一种城市交通流畅通性指标的数据融合方法

摘要

本发明提供一种城市交通流畅通性指标的数据融合方法，该方法包括：(1)十字交叉口畅通性指标的数据融合，其由各个方向的车辆平均延误的加权期望值来体现；(2)干线多交叉口畅通性指标的数据融合，其由车辆通过该干线各交叉口平均旅行时间延误来体现；(3)路网多干线多交叉口畅通性指标的数据融合，其由路网区域中各个干线的平均旅行时间延误加权期望值来体现。本发明方法基于城市交通的交通状态获取技术，通过获取交通参数进行城市交通流畅通性指标的数据融合，从而实现面向交通多目标的优化控制。本发明方法具有普适性、全面性和灵活性。

说明书

技术领域

本发明涉及城市道路交通多源数据融合技术领域，尤其涉及面向城市道路交通流畅通性控制指标的数据融合方法。

背景技术

随着交通需求的持续增加和对路网高畅通性的要求越来越高，传统的交通单一控制目标如交叉口延误、排队长度和停车率等已不能满足城市道路交通控制的需要。为了改善交通运行状况，满足交通出行者对高畅通性的需求，需要建立以畅通性为主要目标的控制方法，以直接、系统、定量地表征交通流的拥堵程度。

交通出行者在参与交通中，由于道路和环境条件、交通干扰以及交通管理与控制等因素难免会使旅行时间延长，畅通性就是定量的描述这种旅行时间延长的一种指标。换句话说，由于交通控制、交通流量的增加等外界因素的干扰，从而使得自由行驶交通流的旅行时间被迫延长，畅通性是衡量该旅行时间延长程度的定量指标。畅通性是一个多层次的指标，对于单交叉口、干线多交叉口、区域多交叉口，畅通性指标分别代表不同的含义，以适应不同层次交通控制的需求。

畅通性是定量描述由于交通控制、交通流量的增加等外界因素而使自由行驶交通流旅行时间延长程度的指标，不是传统交通控制目标的简单累加，其无法通过交通状态获取技术的一次测量得到，必须综合考虑交通环境、交通流特征和多源传感器数据等，借助多源数据融和方法。该畅通性指标的期望是能够尽量给交通参与者一个畅通的、快捷的交通出行环境。

数据融合技术是针对使用了多个或多类传感器的这类系统其关联特征而开展的一种全新的信息处理方法。我国基于新型地磁传感器交通状态获取技术已取得突破进展，利用数据融合技术，将实时地、准确地获取交通流的畅通性指标。

发明内容

为了克服现有技术结构的不足，本发明提供一种城市交通流畅通性指标的数据融合方法，该方法以畅通性为目标进行优化控制，基于交通状态获取技术获得一次交通参数，以实现交通流的畅通性目标控制，进而研究交通流畅通性指标的融合方法。本发明解决其技术问题所采用的技术方案是：

城市交通流畅通性指标的数据融合方法，其包括：十字交叉口畅通性指标的数据融合，其由各个方向的车辆平均延误的加权期望值来体现；干线多交叉口畅通性指标的数据融合，其由车辆通过该干线各交叉口平均旅行时间延误来体现；以及，路网多干线多交叉口畅通性指标的数据融合，其由路网区域中各个干线的平均旅行时间延误加权期望值来体现。所述十字交叉口畅通性指标由十字交叉口中各相位车辆的平均延误时间来确定，所述车辆的平均延误时间包括：滞留时间和损失时间，所述滞留时间是指十字交叉口的排队等待时间，其由车辆饱和度所决定的滞留时间计算而得，所述饱和度由交通信号灯的周期长、绿信比、车流量和饱和流量决定；所述损失时间是指由于十字交叉口的相位转换及司机反映所耽误的时间，其由车辆进入狮子交叉口信号灯控制区域的四种不同情况确定，所述四种不同情况及其相应的车辆延误时间确定如下：

情况1：车辆进入信号灯控制区域时，受控信号显示绿灯；当车辆到达停止线时，信号灯依然显示绿灯，车辆正常通过交叉口；此时车辆没有滞留时间和损失时间，所述车辆的延误时间为0；

