一种基于多源数据的交叉口交通状态参数估计方法及系统

1.本技术涉及交通控制领域，尤其涉及一种基于多源数据的交叉口交通状态参数估计方法及系统。


背景技术：

2.交通拥堵是我国新型城镇化建设进程中面临的代表性“城市病”问题，对社会经济发展造成巨大损失。交叉口的交通状况优化是预防和缓解交通拥堵的关键，而交叉口交通状态参数估计是交通优化必不可少的前提条件。传统交通信号系统中，大多使用定点检测器来获取和估计交通状态参数，但定点检测器布设位置、检测频率等因素都会对交通状态参数的估计精度产生影响，且定点检测器的维护成本较高。
3.而随着信息技术的迅速发展，移动检测器开始出现。以智能网联汽车为例，通过车载单元与路侧单元的无线通信，可以获取到高精度的车辆轨迹数据，并通过车辆轨迹数据包含的多维信息进行交通状态估计。相关技术中，基于车辆轨迹数据的交通状态参数方法总体可分为基于交通流模型的方法和基于机器学习的方法：基于交通流模型的方法通常利用样本数据拟合模型分析得出的确定性交通状态，往往忽略了实际交通条件的随机波动性；基于机器学习的方法虽然考虑了这一随机特性，但是完全依靠统计分析的过程通常仅建立简单的概率关联函数，忽略交通流自身的物理特性，难以通过数据看到物理系统的因果本质。也就是说，两种方法各有优劣。并且，现阶段移动检测器普及度不高，车辆轨迹数据仍存在渗透率低的问题，车辆轨迹数据的不足也对交通状态参数估计的精度产生不良影响。


技术实现要素：

4.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本技术提出一种基于多源数据的交叉口交通状态参数估计方法及系统，能结合定点检测器和移动检测器的数据，并结合基于交通流模型和基于机器学习的方法，有效提高交通状态参数估计方法的鲁棒性、可解释性以及估计精度。
5.第一方面，本技术实施例提供了一种基于多源数据的交叉口交通状态参数估计方法，包括：根据交通波理论建立车辆延误模型；根据所述车辆延误模型和不同流向车辆的速度分布特征，确定流向级的车辆行程时间模型；根据定点检测器获取到的路段入口流量，确定路段入口的到达车辆数；根据移动检测器获取到的车辆轨迹，通过设置虚拟行程线，确定路段的车流转向比；根据所述车辆行程时间模型、所述到达车辆数和所述车流转向比，确定不同流向的贝叶斯网络；根据交通波理论和所述贝叶斯网络的解，确定不同流向的最大排队长度的估计值，并确定车辆平均行程时间的估计值。
6.可选地，所述车辆延误模型的建立步骤具体包括：确定当前流向车辆在当前信号周期内到达路段入口的第一时刻；若在当前信号周期内，当前流向的车辆未饱和，确定红灯延误后车辆到达车辆入口的第二时刻，并根据所述第一时刻和所述第二时刻，确定所述车
辆延误模型；若在当前信号周期内，当前流向的车辆过饱和，确定红灯延误后车辆到达车辆入口的第三时刻，并根据所述第一时刻和所述第三时刻，确定所述车辆延误模型。
7.可选地，所述当前流向的车辆未饱和是指：在当前信号周期内，当前流向的车辆全部通过交叉口，当前交叉口在下一个信号周期不存在初始排队长度；所述当前流向的车辆过饱和是指：在当前信号周期内，当前流向的车辆部分通过交叉口，当前交叉口在下一信号周期存在初始排队长度。
8.可选地，所述不同流向车辆的速度分布特征，具体为：：目标倒数服从正态分布，所述速度分布特征包括目标均值和目标标准差；其中，所述目标倒数为当前流向中车辆自由流速度的倒数；其中，所述目标均值为所述目标倒数的均值，所述目标标准差为所述目标倒数的标准差。
9.可选地，所述根据移动检测器获取到的车辆轨迹，通过设置虚拟行程线，确定路段的车流转向比，包括：获取在不同信号周期内不同流向的所述车辆轨迹，根据设置好的虚拟行程线，获取所述车辆轨迹中指定断面的轨迹数据；当车辆经过所述虚拟行程线，获取当前时刻、行程线id和车辆id；将所述的下游路段虚拟行程线获取的下游车辆id和上游路段虚拟行程线获取的上游车辆id匹配；当下游车辆id与上游车辆id匹配，所述下游路段的计数器进行计数；当前分析区间结束，根据当前流向对应的下游路段的计数器值和所有下游路段的计数器值，确定所述路段的车流转向比；其中，所述分析区间包括若干信号周期。
10.可选地，所述贝叶斯网络为三层结构，所述贝叶斯网络的第一层参数为泊松分布参数，第二层参数包括目标均值、所述目标标准差、所述到达车辆数和所述车流转向比，第三层参数包括所述车辆轨迹。
