一种城市道路路段旅行时间的估计方法

摘要

本发明一种城市道路路段旅行时间的估计方法，提供的路段旅行时间估计方法的发明点主要有两个，一是将交叉口信号配时纳入路段旅行时间估计中，使得估计方法更加符合实际情况，估计的准确性得到了提高；二是估计方法是使用的数据源为浮动车GPS数据、卡口系统数据，弥补了浮动车GPS数据渗透率低的特点。

说明书

技术领域

本发明涉及智能交通领域，更具体地，涉及一种城市道路路段旅行时间的估计方法。

背景技术

基于视频检测技术的道路交通治安卡口监控系统(简称：卡口系统)是根据固定在卡口位置的卡口检测器，利用先进的光电、模式识别等技术对经过检测区域的车辆进行自动检测识别的系统。由于其检测范围广，获取信息丰富，更可以提供可视图像，具有较高可靠度和准确性等优势，在智能交通领域已得到广泛的应用。同时，随着高清视频的推广以及视频检测技术的发展，卡口系统已经达到了《GAT497-2009公路车辆检测记录系统通用技术条件》中对车辆图像捕获率应达99％以上，车辆号牌识别准确率白天不低于90％，夜间不低于80％的要求。但是由于成本等因素的限制，卡口检测器一般只安装在重要道路两旁或信号交叉口处，布设较为稀疏。

卡口系统数据有两个主要的特征：1)能够区分车辆，信息丰富。由于卡口系统是直接从视频流中提取信息，因此该系统的数据能够提供精确到具体每一辆经过检测区域的车辆的车牌号、时间等信息；2)检测区域固定，数据离散。现有卡口系统的检测设备一般是固定在某位置，检测到经过检测区域的全部车辆，因此检测区域一般是固定的。另一方面，由于卡口布设的稀疏性，导致卡口数据只能记录单辆车零散的路径片段，并不能直接获得完整的路径信息。

车辆的路段旅行时间是一种重要的交通指标，对于交通决策起着重要的支持和指导作用。在科学合理的信息系统影响下，通过交通决策与城市整体路网情况相互作用并密切配合人、车、路的实际状况，可以有效提高交通运输效率，缓解交通阻塞，提高路网的通行能力和路段行车速度。

如何通过提出新的路段旅行时间估计方法，提升交通信息系统的实用性和可靠性，从而改善城市交通，是本发明研究的重点和目的所在。

现在的国内外研究和技术现状主要如下：

第一，数据基础方面。现有涉及到路段旅行时间估计的研究和技术主要的数据来源是浮动车数据。浮动车数据具有数据回传率高的特点，但同时也存在渗透率低的问题，分布具有随机性，很多情况下可能有些路段不存在浮动车。

第二，估计算法方面。目前涉及到城市道路路段旅行时间估计的研究以及方法大多是以路段长度作为旅行时间估计的唯一依据，不考虑城市交叉口信号配时对路段旅行时间的影响。但是车辆在城市道路上行驶，很多情况下由于信号配时导致的延误时间甚至会大于车辆在路段上的畅行时间，且延误时间只与信号配时有关，与路段长度并没有直接的关系。

发明内容

本发明为解决以上现有技术提供的路段旅行时间估计方法不将考虑交叉口信号配时纳入旅行时间估计的缺陷，提供了一种城市道路路段旅行时间的估计方法，该方法结合浮动车GPS数据、卡口数据将交叉口信号配时纳入路段旅行时间的估计内，使得路段旅行时间的估计更符合实际的情况，且准确性与现有技术相比得到了提高。

为实现以上发明目的，采用的技术方案是：

一种城市道路路段旅行时间的估计方法，包括以下步骤：

S1.对卡口系统的一对卡口对之间的所有路径进行提取；

S2.基于卡口数据中车辆的路径进入时刻，准确的信号配时及道路信息，对每一条可能路径进行先验路段进入时刻及概率计算，最终得到所有可能路径里每一个路段的先验进入时刻及概率：

其中T_i表示车辆进入路段i的时刻；

P(T_i|T₁)表示已知车辆在T₁时刻进入路段1，在T_i时刻进入路段i的概率；

所述路径的任意相邻的两条路段之间设置有红绿灯，g_i表示车辆在路段i等待绿灯的情况，取值为0,1,2，…，对应无排队，一次排队，二次排队，…；

P(g_i|T_i-1)表示车辆在路段i的红绿灯处直到第g_i个绿灯才通过的概率；

P(T_i|g_i)表示车辆在路段i的红绿灯处直到第g_i个绿灯才通过，且进入路段i的时刻为T_i的概率；

S3.结合观察到的车辆离开路径的时刻T_out对步骤S2得到的各段路段的先验进入时刻对应的概率进行后验概率的更新：

其中P(T_i|T_out,T₁)表示车辆在T₁时刻进入路段1，在T_out时刻离开路径的条件下，在T_i时刻进入路段i的概率；

P(T_out|T_i,T₁)表示车辆在T₁时刻进入路段1，在T_i时刻到达路段i的条件下，能够在T_out时刻离开路径的概率；

S4.对于路段i的每一个先验进入时刻T_i使用步骤S3的方法计算P(T_out|T_i,T₁)，若P(T_out|T_i,T₁)＞0则保留T_i的取值并计算相应的P(T_i|T_out,T₁)，若P(T_out|T_i,T₁)＝0则舍弃T_i；

