[发明专利]一种基于号牌数据的路段溢流和车道阻挡状态辨识方法

权利要求书

1.一种基于号牌数据的路段溢流和车道阻挡状态辨识方法，其特征在于，包括如下步骤：

步骤1，获取车辆身份标识数据、信号交叉口交通信号控制配时数据及道路静态信息；具体过程如下：

S11，获取卡口式电子警察采集的车辆身份标识数据，包括交叉口编号、进口道编号、设备编号、车道编号、日期、检测时间及车牌号码，此外还要获取信号交叉口交通信号控制配时数据及道路静态信息；

S12，将车辆身份标识数据按日期及检测时间依次排序，并与信号交叉口交通信号控制配时数据及道路静态信息相匹配；

步骤2，根据车辆身份标识数据区分路段车道上到达信息真实车辆与到达信息缺失车辆；具体过程如下：

S21，根据下游交叉口车道上驶离车辆的时间戳序列建立车辆索引，根据每辆车的驶离时刻和车道累计驶离车辆数绘制单车道累计驶离曲线；

S22，根据下游交叉口驶离车辆的身份标识数据，在匹配时间窗阈值范围内，寻找车辆驶离上游交叉口的时间戳，记为车辆k的到达时刻则原始累计到达曲线为且为车道累计到达车辆数，若车辆满足以下条件之一：(1)车辆在上游交叉口无法匹配，即车辆在上下游交叉口间的号牌不匹配；即违反FIFO规则；则标记为到达信息缺失车辆，用符号j表示，j＝1,2,…,n_um，n_um为到达信息缺失车辆的数量；

S23，将满足上下游交叉口间车辆号牌匹配且遵循FIFO规则的车辆标记为到达信息真实车辆，用符号i表示，i＝1,2,…,n_m，n＝n_m+n_um，n_m为到达信息真实车辆的数量，n为车辆的总数量；

步骤3，根据到达信息真实车辆的身份标识数据，得到最优卡尔曼滤波曲线，根据最优卡尔曼滤波曲线，对路段车道上所有车辆累计到达曲线进行重构；具体过程如下：

S31，构建卡尔曼滤波模型：

①卡尔曼滤波模型的状态方程为：

其中，设时刻系统状态变量为累计到达车辆数和累计车辆到达的增长率组成的二维向量，即为累计到达曲线上第i-1辆车与第i辆车之间的曲线斜率，为时刻到时刻的状态转移矩阵，为时刻的系统随机噪声，为白高斯噪声，表示第i-1辆车与第i辆车之间的累计到达曲线增长加速度，表示从时刻到时刻的时间步长，即

②卡尔曼滤波模型的观测方程为：

其中，为时刻的系统观测变量，即累计车辆数，为时刻的观测矩阵，为时刻的观测噪声；

S32，对卡尔曼滤波模型进行迭代求解：

①令初始化状态变量状态转移矩阵和观测矩阵

②设状态变量初始化系统随机噪声的协方差矩阵和观测噪声协方差矩阵

③计算状态变量的先验估计

④计算先验估计的误差协方差

⑤计算卡尔曼增益

⑥更新先验估计，得到最优估计值

⑦更新最优估计值的协方差误差

⑧令i＝i+1，若in_m，则停止计算，得到最优卡尔曼滤波曲线，实现累计到达曲线重构；

步骤4，根据车辆重构累计到达曲线，以路段车道滞留车辆数和上游交叉口驶离车辆车头时距作为辨识参数，对路段车道溢流状态进行辨识，若路段车道未处于溢流状态则进入步骤5；具体过程如下：

S41，根据重构累计到达曲线和实际累计驶离曲线获取路段某车道在t时刻的滞留车辆数N_{s t}：

N_{s t}＝N_{arr t}-N_{dep t}

其中，N_{arr t}为t时刻路段某车道上的累计到达车辆数，即路段上游交叉口的左转车辆、直行车辆与右转车辆驶向路段某车道的累计车辆数；N_{dep t}为t时刻路段某车道上的累计驶离车辆数，即从路段下游交叉口某车道停车线处驶离的累计车辆数；

路段车道可容纳车辆数N_m：

其中，L_lane为路段车道长度；为排队状态下的平均车头间距，l_car为平均车身长度，H_car为平均停车间距；

S42，根据车辆身份标识数据，获取所有车辆的车头时距h_t：

其中，为某进口道上第k辆车驶离停止线的时刻，为同一条进口道上第k-1辆车驶离停止线的时刻；

计算各车道周期内饱和车头时距h_{t sat}＝max{h_t}，以及上游交叉口进口道所有周期驶离车辆的饱和车头时距最大值h_{t max}＝max{h_{t sat}}，上游交叉口驶离车辆车头时距h为上游交叉口进口道的周期饱和车头时距最大值与该车道周期内饱和车头时距的比值，即h＝h_{t max}/h_{t sat}；

S43，当同时满足以下两个条件时：(1)N_{s t}≥N_m，N_m为路段车道可容纳车辆数；(2)h≥预设阈值；判断路段车道处于溢流状态，否则判断该路段车道未处于溢流状态，进入步骤5；