11.可选地，所述贝叶斯网络的构建步骤包括：根据所述泊松分布参数和所述到达车辆数，确定所述贝叶斯网络第一层参数和第二层参数之间的第一概率分布模型；根据所述速度分布特征、所述到达车辆数、所述车流转向比和所述车辆轨迹，确定所述贝叶斯网络第二层参数和第三层参数之间的第二概率分布模型；根据所述第一概率分布模型和所述第二概率分布模型，确定联合概率分布模型。
12.可选地，利用极大似然估计求解所述贝叶斯网络，求解所述贝叶斯网络的具体步骤包括：将所述联合概率分布模型转换为对数似然函数；根据对数似然函数，分别对所述目标均值、所述目标标准差以及所述泊松分布参数进行求导，确定所述贝叶斯网络的解；其中，所述贝叶斯网络的解包括所述目标均值的估计值、所述目标标准差的估计值和所述泊松分布参数的估计值。
13.可选地，所述根据交通波理论和所述贝叶斯网络的解，确定不同流向的最大排队长度的估计值，并确定车辆平均行程时间的估计值，包括：获取路段入口的到达流量估计值和当前流向内的初始排队长度估计值；在当前信号周期内，根据所述到达流量估计值和所述初始排队长度估计值，确定当前流向内的最大排队长度的估计值；根据所述最大排队长度的估计值，确定总延误估计值；根据所述总延误估计值，确定所述车辆平均行程时间的估计值。
14.第二方面，本技术实施例提供了一种基于多源数据的交叉口交通状态参数估计系统，包括：延误计算模块，用于根据交通波理论建立车辆延误模型；行程时间计算模块，用于根据所述车辆延误模型和不同流向车辆的速度分布特征，确定流向级的车辆行程时间模
型；流量计算模块，用于根据定点检测器获取到的路段入口流量，确定路段入口的到达车辆数；转向比计算模块，用于根据移动检测器获取到的车辆轨迹，通过设置虚拟行程线，确定路段的车流转向比；统计分析模块，用于根据所述车辆行程时间模型、所述到达车辆数和所述车流转向比，确定不同流向的贝叶斯网络；交通状态参数估计模块，用于根据交通波理论和所述贝叶斯网络的解，确定不同流向的最大排队长度和车辆平均行程时间。
15.本技术实施例的有益效果如下：本技术实施例结合了车辆轨迹数据和定点检测器数据，在车辆轨迹数据采样率较低的情况下仍然可以提供较为可靠的交通状态参数估计结果；其次，本技术建立融合交通波理论和统计分析的参数估计方法，基于交通波理论建立车辆延误模型，并通过贝叶斯网络建立观测数据与解析模型之间的统计关系，既考虑了实际交通条件的随机波动性，也结合了交通系统本身的物理特性，有效提高交通状态参数估计的精度；另外，本技术实施例可实现交叉口自由流速度和交通状态变量的联合估计，进一步提升交叉口交通运行状态监测水平。
附图说明
16.附图用来提供对本技术技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
17.图1是本技术实施例提供的基于多源数据的交叉口交通状态参数估计方法；
18.图2为本技术实施例提供的宏观交通流基本图；
19.图3为本技术实施例提供的建立车辆延误模型的步骤流程图；
20.图4为本技术实施例提供的未饱和状态下单个交叉口流向z第i个信号周期内的交通波传播过程和车辆轨迹时空图；
21.图5为本技术实施例提供的过饱和状态下单个交叉口流向z第i个信号周期内的交通波传播过程和车辆轨迹时空图；
22.图6为本技术实施例提供的交叉口交通状况示意图；
23.图7为本技术实施例提供的计算路段车流转向比的步骤流程图；
24.图8为本技术实施例提供的构建贝叶斯网络的步骤流程图；
25.图9为本技术实施例提供的求解贝叶斯网络的步骤流程图；
26.图10为本技术实施例提供的交通状态参数估计的步骤流程图；
27.图11为本技术实施例提供的一种基于多源数据的交叉口交通状态参数估计系统的示意图。
具体实施方式
28.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
29.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
30.为便于对本技术实施例的理解，下面先对本技术涉及的相关概念进行简单介绍：
