一种城市信号交叉口短时交通流预测方法

摘要

本发明公开了一种信号交叉口短时交通流预测方法，包括以下步骤：上游单交叉口等待通过时间预测步骤；上游单交叉口空间转向比估算步骤；建立城市信控交叉口短时交通流预测双层模型步骤。交通流短时预测是城市主干道实现交通实时自适应控制的重要组成部分，本发明在一定条件下，实现信控交叉口的自适应能力，提高交叉口服务水平和效率。

说明书

技术领域

本发明涉及智能交通技术领域，尤其涉及一种城市信号交叉口短时交通流预测方法。

背景技术

交叉口信号控制作为现代城市道路交通控制系统的重要环节，最早起源于1868年英国，并于1912年首次在美国俄亥俄州克利夫兰市，尝试采用红绿两种颜色信号来控制交通(参见Van Katwijk，R.T.，2008.Multi-Agent Look-Ahead Traffic-Adaptive Control[D].Ph.Ddissertation，Delft University of Technology，Delft，Netherland；Pline，J.L.，2001.Traffic ControlDevices Handbook 2001：An ITE Informational Report[R].Institute of Transportation Engineers；U.S.Department of Transportation，Federal Highway Administration，2009.Manual on UniformTraffic Control Devices(MUTCD)[EB]，http://mutcd.fhwa.dot.gov/pdfs/2009/pdf_index.htm，access onJan 12，2012；杨晓光，2004.面向中国城市的先进的交通控制与管理系统研究[J]，交通运输系统工程与信息，4(2)：79-83；)。以SCOOT为代表的自适应控制系统，根据检测器得到的实时数据计算交通量、占用时间、占有率及拥挤程度。同时，结合预先存储的交通参数对各路口进行短时车流预测。为了跟踪交通流的瞬时变化，SCOOT的优化程序采用小增量寻优方法，即信号配时参数可随交通流分布的变化作相应的微小变化，尽量做到对交通的连续运动妨碍最小，又不为交通参与者察觉(丁蕾，2009.面向城市交通控制的短时交通流预测方法研究[D]，大连理工大学，大连，辽宁)，系统通过数学模型的仿真来获得相关控制策略模型；因而要求抽象的数学模型在较短时间，准确地反映系统的运行状态，否则会影响控制效果。另一方面，数学模型的精确度越高，结构越复杂，仿真时间也越长，将会在实时性与可靠性之间产生矛盾；特别是在一些突发事件交通状态下，例如占路施工、不良天气、大型活动等，要求进一步提高通行效率时，该矛盾会愈发突出。一个提高预测精度的方法是在实施过程中，将SCOOT系统中车辆检测器的环形线圈埋设在上游交叉路口的出口。然而，除美国加州少数城市以外，世界上绝大多数城市的信控交叉口仅在入口道布设线圈，起触发交通信号的作用(Nobe，S.，1997.On-line estimation of traffic split parameters based on lanecounts[D].Ph.D.Dissertation，The University of Arizona，Tucson，Arizona)。我国大部分城市已有触发式信号控制的交叉口，线圈也仅埋设在入口道。如果在出口道增加线圈，将不可避免带来较大的附加购置与施工费用。鉴此，一个最根本的问题就是如何在已有城市交叉口信号控制器、信号灯及线圈等设施配置下，通过改善、提高交通流预测数学模型，达到提高自适应控制系统性能的目的。

国内外已有短时交通流预测模型研究常用方法有卡尔曼滤波(Xie，Y.-C.，Zhang，Y.-L.，Ye，Z.-R.，2007.Short-term traffic volume forecasting using Kalman flter with discrete waveletdecomposition[J]，Computer-Aided Civil and Infrastructure Engineering，22(3)：326-334)，神经元网络(Guo，J.-H.，Williams，B.M.，2010.Real-time short-term traffic speed level forecastingand uncertainty quantification using layered Kalman filters[J].Transportation Research Record，2175：28-37.)，ARIMA(于德新，杨兆升，林赐云，2004.自适应信号控制系统流量预测模型研究[J].系统工程理论与实践，12：132-136.)，多智能体(Roozemond，D.A.，2001.Usingintelligent agents for proactive real-time urban intersection control[J].European Journal ofOperation Research，131：293-301.)等。绝大多数算法基于历史或时空序列数据，结构复杂且需要较长的仿真或训练时间，对大城市突发事件状态预测准确度不高。

