基于电警卡口数据的车道实时排队长度估计
Author: Xianyuan Zhan1, Ruimin Li2, Satish V.Ukkusuri1
1: Lyles School of Civil Engineering, Purdue University, 550 Stadium Drive, West Lafayette, IN 47907, USA
2: Department of Civil Engineering, Tsinghua University, Beijing 100084, China
摘要
电警卡口数据（LPR）在估算城市干道交通状况方面，提供丰富的新兴数据来源。虽然大型LPR系统在美国不常见，但过去几年，在世界上许多其他地区已经看到了迅速的发展和实施（例如：中国，泰国和中东）。由于隐私问题，LPR数据很少提供给研究界。但一旦可用，便可以在估算运输系统的实时运营指标方面彰显价值。本文提出了一种基于车牌识别（LPR）数据的车道实时队列长度估计模型。在该模型中，基于高斯过程的插值方法被开发来重构每条车道的等效累积到达-离开曲线。从重建的到达曲线中可获得因未识别或未匹配的车辆缺少信息。基于完整的到来和离开信息，基于汽车跟踪的仿真方案被应用于估计每个车道的实时队列长度。所提出的模型使用来自中国廊坊的地面实况进行验证其最大排队长度信息。结果表明该模型可以捕捉地面实况数据中队列长度的变化，并且可以合理估计每个信号周期的最大队列长度。使用所提出的模型估计的队列长度信息可以用作用于各种实时交通控制应用的有用的性能指标。
关键词
电警数据、实时排队长度估计、基于车道估计、累计到达-离去曲线、高斯过程、边界约束跟车模型
第一章 Introduction
排队长度一直被认为是衡量信号交叉口性能的关键因素（Balke等，2005）或信号优化的关键因素（Webster，1958; Newell，1965; Chang and Lin，2000; Mirchandani and Zou，2007）。先前的排队长度估计研究依赖于来自数据源的信息，如环形检测器数据（Skabardonis and Geroliminis，2008），基于事件的信号和车辆检测数据（Balke等，2005; Liu等，2009）和移动交通传感器（Ban等，2011）。前两种方法通常使用来自固定传感器的汇总级交通信息（例如交通流量、密度与速度），不仅覆盖范围有限，而且会导致额外的用于安装额外的物理基础设施的成本费用。另一方面，使用来自移动传感器的数据（例如：GPS数据）不需要固定的传感器，并具有相对较大的覆盖范围。然而，它对于实际实施有其自身的局限性，例如需要专用车队装备GPS的车辆，并且具有渗透率低以及实时收集和处理分散数据困难的问题。
电警卡口数据（LPR）是城市运输系统和公路运输系统中新兴的数据源。由于在交通方面的广泛应用（自动收费、执法、交通监控和紧急情况），近年来，许多国家迅速部署大规模LPR系统。例如，北京有一个由374台高清LPR相机组成的LPR系统，预计这个数字将在2015年增加到3000个（北京市委，2012）。这种LPR系统提供了一种新颖而丰富的数据来源，可以记录下车辆在交叉口停车线上的出发时间点，并可以在车辆通过连续交叉口的情况下对其进行重新识别。LPR数据有三个特点：首先，在交叉口层面，LPR摄像机可在每条车道上，高度精确并完整地记录下所有离开停车线的车辆的时刻；其次，可在上游交叉口和下游交叉口跟踪记录同一辆车的车牌号码，从而获得其行程时间；最后，因为LPR相机能监控动脉每条车道的停车线，因此可基于车道的详细车流量进行状态估算。鉴于LPR数据的独特功能，可很容易计算其连接旅行时间，并且已经使用LPR数据在多个方面进行了开创性研究（Bertini等，2005; Yasin等，2009）。但是，由于隐私问题，LPR数据很少提供给研究界，而且为了获得更多的数据来分析复杂的运输应用而进行的研究工作有限，例如实时弹性排队长度估计。另一方面，由于缺乏相关的建模方法，这些有价值的数据仅被记录并用于当地交通执法机构。与其他车辆再识别数据源相比，例如双回路探测器（Coifman和Cassidy，2002; Coifman和Krishnamurthy，2007）和车辆特征（Oh等人，2007; Kwong等人，2009; Jeng等人，2010），LPR数据考虑到车牌标识的唯一性，提供了更好的车辆重新识别准确度。这是因为LPR数据是基于独特的车牌信息进行车辆重新识别的，而利用其他方法进行识别会受到各种不准确的影响。例如，车辆长度不是车辆的唯一标识符，并且通过双回路检测器的车辆长度估计也容易出错。