手机移动检测的城市快速路交通状态估计方法，其 特征在于:本方法的交通数据采集方法可能会因为某个元胞内没有车辆或者不符合数据采 集条件而造成某个元胞内无法采集到速度信息，由此只能获得部分元胞的速度信息；而利 用本方法的交通密度和边界流量的同步估计方法，则不需要采集全部元胞的速度信息，假 设N个元胞路段需要M个元胞的速度信息，M小于N，并且只需要大于未知输入的个数即可； 至此，交通状态估计所需的观测变量，各元胞的速度信息通过上述方法可W获得。6. 根据权利要求1所述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，其 特征在于:C部分是交通状态和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=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； 本方法首先基于LWR交通流模型设计了城市快速路的状态空间模型； 城市快速路状态空间模型的系统方程通过如下步骤得到： 一阶宏观LWR交通流模型，通过车辆守恒方程描述空间位置X，时间t处的车辆密度P(x， t)与交通流量q(x，t)关系如下：平均行驶速度满足流量-密度关系式如下：应用Godunov有限元方法，数值求解上述车辆守恒方程和流量-密度关系式;空间上，路 段被划分为多个元胞，该路段边界输入和输出流量未知，分别是遠。(喪)， 化"'（r)，皆"(A')分别是车辆驶入和驶出元胞i内的车流量； 假设元胞长度为以，i = 1，? ? ?，n，时间采样间隔为A t，根据Courant-Frie化ichs-Lewy条 件，当元胞长度满足W下条件时，数值解稳定 I^i < Vf A t 通过时空离散化，LW財莫型可表示为差分方程式中化(k)表示当前时刻元胞i内的车辆密度，於(、/:)，义是车辆在[kAt，化+1) A t ]时间间隔内驶入和驶出元胞i的流量，上游元胞的驶出流量可W用下游元胞的驶入流 量来表不：流量如"(心）由供需关系决定，Si(k)表示下游元胞供给，Di-I(k)表示上游元胞需求： 非"W 二 min (Zr)A (叫} 供需关系为： Di(k) = V(Pi)Pi,Si(k) =qmax，Pi(k) < Pc Di(k) =qmax，Si(k) = v(Pi)fii,Pi(k)>fic 对N个元胞，根据上述差分方程、上下游元胞驶入驶出流量关系和流量供需关系，城市 快速路的状态空间模型系统的系统方程可归纳为： pT(k+l) =F(pT 化））+6了(1化） 式中pT=[pi，…PN]是当前时刻各元胞内的车辆密度，沪㈱=(皆㈱，編"(巧)是边界输 入和输出流量，F表示上述差分方程中密度和流量的函数关系，城市快速路状态空间模型的观测方程通过如下步骤得到： 本方法采用智能手机采集交通数据，只需要采集部分元胞内车辆的速度信息，而不需 要采集边界流量信息，就可W对交通状态进行估计； 根据B部分方法采集的速度V(i，t)，可W描述当前元胞i的交通密度;手机采集交通数 据提供速度信息集合yA) = [VI，一VM]^由于只需要知道部分元胞的速度信息，假设N个元 胞路段需要M个元胞的速度信息(M小于N，并且只需要大于未知输入的个数）； 应用速度-密度方程如下：建立城市快速路状态空间模型的非线性观测方程模型如下： y(k)=H(p(k)) 式中H描述上述速度一密度方程关系； 至此，基于LWR交通流模型设计了城市快速路的状态空间模型建立完成，如下： pT(k+l)=F(pT 化））+GT(Kk) y(k)=H(p(k)) 其次，本方法设计了一种=步式递归滤波算法，可W通过城市快速路的状态空间模型 同步估计交通状态和边界流量； 对于离散时间系统： x(t+l)=A(t)x(t)+Gd(t) y(t)=C(t)x(t) 式中，x(t)是状态变量，d(t)是未知输入，y(t)是观测参数； 本方法根据扩展卡尔曼滤波，将非线性关系F和H在当前时刻的雅克比矩阵分别作为上 述离散系统的矩阵A和C进行求解，即7.根据权利要求1所述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，其 特征在于:本方法设计了一种=步式递归滤波算法对系统状态和未知输入即边界流量进行 最小方差无偏估计，步骤如下： 第一步:估计状态变量;通过k时刻的测量值，估计交通下一时刻交通密度P化+11 k); p(k+l|k)=F(p(k|k)) 第二步:预估计未知边界流量A-); (乂:) = M的(叫A') - C的戶作+11巧） 户a'111把+1)二戶(片十11把）+C苗（叫 第S步：更新状态；根据第一步的状态预测值p(k+l Ik)和第二步的未知输入估计值 )，得到最优的状态变量估计P化+11 k+1); 片快+11 & +1)=召(又'+11 表 +1) + K (又')('>'(乂:）一 C(Zt)声(又 +11 表 + U) 式中增益矩阵M化），K化)可W通过协方差来计算： P 化+l|k)=A 化)P 化 |k)AT 化)+Q 化） M (!