具体到交通流预测模型，已有研究主要包含以传统数理统计、微积分等数学方法为基础的统计参数法和以现代技术方法(如模拟技术，神经网络，模糊控制等)为主要手段的非参数估计法。早期统计参数法来自于工业控制领域中的预测控制理论及各种预测算法，主要以历史平均法和平滑技术为主(Smith，B.L.，Demetsky，M.J.，1997.Traffic flow forecasting：Comparison of modeling approaches[J].Journal ofTransportation Engineering-ASCE，123(4)：261-266.)。然而，平均法与平滑法倾向于突出均值，忽视极端情况；实际交通中需要重视的正是较为对立的极端行为：高峰状态以及快速的波动时从特别拥挤(Stop-And-Go)到自由流(Free Flow)的转变过程。

以现代技术方法为核心的非参估计法则主要基于人工智能、模式识别与混沌系统的原则，核心在于人为识别与当前交通状态在给定预测间隔行为相近的数据，采用非参数回归(或者神经元网络)的方法，预测目标时间的交通状态(流量，速度和密度)(Smith，B.L.，Williams，B.M.，Oswald，R.K.，2002.Comparison of parametric and nonparametric models for traffic flowforecasting[J].Transportation Research Part C，10(4)：303-321；Jiang，X.，Adeli，H.，2005.Dynamic wavelet neural network model for traffic flow forecasting[J].Journal of TransportationEngineering-ASCE，131(10)：771-779.)。相对于统计参数法(如历史平均法或ARIMA等)，非参法具有模型参数简单，不需要假定交通状态从一个时段到另一个时段是平滑过渡等优点；针对不同的数据，具备较好的可移植性(适应性)和健壮性。然而，与人工智能方法类似，非参数估计法是典型建立在大量数据基础上的密集型方法，在实际应用中，交通预测很难得到海量精确的输入数据。另外，神经网络的学习法，采用经验风险最小化原理，不能使期望风险最小化，理论上存在缺陷，以及需要确定网络结构、过学习与欠学习及局部最优点等问题。

(1)SCOOT系统短时交通流预测模型

如前所述，SCOOT系统的交通流预测模型通过在上游交叉口出口处埋设检测环形线圈(埋设位置在距交叉口入口50-300米处)，预测下游交叉口车辆到达和流量变化，从而在后续的信号优化配时中采取小增量寻优，随交通流分布的变化优化信号参数配时。上游交叉口出口检测器获得交通流信息之后，经过处理，形成周期流量分布图(Cyclic Flow Profiles，CFP)，再结合预先存储的静态参数(车队行驶时间，信号相位顺序及时间等)进行优化，生成信号配时的最佳组合。SCOOT模型中有一条表示“当前时刻”的时间基准线，随时间向右移动；一个信号周期结束，该基准线重新返回最左侧，建立下一周期的交通流分布图。如此循环往复，可得该截面上的动态交通流分布图，再由此预测下游交叉口的车辆排队状况(假定该路段车辆行驶速度和路段长度已知，可推测交通流分布图中的车辆何时能到达下游交叉口停车线)(Robertson，D.I.，Bretherton，R.D.，1991.Optimizingnetworks oftraffic signals inreal time-the SCOOT method[J].IEEE Transaction on Vehicular Technology，40(1)：11-15.)。从而，获得相应下游目标交叉口的信号状态和排队情况，以决定预测车辆到达时是否需要排队。鉴于以上原理与优点，SCOOT系统目前被广泛应用于我国北京，成都等城市。但该系统的固有特点决定了其实施过程中存在以下问题：1.SCOOT系统与现有触发式交叉口信号控制检测器布设规则不一致，无法充分利用已有资源。检测器布设位置(交叉口出口道)决定了其预测时间较短，无法满足较长预测时间窗的需要(不足以形成一个周期的交通流量分布图)，影响控制决策的优化。2.SCOOT系统无法解决通过上游交叉口的车辆中途停车或驶向其它支路等，未驶向下游交叉口停车线的情况。3.此外，路段饱和流量的变化、车队消散系数和行驶速度的估算准确度等也直接影响交叉口排队长度的预测。因此，SCOOT系统在模型建立时对静态参数的准确性要求较高。