S5.基于步骤S4对所有的先验进入时刻T_i进行筛选后基于剩下的先验进入时刻T_i及对应的P(T_i|T_out,T₁)计算后验概率的期望E[P(T_i|T_out,T₁)]作为车辆进入路段i时刻的估计值，进一步而得到路径内各路段旅行时间；

S6.对每条路径进行步骤S4～S5的操作，得到各条路径内各个路段旅行时间的估计。

上述方案中，本发明提供的路段旅行时间估计方法的发明点主要有两个，一是将交叉口信号配时纳入路段旅行时间估计中，使得估计方法更加符合实际情况，估计的准确性得到了提高；二是估计方法是使用的数据源为浮动车GPS数据、卡口数据，弥补了浮动车GPS数据渗透率低的特点。

优选地，若卡口对之间存在着n条路径共有路段k，则基于卡口数据分别对这n条路径的置信度{C₁,C₂,C₃...C_n}进行计算，然后利用{C₁,C₂,C₃...C_n}和路段k在n条路径中的路段旅行时间估计{t₁,t₂,t₃...t_n}确定路段k的路段旅行时间估计：

其中t'₁＝t₁,t'₂＝t₂,...t'_n＝t_n，将F值最小的路径对应的路段k的路段旅行时间估计作为路段k的路段旅行时间估计进行输出。

优选地，所述计算路径置信度的具体过程如下：

其中L_i,L_j分别表示第i,j条路径，M_total表示路径总的旅行时间，由车辆出行信息求取得到，P(M_total|L_i)表示第i条路径上旅行时间的分布。

与现有技术相比，本发明的有益效果是：

本发明提供的方法将交叉口信号配时纳入路段旅行时间估计中，使得估计方法更加符合实际情况，估计的准确性得到了提高。

附图说明

图1为路径的示意图。

图2为(a)、(b)分别为先验结果与后验结果示意图。

图3为(a)、(b)分别为先验的车辆通过时刻示意图和后验的车辆通过时刻示意图。

图4为后验结果图。

图5为共有路段示意图。

图6为安徽宣城“田”字形路网示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

本发明提供的方法具体包括有以下步骤：

S1.对卡口系统的一对卡口对之间的所有路径进行提取；

S2.基于卡口数据中车辆的路径进入时刻，准确的信号配时及道路信息，对每一条可能路径进行先验路段进入时刻及概率计算，最终得到所有可能路径里每一个路段的先验进入时刻及概率：

其中T_i表示车辆进入路段i的时刻；

P(T_i|T₁)表示已知车辆在T₁时刻进入路段1，在T_i时刻进入路段i的概率；

所述路径的任意相邻的两条路段之间设置有红绿灯，g_i表示车辆在路段i等待绿灯的情况，取值为0,1,2，…，对应无排队，一次排队，二次排队，…；

P(g_i|T_i-1)表示车辆在路段i的红绿灯处直到第g_i个绿灯才通过的概率；

P(T_i|g_i)表示车辆在路段i的红绿灯处直到第g_i个绿灯才通过，且进入路段i的时刻为T_i的概率；

S3.结合观察到的车辆离开路径的时刻T_out对步骤S2得到的各段路段的先验进入时刻对应的概率进行后验概率的更新：

其中P(T_i|T_out,T₁)表示车辆在T₁时刻进入路段1，在T_out时刻离开路径的条件下，在T_i时刻进入路段i的概率；

P(T_out|T_i,T₁)表示车辆在T₁时刻进入路段1，在T_i时刻到达路段i的条件下，能够在T_out时刻离开路径的概率；

S4.对于路段i的每一个先验进入时刻T_i使用步骤S3的方法计算P(T_out|T_i,T₁)，若P(T_out|T_i,T₁)＞0则保留T_i的取值并计算相应的P(T_i|T_out,T₁)，若P(T_out|T_i,T₁)＝0则舍弃T_i；

S5.基于步骤S4对所有的先验进入时刻T_i进行筛选后基于剩下的先验进入时刻T_i及对应的P(T_i|T_out,T₁)计算后验概率的期望E[P(T_i|T_out,T₁)]作为车辆进入路段i时刻的估计值，进一步而得到路径内各路段旅行时间；

S6.对每条路径进行步骤S4～S5的操作，得到各条路径内各个路段旅行时间的估计。

在具体的实施过程中，如图1所示，纵坐标表示路径的距离，在路径上不同位置分布有红绿灯，两个红绿灯之间即为路段。红绿灯处延伸出来的横轴表示时刻，g和r分别表示该红绿灯对应的绿灯时段以及红灯时段，黑线为车辆可能的轨迹。

