论文部分内容阅读
信号控制交叉口是城市路网的瓶颈点，也是交通拥堵的常发点。排队长度是评价城市道路交叉口交通运行状态的重要指标之一，准确的排队长度估计和预测对于交叉口信号控制优化和交通拥堵改善具有重要的理论意义和实际价值。目前，我国绝大部分城市地面道路的交通流信息采集主要依赖于交叉口的电子警察(以下简称电警)和路段低频(采样频率一般为60秒/次及以上)的线圈、地磁、微波雷达等定点检测设备。这样的数据条件使得现有基于高频(采样频率一般为20秒/次及以下)定点检测和浮动车数据的排队长度估计和预测方法难以适用。
因此，本文的研究目的是面向我国城市地面道路交叉口典型数据检测环境，融合路段定点检测数据和交叉口电警数据，采用交通流理论和数理统计方法，建立适用于不同场景的排队长度估计和预测方法，并进行仿真和实证验证。
基于上述目标，本论文的研究内容主要包括如下四个方面：(一)基于路段低频定点检测数据的交叉口排队长度估计方法、(二)基于电警数据的交叉口排队长度估计方法、(三)基于路段低频定点检测与电警数据融合的交叉口排队长度估计方法、(四)基于时间序列模型的交叉口排队长度预测方法。
(一)基于路段低频定点检测数据的交叉口排队长度估计方法。该方法首先利用检测器获取的时间占有率、流量和速度的函数关系，对长排队现象(排队到达或超出检测器位置，导致检测数据失效)进行识别；其次，通过假设车辆在停车线与检测器位置之间的平均速度，匹配检测器数据与相位起止时刻；最后，利用交通波理论判别车辆加入排队的关键点位置，计算周期最大排队长度。该方法以青岛市山东路~江西路交叉口为例进行了实证验证，结果表明：长排队识别精度为97.5%，排队长度估计精度为81.2%。同时，为分析饱和度对排队长度估计精度的影响，本文在实证验证的基础上进行了仿真验证，结果表明：不同饱和度下排队长度的估计精度均在80%以上，长排队识别精度在95%以上。
(二)基于电警数据的交叉口排队长度估计方法。该方法基于电警数据所提供的车辆消散车头时距信息，利用临界点分析法(Critical Point Analysis, CPA)判断车头时距均值与方差的突变点，从而分周期分车道计算排队长度。该方法以连云港市朝阳路~通灌北路交叉口为例进行了实证验证，结果表明：排队长度估计精度为80.4%。为分析电警捕获率对排队长度估计精度的影响，本文在实证验证的基础上进行了仿真验证，结果表明：当捕获率大于90%时，排队长度估计精度在81%以上，当捕获率大于80%而小于90%时，排队长度估计精度下降至75%。随着捕获率的下降，排队长度的估计精度也不断降低。
(三)基于路段低频定点检测与电警数据融合的交叉口排队长度估计方法。该方法首先基于检测器获取的时间占有率、流量、速度数据对长排队进行识别；其次，针对长排队周期，利用概率论计算剩余排队长度的数学期望；针对非长排队周期，基于交通波理论和概率论计算交叉口排队长度，并以周期内检测器记录的流量大小与电警记录的流量大小为依据，与基于CPA计算的排队长度进行决策级融合，确定最终排队长度。该方法以青岛市山东路-江西路交叉口为例进行了实证验证，结果表明：排队长度估计精度达到90.6%，显著提升了前两种方法的估计精度。为分析交通流波动性对排队长度估计精度的影响，本文在实证验证的基础上进行了仿真验证，结果表明：当饱和度在0.65-0.95之间时，排队长度估计精度约为93%，即交通流波动性对排队长度的估计精度无显著影响。
(四)基于时间序列模型的排队长度预测方法。在上述三种排队长度估计方法的基础上，通过对排队长度数据进行平稳性检验和白噪声检验，得出排队长度数据为平稳非白噪声序列。因此，本文分别提出了基于自回归移动平均模型(ARMA)和卡尔曼滤波(KF)两种时间序列模型的排队长度预测方法。两种方法均以青岛市山东路~江西路交叉口为例进行实证验证，结果表明：ARMA模型的预测精度为83.2%，KF模型的预测精度为82.5%。为分析交通流波动性对排队长度预测精度的影响，本文在实证验证的基础上进行了仿真验证，结果表明：当饱和度在0.65-0.95之间时，ARMA模型的预测精度为81.6%，KF模型的预测精度为81.3%，即交通流波动性对排队长度的预测精度无显著影响。
