交叉口信號參數(shù)估計研究及發(fā)展

吳成峰

摘 要：交通信號從一開始就是我們交通網(wǎng)絡不可或缺的元素，在可預見的未來不太可能改變形式或功能。本文的主要目的在于梳理交叉口信號參數(shù)估計方面的研究情況，以及信號參數(shù)估計這一領(lǐng)域的研究發(fā)展過程，并分析其使用的數(shù)據(jù)特點、方法模型、參數(shù)估計的精確程度，找出當前研究的不足之處，更進一步的研究提供基礎(chǔ)。

關(guān)鍵詞：交叉口;浮動車數(shù)據(jù);信號周期;綠燈時間

0 引言

城市規(guī)模的交通信號相位和定時（TSPaT）信息，包括相位方案、周期長度和定時計劃的綠色長度，是各種車載應用不可或缺的輸入。在理想情況下，信號燈顏色的估計和相位是已知的，通過控制車速，使車輛到達時為綠色通行。

但是，直接從當?shù)亟煌ü芾聿块T獲取TSPaT信息并不容易。一個原因是不同的紅綠燈可能來自不同的廠家，屬于不同的主管部門。因此，以傳統(tǒng)的方式獲取這種全市范圍的信息是具有挑戰(zhàn)性和耗時的。為了克服這些困難并獲得城市范圍的TSPaT信息，從其他數(shù)據(jù)源估計信號定時參數(shù)是一個更好的可能方向。

1 交叉口信號周期估計

Fogel等人（1988）[8]首先提出了一種基于周期圖的方法來求解未知周期。Fayazi等人（2016）[7]計算了幾個連續(xù)綠色啟動的平均值的方差，以找到一天中的偏移變化。然而，他們只考慮偏移變化作為周期斷點，而沒有考慮其他情況，如周期長度變化和綠色分割變化。

2 利用上下游行駛時間估計交叉口信號

為了尋求收集TSPaT信息的方便和經(jīng)濟的方法，一些研究人員開始利用其它數(shù)據(jù)。Ban等人（2009）[1]從樣本行駛時間中提取交叉口的延遲模式，即在所研究的交叉口的上游和下游位置之間收集的行駛時間，然后使用延遲模式來估計信號定時參數(shù)。 Hao 等人（2012）[2]改進了上述方法，采用支持向量機方法進行信號定時估計。

3 GPS軌跡估計交叉口信號

Kerper等人（2012）[4]開始利用GPS軌跡數(shù)據(jù)對固定時間控制的交叉口信號進行估計。數(shù)據(jù)來自高采樣頻率為1赫茲的模擬，顯示了不同于典型商業(yè)低頻FCD的高滲透率。該方法通過觀察車輛相對于停車線距離的加速運動來確定綠燈時間的開始。周期長度計算為綠色時間間隔連續(xù)開始的時間差。

Yang 等人（2012）[3]將沖擊波模型引入SPaT信息估計。然而，其中模擬結(jié)果是從高穿透率的要求條件中導出的，該條件假設大部分速度信息可以通過高采樣數(shù)據(jù)獲得。 Chuang 等人（2015）介紹了用于從全球定位系統(tǒng)軌跡中發(fā)現(xiàn)目標交叉點的相位定時信息的沖擊波模型。通過沖擊波模型給出了車輛通過交叉口的速度軌跡，并利用它來推斷交通信號的時間信息。但是它們使用的軌跡是高頻率采樣的（1 Hz），因此很難在許多實際場景中使用。

Protschky等人（2015）[5]提出了一種三次誤差策略，使用高采樣率GPS軌跡重建交叉口的周期長度。他們的直覺是，當軌跡以正確的周期長度折疊時，可以觀察到清晰的軌跡模式，而當軌跡以錯誤的周期長度折疊時，則無法檢測到模式。

Axer等人（2017）[6]開發(fā)了一種分階段的方法，該方法允許基于浮動車數(shù)據(jù)（FCD）為時間相關(guān)的固定時間控制和驅(qū)動交叉口估計信號定時信息，如周期長度、綠色和紅色時間間隔。

4 研究現(xiàn)狀總結(jié)

通過對相關(guān)文獻的歸納與總結(jié)，發(fā)現(xiàn)目前在利用浮動車軌跡數(shù)據(jù)估計交叉口信號方案的研究上存在以下不足：

（1）早期對交叉口信號定時參數(shù)的估計，主要是以交叉口上下游采集的車輛行駛時間作為基礎(chǔ)數(shù)據(jù)來進行交叉口信號定時估計。

（2）上述研究在利用浮動車數(shù)據(jù)估計信號方案時，主要以某個單獨的實例為研究對象，其數(shù)據(jù)單一的，沒有考慮軌跡數(shù)據(jù)量、軌跡信息采樣率、交叉口飽和度等因素對信號方案估計的影響。

（3）在利用低采樣率軌跡數(shù)據(jù)進行信號方案估計時，都做了限制性的假設，大大降低了方法的可遷移能力。

（4）目前對具有多個信號方案交叉口的參數(shù)估計研究不足，特別是周期相同而方案不同的情況少有研究。

參考文獻：

[1]Ban X，Herring R，Hao P，et al.Delay Pattern Estimation for Signalized Intersections Using Sampled Travel Times[J].Transportation Research Record：Journal of the Transportation Research Board， 2009（1）：119.

[2]Hao P.Signal Timing Estimation Using Sample Intersection Travel Times[J].IEEE Transactions on Intelligent Transportation Systems，2012，13（2）.

[3]Yang，Cheng，Xiao，et al.An Exploratory Shockwave Approach to Estimating Queue Length Using Probe Trajectories[J].Journal of Intelligent Transportation Systems，2012.

[4]Kerper M，Wewetzer C，Sasse A，et al.Learning Traffic Light Phase Schedules from Velocity Profiles in the Cloud[C].New Technologies，Mobility and Security （NTMS），2012 5th International Conference on.IEEE，2012.

[5]Protschky V，Ruhhammer C，F(xiàn)eit S.Learning Traffic Light Parameters with Floating Car Data[C].2015 IEEE 18th International Conference on Intelligent Transportation Systems-（ITSC 2015）.IEEE，2015.

[6]Axer S，F(xiàn)riedrich B.Signal timing estimation based on low frequency floating car data[J]. Transportation Research Procedia，2017（25）：1648-1664.

[7]Fayazi S A，Vahidi A.Crowdsourcing Phase and Timing of Pre-Timed Traffic Signals in the Presence of Queues：Algorithms and Back-End System Architecture[J].IEEE Transactions on Intelligent Transportation Systems，2016，17（3）：870-881.

[8]Fogel E，Gavish M.Parameter estimation of quasi-periodic sequences[C].International Conference on Acoustics，Speech，&Signal Processing，Icassp.IEEE， 1988.