31.流向：一个信号控制的交叉口可能会有若干个进口道，车辆进入交叉口后可能会左转、直行或右转，在当前交叉口车辆进入的进口道以及转向的组合称为车辆的流向。例如，用a＝{1,2,...,m}表示进口道的编号集合，用h＝{le,st,ri}表示进口道的转向集合，其中m表示进口道的数量，le表示左转，st表示直行，ri表示右转，进口道和转向的组合(a,h)(a∈a，h∈h)表示一个流向(一个进口道的某个转向，可能包括多个车道)，记为z，为了方便描述，下面也用z来表示车辆流向z，本技术实施例对不同流向z内的车辆进行分析。
32.信号相位：在信号控制交叉口，交叉口的每一种控制状态(即对各进口道不同转向所显示的不同灯色的组合)称为一个信号相位，一个信号相位可以包含一个或多个流向。需要说明的是，为了方便阐述，全文中的“信号控制交叉口”、“信控交叉口”等表述，均为同一个意思，均指“信号控制交叉口”。
33.信号周期：某个相位从一个红灯时间开始直到下一个红灯时间开始所经历的时间。本技术实施例中一个分析区间包括若干个信号周期。
34.自由流：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。
35.饱和流率：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。
36.相关技术中，使用如环形线圈、微波雷达、视频检测器等定点检测器来获取和估计交叉口的交通状态参数，然而，使用定点检测器进行交通状态参数估计具有一定的局限性，一方面，检测器布设的位置、可靠性、检测频率等因素会对估计的精度产生影响，另一方面，定点检测器的安装、维护和运行成本也相对较高。因此，利用例如浮动车、智能网联汽车等对车辆进行移动检测是一个重要的发展趋势，移动检测器可以获取到多维度、高精度的车辆轨迹数据，基于车辆轨迹数据的交通状态参数方法总体可分为基于交通流模型的方法和基于机器学习的方法，而单纯基于交通流模型的方法往往忽略了实际交通条件的随机波动性，基于机器学习的方法忽略交通流自身的物理特性，两种方法均有不足之处。另外，目前移动检测器的设置还不够普及，较长一段时间内，城市道路仍将处于固定检测器与移动检测器共存的阶段，车辆轨迹数据采样率较低、数据不足的问题也成为了提高交通状态参数估计精度的阻碍。
37.基于此，本技术实施例提出一种基于多源数据的交叉口交通状态参数估计方法及系统，结合了车辆轨迹数据和定点检测器数据，在车辆轨迹数据采样率较低的情况下仍然可以提供较为可靠的交通状态参数估计结果；其次，本技术建立融合交通波理论和统计分析的参数估计方法，基于交通波理论建立车辆延误模型，并通过贝叶斯网络建立观测数据与解析模型之间的统计关系，既考虑了实际交通条件的随机波动性，也结合了交通系统本身的物理特性，有效提高交通状态参数估计的精度；另外，本技术实施例可实现交叉口自由流速度和交通状态变量的联合估计，进一步提升交叉口交通运行状态监测水平。
38.下面结合附图，对本技术实施例作进一步阐述。
39.参考图1，图1是本技术实施例提供的基于多源数据的交叉口交通状态参数估计方法，该方法包括但不限于步骤s100
‑
s150：
40.s100、根据交通波理论建立车辆延误模型；
41.具体地，首先对交通波理论作简要阐述。交通波理论具体包括对宏观交通流基本图和车辆轨迹时空图的分析。参照图2，图2为本技术实施例提供的宏观交通流基本图，如图2所示，横轴表示车辆密度k，纵轴表示车辆流量q，宏观交通流基本图用于描述流量q、密度k、空间平均速度v三者之间的基本关系，该基本关系可表示为：q＝kv。一个三角形基本图可由图2中的饱和流率q
c
、自由流速度v
f
和阻塞密度k
j
三个参数确定，进一步的，图2中的其他参数可通过上述三个参数推导得出，具体推导公示如下：
42.k
c
＝q
c
/v
f
,
43.k
a,i
＝q
a,i
/v
f
,
44.w＝q
c
/(k
j
‑
k
c
),
45.w
a,i
＝q
a,i
/(k
j
‑
k
a.i
)
46.其中，k
c
为临界密度，k
a,i
为第i个信号周期内的交叉口到达密度，q
a,i
为第i个信号周期内交叉口到达流量，w为消散波速度，w
a,i
为第i个信号周期内交叉口排队波速度。
47.而车辆轨迹时空图则用于描述流向级排队演化过程以及延误模式分析。在步骤s100中，基于交通波理论建立车辆延误模型，需要说明的是，该车辆延误模型为流向级的车辆延误模型，体现交叉口不同流向车辆的延误情况。
48.参照图3，图3为本技术实施例提供的建立车辆延误模型的步骤流程图，该方法步骤包括但不限于步骤s101
‑
s104：
