一种基于电子警察数据的排队长度计算方法

摘要

本发明公开了一种基于电子警察数据的排队长度计算方法，包括步骤S1：采集数据：结合交通波的运动学规律，从START交通诊断与优化系统中获取车辆的车牌号码、车辆类型、驶离停车线时刻数据；步骤S2：数据预处理：将电子警察中的异常数据、缺失数据、重复数据做数据清洗；步骤S3：根据行程时间的分布情况，确定车辆在该路段的停车次数；步骤S4：根据车辆停车次数与车辆从上游交叉口停车线驶离时刻和从该交叉口停车线驶离时刻，构建交叉口排队长度计算方法。与传统的排队长度估计模型相比该模型所需的原始数据较少，具有更高的预测精度、更强的泛化能力，能够更准确预测城市信号交叉口的排队长度。

权利要求

1.一种基于电子警察数据的排队长度计算方法，其特征在于，包括以下步骤：步骤S1：采集数据：结合交通波的运动学规律，从START交通诊断与优化系统中获取车辆的车牌号码、车辆类型、驶离停车线时刻数据；

所述步骤S1中交通波运动学规律，分析车辆受阻情况，可知需要获取与排队长度相关的数据，包括车辆延误、车辆驶离时刻数据，以及路段长度、路段编号、车辆行驶方向；

步骤S2：数据预处理：将电子警察中的异常数据、缺失数据、重复数据做数据清洗；

步骤S3：根据行程时间的分布情况，确定车辆在该路段的停车次数；

所述步骤S3中，行程时间是从车辆从上游交叉口停车线驶离时刻起，到该交叉口停车线的时间差，行程时间的计算以从交叉口A到B的路段为例，一辆车从A交叉口驶出停车线，到B路口驶出停车线，其路段行程时间为Tab＝tb‑ta；

当两相邻车辆的行程时间T或驶离时刻t存在一段红灯时长为r的时间差时，称其为跳变，根据行程时间点分布提取跳变特征，并根据时间差r的位置将跳变分为两类情况：当相邻两车辆的驶离时刻存在时间差r时，记为跨周期跳变；

当相邻两车辆的行程时间T存在时间差r，驶离时刻时间差小于r时，记为周期内跳变；

其它未说明情况均视为无跳变；

此外，所述步骤S3中，同一个行程时间区间对应不同的停车次数，记停车次数为n，有以下几种情况：假设车辆的行程时间T∈(T0+(n‑1)C，T0+nC)，其停车次数为n；

假设车辆的行程时间T∈(T0+nC+g，T0+(n+1)C)，其停车次数为n+1；

假设车辆的行程时间T∈(T0+nC，T0+nC+g)，其停车次数为n或n+1，需通过行程时间往前遍历进一步确定；

步骤S4：根据车辆停车次数与车辆从上游交叉口停车线驶离时刻和从该交叉口停车线驶离时刻，构建交叉口排队长度计算方法；

所述步骤S4中，利用车辆行程时间、停车次数初步确定车辆的排队长度的计算方法，公式如下：式中，S为交叉口进口道基本饱和流率，n为停车次数，tx为第x辆车驶离交叉口停车线的时间戳，g为绿灯时间；

所述步骤S4中，当车辆从上游交叉口停车线往排队车辆队尾行驶时，排队车辆可能处于消散过程，故将消散过程加入到排队长度计算方法中，对排队长度计算方法做出进一步优化，公式如下：式中，L为路段长度，L1为绿灯启亮时的排队长度，T0为自由行程时间。

2.根据权利要求1所述的一种基于电子警察数据的排队长度计算方法，其特征在于，所述步骤S2中对电子警察数据的预处理，部分缺失值利用取相邻点均值的方式进行弥补，路口数据整体缺失使用机器学习算法做数据弥补，异常数据则利用平均值做修正。

