基于多源數(shù)據(jù)融合的信號交叉口延誤估計研究

陳百旺

摘要： 為了獲得更準確的信號交叉口延誤，為評價信號交叉口的運行效率和服務水平提供精確的評價指標，論述了利用線圈檢測器和浮動車數(shù)據(jù)來估計信號交叉口延誤的方法。在對BP神經(jīng)網(wǎng)絡(luò)作簡要介紹的基礎(chǔ)上提出基于改進BP算法的信號交叉口延誤估計模型。把通過線圈檢測器和浮動車數(shù)據(jù)估計的信號交叉口平均延誤進行融合，得到更為精確的信號交叉口平均延誤。最后通過實例對該模型進行了驗證，分析結(jié)果表明：采用數(shù)據(jù)融合方法得到的信號交叉口延誤的相對誤差明顯低于基于線圈檢測器和浮動車數(shù)據(jù)估計的信號交叉口延誤的相對誤差，因此采用數(shù)據(jù)融合方法估計信號交叉口的延誤可以提高延誤估計的精度，論證了該模型的實用性和有效性。

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.

關(guān)鍵詞： 交通工程；延誤估計；數(shù)據(jù)融合；信號交叉口；BP神經(jīng)網(wǎng)絡(luò)

Key words： traffic engineering；delays estimation；data fusion；signalized intersection；BP neural network

中圖分類號：U491.4 文獻標識碼：A 文章編號：1006-4311（2017）10-0187-05

0 引言

信號交叉口的平均延誤不僅是評價信號交叉口運行效率的主要指標[1]，也是評價交叉口信號控制方案和參數(shù)是否最佳的重要指標[2]。因此研究信號交叉口延誤的快速獲取方法對評價信號交叉口的控制方案和提高交叉口的運行效率具有現(xiàn)實指導意義。但是，目前國內(nèi)對于延誤的獲取方法只是局限于模型公式計算法和單一檢測器估計法。模型公式計算法所限定的假設(shè)條件太多，使得延誤計算過于理想化，很難得到準確性比較高的延誤數(shù)據(jù)；而單一檢測器估計法由于檢測器本身的功能限制和受到使用環(huán)境及檢測器自身故障的影響，檢測器采集到的數(shù)據(jù)一般存在數(shù)據(jù)缺失、數(shù)據(jù)失真等問題[3]，這將直接導致延誤估計會出現(xiàn)一定程度的偏差。因此本文提出了一種基于多源數(shù)據(jù)融合的信號交叉口延誤估計模型，將兩種估計方法的優(yōu)缺點進行融合互補，提高信號交叉口延誤估計的準確性。

1 基于線圈檢測器的信號交叉口延誤估計方法

1.1 選取定時信號交叉口延誤估計模型

根據(jù)交通流運行特性和延誤產(chǎn)生的原因，信號交叉口延誤又可細分為三種：均勻延誤、隨機延誤和過飽和延誤[6]。人們在分析延誤時一般把后兩種延誤定義為增量延誤，所以，常用的延誤公式都由兩項構(gòu)成：均勻延誤和增量延誤，一般用流體理論來描述均勻延誤，用排隊模型來刻畫增量延誤。

從大量研究延誤的相關(guān)文獻中可以看出，美國HCM方法是應用最為廣泛的，HCM中提出的控制延誤充分體現(xiàn)了車輛在通過信號交叉口所經(jīng)歷的減速、停車和加速三個過程中的行程時間損失。從其運用的模型來看，該方法是通過對韋伯斯特公式的隨機延誤項加以修改，然后采用了協(xié)調(diào)變換的方法得到的。對于飽和度較小的情況，HCM 的計算值與實測值基本上差距不大，但隨著飽和度的增大，這種差距呈增大的趨勢，可見簡單套用HCM的計算參數(shù)并不一定符合我國的實際交通狀況[7]，因此本文引用文獻[7]中用實測數(shù)據(jù)標定參數(shù)的HCM延誤模型進行延誤計算，基本模型如下：

d-單車平均控制延誤，秒/輛；

d1-均勻延誤，秒/輛；

d2-增量延誤，秒/輛；

g-有效綠燈時間，秒；

C-信號周期長度，秒；

c-車道組通行能力，輛/小時；

q-車輛到達率，輛/小時；

S-飽和流率，輛/小時/車道；

x-車道組飽和度（v/c比）；

T-分析時間長度，分鐘、小時；

m-回歸參數(shù)；

k-增量延誤參數(shù)，對定時信號控制，k=0.5；

I-校正參數(shù)，對獨立信號交叉口I=1.0。

本文主要研究非飽和條件下的平面定時信號交叉口延誤，分析時長選為T=0.25h，k=0.5，I=1.0，對HCM延誤模型進行回歸分析，把回歸參數(shù)標定為=16.8[7]，模型簡化為：