情况2：车辆进入信号灯控制区域时，受控信号显示绿灯；当车辆到达停止线时，信号灯显示红灯，此时车辆无法正常通过交叉口；此时进入下一周期，滞留时间为此方向的红灯时间；当信号灯显示绿灯时，车辆起动，车辆有起动损失时间；此时所述车辆的延误时间为损失时间和滞留时间之和；

情况3：车辆进入信号灯控制区域时，受控信号显示红灯；当车辆到达停止线时，信号灯显示绿灯，这时车辆正常通过。此时车辆的延误时间为前面车辆启动所引起的延误时间；

情况4：车辆进入信号灯控制区域时，受控信号显示红灯；当车辆到达停止线时，信号灯依然显示红灯，车辆将无法正常通过交叉口；滞留时间为绿灯开始时刻与车辆到达时刻之差，当信号灯指示绿灯时，车辆起动，车辆有起动损失时间；所述车辆的延误时间为损失时间和滞留时间之和。

通过对各相位车辆的平均延误时间进行求取加权期望值，对所述十字交叉口畅通性指标进行数据融合；从而监控和优化城市交通流控制。所述干线多交叉口畅通性指标由干线旅行时间和干线理想旅行时间确定。所述干线旅行时间指从车辆进入干线开始，中间经过干线所有交叉口到驶离干线所花费的时间，其通过对该干线路段平均行驶时间和十字交叉口畅通性指标确定；所述干线理想旅行时间由该干线的路段长度和自由行驶速度确定。

在干线多交叉口中，畅通性指标由车辆通过该干线各交叉口平均旅行时间延误来体现，该干线各交叉口平均旅行时间延误由两部分组成，一是指干线行使时间与干线理想行使时间之差的数学期望；二是车辆在各交叉口的平均延误时间。该干线多交叉口畅通性指标的数据融合步骤包括：

步骤1：干线行使时间的估计

干线行使时间指从车辆进入干线开始，中间经过干线所有交叉口到驶离干线所花费的时间。由以下融合步骤得到：

第一步：标定虚拟传感器

交通状态获取系统中，传感器安置在交叉口i的出口道最前端和交叉口i+1的停止线处。设定传感器节点i为交叉口i出口道安置的传感器，传感器节点i+1为交叉口i+1停止线处安置的传感器。节点i与i+1之间的距离为d_i，平均行驶时间为t_行ⁱ，定义传感器节点i与传感器节点i+1之间的虚拟传感器为m_i＝[d_i/100]个，分别标记为(i，1)、(i，2)...(i，mi)。

第二步：获取虚拟传感器的速度

定义传感器节点i与虚拟传感器节点(i，1)之间的平均行驶时间为Δt_i1，平均速度为Δv_i1；虚拟传感器节点(i，(k-1))与虚拟传感器节点(i，k)之间的平均行程时间为Δt_ik，平均速度为Δv_ik(k＝2，3...m)；虚拟传感器节点(i，m)与传感器节点i+1之间的平均行程时间为平均速度为则传感器节点i与传感器节点i+1之间的平均行程时间为设定相邻节点(包括实际传感器节点与虚拟传感器节点)之间距离为则

$\Delta t_{\mathrm{ij}}=\frac{{\bar{s}}_i}{\Delta v_{\mathrm{ij}}},$$t_i=\underset{j=1}{\overset{m_i+1}{\Sigma }}\frac{{\bar{s}}_i}{\Delta v_{\mathrm{ij}}}$(j＝1，2...m_i+1)

其中，传感器节点i(i＝1，2...n)的速度可以直接获取，虚拟传感器节点i，k的速度主要由传感器节点i的历史数据获得。设传感器采集数据的时间间隔为Δt，传感器i现在的时刻记为t_iN，虚拟传感器节点(i，k)的速度为其中w_kj为权重系数，k＝1，2...mi。则

${\mathrm{\Delta v}}_{i1}=\frac{v_i+v_{i,1}}{2},$${\mathrm{\Delta v}}_{\mathrm{ik}}=\frac{v_{i,(k-1)}+v_{i,k}}{2}$(k＝2，3...mi)，${\mathrm{\Delta v}}_{(m+1)}=\frac{v_{i,m_i}+v_{(i+1)}}{2}$

