基于多源数据融合的信号交叉口延误估计研究

　　摘要： 为了获得更准确的信号交叉口延误，为评价信号交叉口的运行效率和服务水平提供精确的评价指标，论述了利用线圈检测器和浮动车数据来估�信号交叉口延误的方法。在对BP神经网络作简要介绍的基础上提出基于改进BP算法的信号交叉口延误估计模型。把通过线圈检测器和浮动车数据估计的信号交叉口平均延误进行融合，得到更为精确的信号交叉口平均延误。最后通过实例对该模型进行了验证，分析结果表明：采用数据融合方法得到的信号交叉口延误的相对误差明显低于基于线圈检测器和浮动车数据估计的信号交叉口延误的相对误差，因此采用数据融合方法估计信号交叉口的延误可以提高延误估计的精度，论证了该模型的实用性和有效性。 　　Abstract： In order to obtain the more accurate delays at signalized intersection， and to provide accurate evaluating index for the evaluation of operational efficiency and service levels of signalized intersections， the methods of using loop detectors and floating car data to estimate delays at signalized intersections are described. After a brief presentation of BP neural network， the model of estimating delays at signalized intersections based on improved-BP algorithm are proposed. The model fuses the average delays at signalized intersections estimated by using loop detectors and floating car data to get the more accurate delays at signalized intersections. Finally， the model is validated through an actual example， the results show that： the relative error of delays at signalized intersection achieved by fusion method was significantly lower than which is achieved based on loop detectors and floating car data， so the delays estimation accuracy at signalized intersection can be improved by using data fusion methods， which demonstrates the practicality and effectiveness of the model. 　　关键词： 交通工程；延误估计；数据融合；信号交叉口；BP神经网络 　　Key words： traffic engineering；delays estimation；data fusion；signalized intersection；BP neural network 　　中图分类号：U491.4 文献标识码：A 文章编号：1006-4311（2017）10-0187-05 　　0 引言 　　信号交叉口的平均延误不仅是评价信号交叉口运行效率的主要指标[1]，也是评价交叉口信号控制方案和参数是否最佳的重要指标[2]。因此研究信号交叉口延误的快速获取方法对评价信号交叉口的控制方案和提高交叉口的运行效率具有现实指导意义。但是，目前国内对于延误的获取方法只是局限于模型公式计算法和单一检测器估计法。模型公式计算法所限定的假设条件太多，使得延误计算过于理想化，很难得到准确性比较高的延误数据；而单一检测器估计法由于检测器本身的功能限制和受到使用环境及检测器自身故障的影响，检测器采集到的数据一般存在数据缺失、数据失真等问题[3]，这将直接导致延误估计会出现一定程度的偏差。因此本文提出了一种基于多源数据融合的信号交叉口延误估计模型，将两种估计方法的优缺点进行融合互补，提高信号交叉口延误估计的准确性。 　　1 基于线圈检测器的信号交叉口延误估计方法 　　1.1 选取定时信号交叉口延误估计模型 　　根据交通流运行特性和延误产生的原因，信号交叉口延误又可细分为三种：均匀延误、随机延误和过饱和延误[6]。