(2)SCATS系统短时交通流预测模型

SCATS系统由澳大利亚新南威尔士州道路交通局研究开发，其主要特点采用三级协调分布式控制结构(中央控制级，区域协调控制级和路口控制级)(Lowrie，P.R.，1992.SCATS：A traffic responsive method of controlling urban traffic control[R].Roads and Traffic Authority.)。SCATS的车辆检测器安装在交叉口停车线上，通过对交通信息的实时采集和分析，根据不断变化的交通状况，实时提出最佳控制方案，保证交通的畅通、快速和安全。SCATS系统的周期、绿信比和相位差的优化组合存储在预先确定的多个方案中，可根据实测的交通饱和度值进行选择。例如，系统事先为每一交叉口准备四个绿信比方案，分别针对交叉口在可能出现的四种负荷情况下，各相位绿灯时间占信号周期长度的比例值；系统可根据交通需求改变相序或跳过下一相位，及时响应每个周期的交通需求。

SCATS系统的优点在于：通过信息采集来选择交叉口信号方案，通过该方案来规范协调控制片区的车辆驾驶行为，达到道路车辆行驶的优化。其最大优点在于可充分利用触发式信号交叉口的已有资源(车辆检测器等)，以较低投入，最大程度发挥交通的经济效益和社会效益。因此，该系统目前广泛应用于上海、杭州、沈阳、广州等城市片区的交叉口。但由于系统中未使用交通模型，本质上属于具备一定的诱导能力、基于实际车流的方案选择系统，因而限制了配时方案的优化过程，灵活性不够。另外，由于SCATS系统中的车辆检测器安装在停车线附近，难以监测车队的行进，导致实际绿时差的优选可靠性较差。

(3)RHODES系统短时交通流预测模型

RHODES是由美国亚利桑那大学的Mirchandani教授等开发的一种实时、递阶、最优化的分布式系统；其核心车流预测算法是Predict模型，相位优化算法是COP(Controlled，Optimization ofPhases，相位可控优化)算法(Mirchandani，P.M.，Wang，F.Y.，2005.RHODES tointelligent transportation systems[J].IEEE Intelligent Systems，20(1)：10-15；Sen，S.，Head，L.，1997.Controlled，optimization of Phases at an intersection[J]，Transportation Science，31(1)：5-17.)。RHODES系统在控制结构上可分为三层递阶，自下而上分别为：交叉口控制层，网络流控制层和网络负载分配层。同样在预测方法上也相应分为三个层次：在交叉口控制层，主要根据实时测量的交通流及各种约束条件进行交叉口流量预测，使用COP算法对相序和相位长度(相位持续时间)进行控制(以秒为单位)；在网络流控制层，主要对网络流(即车队的行驶状况)进行预测，为网络中各个交叉口建立协调约束(每200-300秒一次)；在网络负载分配层，主要对长时期(通常为1小时)总交通需求进行预测，提前确定将来整个交通网络的运行负载。RHODES系统的车辆检测器布设在交叉口的车道入口处(距交叉口约50米)。Predict算法使用安装在上游交叉口入口处的检测器采集数据，结合具体的交通情况以及上游交叉口的信号配时方案，来预测目标交叉口未来时段的车辆到达情况，并通过目标交叉口检测器对预测值进行检验和校正，提高预测结果准确度。由于从上游交叉口到当前交叉口的行驶时间较长，且在上游交叉口可能遭遇红灯相位的延迟，因此模型允许较长的预测时间窗。Predict算法还考虑上游交叉口信号对当前交叉口信号控制的影响与最优化问题，做到系统相邻交叉口之间的协调。RHODES系统检测器的布设位置既保证了预测的精确性，又保证了较长预测时间窗；其不足之处在于系统较适合半拥塞的交通情况，如果路段中发生高度交通拥挤，预测精度会明显下降。另外，RHODES中的Predict算法仅给出上游交叉口为定时的情况，而没有考虑其它信控模式，如触发式等；在预测下游交叉口到达车流时，Predict算法假定上游交叉口的转向比已知，这些对其进一步在实际路网的推广与应用，会产生一定问题。

发明内容

本发明是为避免上述已有技术中存在的不足之处，提供了一种预测目标交叉口在给定时间间隔的到达车流量。

本发明为解决技术问题采用以下技术方案。

一种信号交叉口短时交通流预测方法，包括以下步骤：

上游单交叉口等待通过时间预测步骤；

上游单交叉口空间转向比估算步骤；

建立城市信控交叉口短时交通流预测双层模型步骤。

进一步，作为一种优选，所述上游单交叉口等待通过时间预测步骤具体为根据上游交叉口控制器的工作模式以及红绿灯相位对于到达相邻上游交叉口的车辆，在入口道触发检测器之后，预测多长时间可到达目标下游交叉口。