从而得到交通状态参数的空间分布。

第三步：得出干线行驶时间

若该区段上共有n个传感器节点，编号分别为1，2...n，该区段长度为则行驶时间为

步骤2理想的行驶时间的估算

理想的行使时间是指车辆按自由行驶速度通过干线所花费的行驶时间；自由行驶的速度根据历史数据的统计规律和干线的基础设施环境决定，表达式如下：

式中，t_理表示理想的行使时间；l_i表示交叉口i与i+1之间的距离；v_i表示车辆自由行驶通过交叉口i与i+1之间路段的平均速度；i表示某个交叉口；n表示干线交叉口的总数。

步骤3干线多交叉口畅通性指标的数据融合

车辆在各交叉口的平均延误时间用十字交叉口的畅通性指标来表示，所以干线交叉口的畅通性指标的数据融合计算公式如下：

式中，CT^l表示某干线的畅通性指标；t_理表示车辆通过干线的理想行使时间；t_行表示车辆通过干线的实际行使时间；d_s^l表示车辆在各交叉口的延误时间总和；CT_i^s表示交叉口i的畅通性指标，该指标反映的是交叉口的车辆平均延误时间；n表示干线的交叉口总数；i表示某交叉口；t_行ⁱ表示车辆在交叉口i与i+1之间路段的平均行驶时间；l_i表示交叉口i与i+1之间的距离；v_i表示车辆自由行驶通过交叉口i与i+1之间路段的平均速度。所述路网多干线多交叉口畅通性指标由路网区域中各条干线的畅通性指标所计算的平均旅行时间延误来确定。路网多干线多交叉口畅通性指标的数据融合，其由路网区域中各个干线的车辆平均旅行时间延误加权期望值来实现。

本发明的有益效果

畅通性是定量描述由于交通控制、交通流量的增加等外界因素而使自由行驶交通流旅行时间延长程度的指标；本发明方法通过对城市交通流畅通性指标的数据融合来实现面向交通多目标的优化控制，其基于城市交通的交通状态获取技术，通过获取交通参数，来进行交通流畅通性指标数据融合。本发明方法具有普适性、全面性和灵活性。

附图说明

图1为根据本发明的十字交叉口畅通性指标的数据融合方法示意图；

图2为根据本发明的干线多交叉口畅通性指标的数据融合方法示意图；

图3为根据本发明的路网多干线多交叉口畅通性指标的数据融合方法示意图；

图4为实施例其中由于信号转换和车辆启动引起的损失时间示意图；

图5为实施例中单个十字交叉口的信号配时方案图；

图6为实施例中传感器空间分布图；

图7为旅行时间估算时速度的空间分布图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细描述：

实施例1：十字交叉口畅通性指标的数据融合方法，如图1所示的为根据本发明的十字交叉口畅通性指标的数据融合方法示意图，十字交叉口畅通性指标由十字交叉口中各相位车辆的平均延误时间来确定。车辆的平均延误时间包括：滞留时间和损失时间，其中，滞留时间是指十字交叉口的排队等待时间，其由车辆饱和度所决定的滞留时间计算而得，所述饱和度由交通信号灯的周期长、绿信比、车流量和饱和流量决定；损失时间是指由于十字交叉口的相位转换及司机反映所耽误的时间，其由车辆进入狮子交叉口信号灯控制区域的四种不同情况确定。

四种不同情况及其相应的车辆延误时间确定如下：

情况1：车辆进入信号灯控制区域时，受控信号显示绿灯；当车辆到达停止线时，信号灯依然显示绿灯，车辆正常通过交叉口；此时车辆没有滞留时间和损失时间，所述车辆的延误时间为0；

情况2：车辆进入信号灯控制区域时，受控信号显示绿灯；当车辆到达停止线时，信号灯显示红灯，此时车辆无法正常通过交叉口；此时进入下一周期，滞留时间为此方向的红灯时间；当信号灯显示绿灯时，车辆起动，车辆有起动损失时间；此时所述车辆的延误时间为损失时间和滞留时间之和；

情况3：车辆进入信号灯控制区域时，受控信号显示红灯；当车辆到达停止线时，信号灯显示绿灯，这时车辆正常通过。此时车辆的延误时间为前面车辆启动所引起的延误时间；

情况4：车辆进入信号灯控制区域时，受控信号显示红灯；当车辆到达停止线时，信号灯依然显示红灯，车辆将无法正常通过交叉口；滞留时间为绿灯开始时刻与车辆到达时刻之差，当信号灯指示绿灯时，车辆起动，车辆有起动损失时间；所述车辆的延误时间为损失时间和滞留时间之和。

