基于轨迹数据的单交叉口信号配时优化方法

随着城市化的发展,城市路网变得更加复杂,交通量日益增多。传统的数据采集方式如线圈、卡口存在铺设难度大、维护成本高、数据缺失等缺点。随着网络出租车的兴起,海量的轨迹数据被收集起来。本文整合了基于轨迹数据的交叉口排队模型和交叉口启动波模型,估计路口各相位排队长度,并应用交通波理论对交叉口各相位配时进行优化,建立了基于轨迹数据的单交叉口信号配时模型。该模型采用交叉口SCATS系统实际数据进行路口建模,经仿真验证,相较于原配时方案与Webster配时方法,该模型能够将交叉口延误分别降低61.37%和36.95%,验证了该模型的有效性。

基于联网车辆轨迹数据的交叉口排队长度估计方法

智能网联车路协同系统以及网约出租车的迅速发展,产生了海量的轨迹数据。轨迹数据具有数据量大、准确性高、分布广、易获取等优点,成为交通研究的重要数据来源。排队长度是评价交叉口运行状态的主要参数之一,对交通状态评估和信号优化等具有重要作用。基于轨迹数据对交叉口排队长度进行估计,并结合交叉口历史排队分布对排队长度估计结果的可靠性及精度进行分析。首先建立基于贝叶斯定理的交叉口排队长度估计方法,在联网车辆相同的假设条件下,推导出排队长度与周期内联网车辆停车位置及车道排队长度的概率关系;并利用轨迹车辆排队长度频率分布对实际排队长度频率分布进行近似,解决所存在的未知量问题。然后,结合交叉口历史排队数据,分析在高斯及非高斯情况下交叉口排队长度的置信区间估计问题,并提出用概率分布偏差来描述排队长度,对结果精度进行估计。在仿真分析部分,通过视频识别技术获取交叉口的排队长度数据,并用随机采样方法模拟了交叉口轨迹数据。最后,通过不同时段的交叉口排队长度估算验证所提出的方法,其中凌晨及下午时段的排队长度估算结果的平均M;值分别为0.20及0.61,M;值分别为27.40%及7.47%。结合概率分布分析方法,判断出凌晨时段及下午时段的排队长度分布分别为非高斯分布及高斯分布,计算概率分布偏差分别为10.63%及7.93%,验证了所提出的精度分析方法相比传统分析方法,在小样本场景具有更高的准确性。