说明书

一种基于电子警察数据的排队长度计算方法

技术领域

[0001] 本发明涉及智能交通控制领域，特别涉及一种基于电子警察数据的排队长度计算方法。

背景技术

[0002] 在智能交通系统中，对排队长度的估计至关重要，及时准确的获取交叉口的排队长度能够实时反映道路畅通与拥堵的变化过程，为交通信号控制的管理与优化提供了数据支持，能够更好地对城市路网交通的通行效率做出评价，是衡量城市交通服务水平的关键因素。电子警察的出现为城市交通的发展提供了巨大空间，以往的检测设备(如地磁感应线圈数据、RFID数据、GPS数据等)存在检测误差、信号丢失、干扰以及设备覆盖范围受限等不足，且有时需要考虑连续交叉口的车流状况，需要的数据量庞大，在实际应用中存在缺陷。随着检测方式的改变，电子警察发展迅速，它可以较好地解决以往信号丢失、数据不稳定等情况，能够提供车辆的轨迹信息，可作为排队长度研究中的重要数据支撑。

发明内容

[0003] 为了克服现有技术中的不足，本发明提供一种基于电子警察数据的排队长度计算方法，创新性地利用行程时间计算排队长度，旨在提高排队长度计算的便捷性与可适用性。

[0004] 为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

[0005] 一种基于电子警察数据的排队长度计算方法，包括以下步骤：

[0006] 步骤S1：采集数据：结合交通波的运动学规律，从START交通诊断与优化系统中获取车辆的车牌号码、车辆类型、驶离停车线时刻数据；

[0007] 步骤S2：数据预处理：将电子警察中的异常数据、缺失数据、重复数据做数据清洗；

[0008] 步骤S3：根据行程时间的分布情况，确定车辆在该路段的停车次数；

[0009] 步骤S4：根据车辆停车次数与车辆从上游交叉口停车线驶离时刻和从该交叉口停车线驶离时刻，构建交叉口排队长度计算方法。

[0010] 进一步的，所述步骤S1中交通波运动学规律，分析车辆受阻情况，可知需要获取与排队长度相关的数据，包括车辆延误、车辆驶离时刻数据，以及路段长度、路段编号、车辆行驶方向。

[0011] 进一步的，所述步骤S1中的行程时间是从车辆从上游交叉口停车线驶离时刻起，到该交叉口停车线的时间差，行程时间的计算以从交叉口A到B的路段为例，一辆车从A交叉口驶出停车线，到B路口驶出停车线，其路段行程时间为Tab＝tb‑ta。

[0012] 进一步的，所述步骤S2中对电子警察数据的预处理，部分缺失值利用取相邻点均值的方式进行弥补，路口数据整体缺失使用机器学习算法做数据弥补，异常数据则利用平均值做修正。

[0013] 进一步的，当两相邻车辆的行程时间T或驶离时刻t存在一段红灯时长为r的时间差时，称其为跳变，根据行程时间点分布提取跳变特征，并根据时间差r的位置将跳变分为两类情况：

[0014] 当相邻两车辆的驶离时刻存在时间差r时，记为跨周期跳变；

[0015] 当相邻两车辆的行程时间T存在时间差r，驶离时刻时间差小于r时，记为周期内跳变；

[0016] 其它未说明情况均视为无跳变。

[0017] 进一步的，所述步骤S3中，同一个行程时间区间对应不同的停车次数，记停车次数为n，有以下几种情况：

[0018] 假设车辆的行程时间T∈(T0+(n‑1)C，T0+nC),其停车次数为n；

[0019] 假设车辆的行程时间T∈(T0+nC+g，T0+(n+1)C)，其停车次数为n+1；

[0020] 假设车辆的行程时间T∈(T0+nC，T0+nC+g)，其停车次数为n或n+1，需通过行程时间往前遍历进一步确定。

[0021] 进一步的，所述步骤S4中，利用车辆行程时间、停车次数初步确定车辆的排队长度的计算方法，公式如下：

[0022]

