本申请涉及智能交通领域，具体而言，涉及一种基于众包轨迹数据的交叉口周期最大排队长度估计方法。
背景技术：
城市交通关乎整个城市的经济民生，是城市生活不可缺少及不可替代的重要环节，而信号控制交叉口作为城市交通的咽喉，是保障城市交通正常运行的关键。排队长度作为衡量交叉口运行状态的重要评价指标，能够直接反映交叉口的拥堵程度；同时，排队长度也可以作为交通管理、信号控制优化等方法的输入参数。因此，交叉口排队长度估计一直是交通领域研究热点。
当下，以线圈、地磁、微波、视频为代表的定点检测技术已广泛应用于交通信息采集。但受制于固定断面、局部范围的检测局限以及硬件损耗大、损坏率高等现实弊端，导致目前上述检测设备的建设、运营、维护成本过高。
伴随着移动互联等新一代信息技术的发展，交通信息的获取、交互与融合催生出新的业态。由出行者通过智能终端设备(如车载导航、智能手机)以众包(crowdsourcing)方式反馈的时空位置信息，即高频时空连续位置数据(轨迹)，正成为一种新的交通信息获取手段。众包轨迹从时间和空间两个维度突破了定点检测数据采集的瓶颈，并且具有广域、持续、可靠且低成本等特点。如何充分挖掘众包轨迹数据并提取有效的交通信息，进而更好地为城市道路交通管理与控制服务，成为目前智能交通领域技术研究的国际前沿问题。
目前基于轨迹数据的排队长度估计方法，主要存在的问题为要求众包轨迹数据渗透率(众包用户在整体交通流中的占比)达到一定的比例，如25％以上，因此对低渗透率环境鲁棒性不强。
针对上述定点检测器存在检测局限以及硬件损耗大、损坏率高，并且基于抽样轨迹数据的研究对渗透率要求较高的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种基于众包轨迹数据的交叉口周期最大排队长度估计方法，以至少解决定点检测器存在检测局限以及硬件损耗大、损坏率高，并且基于抽样轨迹数据的研究对渗透率要求较高的技术问题。
根据本发明实施例的一个方面，提供了一种基于众包轨迹数据的交叉口周期最大排队长度估计方法，该方法包括：获取一个交叉口周期内通过交叉口的预定进口方向的众包数据，并根据众包数据确定众包车辆的时空轨迹；将时空轨迹划分为停车轨迹和非停车轨迹两个种类，其中停车轨迹表示在交叉口的预定进口方向停止的众包车辆的时空轨迹，非停车轨迹代表未在交叉口的预定进口方向停止的众包车辆的时空轨迹；根据时空轨迹在两个种类的分布，建立最大似然方程；求解最大似然方程，估计交叉口的预定进口方向的车辆到达流率；以及根据所估计的车辆到达流率，估算出交叉口的预定进口方向的停车波和消散波的传播速度，并基于停车波和消散波的传播速度估计交叉口的预定进口方向在交叉口周期内的最大排队长度。
可选地，根据众包数据确定众包车辆的时空轨迹的操作包括：在交叉口周期内，根据交叉口周期内通过交叉口的预定进口方向的众包数据提供的众包车辆的时间和位置信息，对众包车辆的时空轨迹进行还原；以及再现众包车辆的时空轨迹后，剔除具有回退、结尾和中途的异常状态轨迹数据，生成时空轨迹。
可选地，估计交叉口排队长度的方法还包括：提取每条时空轨迹的自由流到达时间和驶离时间，其中非停车轨迹的自由流到达时间等于驶离时间。
可选地，估计交叉口排队长度的方法还包括：利用时空轨迹的两个种类对交叉口周期内的到达场景进行分类，其中到达场景的分类包括：不存在停车轨迹和非停车轨迹的众包数据的到达场景；只存在停车轨迹的众包数据的到达场景；只存在非停车轨迹的众包数据的到达场景；以及同时存在停车轨迹和非停车轨迹的众包数据的到达场景。
可选地，估计交叉口排队长度的方法还包括：依据到达场景的分类，确定时空轨迹在两个种类的分布，并根据分布确定饱和流率。
可选地，估计交叉口排队长度的方法还包括：利用最大期望算法求解最大似然方程，得到车辆到达流率。
可选地，估计交叉口排队长度的方法还包括：利用所述饱和流率和所述车辆到达流率计算得到到达密度和饱和密度。
