CN107909825B - 一种高斯过程回归饱和流率检测方法 - Google Patents

Abstract

一种高斯过程回归饱和流率检测方法，包括以下步骤：1)获取交叉口的某个车道在停车线处的在感兴趣时间段内的原始过车时刻数据；2)原始过车时刻数据预处理，获得过车时刻数据；3)利用配时方案和过车时刻数据，计算瞬时流量数据和周期内的过车时刻数据；4)利用高斯过程回归方法，基于瞬时流率数据和周期内的过车时刻数据，拟合瞬时流率曲线；5)求解瞬时流率曲线的最大值，作为饱和流率的检测值。与现有技术相比，本发明充分挖掘交叉口停车线处过车时刻大数据中包含的间断交通流信息，获得的饱和流率检测值更准确。

Description

一种高斯过程回归饱和流率检测方法

技术领域

本发明涉及交通控制工程、大数据分析应用、机器学习应用领域，尤其涉及饱和流率检测方法和高斯过程回归方法。

背景技术

随着我国国民经济持续迅速增长，大城市的中心区域扩张，交通需求量增加,交通拥堵问题越来越严重。采用合理的信号控制方案是缓解交通拥堵的有效方法，而设计合理的信号控制方案离不开间断交通流的基本特性参数：饱和流率。饱和流率是指在绿灯时，连续车流通过停车线的最大流率。目前最常用的饱和流率检测方法为：将交叉口处的间断交通流看作连续交通流，通过统计5分钟(或更长间隔)的交通流流量来计算流率，然后以一天中的最大流率作为饱和流率的检测值。这种方法的缺点是忽视了间断交通流的瞬时特性，导致饱和流率的检测准确性偏低。随着车辆检测技术的发展，尤其是视频车辆检测器的普及，获取交通流大数据已不在是技术瓶颈。海量的交通流数据，如停车线处的过车数据，为分析间断交通流的瞬时特性提供了可能，当然也为获得更加准确的饱和流率检测值提供了可能。

发明内容

为了克服现有车道饱和流率检测方法的准确性较低的问题，本发明通过充分挖掘交通流大数据中的信息，提出一种准确性较高的利用停车线处过车数据计算信号交叉口饱和流率的检测方法。

本发明解决其技术问题所采用的技术方案是：

一种高斯过程回归饱和流率检测方法，所述检测方法包括以下步骤：

1)获取交叉口的某个车道在停车线处的在感兴趣时间段内的原始过车时刻数据，即每辆车通过该停车线的时刻；

2)原始过车时刻数据预处理，获得过车时刻数据{p_n}，其中，p_n为第n辆车通过停车线的时刻，n＝1,2,…,N，N为该数据集合中的数据个数，过程如下：

2.1)剔除明显异常数据；

2.2)将原始过车时刻数据的时间格式转换为一天中的秒；

2.3)将过车时刻数据进行降序排序，即{p_n}中的数据必定满足p_n＜p_n+1；

3)利用配时方案和过车时刻数据{p_n}，计算瞬时流量数据{f_n}和周期内的过车时刻数据{ρ_n}，过程如下：

3.1)根据配时方案和过车时刻数据{p_n}计算周期内的过车时刻数据{ρ_n}，即车辆在绿灯开始后的第几秒通过停车线，以及每个过车时刻数据的周期标号{c_n}，即在同一个周期内通过的车辆由相同的标号标识，计算公式如下：

ρ_n＝mod(p_n,C),

其中，mod()表示取模计算，int()表示取整计算，C为周期长度；

3.2)根据周期内的过车时刻数据{ρ_n}计算车头时距数据{h_n}，计算公式如下：

h_n＝ρ_n-ρ_n-1；

3.3)根据周期标号{c_n}找到车头时距数据{h_n}中每个周期内通过的第一个车头

时距，并对其进行修正，修正公式如下：

h_first＝ρ_first-绿灯开始时刻；

3.4)根据车头时距数据{h_n}计算瞬时流率数据{f_n}，单位：辆/小时，公式如下：

4)利用高斯过程回归方法，基于瞬时流率数据{f_n}和周期内的过车时刻数据{ρ_n}，拟合瞬时流率曲线，过程如下：

4.1)通过最大化对数边际似然函数，选择最优的高斯过程归回的超参数：尺度参数l、信号方差

和噪声方差

该优化问题描述如下：

其中，

是由瞬时流率数据{f_n}组成的列向量，

是由周期内的过车时刻数据{ρ_n}计算得到的方差矩阵，表达式如下

k(ρ₁,ρ₂)为方差函数，表达式如下：

I为单位矩阵，|·|表示矩阵的行列式；

4.2)使用最优的高斯过程归回超参数，得到绿灯放行后的瞬时流率曲线

表达式如下：

其中，ρ为绿灯放行后的任意时刻，κ(ρ)＝[k(ρ,ρ₁),k(ρ,ρ₂),…,k(ρ,ρ_N)]；

5)求解瞬时流率曲线

的最大值，作为饱和流率的检测值，即饱和流率为

本发明的技术构思为：将信号交叉口的间断交通流率看作一个高斯随机过程；基于实测大数据，即停车线处的过车时刻数据，通过高斯过程回归拟合得到高斯随机过程的均值函数作为瞬时交通流率曲线；根据饱和流率的定义，将瞬时交通流率曲线的最大值作为饱和流率的检测值。