<) = {D' (k) R[k) D(!<))、〇i (k) R、[i<) K{k)^P{k + \\k)C{k)R-'{k) 房(A-) = C'(A')户(A，+1 i A_)('？（A_) +巧(片) P(k+l|k+l) = (l-M 化)(Xk))P(k+l|k) 式中，0化）="1〇6,9化)为状态方程的误差协方差矩阵，1?化)为观测方程的误差协方 差矩阵； 至此，可W通过上述状态空间模型和滤波算法同步估计各元胞的交通密度和边界流 量。8. 根据权利要求1所述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，其 特征在于:D部分是融合边界流量，实现大范围快速路分布式交通状态估计;本方法为了实 现大尺度交通路网估计，根据智能手机交通数据采集情况，将快速路划分成n个子路段，每 个子路段包含3-4个元胞，通过手机交通数据采集技术获取相应元胞的速度信息，应用C部 分状态空间模型和滤波算法对每个子路段交通状态和边界流量进行同步估计，然后对相邻 两个子路段的边界流量进行融合，实现分布式交通状态估计，从而得到整个环路的交通状 态。9. 根据权利要求1所述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，其 特征在于:本方法融合方法采用加权平均的方法，权重是加权平均算法的核屯、;本方法利用 拉格朗日乘子计算权重值;为了得到可靠的权重值rm，假设W下条件： (1 )m种数据源没有系统误差； (2) 随机变量的方差目m已知； (3) 不同数据源的误差不相关； 假设所有类型数据的估计值为Xm,加权算术平均的误差方差XU，t) =XmrmXm可由 ^ = Z,请冷出，其中Smrm=I必须满足；目标是通过改变权重rm或是权重向量；来使误差 最小化;从而得到下面的约束最优化问题： 最小化目标函数:贷巧=是请哉 m 约束条件：Smrm=I 带约束的最优问题可W使用拉格朗日乘子法求解，最终的权重值如下：边界流量融合信息的步骤如下： 第一步:利用上述C部分的滤波算法对子路段一进行一步预测状态变量备砍+ 1 I巧，计 算增益矩阵Ki，Mi，计算元胞8的输出估计值; 第二步：用同样的方法得到子路段二的一步预测状态变量爲巧+ 1! Q，增益矩阵Ki，Mi， 和元胞9的输入估计值4 ; 第=步：利用上述加权平均算法得到的权重值rm，对<?,和4进行加权平均得到 々. ' K A i , d 二 T、d.i 半 r王注 第四步:利用J更新状态变量估计值户1 (/、+11+ 0和A(A' +11+1)，再分别计算各个子 路段的状态变量化化+11 k+1)和化化+11 k+1); 对上一子路段的输出流量和下一子路段的输入流量进行数据融合，减小了估计误差， 并且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； 运用C部分描述方法分别对快速路全部子路段的交通状态和边界流量进行估计，再应 用D部分描述方法将相邻子路段的边界流量估计值融合，更新交通参数估计，实现整段快速 路的分布式交通状态估计。
【专利摘要】本发明公开了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。该方法首先建立城市快速路元胞传输模型，通过智能手机速度检测参数构建观测网络，然后设计基于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，更新交通参数估计，实现城市快速路网交通状态的实时分布式估计。本发明可以采集到环路任意时空位置的车辆平均速度信息，使交通估计不再受检测器位置的约束；设计状态空间模型和三步式递归滤波器，能够实现交通密度和边界流量的同步估计；融合子路段边界流量，实现大范围快速路网交通估计问题，降低模型阶次，提高算法效率。
【IPC分类】G08G1/01
【公开号】CN105513359
【申请号】CN201610056587
【发明人】张利国, 符旭, 欧梦宁, 闫旭普
【申请人】北京工业大学
【公开日】2016年4月20日
【申请日】2016年1月27日