本文的研究成果一方面可以丰富现有基于多源数据的信号控制交叉口排队长度估计和预测方法体系，服务于数据驱动的信号控制交叉口运行评价及优化；另一方面，也可为路段定点检测数据与电警数据的融合以及我国城市地面道路交通检测器的布设提供借鉴。
因此，本文的研究目的是面向我国城市地面道路交叉口典型数据检测环境，融合路段定点检测数据和交叉口电警数据，采用交通流理论和数理统计方法，建立适用于不同场景的排队长度估计和预测方法，并进行仿真和实证验证。
基于上述目标，本论文的研究内容主要包括如下四个方面：(一)基于路段低频定点检测数据的交叉口排队长度估计方法、(二)基于电警数据的交叉口排队长度估计方法、(三)基于路段低频定点检测与电警数据融合的交叉口排队长度估计方法、(四)基于时间序列模型的交叉口排队长度预测方法。
(一)基于路段低频定点检测数据的交叉口排队长度估计方法。该方法首先利用检测器获取的时间占有率、流量和速度的函数关系，对长排队现象(排队到达或超出检测器位置，导致检测数据失效)进行识别；其次，通过假设车辆在停车线与检测器位置之间的平均速度，匹配检测器数据与相位起止时刻；最后，利用交通波理论判别车辆加入排队的关键点位置，计算周期最大排队长度。该方法以青岛市山东路~江西路交叉口为例进行了实证验证，结果表明：长排队识别精度为97.5%，排队长度估计精度为81.2%。同时，为分析饱和度对排队长度估计精度的影响，本文在实证验证的基础上进行了仿真验证，结果表明：不同饱和度下排队长度的估计精度均在80%以上，长排队识别精度在95%以上。
(二)基于电警数据的交叉口排队长度估计方法。该方法基于电警数据所提供的车辆消散车头时距信息，利用临界点分析法(Critical Point Analysis, CPA)判断车头时距均值与方差的突变点，从而分周期分车道计算排队长度。该方法以连云港市朝阳路~通灌北路交叉口为例进行了实证验证，结果表明：排队长度估计精度为80.4%。为分析电警捕获率对排队长度估计精度的影响，本文在实证验证的基础上进行了仿真验证，结果表明：当捕获率大于90%时，排队长度估计精度在81%以上，当捕获率大于80%而小于90%时，排队长度估计精度下降至75%。随着捕获率的下降，排队长度的估计精度也不断降低。
(三)基于路段低频定点检测与电警数据融合的交叉口排队长度估计方法。该方法首先基于检测器获取的时间占有率、流量、速度数据对长排队进行识别；其次，针对长排队周期，利用概率论计算剩余排队长度的数学期望；针对非长排队周期，基于交通波理论和概率论计算交叉口排队长度，并以周期内检测器记录的流量大小与电警记录的流量大小为依据，与基于CPA计算的排队长度进行决策级融合，确定最终排队长度。该方法以青岛市山东路-江西路交叉口为例进行了实证验证，结果表明：排队长度估计精度达到90.6%，显著提升了前两种方法的估计精度。为分析交通流波动性对排队长度估计精度的影响，本文在实证验证的基础上进行了仿真验证，结果表明：当饱和度在0.65-0.95之间时，排队长度估计精度约为93%，即交通流波动性对排队长度的估计精度无显著影响。
(四)基于时间序列模型的排队长度预测方法。在上述三种排队长度估计方法的基础上，通过对排队长度数据进行平稳性检验和白噪声检验，得出排队长度数据为平稳非白噪声序列。因此，本文分别提出了基于自回归移动平均模型(ARMA)和卡尔曼滤波(KF)两种时间序列模型的排队长度预测方法。两种方法均以青岛市山东路~江西路交叉口为例进行实证验证，结果表明：ARMA模型的预测精度为83.2%，KF模型的预测精度为82.5%。为分析交通流波动性对排队长度预测精度的影响，本文在实证验证的基础上进行了仿真验证，结果表明：当饱和度在0.65-0.95之间时，ARMA模型的预测精度为81.6%，KF模型的预测精度为81.3%，即交通流波动性对排队长度的预测精度无显著影响。
本文的研究成果一方面可以丰富现有基于多源数据的信号控制交叉口排队长度估计和预测方法体系，服务于数据驱动的信号控制交叉口运行评价及优化；另一方面，也可为路段定点检测数据与电警数据的融合以及我国城市地面道路交通检测器的布设提供借鉴。