[0023] 式中，S为交叉口进口道基本饱和流率，n为停车次数，tx为第x辆车驶离交叉口停车线的时间戳，g为绿灯时间。

[0024] 进一步的，所述步骤S4中，当车辆从上游交叉口停车线往排队车辆队尾行驶时，排队车辆可能处于消散过程，故将消散过程加入到排队长度计算方法中，对排队长度计算方法做出进一步优化，公式如下：

[0025]

[0026] 式中，L为路段长度，L1为绿灯启亮时的排队长度，T0为自由行程时间。

[0027] 本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：

[0028] 1、本发明一种基于电子警察数据的排队长度计算方法，无需获取信号配时、车流量以及交通启动波、停车波等复杂数据，仅通过分析关键节点的车辆行程时间数据与车辆驶离交叉口时刻数据，实现对排队长度的估计，具有更好的适用性，可操作性更强；

[0029] 2、本发明一种基于电子警察数据的排队长度计算方法，采用全样本、轨迹化的卡口型电子警察数据，更有利于反映真实的城市道路交通状况；

[0030] 3、本发明一种基于电子警察数据的排队长度计算方法，利用电子警察与卡口等车牌识别系统获取的车辆数据得到行程时间数据，通过对比行程时间与车辆驶离时刻的关系，可以较为准确的估计出信号交叉口的车辆排队长度。与传统的排队长度估计模型相比该模型所需的原始数据较少，具有更高的预测精度、更强的泛化能力，能够更准确预测城市信号交叉口的排队长度，既一定程度上反映了道路的服务水平，又为相关管理部门提供了可预见性的数据支持。

附图说明

[0031] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：

[0032] 图1是本发明涉及的排队长度计算方法流程图；

[0033] 图2是本发明涉及的车辆受阻情况图；

[0034] 图3是本发明涉及的电子警察安装示意图；

[0035] 图4是本发明涉及的行程时间跳变特征图；

[0036] 图5是本发明涉及的停车次数区间分布图；

[0037] 图6是本发明涉及的排队消散变化图；

[0038] 图7是本发明涉及的A时段排队长度比较；

[0039] 图8是本发明涉及的B时段排队长度比较；

[0040] 图9是本发明涉及的C时段排队长度比较。

具体实施方式

[0041] 以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

[0042] 如图1‑9所示，本实施例公开了一种基于电子警察数据的排队长度计算方法，包括以下步骤：

[0043] 步骤S1：采集数据：结合交通波的运动学规律，从START交通诊断与优化系统中获取车辆的车牌号码、车辆类型、驶离停车线时刻数据，在上游交叉口与该交叉口均被电子警察捕获的车辆，称为匹配车辆，通过对比相邻交叉口之间匹配车辆的车牌数据，获取车辆在信号交叉口之间的行程时间。

[0044] 其中，所述步骤S1中交通波运动学规律，分析车辆受阻情况，可知需要获取与排队长度相关的数据，包括车辆延误、车辆驶离时刻数据，以及路段长度、路段编号、车辆行驶方向。

[0045] 进一步的，所述步骤S1中的行程时间是从车辆从上游交叉口停车线驶离时刻起，到该交叉口停车线的时间差，行程时间的计算以从交叉口A到B的路段为例，一辆车从A交叉口驶出停车线，到B路口驶出停车线，其路段行程时间为Tab＝tb‑ta。

[0046] 步骤S2：数据预处理：过滤掉电子警察数据中的特殊车辆，包括警车、救护车、军车，仅采用车辆从上游交叉口停车线驶离到该交叉口停车线驶离经历的时间差作为行程时间计算排队长度并不能完全真实有效的反映车辆的排队长度情况，需要对电子警察数据做数据清洗，利用统计学与机器学习结合的方式，对异常数据和缺失数据做弥补修正。

[0047] 进一步的，所述步骤S2中对电子警察数据的预处理，部分缺失值利用取相邻点均值的方式进行弥补，路口数据整体缺失使用机器学习算法做数据弥补，异常数据则利用平均值做修正。此外，异常数据中的过大数据删除、过小数据使用均值做数据弥补，缺失数据做弥补，重复数据做去重处理。

