本发明涉及交通车流控制领域，尤其是涉及一种基于单截面低频检测数据的信控交叉口排队长度估计方法。
背景技术：
：实时、准确的信号交叉口交通状态估计不仅可以为交通管理者提供决策依据，而且在减少出行者的行程时间与降低交通污染方面也具有积极的意义。而排队长度是评价信号控制交叉口交通状态与服务水平的重要指标之一，也是信号控制的重要参数。在我国，大城市地面道路的交通状态估计主要是基于浮动车数据。而大多数的中小城市，受制于浮动车比例不足(一般不足5％)，采样频率低(大部分为1/60s-1)等因素，交通数据的采集主要依赖于布设在交叉口上游路段的低频率的线圈、地磁、微波等定点检测器数据。信号控制交叉口路段检测器一般布设在路段长度范围内距离停车线2/3处(大约250m范围内)。为了减小数据库存储量，路段检测器一般仅在一定的时间间隔(通常为1/60s-1)输出到达流量、时间占有率和速度等数据。这使得国外普遍利用高频(1～15s)检测数据计算信号控制交叉口运行状态的方法难以适用。对于基于单截面低频检测数据的信号控制交叉口交通状态估计主要存在以下问题：1)60s等间隔的数据难以反映实时的交通特征，由检测器输出的各60s间隔的到达流量为静态的离散的，而实际到达流量则是动态的连续的；2)检测器与停车线距离较远，造成红灯相位期间，检测器位置依然有车辆通过，检测器参数难以与信号配时数据匹配；3)当交通拥堵发生时，车辆排队经常会出现排队长度超出检测器的情况，此时检测器的检测参数无法正确反映真实的交通需求，从而导致低频路段定点检测器采集数据存在较大误差。如何仅凭低频的定点检测器数据实现路段交通状态估计成为我国很多中小城市工程实践中亟待解决的技术难题之一。技术实现要素：本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种高精度的基于单截面低频检测数据的信控交叉口排队长度估计方法。本发明的目的可以通过以下技术方案来实现：一种基于单截面低频检测数据的信控交叉口排队长度估计方法，包括以下步骤：S1，使用单截面定点检测器对信控交叉口进行数据采集，检测数据包括到达流量、速度和时间占有率，所述的定点检测器为单截面定点检测器，以不低于60s的观测时间间隔输出检测数据，即数据输出频率不高于1/60s-1；S2，利用到达流量、速度和时间占有率之间的关系，判断各观测时间间隔内排队长度是否超出检测器的长度检测范围，若是，则利用临近的观测时间间隔的检测数据对该观测时间间隔的到达流量数据进行修正；否则进入步骤S3；S3，根据信控交叉口的信号配时数据将检测数据进行时间切分，使二者相匹配；S4，根据S3得到的数据，求取信控周期内的各交通波(集结波、消散波、压缩波和驶离波)波速，并求取该信控周期内最大排队长度和剩余排队长度，然后返回步骤S2，直到各信控周期内最大排队长度和剩余排队长度计算完毕。所述的步骤S2中，判断某观测时间间隔内的排队长度是否超出检测器的长度检测范围的方法具体为：判断本观测时间间隔内的时间占有率、车辆速度和车辆到达率是否落在对应的置信区间范围内，若是，则本观测时间间隔内的排队长度未超出检测器的长度检测范围，否则本观测时间间隔内的排队长度超出检测器的长度检测范围，所述的置信区间范围根据历史统计数据获得。所述的置信区间范围计算过程包括以下步骤：S21，基于历史统计数据利用下式计算时间占有率Oc与车辆速度和车辆到达率之间的函数关系，并进行线性拟合：其中：T—检测器数据的输出时间间隔(s)，i—第i辆车，d—检测器自身长度(m)，ui—第i辆车的速度(m/s)，Li—第i辆车的车身长度(m)，Oc—检测器时间占有率，假设观测时间T内到达的车辆数为N，对上式做如下变形：其中：q—观测时间内车辆到达率(veh/h)，—观测时间内车辆平均速度(m/s)，进一步简化得到：由于T即代表了数据输出频率，又代表了观测时间内观测车辆的车头时距之和，所以上式右边第一项分子分母同乘以1/N其中：hi—第i辆车的车头时距(s)，—平均车头时距(s)；为了进一步简化式子，假设每辆车车身长度相等，则：其中：—平均有效车长(m)。