49.s101、确定当前流向车辆在当前信号周期内到达路段入口的第一时刻；
50.具体地，本技术实施例在不同的信号周期内对不同流向的车辆进行延误情况分析，因此，需要将车辆轨迹中车辆实际行进的各个时刻投影至信号周期内的时刻，以方便在信号周期内进行分析，例如车辆到达信号控制交叉口的时刻等等。
51.参照图4，图4为本技术实施例提供的未饱和状态下单个交叉口流向z第i个信号周期内的交通波传播过程和车辆轨迹时空图，当前流向为z，当前信号周期为第i个信号周期，则将流向z车辆在第i个信号周期内到达信控交叉口的时间投影至到达信控交叉口路段入口的时刻，该时刻称为第一时刻，用t
i,z
来表示，确定t
i,z
的步骤如下：
52.首先将流向z第i个信号周期红灯开始的时刻t
r,i,z
和第i+1个信号周期红灯开始的时刻t
r,i+1,z
分别投影至t
s,j,z
和t
s,j+1,z
，t
s,j,z
的计算公式如下：
53.t
s,i,z
＝t
r,i,z
‑
l
·
p
f,z
+q
i,0,z
/q
c
54.t
s,i,z
表示的时刻，是指当流向z车辆以自由流速度v
f,z
通过路段入口时，车辆将不会经历第i个信号周期之前的红灯时间引起的延误，但是会经历第i个信号周期全部红灯时间引起的延误的时间点，l为路段入口到停车线的距离，p
f,z
为流向z车辆自由流速度v
f,z
的倒数，q
i,0,z
为流向z第i个信号周期内的初始排队长度，在本技术实施例中q
i,0,z
具体指排队车辆数。此外，流向z不同信号周期初始排队的演化过程符合流量守恒定律，因此q
i+1,0,z
的计算公式如下：
55.q
i+1,0,z
＝max{0,q
i,0,z
+q
a,i,z
(t
c,i,z
‑
t
s,i,z
)
‑
t
g,i,z
q
c
}
56.其中，q
a,i,z
为流向z第i个信号周期内交叉口到达流量，t
g,i,z
为流向z第i个信号周期内绿灯持续时间，t
c,i,z
为流向z车辆到达路段入口的第二时刻，可由下述步骤s103确定
57.然后，将流向z车辆在t
r,i,z
和t
r,i+1,z
之间通过停车线的时间投影至t
s,j,z
和t
s,j+1,z
之间通过路段入口断面的第一时刻t
i,z
。投影完成后，需要说明的是，下文中所有提到的信
号周期均指投影后的信号周期，即从t
s,j,z
到t
s,j+1,z
所经历的时间。
58.s102、判断在当前信号周期内，当前流向的车辆状态；
59.具体地，根据流向z第i个信号周期内的排队能否清空，将车辆状态分为未饱和以及过饱和两种情况，参照图4，由于q
i,0,z
+q
a,i,z
(t
c,i,z
‑
t
s,i,z
)
‑
t
g,i,z
q
c
≤0，则说明该信号周期内的排队可以清空，下一信号周期不存在初始排队长度，车辆状态属于未饱和情况。
60.参照图5，图5为本技术实施例提供的过饱和状态下单个交叉口流向z第i个信号周期内的交通波传播过程和车辆轨迹时空图，当前流向为z，当前信号周期为第i个信号周期。参照图5，由于q
i,0,z
+q
a,i,z
(t
c,i,z
‑
t
s,i,z
)
‑
t
g,i,z
q
c
>0，则说明该信号周期内的排队不能完全清空，将在下一信号周期产生初始排队长度，因此当前车辆状态属于过饱和情况。
61.s103、若在当前信号周期内，当前流向的车辆未饱和，确定红灯延误后车辆到达路段入口的第二时刻，并根据第一时刻和第二时刻，确定车辆延误模型；
62.具体地，在未饱和情况下，根据流向z车辆是否经历由第i个信号周期红灯引起的延误，计算流向z车辆到达路段入口的第二时刻，第二时刻用t
c,i,z
表示，t
c,i,z
计算公式如下：
[0063][0064]
其中，t
r,i,z
为流向z第i个信号周期内红灯持续时间。确定第二时刻后，分别计算t
i,z
≤t
c,i,z
和t
i,z
>t
c,i,z
的情况下流向z的车辆延误模型，该车辆延误模型用d
i,z
表示，计算d
i,z
的步骤如下：
[0065]
首先，参照图4，当t
i,z
≤t
c,i,z
，流向z的车辆经历由第i个信号周期红灯引起的延误，因此d
i,z
的计算公式如下：
[0066][0067]
而参照图4，当t
i,z
>t
c,i,z
，流向z车辆以自由流速度行驶通过交叉口，也就是说车辆没有经历第i个信号周期红灯引起的延误，因此d
i,z
＝0。
[0068]
