一种基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法与流程

本申请涉及交通信息领域，具体而言，涉及一种基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法。

背景技术：

车辆轨迹能够提供大量丰富交通时空信息，包括车辆位置、时间、点速度等，应用范围非常广泛，如交通状态估计、车辆能耗估计、旅行时间估计、延误估计、交叉口排队长度估计、道路流量估计等。因此，完整的车辆轨迹数据可以为交通管理与控制提供高效服务。

目前，车辆轨迹数据的收集方式主要包括两类：1)固定点检测，如视频采集、航拍等；2)移动检测，如探测车、手机导航等。基于定点检测器获取的轨迹数据覆盖范围往往非常有限，且安装维护成本高，基于移动检测可以有效获取大范围的轨迹数据，但由于移动无线通信不能一直保持稳定可靠，同时考虑到通信成本，这种探测数据在时空上往往是稀疏的，并且可能包含大量数据错误。不完整的原始探测轨迹数据无法提供完整的交通时空信息。

尽管就定位技术而言，gps设备采样可以实现很高的更新频率，但这将导致巨大的通信成本和潜在的隐私泄露问题。因此，实际中的探测车无法每秒更新一次轨迹数据。当前，作为中国最大的移动出行平台——滴滴出行，其探测车辆的采样更新间隔主要为3-6秒，对于存在信号控制的城市干道而言，由于难以获取探测车在交叉口附近的确切停车等待时间，甚至无法判断车辆是否在交叉口停车，这种采样间隔不能满足精细化的交通管理和控制要求。因此，对于城市干道而言，3到6秒的采样频率仍然被认为是一种低水平的采样频率。即使未来车辆可以完全实现网联化、智能化，移动检测的更新频率可以达到很高水平，但由于隐私保护、攻击漏洞等安全问题，探测数据仍然会存在缺失或错误的情况。因此，如何基于稀疏的探测数据重构车辆完整轨迹，是交通信息领域待解决的关键问题。

技术实现要素：

1.发明目的

本发明针对目前车辆运行轨迹数据缺失无法准确反应交通流时空信息，制约着精细化交通管理与控制方案的制定，提出一种基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法，实现完整车辆运行轨迹的获取。

2.本发明所采用的技术方案

本发明提出的利用稀疏探测数据基于粒子滤波算法进行城市信号控制干道车辆轨迹重构可以通过以下步骤来实现：

(1)将研究路段划分为若干个具有一定长度的道路单元，利用历史数据，基于极大似然估计对道路单元旅行时间进行估计；

(2)根据步骤(1)中估计的干道旅行时间，结合交通波对车辆在交叉口附近由于信号控制造成的潜在停车位置进行估计，据此建立粒子滤波初始粒子，包括不停车粒子和停车粒子，其中停车粒子又包括一次粒子和停车多次粒子；

(3)根据道路结构和稀疏更新数据特点，建立适用于城市信号控制干道的粒子滤波测量准则，包括旅行时间调整准确性、时间调整可能性和干道速度限制；

(4)基于步骤(3)建立的测量准则，对构建的初始粒子进行重要性采样，得到各粒子下一时刻出现的概率，即获得粒子权重。迭代更新后，输出权重最大的粒子，得到车辆运行重构轨迹。

所述步骤(1)具体为：如图1所示，将研究路段划分为n个长度相等的道路单元{c1,c2,…,cn}，假设共有n辆探测车通过这条路段，用{v1,v2,…,vn}表示这n辆探测车，表示探测车vi连续两次更新经历的旅行时间，可以由如下公式计算：

由此可以得到旅行时间矩阵：

其中，表示vi经过道路单元cj所需的旅行时间，初始时刻各道路单元旅行时间为由此可以得到各道路单元旅行时间的均值和方差，分别用和表示，的概率密度函数如式(2)所示：

因为每一辆探测车都会提供一个旅行时间的观测值，因此对于每一个道路单元而言，都会有n个观测值，需要估计概率最大的道路单元旅行时间，如式(3)所示：

式(3)表明，当该目标函数的值最小时，相应的道路单元旅行时间估计结果会使两次连续更新之间相应间隔出现的概率最大。因此，可以将每个道路单元的行驶时间估计转化为二次规划求解，得到式(3)的最优解即道路单元旅行时间的估计结果。