将上式密度转化为到达流量与速度的关系得到：其中：d—检测器自身长度(m)，q—观测时间内车辆到达率(veh/h)，—观测时间内车辆平均速度(km/h)，S22，确定时间占有率、车辆速度和车辆到达率的置信区间，置信水平为给定值。所述的步骤S22中，置信水平取0.95。所述的步骤S4包括以下步骤：S41，利用匹配好的检测数据的到达率，计算各观测时间间隔的集结波的波速：其中：—第i个信控周期第j个观测时间间隔的集结波波速(m/s)，qij—第i个信控周期第j个观测时间间隔的车辆到达率(veh/h)，kj—阻塞密度(veh/km)，kij—第i个信控周期第j个观测时间间隔的对应的到达交通流密度(veh/km)，uf—自由流速度(m/s)，S42，计算各信控周期中红灯期间排队长度：其中：Lri—第i个信控周期红灯期间新增加的排队长度(m)，tin-1—第i个信控周期中第n-1个观测时间间隔内红灯的时间长度；S43，计算各信控周期中消散波与集结波相遇时刻：其中：tb(i)—集结波与消散波相遇的时刻，Lse(i-1)—上一观测时间间隔的剩余排队长度，w2—消散波的波速，gi—绿灯启亮时刻；S44，判断本信控周期中消散波与集结波相遇时刻是否超过了下一信控周期的红灯启亮时刻，如果超过了下一信控周期红灯启亮时刻，则直接获得当前信控周期内最大排队长度和剩余排队长度：Lmax(i)＝Lse(i-1)+Lri+w1n×(C-gi)Lse(i)＝Lmax(i)-w2×tg其中：Lmax(i)—第i个信控周期的最大排队长度，C—信控周期时长，tg—有效绿灯时长；如果tb没有超过下一信控周期红灯启亮时刻，则求取当前信控周期内最大排队长度以及最后一辆排队车辆通过停止线的时刻，并进入步骤S45：Lmax(i)＝w2×(tb(i)-gi)其中：tm(i)—最后一辆排队车辆通过停止线的时刻，w3—驶离波的波速；S45，判断最后一辆排队车辆通过停止线的时刻tm(i)是否超出了下一信控周期红灯启亮时刻，如果tm(i)没有超出下一信控周期红灯启亮时刻，则当前信控周期剩余排队长度为0；否则，计算压缩波与驶离波相遇的时刻：其中：ta(i)—压缩波与驶离波相遇的时刻，Ti+1—下一信控周期红灯启亮时刻，w4—压缩波的波速；求取当前信控周期剩余排队长度：Lse(i)＝w4·ta(i)步骤S4中，所求取的当前信控周期的剩余排队长度在计算下一信控周期的最大排队长度时候进行迭代计算。与现有技术相比，本发明具有以下优点：(1)对观测时间间隔内的检测数据进行判断、修正，使得检测器输出的数据能反映道路交通的真实状况，对长排队(排队长度超出检测器的检测范围)的识别精度高(达到了98％以上)(2)本发明的排队长度计算方法基于交通波理论，所需数据源条件简单：仅需要低频定点检测数据即可。(3)具有普适性：对不同饱和度下排队长度的估计精度都达到了80％以上。附图说明图1为本实施例单截面检测环境示意图；图2为定点检测器数据与信号配时数据的匹配示意图；图3为本实施例仿真路网检测器布设位置示意图；图4为集结波与消散波在周期内无法相遇的交通波形图；图5为无剩余排队情况下的交通波形图；图6为集结波与消散波在周期内可以相遇但有剩余排队的交通波形图；图7为本实施例的流程示意图。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。