一种基于智能手机移动检测的城市快速路交通状态估计方法
【技术领域】
[0001] 本发明属于智能交通系统领域，涉及交通数据采集技术、元胞传输模型、一阶宏观 交通流模型和分布式融合算法。本发明结合基于智能手机的交通数据采集技术、一阶宏观 交通流模型、卡尔曼滤波和分布式融合算法，实现城市快速路分布式交通状态实时估计。
【背景技术】
[0002] 随着社会经济的发展，城市化、汽车化速度的加快，交通拥挤、交通事故、环境污 染、能源短缺等问题已经成为世界各国面临的共同问题。通过实施有效的交通控制和诱导 来缓解道路交通拥堵、提高交通管理服务水平的研究日益成熟。而实施交通控制的前提和 基础是对道路的实时交通状态估计。
[0003] 交通状态估计主要分为基于宏观交通流模型的交通状态估计和基于数据的交通 状态估计。宏观交通流模型将交通流看作由车辆组成的流体介质，关注的是车辆整体的综 合平均行为，主要关注平均密度，平均速度等平均的宏观变量。基于宏观交通流模型的估计 问题在过去近十年里得到了广泛研究，典型的包括:利用粒子滤波来估计速度扩展的随机 元胞传输模型SCTM、利用扩展卡尔曼滤波来估计交通状态、基于连续蒙特卡洛算法的交通 状态估计、基于一阶切换模型来描述交通状态等。尽管各种各样的基于宏观交通流模型的 算法被提出，但都存在各自的问题，如受交通参数检测器位置的约束、边界流量无法获取、 不能适用于不同道路等问题。基于交通数据的交通状态估计是交通控制和诱导的重要基 础。对于基于交通数据的预测方法，在早期主要以回归分析为主，但是预测方法只限于线性 分析，无法反应交通系统的不确定性和非线性特征。随着信息处理技术的发展，一些适应能 力强、没有固定模型的方法应用到交通数据短时预测领域，如人工神经网络、基于知识系统 的预测方法等，使得交通数据时间序列的预测得到了更好地发展。
[0004] 交通数据采集技术的发展为交通状态的实时估计提供了基础交通数据。现有的交 通数据采集技术有两类:固定式检测器和移动式数据采集。固定式检测器可以采集流量、速 度、密度等交通数据，但是存在采集数据量巨大，信息处理难度较大，投资成本和维护成本 较高，覆盖率低等问题。目前移动式交通数据采集技术采用最多的是浮动车数据采集技术， 基于GPS定位系统、移动电话定位系统，将车辆动态信息实时传送到浮动车信息处理中心。 然而由于浮动车数量过少，浮动车数据不足以提供交通流信息和交通流密度。随着手机普 及率的提高，基于手机定位的交通数据采集技术由于成本低且效率高、具有实时性强、覆盖 范围广等特点，日益受到重视。
[0005] 影响城市快速路交通状态估计的主要因素包括两点，一是边界流量问题，交通流 模型动态由系统当前交通状态和边界流量共同确定，而采用基于手机数据的交通数据采集 技术，子路段上的边界流量通常是未知的；二是系统模型阶次问题，城市快速路网通常划分 为上百个元胞，应用卡尔曼滤波算法估计时，系统模型阶次较高，计算量较大，难以满足实 时性要求。
[0006] 因此，本发明提出了一种新的快速路交通状态估计方法。首先建立城市快速路元 胞传输模型;其次通过智能手机速度检测参数构建观测网络;然后设计基于一阶宏观LWR交 通流模型的状态空间模型，利用三步式递归滤波算法对交通状态和边界流量进行同步估 计;然后采用加权平均的算法融合上下游子路段边界流量，降低模型阶次，实现城市快速路 网交通状态的实时分布式估计。
【发明内容】
[0007] 本发明提出一种新的基于智能手机移动检测的城市快速路交通状态估计方法，可 以通过智能手机速度检测参数构建观测网络，一阶宏观LWR交通流模型以及三步式递归滤 波算法同步估计交通状态和出入路段边界流量，并且通过融合算法实现大范围快速路分布 式交通状态估计。
[0008] 本发明的目的在于不增加信息采集设备成本的基础上，提高城市快速路交通状态 估计的准确性和实时性。
[0009] 本发明解决其技术问题所采用的技术方案包括四部分，该四部分分别为城市快速 路MCTM模型建模部分A，基于智能手机的交通数据采集部分B，交通状态与边界流量的同步 估计部分C，大范围快速路分布式交通状态估计部分D;这四部分关系如图1所示，其中： [0010] A所示部分为城市快速路MCTM模型。根据MCTM模型将快速路划分成若干个子路段， 每个子路段由不同的元胞组成，该道路划分方法是交通数据采集和交通状态估计的基础， 降低模型阶次，简化算法。