式(3)表明，当该目标函数的值最小时，相应的道路单元旅行时间估计结果会使两次连续更新之间相应间隔出现的概率最大。因此，可以将每个道路单元的行驶时间估计转化为二次规划求解，得到式(3)的最优解即道路单元旅行时间的估计结果。

其中，c1和cn分别表示更新位置所在的道路单元起点和终点。

之后按照式(5)将旅行时间差值即式(4)的计算结果，分配到各个道路单元：

其中，表示道路单元cj分配到的旅行时间差值。

差值调整后的道路单元旅行时间如式(5)所示：

由于道路单元长度已知，根据差值调整后的道路单元旅行时间可以直接得到构建的不停车粒子。

对于停车轨迹而言，根据交通波，得到排队波和疏散波，两波的交点即交叉口最远排队位置所在点，据此可以估计得到车辆在交叉口附近所有可能的停车位置点。对于某一可能停车位置cz，相应可以得到停车时刻time(cz)和等待时间因此，对于有过停车的探测车vm而言，其轨迹可以分为两个阶段，即停车前和停车后，同样根据道路单元旅行时间估计结果，按照式(6)和式(7)分别计算两段轨迹实际旅行时间和估计旅行时间之间的差值：

其中，和分别表示停车前后实际旅行时间和估计旅行时间之间的差值。

之后分别按照式(8)、(9)将旅行时间差值即式(6)、(7)的计算结果，分配到各个道路单元：

其中，表示道路单元cj分配到的旅行时间差值，

差值调整后的道路单元旅行时间如式(10)所示：

同样由于道路单元长度已知，根据差值调整后的道路单元旅行时间可以直接得到构建cz对应的停车粒子。z＝z+1,迭代循环，直至遍历所有可能停车位置，得到构建的全部停车粒子。不停车粒子和全部停车粒子构成粒子滤波的初始粒子。

所述步骤(3)具体为：为了计算并更新初始粒子权重，设计粒子滤波测量准则，据此进行重要性采样。由于旅行时间误差的分配可能导致调整后的道路单元旅行时间等于0或者小于0，需要通过旅行时间调整准确性测量准则验证时间调整结果的有效性，如式(11)所示：

其中，表示第r个粒子对应旅行时间调整准确性测量指标的条件概率，表示第r个粒子基于旅行时间调整准确性的概率更新值。

如步骤(2)所述，将实际和估计旅行时间之间的差异值分配到每个道路单元后，可以获得探测车连续两次更新之间潜在的轨迹，对应于每条轨迹的车辆速度是不同的。考虑到道路的速度限制，通过式(12)进一步迭代粒子权重：

其中，表示第r个粒子对应道路速度限制测量指标的条件概率，表示第r个粒子基于道路速度限制的概率更新值。

每个道路单元的旅行时间都存在一个波动范围，道路单元的旅行时间调整结果不应该超出这个范围，对于不同的调整结果，其出现概率的差异非常大，对于某一出现的概率可以按照式(13)计算：

因此，出现的概率为：

旅行时间调整可能性测量准则如式(15)所示：

其中，表示第r个粒子对应道路旅行时间调整可能性测量指标的条件概率，表示第r个粒子基于道路旅行时间调整可能性的概率更新值。

所述步骤(4)具体为：根据步骤(3)建立的测量准则，即道路速度限制、旅行时间调整可能性、旅行时间调整可能性对构建的初始粒子包括停车粒子和不停车粒子进行重要性采样，得到各粒子下一时刻出现的概率，即获得粒子权重，删除权重小的粒子，迭代更新后，输出权重最大的粒子。权重最大的粒子对应的轨迹即探测车连续两次更新之间的重构轨迹，据此得到车辆运行重构轨迹。