实施案例如图7所示，一种基于单截面低频检测数据的信控交叉口排队长度估计方法，包括以下步骤：S1，使用单截面定点检测器对信控交叉口进行数据采集，检测数据包括到达流量、速度和时间占有率，所述的定点检测器为单截面定点检测器，以不低于60s的观测时间间隔输出检测数据，即数据输出频率不高于1/60s-1；单截面定点检测器：一般布设在交叉口上有距离停止线250m的位置，常见的有线圈检测器、微波检测器、雷达检测器等。S2，利用到达流量、速度和时间占有率之间的关系，判断各观测时间间隔内排队长度是否超出检测器的长度检测范围，若是，则利用临近的观测时间间隔的检测数据对该观测时间间隔的到达流量数据进行修正；否则进入步骤S3，本实施例的观测时间间隔取60s，检测器输出数据如表1所示：表1检测器输出数据S3，根据信控交叉口的信号配时数据将检测数据进行时间切分，使二者相匹配。参考表2所示，以红灯开始时刻为起点对检测数据进行时间切分，并与信号配时数据进行匹配融合。表2低频(1/60s-1)检测数据与信号配时数据匹配检测器输出起始时刻为600s，并且每60s输出一次检测数据，假设各60s间隔内，车辆均匀到达；红灯启亮时刻为629s，信控周期时长146s(西进口直行相位有效红灯时长101s，有效绿灯时长45s)。对低(1/60s-1)的检测数据按照信号配时方案进行时间切分，使之与信号配时数据进行匹配，从而为求取信控周期最大排队长度做好数据准备。S4，根据S3得到的数据，求取信控周期内的各交通波波速，并求取该信控周期内最大排队长度和剩余排队长度，然后返回步骤S2，直到各信控周期内最大排队长度和剩余排队长度计算完毕，所述的交通波包括集结波、消散波、压缩波和驶离波。步骤S2中，判断某观测时间间隔内的排队长度是否超出检测器的长度检测范围的方法具体为：判断本观测时间间隔内的时间占有率、车辆速度和车辆到达率是否落在对应的置信区间范围内，若是，则本观测时间间隔内的排队长度未超出检测器的长度检测范围，否则本观测时间间隔内的排队长度超出检测器的长度检测范围，置信区间范围根据历史统计数据获得。在排队长度尚未超出检测器的情况下，检测器输出的时间占有率、到达流量、速度能够真实反映路段上的交通状态。此时，统计得到的定点检测器数据就应该服从上述到达流量、速度与占有率之间的函数关系或落在由其所确定的某一置信区间范围内(这里取置信度为0.95)；当排队长度超出检测器后，由于检测器所输出的时间占有率、到达流量、速度等数据已经无法正确反映路段上的真实交通状况，此时，由检测器所输出的数据就不再服从到达流量、速度与占有率之间的相关关系。所以可以根据检测器所输出的时间占有率、到达流量、速度等数据是否能够落在置信度为0.95的置信区间来判断排队长度是否超出检测器所在位置。置信区间范围计算过程包括以下步骤：S21，基于历史统计数据利用下式计算时间占有率Oc与车辆速度和车辆到达率之间的函数关系，并进行线性拟合：其中：T—检测器数据的输出时间间隔(s)，i—第i辆车，d—检测器自身长度(m)，ui—第i辆车的速度(m/s)，Li—第i辆车的车身长度(m)，Oc—检测器时间占有率，假设观测时间T内到达的车辆数为N，对上式做如下变形：其中：q—观测时间内车辆到达率(veh/h)，—观测时间内车辆平均速度(m/s)，进一步简化得到：由于T即代表了数据输出频率，又代表了观测时间内观测车辆的车头时距之和，所以上式右边第一项分子分母同乘以1/N其中：hi—第i辆车的车头时距(s)，—平均车头时距(s)；为了进一步简化式子，假设每辆车车身长度相等，则：其中：—平均有效车长(m)。将上式密度转化为到达流量与速度的关系得到：其中：d—检测器自身长度(m)，q—观测时间内车辆到达率(veh/h)，—观测时间内车辆平均速度(km/h)，S22，确定时间占有率、车辆速度和车辆到达率的置信区间，置信水平为给定值，本实施例取0.95。