进一步，作为一种优选，所述上游交叉口控制器的工作模式为定时模式。

进一步，作为一种优选，所述上游交叉口控制器的工作模式为触发模式。

进一步，作为一种优选，所述红绿灯相位为：绿1：到达时间为绿灯，且交叉口该方向无排队；绿2：到达时间为绿灯，但该方向有排队；红1：到达时间为红灯，且交叉口该方向无排队；红2：到达时间为红灯，但该方向有排队。

进一步，作为一种优选，所述上游单交叉口空间转向比估算步骤具体为：假定给定交叉口信号采用NEMA-8相位机制，且各方向入口道的右转车流量分布已知，根据周期内不同相位进出交叉口的车辆数守恒，对NEMA控制器的8个相位逐一分析各方向的车流关系，动态推算出下个周期该交叉口各方向的转向比例。

进一步，作为一种优选，所述建立城市信控交叉口短时交通流预测双层模型步骤具体为：上层为信控交叉口车辆到达、等待通过时间估算模型；下层为信控交叉口的转向比例估算模型。

与已有技术相比，本发明有益效果体现在：

本发明从基于交叉口驾驶行为和信号控制影响的道路交通状态演化机理解析入手，探索确定空间资源制约下的城市交通短时预测，从而达到研究城市交叉口状态分析及自适应控制技术的目的。提出了面向实施过程的城市区域交通协调联动控制理论及控制策略。针对城市交叉口本身，从车辆到达等待和通过时间预测、交叉口转向比例估算，以及城市区域交通协同与信控交叉口联动控制等多个层面对区域交通体系进行管控和合理诱导，以达到交通路网的运行最优。

附图说明

图1是本发明的预测方法流程图；

图2是触发式信号控制器绿灯时间组成图；

图3是NEMA八相位信号控制器相位1所对应的行车方向图；

图4是NEMA控制器相位8时间内进入和驶出交叉口车辆流量图。

以下通过具体实施方式，并结合附图对本发明作进一步说明。

具体实施方式

参见图1，一种信号交叉口短时交通流预测方法，包括以下步骤：

S1、上游单交叉口等待通过时间预测步骤；

S2、上游单交叉口空间转向比估算步骤；

S3、建立城市信控交叉口短时交通流预测双层模型步骤。

本方法从现实需求出发，从相邻交叉口入手，通过对交叉口车辆微观行为进行建模，采用上游交叉口的信号控制系统及设施，从微观角度估算每辆车辆即将来到目标交叉口的概率和相应时间，从而预测目标交叉口在给定时间间隔的到达车流。

假定上游交叉口采用的是经典NEMA-8相位的信号控制系统，分别对上游交叉口信号工作于定时信号控制(fixed time)和触发式信号控制(actuated)的不同状况下，到达车辆分别需要等待的时间。在每种信控模式下，针对车辆到达信号相位的不同，进行建模；结合交叉口已有排队状况，估算到达车辆需要等待、通过的时间。

对于工作在定时信号控制的交叉口，其等待时间模型包含以下情景：

●绿1：到达时间为绿灯，且交叉口该方向无排队；

●绿2：到达时间为绿灯，但该方向有排队；

●红1：到达时间为红灯，且交叉口该方向无排队；

●红2：到达时间为红灯，但该方向有排队。

对于工作于触发式信号控制的交叉口，其等待时间模型，仍可类似分为红绿灯情况分析；但由于触发式控制绿灯与红灯时间不确定，故需要在绿灯或红灯时间内，进一步进行估算。具体研究步骤如下：

1、信控交叉口车辆到达等待和通过时间研究：对工作在定时信号控制的交叉口，将其等待时间模型分为四种情景：绿1-到达时间为绿灯，且交叉口该方向无排队；绿2-到达时间为绿灯，但该方向有排队；红1-到达时间为红灯，且交叉口该方向无排队；红2-到达时间为红灯，但该方向有排队。对于工作于触发式信号控制的交叉口，根据其到达相位区别，对当前红灯时间或者绿灯时间进行估算(由于红灯时间和绿灯时间不是确定值)。此处绿灯时间的估算可依照触发式信号控制的定义(见图2)，根据不同触发时间点进行估算，触发时间区域可进一步细分为以及红灯时间则可根据其它相位的绿灯时间来推算。