本发明的有益效果为：充分挖掘交通流大数据中包含的信息，获得比已有方法更精确的饱和流率的检测值。

附图说明

图1显示了高斯过程回归饱和流率检测方法再计算过程中产生的瞬时流率数据{f_n}、瞬时流率曲线

和饱和流率的检测值。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种高斯过程回归饱和流率检测方法，包括以下步骤：

1)获取交叉口的某个车道在停车线处的在感兴趣时间段内的原始过车时刻数据，即每辆车通过该停车线的时刻；

2)原始过车时刻数据预处理，获得过车时刻数据{p_n}，其中，p_n为第n辆车通过停车线的时刻，n＝1,2,…,N，N为该数据集合中的数据个数，过程如下：

2.1)剔除明显异常数据，如根据配时方案提出在红灯期间收集到的数据；

2.2)将原始过车时刻数据的时间格式转换为一天中的秒，例如：13:00:00转换为一天中的秒为13*3600＝46800秒；

2.3)将过车时刻数据进行降序排序，即{p_n}中的数据必定满足p_n＜p_n+1；

3)利用配时方案和过车时刻数据{p_n}，计算瞬时流量数据{f_n}和周期内的过车时刻数据{ρ_n}，过程如下：

3.1)根据配时方案和过车时刻数据{p_n}计算周期内的过车时刻数据{ρ_n}，即车辆在绿灯开始后的第几秒通过停车线，以及每个过车时刻数据的周期标号{c_n}，即在同一个周期内通过的车辆由相同的标号标识，计算公式如下：

ρ_n＝mod(p_n,C),

其中，mod()表示取模计算，int()表示取整计算，C为周期长度；

3.2)根据周期内的过车时刻数据{ρ_n}计算车头时距数据{h_n}，计算公式如下：

h_n＝ρ_n-ρ_n-1；

3.3)根据周期标号{c_n}找到车头时距数据{h_n}中每个周期内通过的第一个车头时距，并对其进行修正，修正公式如下：

h_first＝ρ_first-绿灯开始时刻；

3.4)根据车头时距数据{h_n}计算瞬时流率数据{f_n}，单位：辆/小时，公式如下：

4)利用高斯过程回归方法，基于瞬时流率数据{f_n}和周期内的过车时刻数据{ρ_n}，拟合瞬时流率曲线，过程如下：

4.1)通过最大化对数边际似然函数，选择最优的高斯过程归回的超参数：尺度参数l、信号方差

和噪声方差

该优化问题描述如下：

其中，

是由瞬时流率数据{f_n}组成的列向量，

是由周期内的过车时刻数据{ρ_n}计算得到的方差矩阵，表达式如下：

k(ρ₁,ρ₂)为方差函数，表达式如下：

I为单位矩阵，|·|表示矩阵的行列式；

4.2)使用最优的高斯过程归回超参数，得到绿灯放行后的瞬时流率曲线

表达式如下：

其中，ρ为绿灯放行后的任意时刻，κ(ρ)＝[k(ρ,ρ₁),k(ρ,ρ₂),…,k(ρ,ρ_N)]；

5)求解瞬时流率曲线

的最大值，作为饱和流率的检测值，即饱和流率为

本实施例以浙江省衢州市衢化路-蝴蝶路交叉口的北向南直行车道的实测过车数据为实施例，一种高斯过程回归饱和流率检测方法，包括以下步骤：

1)获取浙江省衢州市衢化路-蝴蝶路交叉口的北向南直行车道在停车线处的在2016年2月9日10:00:00至13:00:00时间段内的原始过车时刻数据，即每辆车通过该停车线的时刻；

2)原始过车时刻数据预处理，获得过车时刻数据{p_n}，其中，p_n为第n辆车通过停车线的时刻，n＝1,2,…,N，N为该数据集合中的数据个数，过程如下：

2.1)剔除明显异常数据，如根据配时方案提出在红灯期间收集到的数据；

2.2)将原始过车时刻数据的时间格式转换为一天中的秒，例如：13:00:00转换为一天中的秒为13*3600＝46800秒；

2.3)将过车时刻数据进行降序排序，即{p_n}中的数据必定满足p_n＜p_n+1；

3)利用配时方案和过车时刻数据{p_n}，计算瞬时流量数据{f_n}和周期内的过车时刻数据{ρ_n}，过程如下：

3.1)根据配时方案和过车时刻数据{p_n}计算周期内的过车时刻数据{ρ_n}，即车辆在绿灯开始后的第几秒通过停车线，以及每个过车时刻数据的周期标号{c_n}，即在同一个周期内通过的车辆由相同的标号标识，计算公式如下：