图2中(a)为先验结果示意图。多条线代表各种可能的轨迹，对应各种可能的车辆先验进入各个路段的时刻，该先验结果同时对应各种可能的车辆离开路径的时刻。图2中(b)为后验结果示意图，上方的点表示观察到的车辆离开路径的时刻。在各种可能的先验结果中，只保留在车辆离开时刻能到达路径终点的轨迹，更新其在各个路段上可能的进入时间及对应的概率。

图3中(a)为先验的车辆通过时刻示意图。在先验结果中，当g₂＝1时对应的整个绿灯时段都是车辆可以通过的。图3中(b)为后验的车辆通过时刻示意图。在后验结果中，当g₂＝1时车辆可能通过的时段发生了变化，剔除掉了一些P(T_out|T₂,T₁)＝0对应的绿灯时刻。

设存在有一个包含三条路段，涉及4个信号灯的路径，图4表示从T₂时刻出发，在T_out时刻到达信号灯4的后验结果。横坐标表示先验得到的可能车辆通过时刻(从g₂＝1的开始时刻，直到T_out)，纵坐标表示对应的P(T_out|T₂,T₁)。

从图4可以发现，在57:06之后的时刻其概率为0，意味着车辆在之后的时刻进入路段2，将不会在T_out到达，从而将57:06之后的时刻从可能的绿灯时刻中剔除，路段2可能的进入时刻T₂由区间

{(T₂)|(55:53),(55:54),(55:55)...(59:18),(59:19)}

修正为

{(T₂)|(55:53),(55:54),(55:55)...(57:05),(57:06)}。

实施例2

实施例1的方法是对各条路径的各个路段的旅行时间进行估计的，但是在具体实施的时候，会出现某段路段为多条路径共有部分的情况，则利用估计方法对这部分路径的路段进行旅行时间估计时，会出现共有路径包括有多个估计的旅行时间的情况，那么则需要对共有路段的旅行时间进行修正。图5为共有路段的示意图。

如图5所示，图5包括有5条路段，两条路径，其中路径1包含路段{1,2,3}，路径2包含路段{4,5,3}，路段3是路径1和路径2的共有路段。经过置信度的计算和路段旅行时间的估计后，路径1分别得到路段旅行时间{t₁,t₂,t₃}以及对应的置信度C₁；路径2分别得到路段旅行时间{t₄,t₅,t₆}以及对应的置信度C₂，(其中t₆表示路径2在路段3上的旅行时间)。

令t′₁＝t₃,t′₂＝t₆

修正问题可写成如下优化问题：

其中

(t_i-t'_i)²表示同一路段在不同路径下旅行时间残差的平方，即不同路径下旅行时间的误差。

表示不同路径在误差中的权重，与置信度相关。置信度越大，权重越小，代表所占误差的比例越小。

该修正方法基于最小二乘的原理，并引入了置信系数来修正其中的误差项。置信系数修正误差项的原理在于，误差与置信度有关，置信度越大的证据，相应的误差越小，置信度越小的证据，相应的误差越大。

实施例3

使用安徽宣城2016年的卡口检测器数据及浮动车数据对本发明提供的估计方法进行验证。安徽宣城“田”字形实验区域如图6所示，该实验区域共存在9个路口，12个路段，路段长度用黑体字标于路段上(单位：米)，每个交叉口均存在有卡口检测器，可以记录经过停车线车辆的车牌、时间、方向等信息，同时可以估计出车辆经过某条路径及在每个路段上的旅行时间，方便验证。在后面的实验中，分别以点1和点2作为实验路径的起点和终点，同时本实施例认为浮动车的行为可以代表大多数车辆，因此首先利用浮动车数据确定先验信息，接着只利用起点和终点的卡口检测器数据进行路段旅行时间估计，最后再利用全路网卡口检测器数据验证。

以2016年浮动车数据作为训练集，从中提取出在已知OD的情况下，车辆选择路径的情况(具体路径组成，选择路径的概率P(L_i))，以及不同路径条件下旅行时间的分布P(M_total|L_i)，作为路径选择模型的输入。同时得到车辆在信号交叉口的排队情况P(g_i|T_i-1)。

以2016年11月22日的卡口数据作为验证集进行路段旅行时间估计，使用平均绝对误差(MAE)和平均绝对相对误差(MAPE)做评价指标，并与传统的基于路段长度的路段旅行时间估计方法进行比较，结果如下：

表1路段旅行时间估计误差分析

考虑信号配时基于路段长度MAE(s)1523MAPE13％24％

从误差分析结果中可以发现，本发明提出的方法在路段旅行时间估计上结合了信号配时数据，并以概率量化了车辆经过交叉口的各种可能性，能较准确地根据路径旅行时间估计出相应的路段旅行时间。而传统的基于路段长度的估计方法，由于没有考虑实时的信控配时，也没有考虑车辆在交叉口前的行为，将车辆由于信控配时导致的延误也按照道路长度分配到了道路上，与实际情况是不相符的，导致估计结果出现了较大的误差。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。