s104、若在当前信号周期内，当前流向的车辆过饱和，确定红灯延误后车辆到达路段入口的第三时刻，并根据第一时刻和第三时刻，确定车辆延误模型；
[0069]
具体地，在过饱和情况下，根据流向z车辆是否经历由第i+1个信号周期红灯引起的延误，计算流向z车辆到达路段入口的第三时刻，该第三时刻用t
b,i,z
来表示。参照图5，根据流量守恒定律，流向z第i个信号周期初始排队长度，加上t
s,j,z
和t
b,i,z
之间到达车辆数，等于当前信号周期绿灯持续时间内以饱和流率通过停车线的车辆数，数学公式表达如下：
[0070]
q
a.i.z
(t
b,i,z
‑
t
s,i,z
)+q
i,0,z
＝t
g,i,z
q
c
[0071]
对上式进行变换，则得到t
b,i,z
的计算公式如下：
[0072][0073]
需要说明的是，如图5所示，在过饱和情况下，第二时刻t
c,i,z
和t
s,j+1,z
是同一个时
间点。
[0074]
确定第三时刻后，分别计算t
i,z
≤t
b,i,z
和t
i,z
>t
b,i,z
的情况下，流向z的车辆延误模型，如上文所述，车辆延误模型用d
i,z
表示，在过饱和情况下计算d
i,z
的步骤如下：
[0075]
首先，参照图5，当t
i,z
≤t
b,i,z
，则表示流向z车辆经历由第i个信号周期红灯引起的延误，并在当前信号周期绿灯期间通过停车线，则d
i,z
的计算公式与未饱和情况下t
i,z
≤t
c,i,z
时相同，也就是如下式：
[0076][0077]
而当t
i,z
>t
b,i,z
，参照图5，流向z的车辆经历由第i个信号周期红灯引起的延误后，并未能在当前信号周期绿灯期间通过停车线，进而还经历由第i+1个信号周期全部红灯引起的延误，此时车辆延误模型d
i,z
的计算公式如下：
[0078][0079]
通过步骤s101
‑
s104，确定车辆延误模型，下面开始阐述图1中的步骤s110。
[0080]
s110、根据车辆延误模型和不同流向车辆的速度分布特征，确定流向级的车辆行程时间模型；
[0081]
具体地，根据车辆延误模型和不同流向车辆的速度分布特征，确定流向级的车辆行程时间模型。在本技术实施例中，车辆的速度分布特征具体为：设定流向z车辆自由流速度的倒数p
f,z
服从正态分布，称p
f,z
为目标倒数，目标倒数p
f,z
如下式所示：
[0082][0083]
其中，n表示正态分布，为p
f,z
的均值，称为目标均值；为p
f,z
的标准差，称为目标标准差，目标均值和目标标准差为车辆的速度分布特征。下面开始阐述建立流向级的车辆行程时间模型的建立过程。
[0084]
首先，建立流向级的车辆行程时间模型的解析表达式，该表达式如下：
[0085]
t
i,z
＝d
i,z
+l
z
p
f,z
[0086]
其中，t
i,z
为流向z第i个信号周期内车辆行程时间，l
z
为流向z上游路段入口和下游路段入口之间的距离。
[0087]
然后，结合不同流向车辆的速度分布特征以及上述解析表达式，建立流向级的车辆行程时间模型，表达式如下：
[0088][0089]
假设信号控制交叉口的信号配时信息以及饱和流率是已知参数，则d
i,z
可以视为参数的函数，数学表达式如下：
[0090]
[0091]
当流向z第i个信号周期内信控交叉口路段入口的到达车辆数为n
i,z
时，q
z,i,z
的计算公式如下：
[0092][0093]
其中，β
z
为一个分析区间内流向z的车流转向比。
[0094]
综上，t
i,z
同样服从由参数确定的正态分布，表达式如下：
[0095][0096]
其中，q
i,0,z
可根据上述步骤s100确定，n
i,z
可由下述步骤s120中的定点检测器获取，β
i,z
和t
i,z
可根据获取到的车辆轨迹数据直接或间接确定，和为待估计的参数。
[0097]
s120、根据定点检测器获取到的路段入口流量，确定路段入口的到达车辆数；
[0098]
具体地，定点检测器包括但不限于环形线圈、微波雷达、视频检测器，本技术实施例以布设在各个路段入口处采样频率为1s的高频线圈检测器为例，该高频线圈检测器提供路段入口断面每秒的流量和占有率数据。根据定点检测器获取到的路段入口流量，可以确定路段入口的到达车辆数，该到达车辆数具体为：流向z第i个信号周期内到达信控交叉口路段入口的车辆数，用n
i,z
表示，为了方便描述，下文中也使用n