[0048] 步骤S3：根据行程时间的分布情况，确定车辆在该路段的停车次数，由于车辆行程时间与停车次数并不一一对应，同一个行程时间可能有不同的停车次数，故还需要判断在相同行程时间时的不同停车次数。

[0049] 进一步的，当两相邻车辆的行程时间T或驶离时刻t存在一段红灯时长为r的时间差时，称其为跳变，根据行程时间点分布提取跳变特征，并根据时间差r的位置将跳变分为两类情况：

[0050] 当相邻两车辆的驶离时刻存在时间差r时，记为跨周期跳变；

[0051] 当相邻两车辆的行程时间T存在时间差r，驶离时刻时间差小于r时，记为周期内跳变；

[0052] 其它未说明情况均视为无跳变。

[0053] 进一步的，所述步骤S3中，同一个行程时间区间对应不同的停车次数，记停车次数为n，参考图5，有以下几种情况：

[0054] 假设车辆的行程时间T∈(T0+(n‑1)C，T0+nC),其停车次数为n；

[0055] 假设车辆的行程时间T∈(T0+nC+g，T0+(n+1)C)，其停车次数为n+1；

[0056] 假设车辆的行程时间T∈(T0+nC，T0+nC+g)，其停车次数为n或n+1，需通过行程时间往前遍历进一步确定。

[0057] 步骤S4：根据车辆停车次数与车辆从上游交叉口停车线驶离时刻和从该交叉口停车线驶离时刻，判断车辆在行程过程中经历的最大排队长度，并构建交叉口排队长度计算方法。

[0058] 所述步骤S4中，利用车辆行程时间、停车次数初步确定车辆的排队长度的计算方法，公式如下：

[0059]

[0060] 式中，S为交叉口进口道基本饱和流率，n为停车次数，tx为第x辆车驶离交叉口停车线的时间戳，g为绿灯时间。

[0061] 进一步的，所述步骤S4中，当车辆从上游交叉口停车线往排队车辆队尾行驶时，排队车辆可能处于消散过程，如图6所示，故将消散过程加入到排队长度计算方法中，对排队长度计算方法做出进一步优化，公式如下：

[0062]

[0063] 式中，L为路段长度，L1为绿灯启亮时的排队长度，T0为自由行程时间。

[0064] 实施例：

[0065] 一、数据来源

[0066] 本实施例采用的数据来源是基于电子警察所检测到的车牌识别信息。电子警察安装在各十字路口、人行道口、主要的主辅路进出口等位置。当车辆驶过停车线，高清数字摄像机拍到车辆尾部照片，电子警察系统会根据照片进行处理，提取车辆信息，从而获得精细化的电子警擦数据。电警数据全天候实时记录的数据包含以下字段：采集地点、车道编号、方向、时间(年、月、日、时、分、秒)、车牌类型、车牌编号等。

[0067] 以从交叉口A到B的路段Lab为例，一辆车从A交叉口驶出停车线，到B路口驶出停车线，其路段行程时间Tab＝tb‑ta。研究过程中，将一天电警数据中行程时间最少的前5％取平均值，作为该模型中的自由流行程时间。将车辆从交叉口停车线驶离的时刻称为车辆驶离时刻，由上游交叉口停车线驶离到从该交叉口停车线驶离经历的时间称为车辆行程时间。匹配车辆之间可以方便的进行车辆行程时间分析，本方法仅利用电子警察数据中的行程时间数据对排队长度研究。

[0068] 二、车辆排队分析

[0069] 如图2车辆受阻情况所示，q表示车流到达率，N表示通行能力，S为饱和流率。一个信号周期C表示从红灯开始到绿灯结束的时间，当一个信号周期(有效红灯时长为r，有效绿灯时长为g)内的到达车辆数qC大于绿灯期间的排放车辆数Sg时，交叉口会出现过饱和状态，产生滞留车辆。第一个信号周期结束后停车线前滞留的车辆数Q是第二个信号周期的初始排队长度。