在本实施例中，损失时间是通过分析车辆在交叉口的运行速度曲线来估算的。如图4所示，当信号由红灯转变为绿灯的时候，车辆行驶速度由0开始加速直至正常行驶速度v，这段时间车辆的平均速度小于v，这样会引起一定的时间损失，称为前损失时间。当信号指示由绿灯转变成黄灯的时候，车速由正常行驶速度v减速为0，这段时间损失称为后损失时间。

因此，由于信号转换和车辆启动引起的延误时间等于前损失时间加上后损失时间。在实际过程中，此损失时间变化范围不大，我们将此损失时间设定为定值3s。

在本实施例中，滞留时间通过引用经典的滞留时间计算公式确定。当饱和度小于0.9时，采用WebSter计算公式，当饱和度大于0.9时采用Akcelik计算公式。

Webster在“Signal Control Settings”(F.V.Webster.″Signal Controlsetting″.Technical Paper 39，Road Search Laboratory，1958.)中指出滞留时间由信号周期时长，绿信比，车流量，饱和流量大小，饱和度共同确定，其计算公式如下：

$t=\frac{C{(1-\lambda )}^2}{2(1-\mathrm{\lambda x})}+\frac{x^2}{2q(1-x)}-0.65{\left[\frac{C}{q^2}\right]}^{\frac{1}{3}}{x}^{(2+5\lambda )}$

式中，t为车辆滞留时间；C为十字交叉口信号周期时长；λ为十字交叉口绿信比，即有效绿灯时间与信号周期时长C的比率；q为进口车道车流量；x为饱和度，观测最大流量与信号交叉口进口道的通行能力之比，有s为饱和流量，指在一次连续的绿灯信号时间内，进口道上一列连续车队能通过进口道停车线的最大流量。

上式第1项是均匀车辆到达率(即车辆以均匀分布规律进入交叉口)所产生的延误时间，第2项是是根据车辆随机到达服从泊松分布，利用M/D/1模型计算出来的车辆的随机性延误，第3项是从车流模拟试验得到。本实施例采用简化后的Webster模型，其表示如下：

$t=\frac{C{(1-\lambda )}^2}{2(1-\mathrm{\lambda x})}+\frac{x^2}{2q(1-x)}$

该模型虽然应用广泛，但是其局限性也很明显，当饱和度较大，逐渐趋向于1.0时，按照该公式计算出来的结果将明显偏大。

而瞬态延误模型可以用来计算进口车道饱和度大于0.9的滞留时间。本实施例采用瞬态延误Akcelik模型，以解决如何减少由于饱和度过大而造成延误明显偏大的问题。首先采用非饱和流与饱和流之间的过渡函数延误模型。

$t^{\prime }=\left(\begin{array}{cc}C{(1-g/C)}^2& x<1\\ (C-g)/2& x\ge 1\end{array}\right)+\frac{Q_0}{C}$

式中大括号内为均衡相位延误(分为饱和与非饱和两种情况)，C为十字交叉口信号周期时长，g为该进口车道所在相位分配的绿灯时间；随机延误和过饱和延误是在Q₀中计算的。饱和度较大时，它弥补了以往被忽视的随机延误。Q₀为(0，T)时间段内平均饱和排队长度的过渡函数，其计算公式为

$Q_0=\left(\begin{array}{cc}0& x\le x_0\\ \frac{\mathrm{NT}}{4}[(x-1)+\sqrt{{(x-1)}^2+\frac{12(x-x_0)}{\mathrm{CT}}}]& x>x_0\end{array}\right)$

式中：x₀为进口车道的饱和流量(辆/s)；N为该车道的通行能力(辆/s)；T为观察时段的长度(S)。

根据饱和度的大小选择对应的模型，定义相位为一组享用共同绿灯时间的进口车道方位集合(1，2，...，i)，则相位i的进口车道平均饱和度x_i计算公式如下：

$\overline{x_i}=\frac{\underset{j=1}{\overset{k}{\Sigma }}{x}_{\mathrm{ij}}}{k}$

式中，k表示该相位i的车道数；x_ij表示相位i的第j进口车道的饱和度；设定η为延误时间模型选择因子，选择规则定义为：当相位i的车道平均饱和度≤0.9时η为1，否则η为0；数学表达式为：