i,z
表示到达车辆数。
[0099]
s130、根据移动检测器获取到的车辆轨迹，通过设置虚拟行程线，确定路段的车流转向比；
[0100]
具体地，虚拟行程线(virtual trip line,vtl)具体为：指示网联车辆应在何处提供信息更新的地理标记。在本技术实施例中，先获取到车辆轨迹数据，再根据设置好的虚拟行程线来提取指定断面的轨迹数据，该指定断面可以为各个路段的上游或下游入口处。每当网联车辆通过虚拟行程线时，提供当前时间点，行程线id，车辆id信息。在本技术实施例中，设与流向z相关联的信控交叉口上游路段虚拟行程线为vtl
up,z
，与流向z相关联的信控交叉口下游路段虚拟行程线为vtl
down,z
。又由于本技术实施例中虚拟行程线只提取指定断面的轨迹数据，因此可以一定程度上对车辆的轨迹起到保护作用。
[0101]
参照图6，图6为本技术实施例提供的交叉口交通状况示意图，如图6所示，车辆从左往右行驶，设定左边路段入口为上游虚拟行程线，车辆驶入不同车道准备在绿灯时转向，驶向不同的下游虚拟行程线。上述步骤s120中提到的到达车辆数n
i,z
为流向z第i个信号周期内路段级车辆集计数据，因此需要将路段级车辆集计数据换算为流向级车辆集计数据，在本实施例中，通过将路段级车辆集计数据n
i,z
乘以流向z的转向比β
z
，得到流向级车辆集计数据n
i,z
β
z
。
[0102]
参照图7，图7为本技术实施例提供的计算路段车流转向比的步骤流程图，该步骤包括但不限于步骤s131
‑
s134：
[0103]
s131、当车辆经过虚拟行程线，获取当前时刻、行程线id和车辆id；
[0104]
具体地，参照图6，车辆经上游路段vtl
up,z
时，获取当前时刻、行程线id和车辆id，经过下游路段vtl
down,z
时也同理，根据经过虚拟行程线的时刻，可以确定不同流向不同信号周期内的车辆轨迹数据矩阵，将该车辆轨迹数据矩阵表示为st
i,z
，st
i,z
的数学表达式如下：
[0105][0106]
其中，k
i,z
为流向z第i个信号周期内网联车辆总数，为流向z第i个信号周期内第j辆网联车通过上游路段vtl
up,z
的时间点，为流向z第i个信号周期内第j辆网联车从上游路段vtl
up,z
到下游路段vtl
down,z
的行程时间。
[0107]
s132、将下游路段虚拟行程线获取的下游车辆id和上游路段虚拟行程线获取的上游车辆id匹配；
[0108]
具体地，为下游路段vtl
down,z
分配计数器，计数器的值表示为c
down,z
，由于每当网联车辆通过虚拟行程线时，会提供当前时间点，行程线id，车辆id信息，则将虚拟行程线的下游路段获取的下游车辆id和上游路段获取的上游车辆id进行匹配。
[0109]
s133、当下游车辆id与上游车辆id匹配，下游路段的计数器进行计数；
[0110]
具体地，当下游车辆id与上游车辆id匹配，则说明该上游路段驶出的车辆到达了当前的下游路段，则对应的下游路段计数器c
down,z
＝c
down,z
+1。上文中提到，车辆进入交叉口后可能会左转、直行或右转，通过下游车辆id和上游车辆id的匹配，可以确定车辆的转向情况，也就是车辆是左转、直行还是右转。
[0111]
s134、当前分析区间结束，根据当前流向对应的下游路段的计数器值和所有下游路段的计数器值，确定路段的车流转向比；
[0112]
具体地，在一个分析区间内，根据当前流向对应的下游路段的计数器值和所有下游路段的计数器值可以确定当前路段的车流转向比β
z
。
[0113][0114]
确定当前分析区间的车流转向比后，将所有下游路段计数器c
down,z
的值清零，再进行下一个分析区间的计数。
[0115]
通过步骤s131
‑
s134，计算得到车流转向比，下面开始阐述图1中的步骤s140。
[0116]
s140、根据车辆行程时间模型、到达车辆数和车流转向比，确定不同流向的贝叶斯网络；
[0117]
具体地，根据车辆行程时间模型、到达车辆数和车流转向比，对不同流向均建立贝叶斯网络。该贝叶斯网络为三层结构，本技术实施例设定在一个分析区间内，路段入口的到达车辆数n
i,z
服从泊松分布，则该贝叶斯网络的第一层参数为泊松分布参数λ，第二层参数包括目标均值和目标标准差到达车辆数n
i,z
和车流转向比β
z
，第三层参数包括车辆轨迹st
i,z
。
[0118]