人们在分析延误时一般把后两种延误定义为增量延误，所以，常用的延误公式都由两项构成：均匀延误和增量延误，一般用流体理论来描述均匀延误，用排队模型来刻画增量延误。 　　从大量研究延误的相关文献中可以看出，美国HCM方法是应用最为广泛的，HCM中提出的控制延误充分体现了车辆在通过信号交叉口所经历的减速、停车和加速三个过程中的行程时间损失。从其运用的模型来看，该方法是通过对韦伯斯特公式的随机延误项加以修改，然后采用了协调变换的方法得到的。对于饱和度较小的情况，HCM 的计算值与实测值基本上差距不大，但随着饱和度的增大，这种差距呈增大的趋势，可见简单套用HCM的计算参数并不一定符合我国的实际交通状况[7]，因此本文引用文献[7]中用实测数据标定参数的HCM延误模型进行延误计算，基本模型如下： 　　d-单车平均控制延误，秒/辆； 　　d1-均匀延误，秒/辆； 　　d2-增量延误，秒/辆； 　　g-有效绿灯时间，秒； 　　C-信号周期长度，秒； 　　c-车道组通行能力，辆/小时； 　　q-车辆到达率，辆/小时； 　　S-饱和流率，辆/小时/车道； 　　x-车道组饱和度（v/c比）； 　　T-分析时间长度，分钟、小时； 　　m-回归参数； 　　k-增量延误参数，对定时信号控制，k=0.5； 　　I-校正参数，对独立信号交叉口I=1.0。 　　本文主要研究非饱和条件下的平面定时信号交叉口延误，分析时长选为T=0.25h，k=0.5，I=1.0，对HCM延误模型进行回归分析，把回归参数标定为=16.8[7]，模型简化为： 　　1.2 线圈检测器数据处理与延误计算 　　本文选取的计算交叉口为曲靖市主城区的麒麟南路与南宁西路交叉口，由于数据来源有限，仅对该交叉口的东进口道延误进行计算分析。 　　通过调查获取麒麟南路与南宁西路交叉口的渠化信息和信号配时方案，交叉口渠化图和信号配时图如图1、图2所示。 　　调取该交叉口2015年8月11日从7：00-11：00的检测器数据，对东进口道的数据进行相应的处理并计算平均延误，如表1所示。 　　2 基于浮动车数据的信号交叉口延误估计方法 　　2.1 确定信号交叉口范围 　　平面交叉口范围包括该交叉口各条道路相交部分及其进出口道（展宽段和渐变段）以及行人、自行车过街设施所围成的空间[8]。根据道路交叉口进口道规划长度，并考虑交叉口实际情况以及延误现场试验中对于交叉口范围的选取标准140～180（m）， 初步定为以交叉口转角缘石曲线的端点为计算起点，进口道向上游计算，出口道向下游计算，160m范围内为交叉口范围[9]。 　　2.2 确定信号交叉口畅行速度 　　畅通行驶是车辆在道路上的一种运行状态，而国内外对道路交通运行状态常用的评价指标主要有服务水平、平均延误、平均车速、车道占用率等[10]。文献[11]在分析不同类型道路特征车速的基础上，通过对驾驶员出行感受调查，并借鉴道路服务水平的划分标准，确定了特大城市和中小城市基本路段交通流运行状态的划分标准，如表2所示。 　　曲靖市属于中小城市的范畴，麒麟南路和南宁西路都属于主干道，因此根据上表确定车辆通过麒麟南路与南宁西路交叉口的畅行车速为34 km/h。 　　2.3 基于浮动车数据的信号交叉口延误计算方法2.3.1 浮动车数据在交叉口范围弧段端点的时间估计 　　通过观察浮动车数据与地图的匹配情况发现，GPS点的分布具有一定的波动性，一般不会正好匹配到目标点上。但是车辆在一定路线上的较短区间内的行驶速度总是在较小的范围内变化，波动变化不大，在此区间，车辆行驶距离与行驶时间的关系可近似认为是线性正比关系[12]，因此可以用简单的线性插值方法来估计浮动车在经过弧段端点Pi时的时间Ti，如图3所示。 　　假设浮动车在点P1和P2处上传时间数据为T1和T2，上传点距离路段端点Pi的距离分别为L1和L2。 　　2.3.2 确定浮动车经过交叉口的实际运行时间Ta 　　为了计算浮动车经过交叉口的实际运行时间，本文引用文献[9]中计算交叉口范围起终点的浮动车回传时间算法，如图4所示。在图4中，Tvi表示浮动车上传数据的时刻；Ts表示浮动车驶入交叉口范围起点的时刻；Te表示浮动车驶离交叉口范围终点的时刻，直行轨迹取交叉口范围长度L，左转轨迹长度为Lz。 　　假设浮动车在交叉口范��起点前后最邻近的两点V1和V2处分别传回时间数据为Tv1和Tv2，Tv1和Tv2回传点距交叉口范围起点的距离分别为L1s和L2s，在交叉口范围终点前后最邻近的两点Vn和V（n-1）处分别传回时间数据为Tv2和Tv （n-1），Tvn和Tv （n-1）回传点距交叉口范围终点的距离分别为Lne 和L （n-1）e，由公式（8）可分别算出Ts和Te，并得到浮动车经过交叉口的实际运行时间Ta的计算公式： 　　调取麒麟南路与南宁西路交叉口范围的浮动车数据，并进行相应处理，计算东进口道的平均延误，如表3所示。 　　