一种临界交通状态参数的确定方法

摘要

本发明提供了一种临界交通状态参数的确定方法。现有城市道路临界交通状态参数的计算和设置大多依据人工经验，缺乏对不同道路状况和交通构成的考虑。本发明的基本思想是利用某路段获取的车道基本交通流参数，计算得到该路段在不同交通状态下的交通状态参数（速度和时间占有率值），建立交通状态参数的高斯混合模型，通过模型参数估计得到畅通状态和拥堵状态下的高斯模型参数，通过畅通状态和拥堵状态下的高斯模型累积概率密度函数计算得到临界交通状态值，并采用临界交通状态参数值进行该路段的交通状态判别。本发明弥补了原有人工经验设置参数的不足，有助于全面提升道路交通状态判别的准确性与针对性，提升交通管控水平的科学性。

主权项

一种临界交通状态参数的确定方法，其特征在于该方法包括以下步骤：c1、检测并计算得到路段的交通流参数；c2、建立交通流参数的高斯混合模型并估计模型参数；c3、定义临界交通状态参数值；c4、计算得到临界交通状态参数值；步骤c1的过程包括：c11、选取需要计算临界交通状态值的路段；c12、采集该路段的交通流数据：第t个信息采样间隔内表征某一路段的检测断面第i条车道的交通流流量q_i(t)，平均断面速度v_i(t)和时间占有率o_i(t)；c13、计算得到该路段所有信息采样间隔的交通状态参数，具体计算公式如下：$v\left(t\right)=\frac{\underset{i=1}{\overset{N_i}{\Sigma }}{v}_i\left(t\right)q_i\left(t\right)}{\underset{i=1}{\overset{N_i}{\Sigma }}{q}_i\left(t\right)}$$o\left(t\right)=\frac{\underset{i=1}{\overset{N}{\Sigma }}{o}_i\left(t\right)q_i\left(t\right)}{\underset{i=1}{\overset{N}{\Sigma }}{q}_i\left(t\right)}$式中，v(t)和o(t)为该路段第t个信息采样间隔的交通流状态数据，N_l为该路段的车道数量；步骤c2的过程包括：c21、建立交通状态参数的高斯混合模型；由于路段存在M种不同的交通状态，采用有M个高斯模型来拟合M种不同交通状态数据；由此，对于某一交通状态指标X的高斯混合模型就表示为：$P\left\{X_t\right|({\omega }_i,{\mu }_i,{\sigma }_i^2)\}=\underset{i=1}{\overset{M}{\Sigma }}{\omega }_{i}g\left(X_t\right|{\mu }_i,{\sigma }_i^2)$式中，X_t是在第t个采样间隔的交通状态数据；ω_i是高斯混合分布的权重系数，即表示第i类交通状态数据所占的比例；g(X_t|μ_i,σ_i)是第i类高斯分布的概率密度函数，都服从标准的高斯分布形式如下：$g\left(X_t\right|{\mu }_i,{\sigma }_i)=\frac{1}{\sqrt{2\pi }{\sigma }_i}\exp \{-\frac{1}{2{\sigma }_i^2}{(X_t-{\mu }_i)}^2\}$式中，μ_i是第i类高斯分布的均值，σ_i是第i类高斯分布的标准差；高斯混合分布的权重系数需要满足公式权重系数也认为是某一类交通状态数据在总数据中的比例；因此，高斯混合分布就表征为以所有类交通状态的均值、标准差与权重系数为参数的分布模型，其中参数集合表示为Θ＝(ω_i,μ_i,σ_i)；该高斯混合模型表示了不同交通状态下的交通流参数的分布特性及其所占有的比例；c22、对高斯混合模型的参数进行估计；根据对实际交通特性的分析，在实际交通环境中，交通状态分为拥堵和畅通两种状态，而临界交通状态参数就是用来区分这两种交通状态的指标；就认为在交通状态参数样本中存在两类不同的高斯模型，即M＝2；在给定的交通状态参数样本与模型结构后，模型中参数集合Θ＝(ω_i,μ_i,σ_i)的最优估计就成为获得真实的交通状态参数分布的关键；这里采用期望最大化算法进行高斯混合模型参数估计；通过检测器获得某一路段N个交通状态参数的样本数据，这些样本数据点来自于某一个高斯混合模型，则高斯混合模型的似然函数就表示为：$log\underset{t=1}{\overset{N}{\Pi }}p\left(X_t\right|\Theta )=\underset{t=1}{\overset{N}{\Pi }}\log p\left(X_t\right|\Theta )$利用EM算法，分布迭代的求得最大值，并获得取得最大值时各个参数的值；具体分为以下几步：①初始化参数Θ＝(ω_i,μ_i,σ_i)，分别设置模型参数的初始值；②E步骤：估计交通状态样本数据由每一个类型生成的概率，对于每个交通状态样本数据X_t来说，它由第i个类型生成的概率为：$\gamma (t,i)=\frac{{\omega }_{i}g\left(X_t\right|{\mu }_i,{\sigma }_i)}{\underset{j=1}{\overset{M}{\Sigma }}{\omega }_{j}g\left(X_t\right|{\mu }_j,{\sigma }_j)}$③M步骤：对上式进行求导，求出最大似然所对应的参数值：${\mu }_i=\frac{1}{N_i}\underset{t=1}{\overset{N}{\Sigma }}\gamma (t,i)X_t$${{\sigma }_i}^2=\frac{1}{N_i}\underset{t=1}{\overset{N}{\Sigma }}\gamma (t,i)(X_t-{\mu }_i){(X_t-{\mu }_i)}^T$式中，根据条件可知，参数ω_i满足因此在高斯混合模型的似然函数中加入拉格朗日乘子求得该式取得最大值时ω_i所对应的值：${\omega }_i=\frac{N_i}{N}$④计算似然函数的值，检查似然函数是否收敛；若收敛则说明似然函数已经取得最大值，此时参数对应的值即为各参数的最大似然估计；否则，返回②迭代进行E步骤和M步骤；步骤c3具体是：定义临界交通状态参数；通过c2步骤得到的畅通状态和拥挤状态的交通参数高斯模型分为别g₁(X_t|μ₁,σ₁)和g₂(X_t|μ₂,σ₂)，则两者高斯混合模型的累积概率密度函数为F₁(X_t|μ₁,σ₁)和F₂(X_t|μ₂,σ₂)；交通状态参数速度的临界参数值v_c定义为，在畅通状态下的小于临界速度的样本越少越好，即累积概率F₁[v(t)<v_c|μ₁,σ₁]越小越好；在拥挤状态下的大于临界速度的样本越少越好，即累积概率F₂[v(t)>v_c|μ₂,σ₂]越小越好；交通状态参数时间占有率的临界参数值o_c定义为，在畅通状态下的大于临界时间占有率的时间占有率样本越少越好，即累积概率F₁[o(t)>o_c|μ₁,σ₁]越小越好；在拥挤状态下的小于临界时间占有率的样本越少越好，即累积概率F₂[o(t)<o_c|μ₂,σ₂]越小越好；计算临界速度和临界时间占有率；根据临界交通状态的定义，临界速度和临界时间占有率的计算公式分别如下：$v_c=\underset{v_c\in [0,v_{max}]}{min}\left\{F_1\right[v\left(t\right)<v_c|{\mu }_1,{\sigma }_1]+F_2[v\left(t\right)>v_c|{\mu }_2,{\sigma }_2\left]\right\}$$o_c=\underset{o_c\in [0,1]}{min}\left\{F_1\right[o\left(t\right)>o_c|{\mu }_1,{\sigma }_1]+F_2[o\left(t\right)<o_c|{\mu }_2,{\sigma }_2\left]\right\}.$