参照图8，图8为本技术实施例提供的构建贝叶斯网络的步骤流程图，该方法包括但不限于步骤s141
‑
s143：
[0119]
s141、根据泊松分布参数和到达车辆数，确定贝叶斯网络第一层参数和第二层参数之间的第一概率分布模型；
[0120]
具体地，设定在一个分析区间内，路段入口到达车辆数服从泊松分布，则建立贝叶斯网络中第一层参数λ与第二层参数n
i,z
之间的第一概率分布模型q(n
i,z
；λ)，该第一概率分
布模型表示如下：
[0121][0122]
其中：
[0123]
δt
s,i,z
＝t
s,i+1,z
‑
t
s,i,z
[0124]
λ为一个分析区间内的泊松分布参数。
[0125]
s142、根据速度分布特征、到达车辆数、车流转向比和车辆轨迹，确定贝叶斯网络第二层参数和第三层参数之间的第二概率分布模型；
[0126]
具体地，结合速度分布特征和到达车辆数n
i,z
、车流转向比β
z
和车辆轨迹st
i,z
，建立贝叶斯网络中第二层参数与第三层参数st
i,z
之间的第二概率分布模型其中，为的概率密度函数，已在上述步骤s110中提到，综上，t
i,z
同样服从由参数确定的正态分布，表达式如下：
[0127][0128]
s143、根据第一概率分布模型和第二概率分布模型，确定联合概率分布模型。
[0129]
具体地，根据第一概率分布模型和第二概率分布模型，建立流向z第i个信号周期内n
i,z
以及所有的联合概率分布模型，该联合概率分布模型的表达式如下：
[0130][0131]
其中，t
z
＝{t
1,z
,t
2,z
,...,t
i
}为流向z一个分析区间内网联车辆行程时间集合。
[0132]
对于上述的联合概率分布模型，n
i,z
可以通过定点检测器的数据确定，和β
z
也均可通过上文提到的各个步骤确定，因此，贝叶斯网络中未知参数只有阴影部分的泊松分布参数λ，速度分布特征和和
[0133]
通过步骤s141
‑
s143，获得贝叶斯网络，下面开始阐述图1中的步骤s150。
[0134]
s150、根据交通波理论和贝叶斯网络的解，确定不同流向的最大排队长度和车辆平均行程时间。
[0135]
具体地，通过上述步骤s140中构建的贝叶斯网络可知，本技术中的贝叶斯网络有三个需要求解的未知参数，分别为：泊松分布参数λ，速度分布特征和因此贝叶斯网络的求解过程主要是对以上三个未知参数的求解过程，根据贝叶斯网络的解可以确定不同流向的最大排队长度和车辆平均行程时间。下面首先阐述贝叶斯网络的求解过程。
[0136]
参照图9，图9为本技术实施例提供的求解贝叶斯网络的步骤流程图，该方法包括但不限于步骤s151
‑
s153：
[0137]
s151、将联合概率分布模型转换为对数似然函数；
[0138]
具体地，将步骤s143获取的联合概率分布模型转换为对数似然函数，具体数学表达式如下：
[0139][0140]
s152、根据对数似然函数，分别对所述目标均值、所述目标标准差以及所述泊松分布参数进行求导，确定所述贝叶斯网络的解；
[0141]
具体地，根据上述对数似然函数，分别对泊松分布参数λ，和求导，令求导的结果为零，可以求出以上三个变量的估计值，这三个变量的估计值就是贝叶斯网络的解。具体的求导公式如下：
[0142][0143][0144][0145]
其中，为目标均值的估计值、为目标标准差的估计值，为泊松分布参数的估计值为方便表述，下文中用上标^表示变量的估计值。
[0146]
通过步骤s151
‑
s152，完成对贝叶斯网络的求解，下面阐述根据交通波理论和贝叶斯网络的解确定不同流向的最大排队长度和车辆平均行程时间的步骤。
[0147]
参照图10，图10为本技术实施例提供的交通状态参数估计的步骤流程图，该方法包括但不限于步骤s153
‑
s156：
[0148]
s153、获取路段入口的到达流量估计值和当前流向内的初始排队长度估计值；
[0149]
具体地，对对和之间定点检测器采集的路段入口到达流量数据进行集计，得到和之间路段入口到达车辆数其中，和分别为t
s,i,z
和t
c,i,z
的估计值，可通过步骤s101中的公式计算得到，不同的是将p
f,z
替换为q
i,0,z
替换为具体表达式如下：
[0150][0151][0152]
可由计算得到，具体可参照上述步骤s103中的公式，需要说明的是，本实施例中，假设一个分析区间开始时，初始排队长度已知，即
