[發(fā)明專利]一種基于電子警察數據的交叉口車道排隊長度估計方法

有效

• 申請?zhí)枺?/td>: 202110312433.0
• 申請日: 2021-03-24
• 公開（公告）號: CN113129605B
• 公開（公告）日: 2022-02-18
• 發(fā)明（設計）人: 唐克雙;談超鵬
• 申請（專利權）人: 同濟大學
• 主分類號: G08G1/065
• 分類號: G08G1/065;G08G1/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 楊宏泰

1.一種基于電子警察數據的交叉口車道排隊長度估計方法，其特征在于，包括以下步驟：

1)對電子警察數據進行預處理，獲取各車輛的綠燈期間通過停車線時刻和車頭時距序列，具體包括以下步驟：

11)根據電子警察數據檢測到的車輛通過停車線時刻序列計算周期內各車輛的車頭時距序列，根據電子警察數據檢測到以綠燈啟亮時間為起點的車輛通過停車線時刻序列計算得到周期內各車輛的車頭時距序列H^k，具體表達式為：

其中，N_k為第k個周期內電子警察識別的車輛數，為第k個周期內第i輛車的車頭時距，為第k個周期內第i輛車的通過停車線時刻，對于第一輛車無前車的情況，則給定其車頭時距為經驗飽和車頭時距，即

12)對紅燈期間檢測車輛的電子警察數據進行修正，考慮電子警察通常布設在停車線上游5至15米處，各周期內前1～2輛車輛通常在紅燈期間加入排隊時被檢測，通過停車線時刻小于0，據此對紅燈期間檢測車輛進行處理，則有：

若第k個周期內第i輛車通過時刻則令且

13)獲取研究時段內電子警察數據的周期形式和時段形式，研究時段內電子警察數據的周期形式的表達式具體為：

X＝{D¹,D²,…,D^k,…,D^K}

其中，D^k為第k個周期內共計N_k輛車的通過時刻與車頭時距矩陣，K為研究時段總數；

時段形式的表達式具體為：

X＝{x₁,x₂,…,x_m,…,x_M}＝{(t₁,h₁),(t₂,h₂),…,(t_m,h_m),…,(t_M,h_M)}

其中，x_m為研究時段內第m輛車的數據點，即觀測數據，且x_m＝(t_m,h_m)；(t_m,h_m)為研究時段內電子警察檢測的第m輛車的通過停車線時刻與車頭時距；

2)假設處理后電子警察數據隸屬于排隊車輛和非排隊車輛兩個分布，建立高斯混合模型，高斯混合模型的表達式為：

p(x)＝α_qΦ(x|μ_q,Σ_q)+α_nqΦ(x|μ_nq,Σ_nq)

其中，p(x)為高斯混合模型的概率密度函數，x表示觀測數據，Φ(x|μ_z,Σ_z)為二維高斯分布概率密度函數，μ_z、μ_nq均為二維均值向量，Σ_q、Σ_nq均為2×2協(xié)方差矩陣，α_q、α_nq為權重系數，且α_q+α_nq＝1，下標q表示排隊車輛，nq表示非排隊車輛；

3)采用期望最大化算法求解高斯混合模型的參數，采用期望最大化算法，求解得到高斯混合模型的未知參數θ＝{α_q,μ_q,Σ_q,μ_nq,Σ_nq}，具體包括以下步驟：

31)初始化未知參數θ；

32)E步驟：依據當前模型參數，分別計算觀測數據x_m屬于排隊和非排隊車輛的概率：

33)M步驟：基于極大似然估計，重新求解新一輪迭代模型參數，則有：

其中，下標z∈{q,nq}，β_z(x_m)為觀測數據x_m隸屬于排隊車輛或非排隊車輛的概率，下標為q時，對應為隸屬排隊車輛的概率，下標為nq時，對應為隸屬于非排隊車輛的概率；

34)重復步驟32)-33)，直至收斂，完成參數求解；

4)依據高斯混合模型結果判別周期內各車輛是否排隊，并根據最后一輛排隊車輛確定車道排隊長度，具體包括以下步驟：

41)判斷周期內各車輛是否為排隊車輛，并根據判斷結果得到周期內最后一輛排隊車輛，具體為：

根據求解參數后的高斯混合模型，對于給定的周期內任一輛車輛的電子警察數據信息x_m＝(t_m,h_m)，獲取其隸屬于排隊車輛的概率β_q(x_m)和非排隊車輛的概率β_nq(x_m)，若β_q(x_m)＞β_nq(x_m)，則為該車輛判定為排隊車輛，否則，該車輛判定為非排隊車輛；

42)根據周期內最后一輛排隊車輛的電子警察信息，估計該車道的排隊長度。

2.根據權利要求1所述的一種基于電子警察數據的交叉口車道排隊長度估計方法，其特征在于，所述的步驟42)中，根據周期內最后一輛排隊車輛l的電子警察信息估計該車道的排隊長度，則有：

其中，為飽和車頭時距，依據標定的高斯混合模型，即排隊車輛的高斯分布均值為為排隊車輛車頭時距的均值，為排隊車輛通過停車線時刻的均值，表示取整數部分。