根据Coifman与Cassidy的研究（2002年），从双回路探测器获得的长度测量结果可能只能精确到2英尺甚至更低。另一方面，磁信号（车辆特征方式）对于每辆车也不一定是唯一的，并容易受各种因素影响的磁干扰（Kwong等人，2009），例如车速、传感器的分辨率和环境条件。此外，LPR数据不会遇到存在于GPS探测车辆数据的低穿透率问题（Ban等人，2011; Hofleitner等人，2012），因为LPR摄像机几乎记录了所有通过交叉口的车辆离去时刻，而GPS仅能探测车辆数据的一小部分。此外，由于LPR数据被记录并保存在中央系统中，这克服了分散式GPS数据方法中经常出现的实时数据收集和处理的实施困难。LPR数据的这些特征为开发利用LPR数据来测量城市运营绩效指标（如实时动脉队列长度）的新分析模型提供了重要价值。
在文献中，排队长度估计方法可以大致分为两类（Liu等，2009; Ban等，2011）：输入-输出模型(Webster, 1958; May, 1975; Akcelik, 1999; Sharma et al., 2007; Vigos et al., 2008)和冲击波模型(Lighthill and Whitham, 1955; Richards, 1956; Stephanopoulos and Michalopoulos, 1979; Skabardonis and Geroliminis, 2008; Liu et al., 2009; Ban et al., 2011)。输入-输出模型是基于对连接的累积交通输入输出（到达-离去曲线）的分析来估计队列长度，这种类型的模型具有简单的概念性，然而，由于无法捕获实际的干道交通中的空间排队而受到限制。最近受到更多关注的冲击波模型，用交通冲击波理论解释了排队的形成和消散。冲击波模型为排队长度估计提供了更好的分析框架，但是，可能不能直接应用于LPR数据。这是因为从LPR数据获得的信息（离散车辆到达和离开时间）更类似于输入-输出模型中使用的信息类型，而冲击波分析通常需要更多的总体交通状况测量，例如流量密度、速度和流量等，因此冲击波分析不能充分利用LPR数据中准确丰富的车辆等级信息。
在这项研究中，我们提出了一个新的混合框架，它结合了输入-输出模型和冲击波模型的优点，用于实时排队长度估计，从而充分利用LPR数据中提供的宝贵信息。本文提出的模型使用来自两个连续交叉点的LPR数据，来估计交叉口每条车道的实时排队长度。首先开发了基于高斯过程的插值模型来重建每条车道的等效累计到达-离开曲线。然后，因未经识别或错误识别而导致的车牌号码未匹配到达车辆的到达时间，引起的信息缺失便可以从重建的到达曲线中推断。接下来，基于Tordeux等人（2015）开发的简化一阶最优速度（OV）跟驰模型开发了边界约束跟驰模型，它使整体模型能够捕捉交叉口空间排队的形成和消散。利用完整的到达-出发信息作为边界条件，可以从跟车模型生成的轨迹中获得每个车道的实时排队长度。我们利用中国河北省廊坊市的一段长为720米的交通干道上的两个连续交点的LPR数据，对该模型进行检验。为了验证所提出的排队长度估计模型，进行了两次现场实验以获得地面真实周期最大排队长度数据。
这项工作有助于在以下几个方面的研究：
1.首次研究和利用LPR数据的独特特征来估计干道排队长度。
2.混合建模框架，结合统计机器学习技术和建立在排队长度估计中的完善的交通流量理论。
3.详细的车道级别排队长度估计可以从模型中获得，并且允许高效的实时实现。
4.使用来自两个现场实验的真实世界LPR数据和地面真实排队长度数据来测试和验证模型。 文献中从未使用类似类型的测试和地面实况数据。
本文组织如下：下一节介绍所提议的模型的方法;；第三和第四部分介绍了现场实验设计和数值结果;；最后一节总结了这篇论文。
第二章 Methodology
本节将介绍所提出的基于车道的实时排队长度估计模型的细节。在本文中，我们将排队长度定义为排队车辆数。队列长度估计过程中有两个主要模块：
（1）等效累积到达 - 离开曲线重建
（2）通过边界约束跟驰模型进行队列长度估计