可选地，估计交叉口排队长度的方法还包括：利用两辆连续的众包车辆之间的停车距离差和两辆连续的众包车辆之间的未被提取众包数据的车辆的数量计算得到拥堵密度，以及利用到达密度、饱和密度和拥堵密度计算得到停车波和消散波的传播速度。
可选地，交叉口的预定进口方向在交叉口周期内的最大排队长度的计算方法为：
其中，lmax为最大排队长度，tmax为最大排队长度的发生时间，v1和v2分别为停车波和消散波的传播速度，tr和tg分别为交叉口的预定进口方向的红灯开始时间和绿灯开始时间。
可选地，众包车辆到达交叉口服从泊松分布；交叉口的信号配时信息已知；交叉口的预定进口方向的红灯开始时，预定进口方向不存在初始排队；交叉口周期内存在至少一条众包车辆的时空轨迹；众包车辆在排队前，以自由流速度行驶。
在本发明实施例中，通过利用众包数据作为数据源并基于lwr交通波理论建立模型，达到了低渗透率的场景下提供一种基于众包数据的非饱和信号控制交叉口(车辆到达服从泊松分布)周期最大排队长度的估计方法的目的，从而实现了该估计方法具有强鲁棒性和高准确性的技术效果，进而解决了定点检测器存在检测局限以及硬件损耗大、损坏率高，并且基于抽样轨迹数据的研究对渗透率要求较高的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本公开具体实施方式所述的估计交叉口排队长度的方法的主要步骤图；
图2是根据本公开具体实施方式所述的交通波的示意图；
图3是根据本公开具体实施方式所述的估计交叉口排队长度的方法的具体流程图；
图4是根据本公开具体实施方式所述的合肥市黄山路与科学大道交叉口的示意图；
图5是根据本公开具体实施方式所述的一个交叉口周期的所有众包车辆的的时空轨迹；以及
图6是根据本公开具体实施方式所述的估计最大排队长度和实际最大排队长度的对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
众包数据，是指由出行者通过智能终端设备(如车载导航、智能手机)以众包(crowdsourcing)方式反馈时空位置信息，即高频时空连续位置数据。
饱和流率，是指在一次连续的绿灯信号时间内，进口道上一列连续车队能通过进口道停车线的最大流量。
自由流，是指当交通流密度小时，驾驶员能根据自己的驾驶特性和车辆条件、道路条件进行驾驶，基本不受或少受道路上的其他使用者的影响，保持期望车速的交通流状态。
实施例1
图1示出了根据本公开具体实施方式所述的估计交叉口排队长度的方法的主要步骤图。
参照图1所示，实施例1给出了一种估计交叉口排队长度的方法，该方法包括：获取一个交叉口周期内通过交叉口的预定进口方向的众包数据，并根据众包数据确定众包车辆的时空轨迹；将时空轨迹划分为停车轨迹和非停车轨迹两个种类，其中停车轨迹表示在交叉口的预定进口方向停止的众包车辆的时空轨迹，非停车轨迹代表未在交叉口的预定进口方向停止的众包车辆的时空轨迹；根据时空轨迹在两个种类的分布，建立最大似然方程；求解最大似然方程，估计交叉口的预定进口方向的车辆到达流率；以及根据所估计的车辆到达流率，估算出交叉口的预定进口方向的停车波和消散波的传播速度，并基于停车波和消散波的传播速度估计交叉口的预定进口方向在交叉口周期内的最大排队长度。
从而，通过利用低渗透率的众包数据估计交叉口周期最大排队长度，以众包数据作为数据源，实现每个周期“细粒度”的评估交通状态不需要额外布设任何硬件设备，大幅节省了人力、物力成本，同时也避免了传统定点检测器的检测局限以及硬件损耗大、损坏率高等现实弊端，能够更加高效、稳定、科学地估计交叉口交通状态。
进一步地，根据众包数据确定众包车辆的时空轨迹的操作包括：在交叉口周期内，根据交叉口周期内通过交叉口的预定进口方向的众包数据提供的众包车辆的时间和位置信息，对众包车辆的时空轨迹进行还原；以及再现众包车辆的时空轨迹后，剔除具有回退、结尾和中途的异常状态轨迹数据，生成时空轨迹。
