论文部分内容阅读
信号控制交叉口(下文简称“信控交叉口”)作为城市道路网络的关键节点，其运行状况直接影响整个路网的交通效率。排队长度是信控交叉口运行状况评价与优化的重要指标之一，因此，交叉口排队长度估计与预测对于城市交通运行管理与控制具有重要的意义。
目前，交叉口排队长度估计主要依赖于定点检测器(线圈、地磁等)与浮动车数据(装载GPS装置的出租车等)。然而，我国绝大多数城市地面道路的定点检测器数据普遍存在上传频率低(一般为30~60秒)、损坏率高的问题，而浮动车数据则存在采样率小、采样频率低的问题。上述问题大大制约了现有的交叉口排队长度估计与预测方法的估计精度和实时性。
近年来，由于平安城市建设和交通执法管理的需要，我国各个城市的电警卡口(下文简称“电警”)设备安装普及率越来越高，且设备损坏率较低。电警数据能够精确地捕获所有车辆的断面通过时刻信息，比传统定点检测器数据的质量更高，覆盖范围更广。另一方面，随着智能网联汽车、移动导航等新型智能交通技术的发展，海量、高频(1~5秒)车辆轨迹数据的实时获取成为可能。车辆轨迹数据可以提供广域、连续、抽样观测的交通流信息，在交通状态的精准刻画、管控效果的实时反馈等方面具有显著的优势。断面全样观测的电警数据与连续抽样观测的车辆轨迹数据，在时间与空间维度上具有良好的互补性。这两种新型数据源的融合利用为信号控制交叉口的评价和优化提供了新机遇和新视角。
因此，本文的研究目标为面向我国城市地面道路的交通数据采集条件，建立基于电警数据和车辆轨迹数据融合的信控交叉口排队长度估计与预测方法，服务于新技术背景下城市交通信号控制评价与优化的需求。本文主要包括三个研究内容：(一)基于贝叶斯理论和数据级融合的排队长度估计、(二)基于集成学习理论与决策级融合的排队长度估计、(三)基于差分自回归滑动平均(ARIMA)和卡尔曼滤波(KF)融合的排队长度预测。
(一)基于贝叶斯理论和数据级融合的排队长度估计：首先，通过分析历史电警数据，拟合排队车辆与非排队车辆消散车头时距的概率分布，提出了一种最大后验概率的排队长度估计方法；然后，使用周期内最后一辆排队车辆轨迹与第一辆非排队车辆轨迹修正排队长度；最后，利用实证数据和仿真数据对模型在不同数据条件下的估计精度及敏感性进行了评价和分析。结果表明，该模型的平均绝对误差为3.1辆/周期，平均绝对百分比误差为14.0%。敏感性分析结果表明，相较于现有的基于电警数据的关键点分析(Critical Point Analysis，CPA)模型，本文所提出的数据级融合模型对大车比例、电警捕获率的敏感性更低；相较于基于轨迹数据的交通波模型，本文所提出的模型对轨迹数据采样率与采样频率的敏感性更低。
(二)基于集成学习理论与决策级融合的排队长度估计：在分析已有排队长度估计算法适用条件的基础之上，提出了一种基于集成学习的排队长度估计方法。该方法建立了电警数据、车辆轨迹数据以及三种排队长度估计模型估计结果与真实排队长度之间的映射关系，实现电警数据与轨迹数据的决策级融合。通过10725组仿真数据训练并验证模型，结果表明，该方法的平均绝对误差小于1辆/周期，平均绝对百分比误差小于1%。相较于贝叶斯数据级融合模型，该决策级融合模型的估计精度更高，但该模型的主要缺点是需要用大量的训练数据。
(三)基于ARIMA与KF融合的排队长度预测：在上述排队长度估计方法的基础之上，提出了一种基于ARIMA模型与KF模型融合的交叉口排队长度预测方法。本文使用历史排队长度序列值验证了该模型有效性。结果表明，该模型预测平均绝对误差为2.6辆/周期，平均绝对百分比误差为7.0%，相较于单独使用ARIMA模型或KF模型，本文提出的模型的预测精度更高。
本文深入分析了电警数据与高频车辆轨迹数据特点，分别采用数据级融合与决策级融合的思路，建立了在两种数据源环境下的信控交叉口排队长度估计方法，并提出了相应的排队长度预测方法。本论文研究成果一方面可以丰富信控交叉口排队长度估计与预测方法的理论体系，服务于信控交叉口运行评估与优化；另一方面，也为新型智能交通技术背景下的多源数据融合方法提供新思路。
