后，使用密度相连的闭包来发现连通的稠密区域作为簇。

对每辆公交车数据进行DBSCAN聚类算法之后，就得到了很多公交车GPS点簇。每个簇里的数据点便是车辆在停车等待时所产生的。停车等待时间t就是将每个簇中的点按时间排序后最后一个点和第一个点的时间差，相应的排队距离x就是每个簇的中心点（簇中所有点的平均经纬度）与红绿灯的间距。

至此针对不同的红绿灯，得到了大量的历史停车等待时间t以及相应的排队距离x，利用这些数据，再通过最小二乘法便可以拟合出公式（4）的图像，从而求得其中的参数t₀和D₀。对于不同的红绿灯，我们用相应的数据给出相应的参数。这里找到了车辆在红绿灯前的排队距离和单灯等待时间的关系，在实际应用中，当发现车辆停止时，就可以通过车辆的排队距离预测得到单灯等待时间。

图4为对上述结果的拟合结果分析，图4为典型的交叉口路段，由图4可见，该方法基于大量的历史数据得到了明显的规律性，拟合效果较好。

应用前述模型实现车辆等灯时间预测的方法流程分为历史数据处理（A流程）和实时预测（B流程）两部分，流程图如图5所示，包括：

步骤A、获取目标车辆单灯等待时间t的预测公式，根据历史GPS数据，利用最小二拟合求得公式中的参数t₀和D₀。

步骤A1：研究过红灯时等灯车辆队列的形成与消散模型，得到等待时间t的预测方程t＝t₀-D₀x。

步骤A2：采集用于机器学习的历史GPS数据，为北京市三个月的所有公交车GPS数据。

步骤A3：先利用DBSCAN聚类方法探测公交车的等待红绿灯行为，得到历史等待时间和排队距离；然后利用最小二拟合求得参数t₀和D₀；最后将结果存入参数表。

步骤B、采集公交车的实时GPS数据，基于该公交车适用的车辆单灯等待时间t的预测公式，获取该公交车的红绿灯等待预测时间。

步骤B1：需要进行预测的实时GPS数据，每辆公交车间隔15至30秒上报一条GPS数据到预测系统。

步骤B2：判断此时车辆状态，是否停车等待红绿灯，若是，则执行下一步；若否，则继续接收实时GPS数据。

步骤B3：利用当前GPS状态（日期，时间）在参数表中查找到相应参数，得到此时适用的预测方程。

步骤B4：利用预测方程计算出当前GPS的等待时间。

步骤B4：输出等待时间用于预测。

设以上等灯时间预测方法的准确度为C：

C = 1 - \frac{| t - t_{r} |}{t_{r}}

其中t_r为实际等待时间，t为预测等待时间。

准确度C的平均数及方差如表1所示：

表1

上表结果显示该方法在城市道路间验证了模型的有效性。

总之，以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims

1.一种基于GPS的车辆等待红绿灯时间预测方法，其特征在于，包括：

2.根据权利要求1所述的基于GPS的车辆等待红绿灯时间预测方法，其特征在于，所述获取目标车辆单灯等待时间的预测公式的步骤具体包括：

获取目标车辆单灯等待时间t和目标车辆停车排队位置与信号灯间距x之间的线性模型；

通过数据挖掘的方法来求解所述线性模型中参数的历史数据，通过最小二乘法求解出所需要的参数。

3.根据权利要求2所述的基于GPS的车辆等待红绿灯时间预测方法，其特征在于，所述获取t和x之间的线性模型的步骤具体包括：

设置：红灯亮起时刻T₁，车流由正常行驶开始减速准备进入信号灯前排队状态，设此时车流中第一辆未过信号灯的车与信号灯间距为d，车辆间的平均距为g；

目标车辆停车时刻T₂，目标车辆此时进入队列完全停下，开始等待，设队列中完全停下的车平均占有空间长度为l，目标车辆与信号灯间距为x，目标车辆从T₁时刻到T₂时刻位移为S，平均速度为v，加速度为a；

绿灯亮起时刻T₃；

目标车辆启动时刻T₄；

则，单灯等待时间t为：

t＝T₄-T₂＝(T₄-T₃)+(T₃-T₁)-(T₂-T₁)

（T₄-T₃）是k辆车启动时间的总和，所以

T₄-T₃＝kt_d，其中t_d为每辆车的平均启动时间；

设红信号灯的配置时长为t₀，则t₀＝T₃-T₁；

目标车辆从T₁到T₂移动了距离S，加速度为a，平均速度为v，则：

v＝a(T₂-T₁)

S = \frac{1}{2} a {(T_{2} - T_{1})}^{2}

则

T_{2} - T_{1} = \frac{2 S}{v}

t = (T_{4} - T_{3}) + (T_{3} - T_{1}) - (T_{2} - T_{1}) = {kt}_{d} + t_{0} - \frac{2 S}{v}

由于S＝d+kg₁，g₁为在T₁时刻队列中车辆的平均间距；

g₂为在T₂时刻队列中车辆的平均间距；

t = t_{0} - \frac{2 d}{v} + [\frac{t_{d}}{1 + g_{2}} - \frac{{2 g}_{1}}{(1 + g_{2}) v}] x

进行简化后：

t = t_{0} + [\frac{t_{d}}{1 + g_{2}} - \frac{{2 g}_{1}}{(1 + g_{2}) v}] x

其中g₁和v是交通流密度公式D中的参数，当D确定时，g₁和v也相应确定，因此，该公式简化为：

t＝t₀-D₀x

4.根据权利要求3所述的基于GPS的车辆等待红绿灯时间预测方法，其特征在于，所述通过数据挖掘的方法来求解所述线性模型中参数的历史数据的步骤具体包括：

对每辆公交车数据进行基于密度的聚类算法之后，得到多个公交车GPS点簇，停车等待时间t就是将每个簇中的点按时间排序后最后一个点和第一个点的时间差，目标车辆与信号灯间距x就是每个簇的中心点与信号灯的间距；

对不同的信号灯，得到多个历史停车等待时间t以及目标车辆与信号灯距离x，利用该数据，再通过最小二乘法求得参数t₀和D₀，并将结果存入参数表。

5.根据权利要求4所述的基于GPS的车辆等待红绿灯时间预测方法，其特征在于，所述获取该公交车的红绿灯等待预测时间的步骤具体包括：

每辆公交车间隔15至30秒上报一条实时GPS数据，判断此时车辆状态，如果是在停车等待红绿灯，则根据当前公交车GPS状态在参数表中查找到相应参数，将参数应用到预测方程计算出当前公交车的红绿灯等待时间，输出等待时间。