进一步地，提取每条时空轨迹的自由流到达时间和驶离时间，其中所述非停车轨迹的自由流到达时间等于驶离时间。
需要说明的是，提取自由流到达时间和驶离时间的具体操作步骤为：首先停车轨迹和非停车轨迹，分别用下标y和z表示。之后对每条轨迹提取其关键信息：自由流到达时间tf,i和驶离时间td,i。
对于停车轨迹，用vi代表从每条停车轨迹提取的信息：
vi＝{tf,i,td,i},i＝1,2,...,n.(1)
其中，n为该周期内停车轨迹的总数。对于停车轨迹，自由流到达时间tf,i可以由如下公式进行计算：
其中，ts,i为第i辆众包车辆的停车时间，li为第i辆众包车辆停车时距停车线的距离，vf为预设的自由流速度。
对于非停车轨迹，仅提取第一条通过交叉口轨迹的关键信息，且其自由流到达时间为驶离时间，即tf,z＝td,z。
此外，需要交叉口的信号配时作为输入信息，用v0＝{tf,0,td,0}来表示每个周期的信号信息，其中tf,0为周期的红灯开始时间，td,0为周期绿灯开始时间。
进一步地，估计交叉口排队长度的方法还包括：利用时空轨迹的两个种类对交叉口周期内的到达场景进行分类，分类后共有四种到达场景：(1)不存在所述停车轨迹和所述非停车轨迹的众包数据的到达场景；(2)只存在所述停车轨迹的众包数据的到达场景；(3)只存在所述非停车轨迹的众包数据的到达场景；(4)同时存在所述停车轨迹和所述非停车轨迹的众包数据的到达场景。
对每种到达场景详细描述如下：
(1)不存在所述停车轨迹和所述非停车轨迹的众包数据。由于缺少数据，本实施例所述的方法无法在该场景下应用。
(2)只存在所述停车轨迹的众包数据。可以从停车轨迹中获取众包车辆的停车位置，从而确定众包车辆前有多少辆普通车辆在排队。在假设一个交叉口周期内众包车辆到达服从泊松分布的前提下，则有：
其中，ny,i表示第i辆众包车辆与第(i-1)辆众包车辆或停车线间有多少辆普通车辆，qs为预设的饱和流率，δty,i＝tf,i-tf,i-1表示第i辆众包车辆与第(i-1)辆众包车辆自由流到达时间的时间差或与红灯开始的时间差。
单独利用停车轨迹只能提取最后一辆众包车辆前的到达信息，无法获得最后一辆众包车辆后的到达信息。因此，需要利用信号配时信息获取最后一辆众包车辆到达后至绿灯开始时这段时间内普通车辆的最大到达数：
其中，ts,n为最后一辆众包车辆的停车时间，δtz＝td,0-ts,n为最后一辆众包车辆到达后至绿灯开始时的时间差，nz为δtz内普通车辆的最大到达数，
(3)只存在非停车轨迹数据。该场景下只能提取第一条非停车轨迹到达交叉口时与红灯开始时这段时间内普通车辆的最大到达数：
其中，δtz＝td,z-tf,0。在该场景下，由于缺少确定信息，本方法难以稳定的估计周期最大排队长度。
(4)同时存在停车和非停车轨迹。利用停车轨迹提取周期内最后一辆停车的众包车辆前有多少排队车辆；利用非停车轨迹提取周期内最后一辆停车的众包车辆与第一辆未停车的众包车辆驶离交叉口的时间差内普通车辆的最大达到数：
其中，δtz＝td,z-tf,n，tf,n为最后一辆停车的众包车辆的自由流到达时间，td,n为最后一辆停车的众包车辆驶离交叉口时间。
进一步地，估计交叉口排队长度的方法还包括：依据到达场景的分类，确定时空轨迹在两个种类的分布，并根据分布确定饱和流率。
从而，对比到达场景的四种分类，确定时空轨迹在两个种类的分布属于哪种到达场景，进而确定饱和流率的预设值，为下一步估算交叉口处于到达状态、拥堵状态和消散状态时的交通参数提供支持。
进一步地，估计交叉口排队长度的方法还包括：利用最大期望算法求解最大似然方程，得到车辆到达流率。
需要说的是，根据从一个交叉口周期内众包车辆的时空轨迹中提取的信息，建立最大似然方程，并利用最大似然方程估计泊松分布中的参数λ，即车辆到达流率，最大似然方程如下：