1.2 線圈檢測器數(shù)據(jù)處理與延誤計算

本文選取的計算交叉口為曲靖市主城區(qū)的麒麟南路與南寧西路交叉口，由于數(shù)據(jù)來源有限，僅對該交叉口的東進口道延誤進行計算分析。

通過調(diào)查獲取麒麟南路與南寧西路交叉口的渠化信息和信號配時方案，交叉口渠化圖和信號配時圖如圖1、圖2所示。

調(diào)取該交叉口2015年8月11日從7：00-11：00的檢測器數(shù)據(jù)，對東進口道的數(shù)據(jù)進行相應的處理并計算平均延誤，如表1所示。

2 基于浮動車數(shù)據(jù)的信號交叉口延誤估計方法

2.1 確定信號交叉口范圍

平面交叉口范圍包括該交叉口各條道路相交部分及其進出口道（展寬段和漸變段）以及行人、自行車過街設(shè)施所圍成的空間[8]。根據(jù)道路交叉口進口道規(guī)劃長度，并考慮交叉口實際情況以及延誤現(xiàn)場試驗中對于交叉口范圍的選取標準140～180（m）， 初步定為以交叉口轉(zhuǎn)角緣石曲線的端點為計算起點，進口道向上游計算，出口道向下游計算，160m范圍內(nèi)為交叉口范圍[9]。

2.2 確定信號交叉口暢行速度

暢通行駛是車輛在道路上的一種運行狀態(tài)，而國內(nèi)外對道路交通運行狀態(tài)常用的評價指標主要有服務水平、平均延誤、平均車速、車道占用率等[10]。文獻[11]在分析不同類型道路特征車速的基礎(chǔ)上，通過對駕駛員出行感受調(diào)查，并借鑒道路服務水平的劃分標準，確定了特大城市和中小城市基本路段交通流運行狀態(tài)的劃分標準，如表2所示。

曲靖市屬于中小城市的范疇，麒麟南路和南寧西路都屬于主干道，因此根據(jù)上表確定車輛通過麒麟南路與南寧西路交叉口的暢行車速為34 km/h。

2.3 基于浮動車數(shù)據(jù)的信號交叉口延誤計算方法2.3.1 浮動車數(shù)據(jù)在交叉口范圍弧段端點的時間估計

通過觀察浮動車數(shù)據(jù)與地圖的匹配情況發(fā)現(xiàn)，GPS點的分布具有一定的波動性，一般不會正好匹配到目標點上。但是車輛在一定路線上的較短區(qū)間內(nèi)的行駛速度總是在較小的范圍內(nèi)變化，波動變化不大，在此區(qū)間，車輛行駛距離與行駛時間的關(guān)系可近似認為是線性正比關(guān)系[12]，因此可以用簡單的線性插值方法來估計浮動車在經(jīng)過弧段端點Pi時的時間Ti，如圖3所示。

假設(shè)浮動車在點P1和P2處上傳時間數(shù)據(jù)為T1和T2，上傳點距離路段端點Pi的距離分別為L1和L2。

2.3.2 確定浮動車經(jīng)過交叉口的實際運行時間Ta

為了計算浮動車經(jīng)過交叉口的實際運行時間，本文引用文獻[9]中計算交叉口范圍起終點的浮動車回傳時間算法，如圖4所示。在圖4中，Tvi表示浮動車上傳數(shù)據(jù)的時刻；Ts表示浮動車駛?cè)虢徊婵诜秶瘘c的時刻；Te表示浮動車駛離交叉口范圍終點的時刻，直行軌跡取交叉口范圍長度L，左轉(zhuǎn)軌跡長度為Lz。

假設(shè)浮動車在交叉口范圍起點前后最鄰近的兩點V1和V2處分別傳回時間數(shù)據(jù)為Tv1和Tv2，Tv1和Tv2回傳點距交叉口范圍起點的距離分別為L1s和L2s，在交叉口范圍終點前后最鄰近的兩點Vn和V（n-1）處分別傳回時間數(shù)據(jù)為Tv2和Tv （n-1），Tvn和Tv （n-1）回傳點距交叉口范圍終點的距離分別為Lne 和L （n-1）e，由公式（8）可分別算出Ts和Te，并得到浮動車經(jīng)過交叉口的實際運行時間Ta的計算公式：

調(diào)取麒麟南路與南寧西路交叉口范圍的浮動車數(shù)據(jù)，并進行相應處理，計算東進口道的平均延誤，如表3所示。

3 基于改進BP算法的信號交叉口延誤估計模型

人工神經(jīng)網(wǎng)絡(luò)是模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)，吸取了生物神經(jīng)網(wǎng)絡(luò)的許多優(yōu)點，具有高度的并行性、良好的容錯性與聯(lián)想記憶功能、十分強的自適應、自學習功能等特點[13]。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)[14]，為了克服傳統(tǒng)BP算法的不足，本文采用自適應學習速率BP算法對多源數(shù)據(jù)進行融合，基于改進BP算法的信號交叉口延誤估計模型如圖6所示。