S41，利用匹配好的检测数据的到达率，计算各观测时间间隔的集结波的波速：其中：—第i个信控周期第j个观测时间间隔的集结波波速(m/s)，qij—第i个信控周期第j个观测时间间隔的车辆到达率(veh/h)，kj—阻塞密度(veh/km)，kij—第i个信控周期第j个观测时间间隔的对应的到达交通流密度(veh/km)，uf—自由流速度(m/s)，S42，计算各信控周期中红灯期间排队长度：其中：Lri—第i个信控周期红灯期间新增加的排队长度(m)，tin-1—第i个信控周期中第n-1个观测时间间隔内红灯的时间长度；S43，计算各信控周期中消散波与集结波相遇时刻：其中：tb(i)—集结波与消散波相遇的时刻，Lse(i-1)—上一观测时间间隔的剩余排队长度，w2—消散波的波速，gi—绿灯启亮时刻；S44，判断本信控周期中消散波与集结波相遇时刻是否超过了下一信控周期的红灯启亮时刻，如果超过了下一信控周期红灯启亮时刻，则直接获得当前信控周期内最大排队长度和剩余排队长度：Lmax(i)＝Lse(i-1)+Lri+w1n×(C-gi)Lse(i)＝Lmax(i)-w2×tg其中：Lmax(i)—第i个信控周期的最大排队长度，C—信控周期时长，tg—有效绿灯时长；如果tb没有超过下一信控周期红灯启亮时刻，则求取当前信控周期内最大排队长度以及最后一辆排队车辆通过停止线的时刻，并进入步骤S45：Lmax(i)＝w2×(tb(i)-gi)其中：tm(i)—最后一辆排队车辆通过停止线的时刻，w3—驶离波的波速；S45，判断最后一辆排队车辆通过停止线的时刻tm(i)是否超出了下一信控周期红灯启亮时刻，如果tm(i)没有超出下一信控周期红灯启亮时刻，则当前信控周期剩余排队长度为0；否则，计算压缩波与驶离波相遇的时刻：其中：ta(i)—压缩波与驶离波相遇的时刻，Ti+1—下一信控周期红灯启亮时刻，w4—压缩波的波速；求取当前信控周期剩余排队长度：Lse(i)＝w4·ta(i)步骤S4中，所求取的当前信控周期的剩余排队长度在计算下一信控周期的最大排队长度时候进行迭代计算。图3是合肥市望江西路—科学大道的仿真交叉口。建模首先根据道路几何数据和配时数据在VISSIM中构建路段模型，并采用实际获取的检测器到达流量数据标定路段模型的交通组成、路段车速分布和交叉口信号灯配时方案等参数，以保证仿真路网的交通状态尽可能地与实际状态吻合。其中，定点检测器数据采用2015年10月27日早高峰7点半到8点半的数据，检测器的位置如图3所示。最后，运行VISSIM的仿真路网，通过对比核查交叉口各进口道的到达流量与定点检测器数据集计的断面到达流量，确保了仿真路网到达流量与实际路网到达流量的一致性。模型验证取该交叉口西进口直行车道为研究对象，路段长度为415m，检测器布设在距离交叉口停车线250m处。交叉口信号配时采用实证信号配时方案，周期时长146s，第一相位为东西向直行，时长43s；第二相位为东西向左转，时长25s；第三相位为南北向直行，时长37s，第四相位为南北向左转，时长为25s，黄灯时间为3s，全红时间为1s。为了验证模型对不同饱和度的适应性，本研究分别设置了三种仿真场景(见表3)：1)低饱和度(0.65)下的仿真研究；2)高饱和(0.95)下的仿真研究；3)变饱和度(0.65-1.05-0.65)，即拥堵形成及消散过程。表3排队长度估计误差统计表仿真场景车辆输入(veh/h)平均绝对差(m)平均百分差(％)场景172015.319.8场景2105520.318.8场景3720-1300-72036.517.34由仿真验证结果可知，实施例中排队长度的平均绝对差为24.03m，约为三辆车的长度，平均百分差为18.65％，故该排队长度估计方法的平均精度在80％以上。当前第1页1 2 3