其中，y和z表示从一个交叉口周期内所有众包车辆的时空轨迹中提取的信息，λ即车辆到达流率；ny,i表示第i辆众包车辆与第(i-1)辆众包车辆或停车线间有多少辆普通车辆，δty,i＝tf,i-tf,i-1表示第i辆众包车辆与第(i-1)辆众包车辆的自由流到达时间的时间差或与红灯开始的时间差。
利用最大期望算法(即：em算法)求解最大似然方程分为以下4个步骤：
(1)为em算法中的e步骤设定泊松分布的参数λ的初始值；
(2)e步骤：给定普通车辆最大到达数，以及从(1)或m步骤获得的参数λ(s)，计算实际到达普通车辆的期望值
(3)m步骤：通过最大化似然方程来更新参数，首先对最大似然方程两边取对数：
整理公式后得到：
其中c为常量。公式对λ求导后可以获得新的参数λ(s+1)，公式如下：
(4)迭代：重复e步骤和m步骤直到迭代次数达到阈值或λ值收敛，此时获得车辆到达流率的最终估计值λreal。
进一步地，估计交叉口排队长度的方法还包括：利用饱和流率和车辆到达流率计算得到到达密度和饱和密度。
从而，根据估计出的车辆到达流率λreal和预设的饱和流率qs可以计算出到达密度ka和饱和密度ks，计算公式如下：
进一步地，估计交叉口排队长度的方法还包括：利用两辆连续的众包车辆之间的停车距离差和两辆连续的众包车辆之间的未被提取众包数据的普通车辆的数量计算得到拥堵密度，以及利用到达密度、饱和密度和拥堵密度计算得到停车波和消散波的传播速度。
拥堵密度的数值较为稳定，可以通过两辆连续的停车的众包车辆之间的停车距离差与普通车辆数获得，计算公式如下：
利用估计出的各状态的交通参数，可以计算出交通波理论中的停车波速度v1和消散波速度v2，计算公式如下：
进一步地，交叉口的预定进口方向在交叉口周期内的最大排队长度的计算方法为：
其中，lmax为所述最大排队长度，tmax为所述最大排队长度的发生时间，v1和v2分别为所述停车波和消散波的传播速度，tr和tg分别为所述交叉口的所述预定进口方向的红灯开始时间和绿灯开始时间。
进一步地，上述估计交叉口排队长度的方法应具有如下条件为前提：众包车辆到达交叉口服从泊松分布；交叉口的信号配时信息已知；交叉口的预定进口方向的红灯开始时，预定进口方向不存在初始排队；交叉口周期内存在至少一条众包车辆的时空轨迹；众包车辆在排队前，以自由流速度行驶。
从而，基于以上前提，本实施例所述的估计交叉口排队长度的方法才能顺利实施。
图2示出了根据本公开具体实施方式所述的交通波的示意图。
图3示出了根据本公开具体实施方式所述的估计交叉口排队长度的方法的具体流程图。
此外，本实施例所述的估计交叉口排队长度的方法基于lwr交通波理论模型建立，lwr交通波理论能够揭示交叉口排队形成和消散的过程。由于交通信号灯变化，导致在交叉口产生交通状态的不连续，交叉口会因此形成多种交通波，如图2所示。参考图2所示，当红灯开始时，车辆停车，此时由于到达状态与排队状态之间的交通状态不连续，产生了速度为v1向上游传递的排队波；当绿灯开始时，排队车辆开始以饱和流率消散，此时产生速度为v2向上游传递的消散波；通常情况下，消散波速度大于排队波，两个交通波会在点a相交，当排队波与消散波相交时(图中的tmax)，交叉口产生最大排队长度(图中的lmax)。
参考图3并取某一交叉口为例，对本实施例所述的估计交叉口排队长度的方法的流程做详细地介绍。
首先，参照图3所示，本实施例所述的估计交叉口排队长度的方法的具体流程如下：
(1)在一个交叉口周期的时间内，提取该交叉口预定进口方向的所有众包数据，并根据众包数据提供的时间、位置信息，再现众包车辆的时空轨迹；
(2)将再现的所有众包车辆轨迹按照是否停车分为：停车轨迹和非停车轨迹两类，并获取每条时空轨迹的关键信息：自由流到达交叉口时间和驶离交叉口时间；
(3)根据众包车辆的时空轨迹的分布不同将每周期细分为四种不同的到达场景，并据此建立最大似然方程；
(4)利用em算法求解最大似然方程，得到交叉口预定进口方向的车辆到达流率；
(5)根据已估计的周期到达流量，估算出停车波和消散波传播速度，进而利用交通波理论估计出该周期的最大排队长度。
