一种多源数据融合的城市快速路交通状态估计方法

技术领域

本发明属于交通控制与管理领域，更具体地说，涉及一种多源数据融合的城市快速路交通状态估计方法。

背景技术

如何能实现对交通状态的准确估计，是进行有效交通组织管控的前提，成为交通管理研究的重要方向和研究热点。在城市道路中，城市快速路分担城市大量的交通出行，为了对城市快速路进行交通状态估计，交通管理部门通常会通过交通数据调查设备获取城市快速路的交通数据。设备根据类型可以分为两大类：一类属于固定设备，如固定检测器、视频采集器、交通调查站等，一类属于移动设备，主要有浮动车检测器等。考虑到设备成本问题，目前视频采集器、浮动车检测器多用于科研实验中交通调查，日常情况下大多在快速路部分路段安装固定检测器获取交通数据。如何通过固定检测器监测的数据对快速路的交通状态进行估计，是本发明研究的重点问题。

目前针对快速路交通流状态估计主要存在两个问题，①数据处理方面：由于监测的数据不可避免会出现缺失或异常值，如何通过较为简单、可操作性强的方法对数据进行处理，多源数据在时间或空间上存在不匹配的问题，需要通过数据融合方法将其同一化处理；②考虑到监测器的成本，一条快速路上布设的检测器数量不会太多，主要布设在快速路路段上和进出匝道附近，获得时间间隔如5s内的断面交通量和车速，如何利用有限的断面历史数据和实测数据对整条快速路当前的交通状态进行估计；

针对上述问题，本发明通过对检测器获取的历史数据进行数据预处理，根据断面流量数据对路段行程车速进行估计，对数据标准化处理后确定速度和流量的权重系数，建立加权聚类分析模型和拥堵概率模型对交通状态进行估计。

经对现有技术的文献检索发现，已有针对交通状态估计多面向高速公路和城市交叉口，但由于高速公路更注重安全，城市交叉口车流复杂，针对快速路多源数据融合的状态估计方法相对较少。

发明内容

技术问题：针对城市快速路多源数据融合的问题，本发明提供一种基于数据融合快速路交通状态估计方法。

技术方案：为解决上述技术问题，本发明提出一种多源数据融合的城市快速路交通状态估计方法，包括如下步骤：

步骤1：获取检测器采集到的历史数据，包括：快速路匝道进出口的交通量数据、路段断面的车辆速度数据及流量数据。

步骤2：通过分析历史数据，获得流量数据的阈值范围、车速的阈值范围，判断历史数据是否存在异常值，将异常值修正，对数据进行平滑处理，用ArcGIS平台，对多源交通数据进行时空匹配。

步骤3：根据匝道出入口的流量数据、路段断面流量数据，对路段行程车速进行估计。

步骤4：将数据标准化处理，确定速度和流量的权重系数，对历史数据进行聚类分析。

步骤5：通过拥堵概率模型对路段拥堵进行估计，与步骤4中聚类分析共同估计快速路交通状态。

步骤6：获取实时交通流参数进行状态估计。

所述步骤2中，包括如下步骤：

步骤21：通过公式(1)确定流量数据和速度数据的异常值：

0≤Q

式中：Q

通过公式(2)确定车速的阈值范围：

0≤v≤v

式中：v

通过公式(3)-(6)对数据进行平滑处理：

E

A

式中E

步骤22：对数据进行空间匹配，首先根据设备ID及安装位置确定详细的经纬度信息，将经纬信息转化为平面做坐标轴信息并导入ArcGIS软件中；时间匹配中，根据不同位置检测器采集时间间隔不同，通过数据处理转化为同一采集周期的数据，确定不同数据的融合时间范围。

所述步骤3中，根据匝道出入口的流量数据、路段断面流量数据，对路段行程车速进行估计，包括如下步骤：

步骤31：将城市快速路分段成若干路段，通过非线性最小二乘法进行数据拟合，分别确定上游、下游车辆数的时间函数U(t)、D(t)，利用反三角思想，求得平均行程时间，如公式(7)-(9)所示：