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为根据本公开具体实施方式所述的实际干道示意图；

图2为根据本公开具体实施方式所述的道路单元的平均旅行时间和方差；

图3为根据本公开具体实施方式所述的车辆v1粒子滤波初始粒子；

图4为根据本公开具体实施方式所述的车辆v10粒子滤波初始粒子；

图5为根据本公开具体实施方式所述的车辆v1粒子权重和轨迹重构结果；

图6为根据本公开具体实施方式所述的车辆v10粒子权重和轨迹重构结果；

图7为根据本公开具体实施方式的流程图。

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。

本发明提出的基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法可以通过以下步骤来实现：

(1)将研究路段划分为若干个具有一定长度的道路单元，利用历史数据，基于极大似然估计算法对道路单元旅行时间进行估计；

(2)根据步骤(1)中估计的干道旅行时间，结合交通波理论对车辆在交叉口附近由于信号控制造成的潜在停车位置进行估计，据此建立粒子滤波初始粒子，包括不停车粒子和停车粒子，其中停车粒子又包括一次粒子和停车多次粒子；

(3)根据道路结构和稀疏更新数据特点，建立适用于城市信号控制干道的粒子滤波测量准则，包括旅行时间调整准确性、时间调整可能性和干道速度限制；

(4)基于粒子滤波算法根据步骤(3)建立的测量准则，对构建的初始粒子进行重要性采样，得到各粒子下一时刻出现的概率，即获得粒子权重。迭代更新后，输出权重最大的粒子，得到车辆运行重构轨迹。

下面基于ngsim数据集具体介绍方法实施的每步骤。

第(1)步：研究路段如图1所示，路段长度为400ft，将道路划分为80个单元，每个单元长度为5ft。然后，提取ngsim轨迹数据集中通过交叉口的所有由南向北的车辆轨迹。由于ngsim数据集每10毫秒记录一次轨迹数据，因此，每隔一定的时间间隔提取一次轨迹数构建稀疏探测数据。之后，基于这些稀疏探测轨迹数据，按照式(3)，估算每个道路单元的平均旅行时间和方差，结果如图2所示。

第(2)步：假设某一探测车v1连续两次探测所在道路单元为c1和c80,对应时间间隔为9s，需要重构这两次探测之间缺失的轨迹数据。根据式(4)-(10)构建探测车v1的初始粒子。具体而言，按照式(4)-(5)构造探测位置点1和探测位置点2之间潜在的不停车轨迹，按照式(6)-(10)构造车辆v1在交叉口附近具有停止点的潜在轨迹，共产生了26个初始粒子作为车辆v1连续两次探测之间的潜在轨迹，如图3所示。另外，假设另一探测车v10连续两次探测所在道路单元为c1和c80,对应时间间隔较长为50s，同样根据式(4)-(10)构建探测车v10的初始粒子。共产生了25个初始粒子作为车辆v10连续两次探测之间的潜在轨迹，如图4所示。

第(3)步：根据道路结构和稀疏更新数据特点，按照式(11)、式(12)、式(15)以旅行时间调整准确性、旅行时间调整可能性和道路速度限制为粒子滤波测量指标，保证粒子多样性的同时，避免粒子滤波无效计算。

第(4)步：分别对车辆v1和车辆v10的初始粒子进行重要性采样，计算更新初始粒子权重，选择权重最大的粒子作为连续两次探测之间的重构轨迹。经过重要性采样之后，车辆v1对应各粒子最终权重和重构结果如图5所示，可以看出粒子1的权重达到了100％，因此，粒子1对应的不停车轨迹即车辆v1连续两次探测之间的重构轨迹。同样，车辆v10对应各粒子最终权重和重构结果如图6所示，可以看出大多数粒子的权重大于0，这是因为车辆v10连续两次探测之间的时间间隔比车辆v1要长很多，因此增大了轨迹重构的不确定性，但也可以明显看出粒子20的权重最大，因此，粒子20对应的潜在轨迹即车辆v10连续两次更新之间的重构轨迹。

本实施例中通过利用基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法，结果显示不论探测间隔为多少，本方法都可以很好的完成车辆运行轨迹重构，重构轨迹与地面真实轨迹非常接近。