可以计算进口车道上车辆的延误时间，即

T_ij＝ηt_ij+(1-η)t′_ij+l_ij

式中：t_ij为第i相位的第j车道依据Webster延迟模型计算得各进口道的车辆延误之和(s)；t_ij′为第i相位的第j车道依据瞬态延误Akcelik模型计算得各进口道的车辆延误之和(s)；l_ij为第i相位的第j车道由于信号转换和车辆启动引起的损失时间。

至此，十字交叉口各相位车辆的平均延误时间为

${\bar{T}}_i=\frac{\underset{j=1}{\overset{k_i}{\Sigma }}\left(q_{\mathrm{ij}}(\eta t_{\mathrm{ij}}+(1-\eta )t_{\mathrm{ij}}^{\prime }+l_{\mathrm{ij}})\right)}{\underset{j=1}{\overset{k_i}{\Sigma }}{q}_{\mathrm{ij}}}$

式中，k_i表示相位i的车道总数，η为延误时间模型选择因子，q_ij为相位i第j进口车道上的车流量，其他字符含义如上述所指。

根据十字交叉口各相位车辆的凭据延误时间，求各相位车辆的平均延误时间的加权期望值，从而实现对十字交叉口畅通性指标进行数据融合。具体地，畅通性指标的数据融合计算公式为

$\mathrm{CT}=\underset{i=1}{\overset{M}{\Sigma }}{\alpha }_i{\bar{T}}_i$

式中，CT表示某个交叉口的畅通性指标，M表示该交叉口的相位总数，α_i表示第i相位的重要权重，该值越大表示该相位越优先安排，通过该指标可以有选择地对某交叉口相位进行优化。

在本实施例中，以某轮放式相位十字交叉口为例，统计其早高峰(7:00-9:00)、晚高峰(5:00-7:00)连续三天的流量数据，作平均值处理，得到该交叉口各方向的车流量，如表1所示表1实例单交叉口的基础数据表。

表1交叉口各方向车流量表

同时可以观测出该交叉口的信号配时方案，如图5所示。

根据交叉口各相位车辆平均延误计算公式，可以计算各相位的车辆平均延误，如表2所示的实例单交叉口的延误计算结果表。

表2各相位平均车辆延误表

至此，根据交叉口畅通性指标计算公式，可以得到该交叉口的畅通性指标，为了简化计算，假设各相位的权重相同，结果如下：

${\mathrm{CT}}^s=\underset{i=1}{\overset{M}{\Sigma }}{\alpha }_i{\bar{T}}_i=\underset{i=1}{\overset{4}{\Sigma }}0.25g{\bar{T}}_i=51.25$

实施例2干线多交叉口畅通性指标的融合方法

如图2所示的根据本发明的干线多交叉口畅通性指标的数据融合方法示意图。在干线多交叉口中，畅通性指标由车辆通过该干线各交叉口平均旅行时间延误来体现，该干线各交叉口平均旅行时间延误由两部分组成，一是指估算的行使时间与理想的行使时间的差额；二是车辆在各交叉口的平均延误时间。其中，各项畅通性指标的数据融合步骤包括：

步骤1：干线行使时间的估计

干线行使时间指从车辆进入干线开始，中间经过干线所有交叉口到驶离干线所花费的时间。结合图6和图7，由以下融合步骤得到干线行驶时间的估计：

第一步：标定虚拟传感器

交通状态获取系统中，传感器安置在交叉口i的出口道最前端和交叉口i+1的停止线处。设定传感器节点i为交叉口i出口道安置的传感器，传感器节点i+1为交叉口i+1停止线处安置的传感器。节点i与i+1之间的距离为d_i，平均行驶时间为t_行ⁱ，定义传感器节点i与传感器节点i+1之间的虚拟传感器为m_i＝[d_i/100]个，分别标记为(i，1)、(i，2)...(i，mi)。