3 基于改进BP算法的信号交叉口延误估计模型 　　人工神经网络是模仿大脑神经网络结构和功能而建立的一种信息处理系统，吸取了生物神经网络的许多优点，具有高度的并行性、良好的容错性与联想记忆功能、十分强的自适应、自学习功能等特点[13]。BP神经网络是一种按误差逆传播算法训练的多层前馈网络[14]，为了克服传统BP算法的不足，本文采用自适应学习速率BP算法对多源数据进行融合，基于改进BP算法的信号交叉口延误估计模型如图6所示。 　　注：da―线圈检测器延误估计值； 　　db―浮动车数据延误估计值； 　　d―融合后的延误估计值； 　　Ni―隐含层输出信息； 　　v―输入层与隐含层之间的连接权重系数； 　　w―隐含层与输出层之间的连接权重系数。 　　考虑到模型的需要和样本数据的特性，激活函数选用Sigmoid函数，即 　　输入层共有2个神经元，分别是线圈检测器延误估计值和浮动车数据延误估计值；隐含层所含神经元的个数可以在对神经网络进行训练时，通过反复试验来得到[15]，经过试验隐含层个数为3时，可以得到较好的效果；输出层有一个神经元，为多源数据融合后的延误估计值。在确定BP神经网络结构后，利用输入输出样本集对它进行训练，对网络的权值和阈值进行调整，以使网络实现预期的输入输出映射关系。 　　4 验证与分析 　　通过微观仿真软件VISSIM7.0对实验交叉口进行建模，设置仿真时间为4h（14400仿真秒），仿真运行效果如图7所示，把通过仿真获得的该交叉口东进口道的平均延误作为模型的期望值，记为dp；第二章和第三章已分别求得基于线圈检测器的平均延误da和基于浮动车数据的平均延误db，把它们作为自适应学习速率BP算法的输入值。输入值和期望值如表4所示。 　　本文将从分析时间段7：00：00-9：00：00的8个样本作为训练样本，将从9：00：00-11：00：00的8个样本作为测试样本，连接权重系数和阈值初始值由MATLAB软件系统随机给出，设定的�W习速率增加的系数为1.5，学习速率递减的系数为0.5，仿真1000次，误差精度为0.0001，模型的训练曲线图如图8所示。 　　训练后的模型输出与期望值的拟合情况如图9所示。 　　利用剩下的8个样本对模型进行测试，测试结果如图10所示。 　　根据不同方法估计的信号交叉口延误相对误差如图11所示。 　　通过以上分析表明，采用数据融合方法估计的信号交叉口延误的相对误差明显低于基于线圈检测器和浮动车数据估计的信号交叉口延误的相对误差，因此采用数据融合方法估计信号交叉口的延误可以提高延误估计的精度。 　　5 结论 　　本文主要介绍了信号交叉口的延误产生过程，分析了基于线圈检测器和浮动车数据估计信号交叉口延误的方法以及这两种方法所存在的不足之处，提出了基于改进BP算法的信号交叉口延误估计模型。最后通过仿真软件VISSIM和MATLAB对模型进行了验证，结果表明采用数据融合方法估计的信号交叉口延误比用单一来源数据估计的延误更加精准可靠，能更好的为优化信号交叉口交通组织与控制方案提供决策支撑。 　　参考文献： 　　[1]吴瑶.平面信号交叉口优化设计与效果评价研究[D].西安：长安大学，2013. 　　[2]裴玉龙，刘广萍，自适应信号控制下交叉口延误计算方法研究[J].公路交通科技，2005，22（7）：111-112. 　　[3]焦德军.基于数据融合的城市道路行程时间预测模型研究[D].大连：大连海事大学，2014. 　　[4]GB 50220-95，城市道路交通规划设计规范[S]. 　　[5]蔡美玲.平面信号交叉口通行效益分析及综合评价[D].成都：西南交通大学，2008. 　　[6]邵长桥.平面信号交叉口延误分析[D].北京：北京工业大学，2002. 　　[7]郑远.信号交叉口延误估计方法研究[D].上海：同济大学，2008. 　　[8]CJJ152-2010，城市道路交叉口设计规程[S]. 　　[9]孙玲.基于浮动车调查方法的信号交叉口延误估计研究[D].北京：北京工业大学，2007. 　　[10]孙超.城市道路交通状态评价分析研究[D].广州：华南理工大学，2010. 　　[11]梁颖.大城市道路交通系统运营状态评价[D].北京：北京工业大学，2002. 　　[12]董均宇.基于GPS浮动车的城市路段平均速度估计技术研究[D].重庆：重庆大学，2006. 　　[13]邹亮，徐建闽.基于融合技术的道路交通状态判别模型[J].清华大学学报（自然科学版），2007，47（S2）：1824-1825. 　　[14]刘天舒.BP神经网络的改进研究及应用[D].哈尔滨：东北农业大学，2011. 　　[15]徐桂鑫.基于数据融合的路段行程时间估计[D].济南：山东大学，2012.