G_min：最小绿灯时间，

G_max：最大绿灯时间，

U：单位绿灯延长时间，

当前绿灯相位开始时间，

初始绿灯时间间隔，用于清除红灯期间，在停车线与检测器之间排队的车辆；数值等于G_min-U，

最大绿灯通过时间，指从当前绿灯相位开始，在一直有车辆触发的前提下，直到最后一辆车可以在当前绿灯通过的时间间隔(晚于该时间点的车辆到达停车线时，信号将变为红灯)；数值等于G_max-U。

2、信控交叉口车辆转向比例研究：假定给定交叉口信号采用NEMA-8相位机制，且各方向入口道的右转车流量分布已知，根据周期内不同相位进出交叉口的车辆数守恒，对NEMA控制器的8个相位逐一分析各方向的车流关系，动态推算出下个周期该交叉口各方向的转向比例。

图3给出NEMA-8相位控制中，相位1是东西方向左转的情景，假定：

D_i(l)表示在1相位，离开交叉口往i(i＝E，W，N，S)方向的实测车辆数；表示在1相位，从交叉口i(i＝E，W，N，S)方向进入，驶向j(j＝E，W，N，S)的车辆数的估计值；

从而，以北方向(N)路段为例，进入交叉口的车辆数具有以下关系：

$>{\hat{V}}_{\mathrm{NW}}\left(1\right)=D_W\left(1\right),$>$>{\hat{V}}_{\mathrm{NW}}\left(2\right)=D_W\left(2\right),$>$>{\hat{V}}_{\mathrm{NW}}\left(6\right)=D_W\left(6\right),$>$>{\hat{V}}_{\mathrm{NW}}\left(8\right)=D_W\left(8\right),$>$>{\hat{V}}_{\mathrm{NE}}\left(5\right)+{\hat{V}}_{\mathrm{SE}}\left(5\right)=D_E\left(5\right),$>$>{\hat{V}}_{\mathrm{NE}}\left(6\right)+{\hat{V}}_{\mathrm{SE}}\left(6\right)=D_E\left(6\right),$>$>{\hat{V}}_{\mathrm{NS}}^{k-1}\left(6\right)+{\hat{V}}_{\mathrm{WS}}^{k-1}\left(6\right)=D_S^{k-1}\left(6\right),$>$>{\hat{V}}_{\mathrm{NS}}^{k-1}\left(8\right)+{\hat{V}}_{\mathrm{WS}}^{k-1}\left(8\right)=D_S^{k-1}\left(8\right).$>

相位1，2，6，8的右转车辆数据可以直接测得。然后，针对在该周期内右转车辆遵守的分布规律状况，可对实测数据进行修正，并推导出其它相位(3，4，5，7)内右转车辆的数目。

鉴于通常交叉口出口道并未安装车辆检测器，故需分别利用各方向下游交叉口入口道的检测器1，在Δt时刻之后的所测得的车流数来近似估算(见图4)。例如：假定从目标交叉口到相应下游相邻交叉口检测器的行驶时间为：Δt_W，Δt_s和Δt_E，分别对应于右转、直行和左转的情况。K-1周期开始于t_i时刻的第i相位时间内，通过交叉口，进行右转、直行和左转的车辆数可分别表示为：$>D_W^{k-1}\left(i\right)=O_W(t_i+\Delta t_W,t_{i+1}+\Delta t_W),$>$>D_S^{k-1}\left(i\right)=O_S(t_i+\Delta t_S,t_{i+1}+\Delta t_S),$>此处O_U(t_i，t_j)(U＝W，EorS)表示在相应下游交叉口检测器时间间隔[t_i，t_j]内通过的车辆数。

3、在以上分析的基础上，建立城市信控交叉口短时交通流预测双层模型：该方法上层为信控交叉口车辆到达、等待通过时间估算模型；下层为信控交叉口的转向比例估算模型。可选择合适平台对对该城市区域交叉口短时交通流预测算法编程实现，进而集成、开发出城市区域交叉口自适应控制仿真插件。

通过上述说明内容，相关人员可以在本发明的设计思路和技术指标指定的条件下，进行变更和修改。本发明的技术性范围并不局限于说明书上的内容，必须根据权利要求范围来确定技术性范围。