第二步：获取虚拟传感器的速度

定义传感器节点i与虚拟传感器节点(i，1)之间的平均行驶时间为Δt_i1，平均速度为Δv_i1；虚拟传感器节点(i，(k-1))与虚拟传感器节点(i，k)之间的平均行程时间为Δt_ik，平均速度为Δv_ik(k＝2，3...m)；虚拟传感器节点(i，m)与传感器节点i+1之间的平均行程时间为平均速度为则传感器节点i与传感器节点i+1之间的平均行程时间为设定相邻节点(包括实际传感器节点与虚拟传感器节点)之间距离为则

$\Delta t_{\mathrm{ij}}=\frac{{\bar{s}}_i}{\Delta v_{\mathrm{ij}}},$$t_i=\underset{j=1}{\overset{m_i+1}{\Sigma }}\frac{{\bar{s}}_i}{\Delta v_{\mathrm{ij}}}$(j＝1，2...m_i+1)

其中，传感器节点i(i＝1，2...n)的速度可以直接获取，虚拟传感器节点i，k的速度主要由传感器节点i的历史数据获得。设传感器采集数据的时间间隔为Δt，传感器i现在的时刻记为t_iN，虚拟传感器节点(i，k)的速度为其中w_kj为权重系数，k＝1，2...mi。则

${\mathrm{\Delta v}}_{i1}=\frac{v_i+v_{i,1}}{2},$${\mathrm{\Delta v}}_{\mathrm{ik}}=\frac{v_{i,(k-1)}+v_{i,k}}{2}$(k＝2，3...mi)，${\mathrm{\Delta v}}_{(m+1)}=\frac{v_{i,m_i}+v_{(i+1)}}{2}$

从而得到交通状态参数的空间分布。

第三步：得出干线行驶时间

若该区段上共有n个传感器节点，编号分别为1，2...n，该区段长度为则行驶时间为

步骤2理想的行驶时间的估算

理想的行使时间是指车辆按自由行驶速度通过干线所花费的行驶时间；自由行驶的速度根据历史数据的统计规律和干线的基础设施环境决定，表达式如下：

式中，t_理表示理想的行使时间；l_i表示交叉口i与i+1之间的距离；v_i表示车辆自由行驶通过交叉口i与i+1之间路段的平均速度；i表示某个交叉口；n表示干线交叉口的总数。

步骤3干线多交叉口畅通性指标的数据融合

车辆在各交叉口的平均延误时间用交叉口的畅通性指标来表示，所以干线交叉口的畅通性指标的数据融合计算公式如下：

式中，CT^l表示某干线的畅通性指标；t_理表示车辆通过干线的理想行使时间；t_行表示车辆通过干线的实际行使时间；d_s^l表示车辆在各交叉口的延误时间总和；CT_i^s表示交叉口i的畅通性指标，该指标反映的是交叉口的车辆平均延误时间；n表示干线的交叉口总数；i表示某交叉口；t_行ⁱ表示车辆在交叉口i与i+1之间路段的平均行驶时间；l_i表示交叉口i与i+1之间的距离；v_i表示车辆自由行驶通过交叉口i与i+1之间路段的平均速度。

实施例3路网多干线多交叉口畅通性指标的数据融合方法，如图3所示，路网多干线多交叉口畅通性指标由区域中若干干线的平均旅行时间延误加权期望值来体现。与单点控制交叉口畅通性指标的思路一样，加权期望也是一种改进，考虑了主次干道的关系，即主要干道分配的权重大而次要干道相对小。

以一个包含4个干线的交通网络为例，左侧的北向南干线用LNS表示，右侧北向南干线用RNS表示，下方的西向东干线用DWE表示，上方的西向东干线用UWE表示，交叉口的相位集合为B＝{1，2，3，4}，分别指西向东、南向北、东向西和北向南方向。

在区域多交叉口中，畅通性指标由区域中若干干线的平均旅行时间延误加权期望值来计算。有：

${\mathrm{CT}}^n={w1}^{\prime }·{\mathrm{CT}}_{\mathrm{LNS}}^l+{w2}^{\prime }·{\mathrm{CT}}_{\mathrm{RNS}}^l+{w3}^{\prime }·{\mathrm{CT}}_{\mathrm{UWE}}^l+{w4}^{\prime }·{\mathrm{CT}}_{\mathrm{DWE}}^l$

其中，w1′是干线LNS权重值，CT_LNS^l是干线LNS的畅通性指标值，其它参数含义以此类推。