本发明涉及一种基于车辆停车次数计算排队最远点的方法，服务于城市交通控制与管理，属于智能交通研究领域。
背景技术：
通过车牌停车次数信息，进而计算排队最远点，可以为城市交通管控提供坚实基础，也可为交通参与者提供动态决策依据，从而诱导城市交通良性发展。
目前对城市道路中车辆停车次数以及排队最远点的研究都是服务与路网状态评价，而且两者之间互相孤立。然而，车辆停车次数与路段排队最远点是相互关联的两个指标，车辆的停车行为形成路段排队，路段排队的构成即为停车车辆。随着电子警察设备、RFID的布设率逐渐提高，海量车牌数据以及车辆停车次数数据的获取成为可能，因此建立一种基于车辆停车次数的排队最远点计算方法尤为重要。
技术实现要素：
本发明的目的在于提供一种基于车辆停车次数的排队最远点计算方法。本发明基于车牌数据，结合城市道路行程时间特性计算车辆停车次数，进而得到路段排队最远点。
为实现上述目的，本发明提出的基于车辆停车次数的排队最远点计算方法包括计算计算车辆停车次数，计算路段统计排队最远点，计算路段估计排队最远点三个步骤。
本发明的基本步骤如下：
c1、计算车辆停车次数。
c2、计算路段统计排队最远点。
c3、计算路段估计排队最远点。
步骤c1计算车辆停车次数的过程包括：
c11、计算路段的自由流行程时间MTT，采用路段长度与其自由流速度的比值：
MTT＝L/v
式中，MTT——路段l的自由流行程时间；
L——路段l的长度，单位m；
v——路段l的自由流速度，单位m/s。
c12、令p相位在第k周期通过下游交叉口的第i辆车其行程时间为Tk,i，则该车的停车次数Sk,i为：
Sk,i＝ceil((Tk,i-MTT)/R)
式中，Sk,i——p相位第k周期第i辆车的停车次数；
Tk,i——p相位第k周期第i辆车的行程时间；
MTT——路段l的自由流行程时间；
R——p相位的红灯时长。
步骤c2中计算路段统计排队最远点的过程包括：
c21、计算p相位在第k周期以不同停车次数S通过的车辆数Nk,s。
c22、p相位在第k周期的排队最远点为所有在p相位第k周期发生停车的车辆数之和。即p相位在第k+j周期通过的，停车次数大于等于j+1的车辆数，如在本周期k以一次及以上停车次数通过的车辆数，在第k+1周期以两次及以上停车次数通过的车辆数。则p相位在第k周期的排队最远点Qk为：
式中，Qk——p相位第k周期的排队最远点；
Nk+j,S＞j——p相位第k+j周期以停车次数S>j通过的车辆数；
J——在p相位第k周期的排队车辆的最大停车次数，该车将在第k+J周期通过停车线。
步骤c3中计算路段估计排队最远点的过程包括：
C31、统计排队最远点是通过已过车辆的停车次数情况统计滞后的排队最远点，仅当p相位第k周期的所有排队车辆通过停车线后才能统计该周期的排队最远点。因此实时的排队最远点还需预测：在第k周期排队的车辆将在第k+j周期(j>0)以何种停车次数S通过停车线。由于同一种停车次数的车辆数是随周期变化的时间序列，因此可以采用移动平均的方法预测第k+j周期(j>0)的以停车次数S>j通过的车辆数Mk+j,S＞j。当已知实际通过车辆数Nk,s时，Mk,S等于Nk,s。
Mk+j,s＞j＝(Mk+j-1,S＞j+Mk+j-2,s＞j+Mk+j-3,S＞j)/3
式中，Mk+j,s＞j——p相位第k+j周期以停车次数S>j通过的预测车辆数；
Mk+j-1,S＞j——p相位第k+j-1周期以停车次数S>j通过的预测车辆数；
Mk+j-2,S＞j——p相位第k+j-2周期以停车次数S>j通过的预测车辆数；
Mk+j-3,S＞j——p相位第k+j-3周期以停车次数S>j通过的预测车辆数。