步骤5，根据车辆重构累计到达曲线和交通信号控制配时数据，考虑路段交通需求和绿灯信号阶段车辆消散能力的不同，采用动态时间弯曲算法对无车道阻挡状态的预期累计驶离曲线和实际累计驶离曲线相似度进行比较，利用时间序列分段算法比较左转车道和相邻直行车道的累计驶离曲线偏移距离，对渠化段车道阻挡状态进行辨识；具体过程如下：

S51，无车道阻挡状态下的预期累计驶离曲线估计：

(1)确定当前周期c的到达车辆数，提取车辆累计到达曲线上对应时间区间内的车辆坐标点，并计算周期c到达车辆数其中t_r为周期开始时刻即红灯开始时刻，t′_g为周期结束时刻即绿灯结束时刻，v_f为路段自由流速度；

(2)判断当前周期的车辆能否完全释放：

若则当前周期到达车辆数与上一个周期剩余车辆数之和小于该周期绿灯可消散车辆数，即当前周期的车辆能完全释放；

若则当前周期到达车辆数与上一个周期剩余车辆数之和大于或等于该周期绿灯可消散车辆数，即当前周期的车辆不能完全释放；

其中，ΔN_c-1为上一个周期滞留未消散的车辆数，h_{t s}为饱和车头时距，t_g为当前周期绿灯的开始时刻；

(3)无车道阻挡状态下车辆预期累计驶离曲线在红灯时间内的部分估计为水平直线，且直线的起点为红灯开始时刻t_r，终点为t_g+t_sl，t_sl为绿灯开始时的车辆启动损失时间；

(4)若当前周期的车辆能完全释放，则确定临界点位置，临界点之前的预期驶离曲线估计为斜率为的直线，临界点之后的曲线为累计到达曲线向右平移得到；若当前周期的车辆不能完全释放，通过饱和驶离流率和有效绿灯时间估计预期累计驶离曲线；

(5)计算当前周期的剩余车辆数，并进入下一周期的无车道阻挡状态下车辆预期累计驶离曲线估计，直到所有周期估计结束；

S52，基于动态时间弯曲算法对无车道阻挡状态预期累计驶离曲线和实际累计驶离曲线的相似度进行比较：

(1)根据无车道阻挡状态的预期驶离时间序列和下游交叉口实际采集的车辆身份标识数据得到实际驶离时间序列计算两个时间序列中所有观测值两两之间的局部距离得到费用矩阵p＝1,2,…,N,q＝1,2,…,M，d(p,q)为观测值与间的局部距离，N、M分别是时间序列D^e和D^a的数量；

(2)在费用矩阵D_c中计算两条曲线的平均累计扭曲值：

其中，d_Ω为平均累计扭曲值，Ω(l)为在费用矩阵D_c中连接所有局部距离d(p,q)的路径，L为路径数量；

(3)分别计算信号交叉口左转车道和相邻直行车道在各周期的车辆累计驶离曲线偏移距离：

其中，DTW_int为信号交叉口在所有周期内的车辆累计驶离曲线偏移距离时间序列，C为周期总数，为第c周期左转车道在无车道阻挡状态下的车辆累计驶离曲线和实际采集的车辆累计驶离曲线之间的动态时间弯曲距离，为第c周期相邻直行车道在无车道阻挡状态下的车辆累计驶离曲线和实际采集的车辆累计驶离曲线之间的动态时间弯曲距离；

S53，基于时间序列分段算法对左转车道和相邻直行车道的累计驶离曲线偏移距离进行比较：

(1)使用时间序列分段算法将左转车道和相邻直行车道的累计驶离曲线偏移距离划分为一系列离散段；

①提取左转车道和相邻直行车道的车辆累计驶离曲线偏移距离；

②构建参数型成本函数：

其中，y_a…b表示从a时刻到b时刻车辆累计驶离曲线偏移距离，C_M(y_a…b)表示从a时刻到b时刻车辆累计驶离曲线偏移距离的成本函数，表示从a时刻到b时刻车辆累计驶离曲线偏移距离的均值，y_t为时间序列样本；

③判断突变点数目；

④确定目标函数：

min(V(T)+pen(T))

其中，惩罚函数pen(T)和目标函数V(T)的计算为：

其中，β为平滑参数；t_h为全时间样本T中第h个时间段；为从第h-1个时间段到第h个时间段偏移距离的经验均值；为从第h个时间段到第h+1个时间段偏移距离的经验均值；为从第h-1个时间段到第h个时间段偏移距离的成本函数；为时间序列分段算法输出的偏移距离序列发生突变的时刻，即发生渠化段车道阻挡状态的时刻；

⑤采用动态规划搜索算法对偏移距离的突变点进行识别；

S54，渠化段左转车道和相邻直行车道间的阻挡关系判断：

结合S53中时间序列分段算法输出的车辆累计驶离曲线偏移距离序列发生突变的时刻，即发生渠化段车道阻挡状态的时刻，若满足如下条件时：

(1)相邻直行车道的累计驶离曲线偏移距离大于第一阈值，且左转车道和相邻直行车道的偏移距离曲线间的面积大于第二阈值，则左转车辆阻挡直行车辆行驶状态；

(2)左转车道的累计驶离曲线偏移距离大于第三阈值，且左转车道和相邻直行车道的偏移距离曲线间的面积大于第四阈值，则直行车辆阻挡左转车辆行驶状态；

(3)左转车道的累计驶离曲线偏移距离小于第三阈值，且相邻直行车道的累计驶离曲线偏移距离小于第一阈值，则无车道阻挡状态。