ρ_n＝mod(p_n,C),

其中，mod()表示取模计算，int()表示取整计算，C为周期长度；

3.2)根据周期内的过车时刻数据{ρ_n}计算车头时距数据{h_n}，计算公式如下：

h_n＝ρ_n-ρ_n-1；

3.3)根据周期标号{c_n}找到车头时距数据{h_n}中每个周期内通过的第一个车头时距，并对其进行修正，修正公式如下：

h_first＝ρ_first-绿灯开始时刻；

3.4)根据车头时距数据{h_n}计算瞬时流率数据{f_n}，单位：辆/小时，公式如下：

4)利用高斯过程回归方法，基于瞬时流率数据{f_n}和周期内的过车时刻数据{ρ_n}，拟合瞬时流率曲线，过程如下：

4.1)通过最大化对数边际似然函数，选择最优的高斯过程归回的超参数：尺度参数l、信号方差

和噪声方差

该优化问题描述如下：

其中，

是由瞬时流率数据{f_n}组成的列向量，

是由周期内的过车时刻数据{ρ_n}计算得到的方差矩阵，表达式如下：

k(ρ₁,ρ₂)为方差函数，表达式如下：

I为单位矩阵，|·|表示矩阵的行列式；

4.2)使用最优的高斯过程归回超参数，得到绿灯放行后的瞬时流率曲线

表达式如下：

其中，ρ为绿灯放行后的任意时刻，κ(ρ)＝[k(ρ,ρ₁),k(ρ,ρ₂),…,k(ρ,ρ_N)]；

5)求解瞬时流率曲线

的最大值，作为饱和流率的检测值，即饱和流率为：

以浙江省衢州市衢化路-蝴蝶路交叉口的北向南直行车道的实测过车数据为实施例，运用以上方法得到了车道的饱和流率为1570辆每小时，如图1所示。

以上阐述的是本发明给出的一个实施例表现出来的优良效果，显然本发明不仅适合上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。

Claims (1)

1.一种高斯过程回归饱和流率检测方法，其特征在于：所述检测方法包括以下步骤：

1)获取交叉口的某个车道在停车线处的在感兴趣时间段内的原始过车时刻数据，即每辆车通过该停车线的时刻；

2)原始过车时刻数据预处理，获得过车时刻数据{p_n}，其中，p_n为第n辆车通过停车线的时刻，n＝1,2,…,N，N为该数据集合中的数据个数，过程如下：

2.1)剔除明显异常数据；

2.2)将原始过车时刻数据的时间格式转换为一天中的秒；

2.3)将过车时刻数据进行降序排序，即{p_n}中的数据必定满足p_n＜p_n+1；

3)利用配时方案和过车时刻数据{p_n}，计算瞬时流量数据{f_n}和周期内的过车时刻数据{ρ_n}，过程如下：

3.1)根据配时方案和过车时刻数据{p_n}计算周期内的过车时刻数据{ρ_n}，即车辆在绿灯开始后的第几秒通过停车线，以及每个过车时刻数据的周期标号{c_n}，即在同一个周期内通过的车辆由相同的标号标识，计算公式如下：

ρ_n＝mod(p_n,C),

其中，mod()表示取模计算，int()表示取整计算，C为周期长度；

3.2)根据周期内的过车时刻数据{ρ_n}计算车头时距数据{h_n}，计算公式如下：

h_n＝ρ_n-ρ_n-1；

3.3)根据周期标号{c_n}找到车头时距数据{h_n}中每个周期内通过的第一个车头时距，并对其进行修正，修正公式如下：

h_first＝ρ_first-绿灯开始时刻；

3.4)根据车头时距数据{h_n}计算瞬时流率数据{f_n}，单位：辆/小时，公式如下：

4)利用高斯过程回归方法，基于瞬时流率数据{f_n}和周期内的过车时刻数据{ρ_n}，拟合瞬时流率曲线，过程如下：

4.1)通过最大化对数边际似然函数，选择最优的高斯过程回归的超参数：尺度参数l、信号方差

和噪声方差

优化问题描述如下：

其中，f＝[f₁,f₂,…,f_N]^T∈R^N是由瞬时流率数据{f_n}组成的列向量，K∈R^N×N是由周期内的过车时刻数据{ρ_n}计算得到的方差矩阵，表达式如下：

k(ρ₁,ρ₂)为方差函数，表达式如下：

I为单位矩阵，|·|表示矩阵的行列式；

4.2)使用最优的高斯过程归回超参数，得到绿灯放行后的瞬时流率曲线

表达式如下：

其中，ρ为绿灯放行后的任意时刻，κ(ρ)＝[k(ρ,ρ₁),k(ρ,ρ₂),…,k(ρ,ρ_N)]；

5)求解瞬时流率曲线

的最大值，作为饱和流率的检测值，即饱和流率为：

Images