在典型的LPR系统中，在每个车道的停车线后面设置一个虚拟检测区，其大小通常小于或等于一辆车所占用的区域。只有当车辆通过虚拟检测区域时，LPR相机才会拍摄照片。覆盖虚拟检测区域的静止车辆在通过该区域之前不会被记录。因此，可以获得车辆通过停车线时的准确时刻以及可认可的车牌号码。由于照明（白天或夜晚），天气，车辆的运动等原因，LPR存在一定的识别错误。这种识别错误将导致无法识别或错误识别的车牌号码。这两种情况都导致车辆记录在上游和下游交叉口之间具有不匹配的车牌号码（称为不匹配车辆）。然而，即使当车辆的牌照没有被正确识别时，也可以以非常高的精度记录经过交叉路口的每辆车的时刻。因此，可以获得从道路的下游交叉口的准确出发曲线（因为仅使用通过的时刻信息）。另一方面，由于未匹配的到达车辆缺少信息，因此不足以获得上游交叉口的准确到达曲线。在最坏的情况下，在某些情况下，这种不匹配的到达车辆可能占所有到达车辆的50-70％。使用现场实验数据，进行未匹配的那一部分车辆的更详细调查将在第3节中展开。下游离开和上游到达车辆之间的匹配失败归因于以下原因：
（1）未能识别许可证，导致车牌号被记录为“无法识别”的车辆，这些车辆在下文中被称为未识别车辆;。
（2）错误识别的车牌号码
（3）车辆从未监控的车道（例如右转弯车道）进入，因为红灯下的右转通常是允许的并且不受监控的。
准确的到达-离开信息对估计每条车道上的排队长度至关重要。到达过程中的不完整信息禁止了直接用LPR数据进行排队长度估计，因此重建到达过程变得非常必要。我们提出了基于高斯过程的等效累积到达-离开曲线重建子模型。该模型推断和重构了满足先进先出（FIFO）规则的等效到达过程。由于车道变换行为的影响，实际的LPR数据通常不满足先入先出的原则，这给模拟车道上的排队过程造成了很大的困难。在这项研究中，我们考虑等效到达时间而不是实际到达时间。等效的到达时间不是实际的到达时间，但通过假定车辆考虑的最可能到达时间遵循以周期内在所有其他观察到的同行到达车辆上提供的信息为特征的相同到达过程，但不执行换道操作。等效到达时间考虑到在道路段内执行车道变换引起的额外（或更少）行驶时间并且对每个车道执行严格的先入先出规则。然后可以应用基于跟车模型来仿真估计其排队过程。接下来的几个小节介绍等效累积到达-离开曲线重构和队列长度估计的方法和算法。
2.1 Equivalent cumulative arrival–departure curve reconstruction
重建等效累积到达曲线的关键部分是推断未匹配的到达车辆的信息。 它可以被看作是解决插值问题，其定义为：令为信号周期中对应的每辆车在离开曲线上的到达的累积指数，是周期内到达车辆的总数，并用表示到达车辆的到达时间。由于我们只观察匹配车辆的到达时间，因此我们需要推断未匹配的到达车辆的等效到达时间。这相当于在给定匹配车辆指定的固定点的情况下找到到达曲线的最可能的内插。在这项研究中，我们创建了一种基于高斯过程的新插值模型来解决等效累积到达曲线重建问题。高斯过程是贝叶斯统计建模和机器学习中的一种强有力的方法，它将样本的有限线性组合建模为联合高斯分布。高斯过程直接在函数上定义了先验概率分布，并与函数的不可数空间上的分布一致（Roberts等，2013）。该特征使高斯过程成为等效到达曲线重建的理想工具，因为问题是找到最可能的函数（到达曲线），而不是预测特定的值。我们在本文中对高斯过程的讨论仅限于建立准确的等效到达-离开曲线，更详细的背景信息可以在Bishop（2006）和Roberts（2013年）等人中找到。
2.1.1 Gaussian process interpolation model
我们首先从上游信号交叉口模拟车辆的平均到达过程开始讨论。在这项研究中，上行和下行交叉口的确切信号配时方案是已知的。考虑图1所示的信号配时为四周期。进入调查联系的到达区段可以被认为是三个到达过程的组合：（1）在第一阶段期间直行车辆（2）在整个期间的右转车辆（3）在最后一阶段在正交途中的左转车辆。在研究中，假设每个过程状态具有恒定的平均到达率，并且其变化由扰动项控制。更具体地，对于第一和第三到达过程，我们引入两个到达率：从上游交叉口的通过阶段（左转过程）开始的车辆的饱和到达流量和正常到达流量。饱和到达流量对应于当信号变成绿色时从队列中消散的车辆，其假定仅在第一、第四阶段的与时间段内发生。正常到达流量对应于在队列已经完全消散并且没有经历排队过程之后到达交叉口的车辆。饱和排放流量通常远大于正常到达流量，然而它们的持续时间和是未知的，且需推断。对于经右转到达的流量，由于它是不受限制的，因此我们将其平均到达率定为，这可能发生在整个信号周期（，其中为周期长度）。应该注意的是，取值范围为0或，取值为或。这些情况对应于无排队 或过饱和状态下即该周期内排队不能完全消散的极端情况。lt;
全文共21698字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16498]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