图4示出了合肥市黄山路与科学大道交叉口的示意图。
参照图4所示，以合肥市黄山路与科学大道交叉口为例说明本实施例所述的估计交叉口排队长度的方法针对真实案例的实施方法，并与真实数据对比证明本方法的准确性和稳定性。
步骤1：再现众包轨迹数据。
选取西进口道的直行方向(即图4中的1方向)进行方案实施，西进口停车线的经纬度坐标为(117.204675,31.842320)。本实施方案使用的众包车辆轨迹数据为2016年10月13日早上7:30-8:30的数据，其中7:30-8:00时间段交叉口周期长度为125秒，西进口道直行相位红灯时间为85秒，绿灯时间为40秒；8:00-8:30时间段内该交叉口的周期长度为160秒，西进口道直行相位红灯时间为110秒，绿灯时间为50秒。
提取实施时间段内所有的众包车辆数据点，根据众包数据提供的时间、经纬度信息，再现众包车辆的时空轨迹。表1为一辆众包车辆提供的众包数据示例，将经纬度信息与停车线经纬度进行计算即可获得车辆距停车线距离，由此再现每周期的所有众包车辆轨迹，如图5所示。
表1.一辆众包车辆的众包数据
下面以8:03:30-8:06:10这个周期为例，详细介绍后续计算步骤。
步骤2：轨迹信息提取。
将再现的时空轨迹分为两类：停车轨迹和非停车轨迹，分别用下标y和z表示。进一步，对每条轨迹提取其关键信息：自由流到达时间tf,i和驶离时间td,i。该周期共有两条众包车辆的时空轨迹，分别为1条非停车轨迹和1条停车轨迹，提取到的关键信息为：
其中v1,v0和td,z都是以秒为单位，且以周期开始(即红灯开始时间8:03:30)为零点。
步骤3：到达分类建立最大似然方程(mle方程)。
(1)根据众包轨迹数据的不同分布将每周期细分到达场景。按照分类，本周期属于场景3，取饱和流率qs＝1600辆/小时，按照公式(3)和公式(6)计算可得：
(2)根据得到的参数，根据公式(7)建立最大似然方程。
步骤4：最大期望值算法(em算法)。
取参数初始值为λ＝0.5，执行e步骤和m步骤迭代直到迭代次数达到阈值或λ值收敛。该周期下得到的λreal＝181.42辆/小时。
步骤5：最大排队长度估计。
假设车辆的自由流速度为vf＝50公里/小时，利用所得参数，根据公式(12)计算到达密度和饱和密度，则有：
拥挤密度的值较为稳定，利用公式(13)根据多个周期的测算，该路口的拥挤密度为kj＝165辆/公里。利用公式(14)计算该周期的排队波和消散波速度：
最后，利用估计出的排队波速度v1和消散波速度v2，可以根据公式(15)计算出周期的最大排队长度lmax和其发生时间tmax：
为验证最大排队长度估计准确性，利用监控视频查看该周期的最大排队长度，发现最大排队车辆为6辆。为方便比较，将估计的排队长度换算为车辆数，则有37.86*(165/1000)＝6.25辆，与实际排队长度相差无几，准确估计周期最大排队长度，证明本方法的有效性。
当周期估计数据为其他场景(场景1，2)时，同样按照发明的对应步骤进行计算。图5为2016年10月13日早上7:30-8:30时间段内所有周期实际最大排队长度和估计最大排队长度的对比图。
本实施例中通过利用众包数据作为数据源并基于lwr交通波理论建立模型，达到了低渗透率的场景下提供一种基于众包数据的非饱和信号控制交叉口(车辆到达服从泊松分布)周期最大排队长度的估计方法的目的，从而实现了鲁棒性强和准确性高的技术效果，进而解决了定点检测器存在检测局限以及硬件损耗大、损坏率高，并且基于抽样轨迹数据的研究对渗透率要求较高的技术问题。
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述做出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
此外，上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。