[0153]
s154、在当前信号周期内根据到达流量估计值和初始排队长度的估计值，确定当前流向内的最大排队长度的估计值；
[0154]
参照图4，根据交通波理论，流向z第i个信号周期内最大排队长度可表示为：流向z第i个信号周期内，初始排队长度的估计值与和之间路段入口到达车辆数之和，计算公式为：
[0155][0156]
其中，为流向z第i个信号周期内最大排队长度估计值。
[0157]
s155、根据最大排队长度的估计值，确定总延误估计值；
[0158]
具体地，参照图5，流向z第i个信号周期的车辆延误由两部分组成，一部分是当前信号周期内排队未能完全清空，在下一信号周期形成初始排队长度产生的延误，可表示为另一部分是当前信号周期内红灯产生的延误，这部分车辆延误随着车辆到达时间的增加呈线性递减趋势，车辆延误的均值为t
r,i,z
/2，这部分总延误可表示为：车辆延误的均值乘以和之间路段入口到达车辆数因此，流向z第i个信号周期内总延误计算公式如下：
[0159][0160]
其中，为流向z第i个信号周期内车辆总延误的估计值，t
r,i,z
为流向z第i个信号周期红灯持续时间。
[0161]
s156、根据总延误估计值，确定车辆平均行程时间的估计值。
[0162]
具体地，根据上述步骤确定的可以计算得流向z第i个信号周期车辆平均行程时间，计算公式如下：
[0163][0164]
其中，为流向z第i个信号周期内车辆平均行程时间的估计值，为和之间路段入口到达流量。
[0165]
通过步骤s153
‑
s156，完成对不同流向最大排队长度和车辆平均行程时间的估计。
[0166]
通过步骤s100
‑
s150，本技术实施例根据交通波理论建立车辆延误模型，并根据交叉口不同流向车辆的速度分布特征，根据车辆延误模型建立流向级的车辆行程时间模型；由定点检测器检测获取到路段入口的流量，以确定路段入口的车辆数；根据移动检测器获取到的车辆轨迹，通过设置虚拟行程线，并根据车辆通过虚拟行程线的情况确定路段的车流转向比；根据车辆行程时间模型、到达车辆数和车流转向比，确定不同流向的贝叶斯网络；通过求解贝叶斯网络，确定交叉口不同流向的最大排队长度和车辆平均行程。本技术实施例结合了车辆轨迹数据和定点检测器数据，在车辆轨迹数据采样率较低的情况下仍然可
以提供较为可靠的交通状态参数估计结果，因此本技术提出的方法鲁棒性较好；其次，本技术建立融合交通波理论和统计分析的参数估计方法，基于交通波理论建立车辆延误模型，并通过贝叶斯网络建立观测数据与解析模型之间的统计关系，既考虑了实际交通条件的随机波动性，也结合了交通系统本身的物理特性，有效提高交通状态参数估计的精度，因此本技术提出的方法可解释性较强；另外，本技术实施例可实现交叉口自由流速度和交通状态变量的联合估计，其估计结果可广泛应用于信控交叉口优化中，进一步提升城市交叉口交通运行状态监测水平，更高效地为智能交通系统提供信息支撑。
[0167]
参照图11，图11为本技术实施例提供的一种基于多源数据的交叉口交通状态参数估计系统的示意图，该系统1100包括：延误计算模块1110、行程时间计算模块1120、流量计算模块1130、转向比计算模块1140、统计分析模块1150和交通状态参数估计模块1160。延误计算模块用于根据交通波理论建立车辆延误模型；行程时间计算模块用于根据车辆延误模型和不同流向车辆的速度分布特征，确定流向级的车辆行程时间模型；流量计算模块用于根据定点检测器获取到的路段入口流量，确定路段入口的到达车辆数；转向比计算模块用于根据移动检测器获取到的车辆轨迹，通过设置虚拟行程线，确定路段的车流转向比；统计分析模块用于根据车辆行程时间模型、到达车辆数和车流转向比，确定不同流向的贝叶斯网络；交通状态参数估计模块用于根据交通波理论和贝叶斯网络的解，确定不同流向的最大排队长度和车辆平均行程时间。
[0168]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd
‑
rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0169]
以上是对本技术的较佳实施进行了具体说明，但本技术并不局限于上述实施方式，熟悉本领域的技术人员在不违背本技术精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。