[0070] 三、数据预处理

[0071] 本实施例分析的排队长度车辆是普通车辆间的排队长度，因此需要过滤掉一些特殊车辆。特殊车辆包括警车、救护车、军车等。仅采用车辆从上游交叉口停车线驶离到该交叉口停车线驶离经历的时间差作为行程时间计算排队长度并不能完全真实有效的反映车辆的排队长度情况，需要对电子警察数据做数据清洗，重点对异常数据和缺失数据做处理。以下几种情况可能产生异常数据或缺失数据：

[0072] (1)车辆在中途行驶过程中，因为某些特殊原因而停车(车辆抛锚，中途载客等)产生高于正常行驶车辆的时间延误；

[0073] (2)车辆行驶途中从未安装检测设备的支路离开检测区间，导致电子警察系统未能匹配到车牌识别数据；

[0074] (3)车辆在路段中二次或多次出行，致使同一车牌数据在电子警察系统中多次出现。

[0075] (4)上游交叉口未安装电子警察，导致下游交叉口的检测不准确。

[0076] 利用统计学与机器学习结合的方式，对异常数据和缺失数据做弥补修正。

[0077] 四、实际验证

[0078] 本实施例的研究对象是宁波市中官路与东环北路交叉口西进口的直行二车道，两交叉口间距为369m，信号周期均为95s，其中黄灯时间3s，全红时间1s，信号配时方案如表1所示。

[0079] 表1信号配时方案

[0080]

[0081] 根据2020年4月1日‑4月20日交叉口的实际车流情况，选取三个不同时段进行实证分析。A、B为平峰时段，C为早高峰时段，如表2。为了更加准确的获取交叉口的车流量、车辆到达与驶离时刻以及车辆经历的最大排队长度，数据采样间隔定为95s，与信号周期一致。平峰时段选取40个周期进行模型验证，高峰时段选取60个周期进行模型验证。

[0082] 表2时段选取及流量分布

[0083]

[0084] 为了更好的评估路段超车率预测模型的预测性能，本实施例采用均方误差(Mean‑Sqaure Error,MSE)、平均绝对值误差(Mean Absolute Deviation，MAD)两种目标函数。

[0085]

[0086]

[0087] 式中：p(i)为路段超车率的真实值； 为路段超车率的预测值；n为预测验证数据集个数。

[0088] 五、实验结果与分析

[0089] 对实验结果做如下分析：

[0090] (1)对A、B、C时段分别使用均方误差(Mean‑Sqaure Error，MSE)、平均绝对值误差(Mean Absolute Deviation，MAD)做模型评价。计算得出模型的平均绝对误差(MAE)分别为：7.725m、7.750m、7.833m，平均相对误差(MAPE)分别为：11.42％、12.84％、7.89％；

[0091] (2)对高峰时段的计算结果误差小于对平峰时段的计算结果。当车流量较大时，对于排队长度的车辆数有更好的把控；

[0092] (3)本实施例的计算值大部分情况下都偏小于实测值，总体上，模型的平均精度达到了86.40％以上，能够较好地估计信号交叉口排队长度，具有很好的适应性。

[0093] 随着城市化进程的不断加快，公众对出行的需求也越来越高。交通拥堵不仅打破了城市路网的动态平衡，也制约了社会经济的快速发展。由于交通系统是一种高维、复杂的动态系统，如何设计适合的排队长度计算方法是分析交通拥堵的重中之重。本实施例提出了一种基于电子警察数据的排队长度计算方法，并分别分析了模型在平峰时段和高峰时段的适用性与可靠性。结果表明该方法具有较好的准确率，可用于城市交叉口的排队长度计算，对于解决交通拥堵、分析城市交通路网以及为交警提供数据支持有着重要意义。通过验证发现，本实施例的平均准确率达到86.40％左右，并且在高峰时段的计算准确率更优。综上，该方法对排队长度计算方面有着显著的效果。

[0094] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。