C32、p相位在第k周期的估计排队最远点为所有在p相位第k周期发生停车的车辆数之和，包括在本周期k以一次及以上停车次数通过的车辆数，以及在第k+j周期以停车次数大于等于j+1的通过的预测车辆数Mk+j,s＞j。因此估计排队最远点
式中，Ek——p相位第k周期的估计排队最远点；
Mk+j,s＞j——p相位第k+j周期以停车次数S>j通过的预测车辆数；
JJ——在p相位第k周期的通过车辆的最大停车次数。
与现有技术相比，本发明的有益效果是：充分利用车辆车牌数据，根据行程时间得到停车次数，进而计算路段排队最远点，填补了城市交通管控中无法得到路段实时排队的空白。而且该方法既可充分利用车牌数据统计得到精确的排队最远点，还能结合交通流特性估计实时排队最远点，在精确性和实时性上都有较大优势，且易于工程实现。
具体实施方式
下面对本发明进行详细阐述，本发明的具体步骤如下。
步骤一计算车辆停车次数的过程包括：
计算路段的自由流行程时间MTT，采用路段长度与其自由流速度的比值：
MTT＝L/v
式中，MTT——路段l的自由流行程时间；
L——路段l的长度，单位m；
v——路段l的自由流速度，单位m/s；
令p相位在第k周期通过下游交叉口的第i辆车其行程时间为Tk,i，则该车的停车次数Sk,i为：
Sk,i＝ceil((Tk,i-MTT)/R)
式中，Sk,i——p相位第k周期第i辆车的停车次数；
Tk,i——p相位第k周期第i辆车的行程时间；
MTT——路段l的自由流行程时间；
R——p相位的红灯时长。
步骤二中计算路段统计排队最远点的过程包括：
计算p相位在第k周期以不同停车次数S通过的车辆数Nk,s；
p相位在第k周期的排队最远点为所有在p相位第k周期发生停车的车辆数之和。即p相位在第k+j周期通过的，停车次数大于等于j+1的车辆数，如在本周期k以一次及以上停车次数通过的车辆数，在第k+1周期以两次及以上停车次数通过的车辆数。则p相位在第k周期的排队最远点Qk为：
式中，Qk——p相位第k周期的排队最远点；
Nk+j,s＞j——p相位第k+j周期以停车次数S>j通过的车辆数；
J——在p相位第k周期的排队车辆的最大停车次数，该车将在第k+J周期通过停车线；
步骤三中计算路段估计排队最远点的过程包括：
统计排队最远点是通过已过车辆的停车次数情况统计滞后的排队最远点，仅当p相位第k周期的所有排队车辆通过停车线后才能统计该周期的排队最远点。因此实时的排队最远点还需预测：在第k周期排队的车辆将在第k+j周期(j>0)以何种停车次数S通过停车线。由于同一种停车次数的车辆数是随周期变化的时间序列，因此可以采用移动平均的方法预测第k+j周期(j>0)的以停车次数S>j通过的车辆数Mk+j,s＞j。当已知实际通过车辆数Nk,S时，Mk,s等于Nk,s。
Mk+j,s＞j＝(Mk+j-1,s＞j+Mk+j-2,s＞j+Mk+j-3,s＞j)/3
式中，Mk+j,s＞j——p相位第k+j周期以停车次数S>j通过的预测车辆数；
Mk+j-1,s＞j——p相位第k+j-1周期以停车次数S>j通过的预测车辆数；
Mk+j-2,s＞j——p相位第k+j-2周期以停车次数S>j通过的预测车辆数；
Mk+j-3,s＞j——p相位第k+j-3周期以停车次数S>j通过的预测车辆数。
p相位在第k周期的估计排队最远点为所有在p相位第k周期发生停车的车辆数之和，包括在本周期k以一次及以上停车次数通过的车辆数，以及在第k+j周期以停车次数大于等于j+1的通过的预测车辆数Mk+j,s＞j。因此估计排队最远点
式中，Ek——p相位第k周期的估计排队最远点；
Mk+j,s＞j——p相位第k+j周期以停车次数S>j通过的预测车辆数；
JJ——在p相位第k周期的通过车辆的最大停车次数。