N＝U(t

式中，U(t

式中，

所述步骤4中，将数据标准化处理，确定速度和流量的权重系数，对历史数据进行聚类分析，包括如下步骤：

步骤41：通过公式将数据标准化处理，

式中

步骤42：考虑到流量和速度的数据存在波动性，数据之间存在相关关系，采用客观赋权法确定速度和流量的权重系数如公式所示。

式中r

步骤43：由步骤52得到的权重，通过聚类，反复迭代，计算得到不同交通状态下的聚类中心。

步骤44：通过计算各状态中心与实时数据样本的距离，确定当前的交通状态，如公式所示：

其中

所述步骤5中，通过拥堵概率模型对路段拥堵进行估计，与步骤4中聚类分析共同估计快速路交通状态，包括如下步骤：

步骤51：根据当前时间间隔中区段车流流速和交通量状况，通过公式(17)，计算下一时间间隔内交通流出现中断(交通拥堵)的概率，对路段的拥堵概率进行评估：

步骤52：通过极大似然函数，对拥堵概率分布进行参数估计，似然函数如公式所示：

有益效果：本发明与现有技术相比，具有以下优点：

本发明方法考虑多源数据融合的情况下，通过加权聚类分析和拥堵概率两个模型对交通状态进行估计，克服单一模型可能出现估计不准确的问题。

附图说明

图1为本发明方法的流程图；

具体实施方式

下面结合示例对本发明作进一步详细的描述，但本发明的实施方式不限于此。本发明的实施方式并不受所述示例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

实施例1：

步骤1：获取检测器采集到的历史数据，包括：快速路匝道进出口的交通量数据、路段断面的车辆速度数据及流量数据。

步骤2：通过分析历史数据，获得流量数据的阈值范围、车速的阈值范围，判断历史数据是否存在异常值，将异常值修正，对数据进行平滑处理，用ArcGIS平台，对多源交通数据进行时空匹配。

步骤3：根据匝道出入口的流量数据、路段断面流量数据，对路段行程车速进行估计。

步骤4：将数据标准化处理，确定速度和流量的权重系数，对历史数据进行聚类分析。

步骤5：通过拥堵概率模型对路段拥堵进行估计，与步骤4中聚类分析共同估计快速路交通状态。

步骤6：获取实时交通流参数进行状态估计。

所述步骤2中，包括如下步骤：

步骤21：通过公式(1)确定流量数据和速度数据的异常值：

0≤Q

式中：Q

通过公式(2)确定车速的阈值范围：

0≤v≤v

式中：v

通过公式(3)-(6)对数据进行平滑处理：

E

A

式中E

步骤22：对数据进行空间匹配，首先根据设备ID及安装位置确定详细的经纬度信息，将经纬信息转化为平面做坐标轴信息并导入ArcGIS软件中；时间匹配中，根据不同位置检测器采集时间间隔不同，通过数据处理转化为同一采集周期的数据，确定不同数据的融合时间范围。

所述步骤3中，根据匝道出入口的流量数据、路段断面流量数据，对路段行程车速进行估计，包括如下步骤：

步骤31：将城市快速路分段成若干路段，通过非线性最小二乘法进行数据拟合，分别确定上游、下游车辆数的时间函数U(t)、D(t)，利用反三角思想，求得平均行程时间，如公式(7)-(9)所示：

N＝U(t

式中，U(t

式中，

所述步骤4中，将数据标准化处理，确定速度和流量的权重系数，对历史数据进行聚类分析，包括如下步骤：

步骤41：通过公式将数据标准化处理，

式中

步骤42：考虑到流量和速度的数据存在波动性，数据之间存在相关关系，采用客观赋权法确定速度和流量的权重系数如公式所示。

步骤43：由步骤52得到的权重，通过聚类，反复迭代，计算得到不同交通状态下的聚类中心。

步骤44：通过计算各状态中心与实时数据样本的距离，确定当前的交通状态，如公式所示：

其中

所述步骤5中，通过拥堵概率模型对路段拥堵进行估计，与步骤4中聚类分析共同估计快速路交通状态，包括如下步骤：

步骤51：根据当前时间间隔中区段车流流速和交通量状况，通过公式(17)，计算下一时间间隔内交通流出现中断(交通拥堵)的概率，对路段的拥堵概率进行评估：

式中：q(veh/h/ln)是每小时每车道的车辆通过量；c(veh/h/ln)是容量，即通行能力，由于通行能力受多种因素的影响，包括：天气、上下游车辆数、道路条件，车辆类型的比例，通过对历史数据的分析获取同状态下的通行能力取值；P(c≤q)是容量小于观察到流量的概率；q

步骤52：通过极大似然函数，对拥堵概率分布进行参数估计，似然函数如公式所示：

式中：f