目前，交叉口排队长度估计主要依赖于定点检测器(线圈、地磁等)与浮动车数据(装载GPS装置的出租车等)。然而，我国绝大多数城市地面道路的定点检测器数据普遍存在上传频率低(一般为30~60秒)、损坏率高的问题，而浮动车数据则存在采样率小、采样频率低的问题。上述问题大大制约了现有的交叉口排队长度估计与预测方法的估计精度和实时性。
近年来，由于平安城市建设和交通执法管理的需要，我国各个城市的电警卡口(下文简称“电警”)设备安装普及率越来越高，且设备损坏率较低。电警数据能够精确地捕获所有车辆的断面通过时刻信息，比传统定点检测器数据的质量更高，覆盖范围更广。另一方面，随着智能网联汽车、移动导航等新型智能交通技术的发展，海量、高频(1~5秒)车辆轨迹数据的实时获取成为可能。车辆轨迹数据可以提供广域、连续、抽样观测的交通流信息，在交通状态的精准刻画、管控效果的实时反馈等方面具有显著的优势。断面全样观测的电警数据与连续抽样观测的车辆轨迹数据，在时间与空间维度上具有良好的互补性。这两种新型数据源的融合利用为信号控制交叉口的评价和优化提供了新机遇和新视角。
因此，本文的研究目标为面向我国城市地面道路的交通数据采集条件，建立基于电警数据和车辆轨迹数据融合的信控交叉口排队长度估计与预测方法，服务于新技术背景下城市交通信号控制评价与优化的需求。本文主要包括三个研究内容：(一)基于贝叶斯理论和数据级融合的排队长度估计、(二)基于集成学习理论与决策级融合的排队长度估计、(三)基于差分自回归滑动平均(ARIMA)和卡尔曼滤波(KF)融合的排队长度预测。
(一)基于贝叶斯理论和数据级融合的排队长度估计：首先，通过分析历史电警数据，拟合排队车辆与非排队车辆消散车头时距的概率分布，提出了一种最大后验概率的排队长度估计方法；然后，使用周期内最后一辆排队车辆轨迹与第一辆非排队车辆轨迹修正排队长度；最后，利用实证数据和仿真数据对模型在不同数据条件下的估计精度及敏感性进行了评价和分析。结果表明，该模型的平均绝对误差为3.1辆/周期，平均绝对百分比误差为14.0%。敏感性分析结果表明，相较于现有的基于电警数据的关键点分析(Critical Point Analysis，CPA)模型，本文所提出的数据级融合模型对大车比例、电警捕获率的敏感性更低；相较于基于轨迹数据的交通波模型，本文所提出的模型对轨迹数据采样率与采样频率的敏感性更低。
(二)基于集成学习理论与决策级融合的排队长度估计：在分析已有排队长度估计算法适用条件的基础之上，提出了一种基于集成学习的排队长度估计方法。该方法建立了电警数据、车辆轨迹数据以及三种排队长度估计模型估计结果与真实排队长度之间的映射关系，实现电警数据与轨迹数据的决策级融合。通过10725组仿真数据训练并验证模型，结果表明，该方法的平均绝对误差小于1辆/周期，平均绝对百分比误差小于1%。相较于贝叶斯数据级融合模型，该决策级融合模型的估计精度更高，但该模型的主要缺点是需要用大量的训练数据。
(三)基于ARIMA与KF融合的排队长度预测：在上述排队长度估计方法的基础之上，提出了一种基于ARIMA模型与KF模型融合的交叉口排队长度预测方法。本文使用历史排队长度序列值验证了该模型有效性。结果表明，该模型预测平均绝对误差为2.6辆/周期，平均绝对百分比误差为7.0%，相较于单独使用ARIMA模型或KF模型，本文提出的模型的预测精度更高。
本文深入分析了电警数据与高频车辆轨迹数据特点，分别采用数据级融合与决策级融合的思路，建立了在两种数据源环境下的信控交叉口排队长度估计方法，并提出了相应的排队长度预测方法。本论文研究成果一方面可以丰富信控交叉口排队长度估计与预测方法的理论体系，服务于信控交叉口运行评估与优化；另一方面，也为新型智能交通技术背景下的多源数据融合方法提供新思路。