注：da—線圈檢測器延誤估計值；

db—浮動車數(shù)據(jù)延誤估計值；

d—融合后的延誤估計值；

Ni—隱含層輸出信息；

v—輸入層與隱含層之間的連接權(quán)重系數(shù)；

w—隱含層與輸出層之間的連接權(quán)重系數(shù)。

考慮到模型的需要和樣本數(shù)據(jù)的特性，激活函數(shù)選用Sigmoid函數(shù)，即

輸入層共有2個神經(jīng)元，分別是線圈檢測器延誤估計值和浮動車數(shù)據(jù)延誤估計值；隱含層所含神經(jīng)元的個數(shù)可以在對神經(jīng)網(wǎng)絡(luò)進行訓練時，通過反復試驗來得到[15]，經(jīng)過試驗隱含層個數(shù)為3時，可以得到較好的效果；輸出層有一個神經(jīng)元，為多源數(shù)據(jù)融合后的延誤估計值。在確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后，利用輸入輸出樣本集對它進行訓練，對網(wǎng)絡(luò)的權(quán)值和閾值進行調(diào)整，以使網(wǎng)絡(luò)實現(xiàn)預期的輸入輸出映射關(guān)系。

4 驗證與分析

通過微觀仿真軟件VISSIM7.0對實驗交叉口進行建模，設(shè)置仿真時間為4h（14400仿真秒），仿真運行效果如圖7所示，把通過仿真獲得的該交叉口東進口道的平均延誤作為模型的期望值，記為dp；第二章和第三章已分別求得基于線圈檢測器的平均延誤da和基于浮動車數(shù)據(jù)的平均延誤db，把它們作為自適應學習速率BP算法的輸入值。輸入值和期望值如表4所示。

本文將從分析時間段7：00：00-9：00：00的8個樣本作為訓練樣本，將從9：00：00-11：00：00的8個樣本作為測試樣本，連接權(quán)重系數(shù)和閾值初始值由MATLAB軟件系統(tǒng)隨機給出，設(shè)定的學習速率增加的系數(shù)為1.5，學習速率遞減的系數(shù)為0.5，仿真1000次，誤差精度為0.0001，模型的訓練曲線圖如圖8所示。

訓練后的模型輸出與期望值的擬合情況如圖9所示。

利用剩下的8個樣本對模型進行測試，測試結(jié)果如圖10所示。

根據(jù)不同方法估計的信號交叉口延誤相對誤差如圖11所示。

通過以上分析表明，采用數(shù)據(jù)融合方法估計的信號交叉口延誤的相對誤差明顯低于基于線圈檢測器和浮動車數(shù)據(jù)估計的信號交叉口延誤的相對誤差，因此采用數(shù)據(jù)融合方法估計信號交叉口的延誤可以提高延誤估計的精度。

5 結(jié)論

本文主要介紹了信號交叉口的延誤產(chǎn)生過程，分析了基于線圈檢測器和浮動車數(shù)據(jù)估計信號交叉口延誤的方法以及這兩種方法所存在的不足之處，提出了基于改進BP算法的信號交叉口延誤估計模型。最后通過仿真軟件VISSIM和MATLAB對模型進行了驗證，結(jié)果表明采用數(shù)據(jù)融合方法估計的信號交叉口延誤比用單一來源數(shù)據(jù)估計的延誤更加精準可靠，能更好的為優(yōu)化信號交叉口交通組織與控制方案提供決策支撐。

參考文獻：

[1]吳瑤.平面信號交叉口優(yōu)化設(shè)計與效果評價研究[D].西安：長安大學，2013.

[2]裴玉龍，劉廣萍，自適應信號控制下交叉口延誤計算方法研究[J].公路交通科技，2005，22（7）：111-112.

[3]焦德軍.基于數(shù)據(jù)融合的城市道路行程時間預測模型研究[D].大連：大連海事大學，2014.

[4]GB 50220-95，城市道路交通規(guī)劃設(shè)計規(guī)范[S].

[5]蔡美玲.平面信號交叉口通行效益分析及綜合評價[D].成都：西南交通大學，2008.

[6]邵長橋.平面信號交叉口延誤分析[D].北京：北京工業(yè)大學，2002.

[7]鄭遠.信號交叉口延誤估計方法研究[D].上海：同濟大學，2008.

[8]CJJ152-2010，城市道路交叉口設(shè)計規(guī)程[S].

[9]孫玲.基于浮動車調(diào)查方法的信號交叉口延誤估計研究[D].北京：北京工業(yè)大學，2007.

[10]孫超.城市道路交通狀態(tài)評價分析研究[D].廣州：華南理工大學，2010.

[11]梁穎.大城市道路交通系統(tǒng)運營狀態(tài)評價[D].北京：北京工業(yè)大學，2002.

[12]董均宇.基于GPS浮動車的城市路段平均速度估計技術(shù)研究[D].重慶：重慶大學，2006.

[13]鄒亮，徐建閩.基于融合技術(shù)的道路交通狀態(tài)判別模型[J].清華大學學報（自然科學版），2007，47（S2）：1824-1825.

[14]劉天舒.BP神經(jīng)網(wǎng)絡(luò)的改進研究及應用[D].哈爾濱：東北農(nóng)業(yè)大學，2011.

[15]徐桂鑫.基于數(shù)據(jù)融合的路段行程時間估計[D].濟南：山東大學，2012.