[0011] B所示部分为基于智能手机的交通数据采集。本方法利用车辆内的智能手机采集 关键时空位置处车辆交通参数，计算车辆行程速度，然后计算元胞内车辆平均速度，以元胞 内平均速度构建观测网络，对交通状态进行估计。
[0012] C所示部分为交通状态与边界流量的同步估计。本方法设计基于LWR交通流模型的 状态空间模型，并设计一种三步式递归滤波算法，把边界流量作为未知输入，对子路段内若 干元胞的交通状态和边界流量进行同步估计。
[0013] D所示部分为大范围快速路分布式交通状态估计。本方法在提出的交通状态和边 界流量同步估计的基础上，将大范围的快速路分割成若干个子路段，然后对每个子路段交 通状态和边界流量进行估计，利用加权平均算法，对相邻两个子路段的边界流量进行融合， 从而估计大范围快速路的交通状态。
[0014] A部分的城市快速路MCTM模型对快速路的空间和时间进行离散化，B部分的交通数 据被智能手机端采集，智能手机端采集的数据作为C部分的观测变量对快速路进行交通状 态与边界流量同步估计，最终得出D部分的大范围快速路分布式交通状态估计。
[0015] 与现有技术相比，本发明具有如下有益效果。
[0016] 1、选择智能手机作为交通数据采集的媒介。由于智能手机市场占有率逼近100%， 且在售的智能手机的标准配置中包括GPS模块，这就为利用手机进行交通数据采集奠定基 础。快速路车流量巨大，检测时间长等特点造成采集信息巨大，传统的交通状态监控通过固 定检测器或摄像监控来反映交通状态，存在传送和存储数据量巨大，反映滞后等问题。而本 发明通过手机交通数据采集，只需采集同一时刻相应元胞内有限数量的车辆速度信息，计 算平均速度，作为交通流模型的观测变量。具备采集成本低，传送和存储数据量小，采集范 围广，实时性强等特点。适合大范围路网的交通数据采集，使交通状态估计不再受检测器位 置的约束。
[0017] 2、选择基于LWR交通流模型的状态空间模型和三步式递归滤波算法。现有的关于 交通状态估计的研究往往在边界流量已知的情况下进行的，但实际情况往往无法检测到估 计时所需要的边界流量，这就局限了交通状态的估计问题。本发明提出的模型和滤波算法 很好地解决了由边界流量所带来的问题。在模型中，边界流量不在作为已知量，而是作为未 知输入，在使用滤波器时与交通密度进行同步估计。本发明强调只通过速度检测数据来监 控整个城市快速路交通系统状态的潜在应用，没有传统数据检测，比如边界流量。此方法有 能力估计城市交通网络任意路段的交通参数。
[0018] 3、将城市快速路划分成若干子路段，先对子路段进行交通状态估计，再对各子路 段边界流量进行信息融合。大尺度路网交通流模型阶次高，算法复杂，且运行时间难以满足 交通控制对实时性的要求。本发明采用状态空间模型和三步式递归滤波算法对子路段内3 或4个元胞的交通状态和边界流量进行同步估计，再对相邻两个路段的边界流量进行融合， 融合方法采用加权平均的方法，从而得到完整环路的交通状态。将较长路段划分为若干子 路段进行估计，大大降低了模型的阶次，提高了算法效率。
【附图说明】
[0019] 图1基于智能手机移动检测的城市快速路交通状态估计示意图。
[0020] 图2三环快速路元胞划分示意图。
[0021 ]图3手机交通数据采集技术获取速度信息示意图。
[0022]图4车辆位置信息采样示意图。
[0023]图5数据采样与处理流程图。
[0024] 图6路段被划分为N个元胞。
[0025] 图7城市快速路分布式交通状态估计框架图。
[0026] 图8相邻子路段边界流量融合。
[0027]图9边界流量融合算法流程图。
【具体实施方式】
[0028]下面结合附图对本发明进一步说明。
[0029] A部分是建立城市快速路MCTM模型，（以北京三环快速路为例）在原始元胞传输模 型CTM的基础上，采用改进的元胞传输模型MCTM进行建模。
[0030] CTM以每个元胞内的车辆数作为元胞的状态变量，而MCTM以元胞中的车辆密度作 为状态变量，这种改进除去了 CTM对于每个元胞的长度必须相等的限制，使得道路的元胞划 分更加灵活，能够用更少的元胞来描述城市快速路交通流，从而大大降低了元胞状态变量 的维数。
[0031 ]根据MCTM模型将空间和时间离散化。空间离散化即元胞划分方法，将快速路划分 成多个长度不等的元胞，同时将时间划分成等时间间隔，作为时间步长，且满足在一个时间 步长内，车辆以最大速度行驶的距离小