基于浮动车停车点数据交叉口车辆排队长度计算方法

浮动车数据中存在许多行驶速度为零的停车点数据记录,它们和交叉口车辆排队长度存在一定的空间关系.针对此提出一种新的基于浮动车停车点数据计算交叉口前车辆排队长度的方法.首先根据车辆停车点地理位置和正常行驶点的连续关系及和路段的相对位置进行地图匹配,提取出路段上交叉口前正常排队停车点数据;然后从正常排队停车点数据中计算出相对交叉口的浮动车数据相对位置关系,根据对浮动车停止点距离交叉口的位置密度分布变化进行2次统计计算,推算出交叉口前车辆排队长度.最后通过实际浮动车数据计算实例对本方法进行了说明和验证.     

基于网联车辆轨迹数据的周期排队长度估计

近年，基于网联车辆轨迹数据的交通管控与服务研究方兴未艾。其中，信号控制交叉口排队长度估计备受关注。然而，在低渗透率条件下，单个周期内轨迹稀少且提供的交通信息十分有限。现有研究仅以当前周期内网联车辆轨迹数据为输入，难以获得准确且可靠的周期级排队长度估计结果。因此，融合利用历史网联车辆轨迹数据提供的车辆到达和停车位置信息以及当前周期内实时观测的网联车辆排队信息，提出一种基于最大后验概率的周期最大排队长度估计方法。首先，依据历史轨迹数据的停车位置信息，估计排队长度的先验分布；其次，依据历史轨迹数据的车辆到达信息，估计周期内车辆的历史到达分布，并结合周期内最后1辆排队网联车辆的到达时刻与停车位置，构建排队长度似然函数；最后，基于贝叶斯理论，结合前述先验分布与似然函数，推导周期排队长度的后验分布，并采用最大后验概率方法实现周期最大排队长度的估计。仿真结果表明：所提方法在不同饱和度和渗透率条件下，均优于现有的方法；即使在车辆轨迹数不超过1 veh·周期^-1的低渗透率条件下，所提方法的平均绝对估计误差也不超过2 veh·周期^-1。实证结果表明：在渗透率仅为8.96%的条件下，所提方法的平均绝对误差为2.12 veh·周期^-1，平均相对估计误差为12.4%，同样优于现有同类方法。     

基于浮动车数据的信号交叉口排队长度估计

排队长度是衡量交叉口性能的重要指标,也是优化交叉口信号配时的关键依据.本文利用浮动车数据建立基于队尾浮动车位置的信号交叉口排队长度估计模型,以队尾浮动车位置为基础项,采用加权平均到达率表示队尾浮动车之后排队车辆的到达率,从而计算信号周期内车辆最大排队长度.算例显示,模型对于队尾浮动车较早进入排队的情况,排队长度估计平均误差相对较大,但随着队尾浮动车进入排队时间的推迟,模型估计值的平均相对误差逐步降低.当队尾浮动车在红灯结束的1/10时间内排队的情况,平均相对误差仅为15%,说明对于队尾浮动车接近红灯结束时到达的情景,模型估计更为准确.     

网联环境下考虑非优先车辆延误的公交优先信号控制方法

网联环境具有数据采集和交互方面的优势，能更精确地评估交通需求，更科学地实施交通管控措施。根据公交车与非优先车辆权重及延误分布差异，研究了考虑非优先车辆延误的公交优先单点信号控制方法。利用交叉口车辆轨迹数据计算轨迹样本到达率参数，根据车辆到达交叉口的分布特征构建各相位的车辆到达率概率函数，并采用极大似然估计预测到达率，基于交通流冲击波模型分别计算出各相位的排队波、驶离波和消散波波速。公交车数量少权重较高且网联化程度高，利用基于冲击波的时距图推导延误表达式；而非优先车辆数量多单车权重低且网联化程度低，利用基于到达率的定数理论推导延误表达式。按乘员数对公交车延误值和非优先车辆延误值进行加权，以加权延误最小为目标函数建立了混合整数线性规划模型，解得相位时长整数解，并反馈到信号机系统实现公交优先自适应信号控制。以武汉市车城北路与东风大道交叉口为对象，采集不同时段交叉口流量数据，利用SUMO软件开展仿真实验，结果表明:相比优化前，低、中、高流量情况下公交车单车平均延误时间分别减少25.63%、25.25%、18.32%；同等条件下平均每周期非优先车辆延误时间分别减少8.80%、4.68%、1.99%；同等条件下平均每周期加权延误时间分别减少20.98%、9.39%、12.70%。证明所提方法能较好地适配交通需求，且流量较低时效果最好。      

基于抽样车辆轨迹数据的信号控制交叉口排队长度分布估计

排队长度是评价信号控制交叉口运行状态的重要参数之一。现有大多数基于抽样车辆轨迹数据的排队长度估计方法可以实现周期级排队长度估计，但是需要信号配时、渗透率或车辆到达分布等实践中难以获取的输入信息。此外，这类方法在低渗透率条件下往往难以确保估计结果的准确性和可靠性，极大地限制了其实用性。因此，提出一种抽样车辆轨迹数据驱动的时段级信号控制交叉口排队长度分布估计方法，可不依赖任何交通流理论模型和前述输入信息实现排队估计。首先，通过理论推导可以证明时段内抽样车辆的停车位置分布和排队长度分布之间可互相转化；然后，提出一种扩展的核密度估计方法来拟合并平滑抽样车辆停车位置分布，从而有效地适应不同日期和周期的轨迹叠加所带来的波动，提高方法的适用性；最后，基于前述推导和拟合的停车位置分布实现时段排队长度分布、平均排队长度和百分位排队长度估计。分别采用仿真和实证数据对上述方法进行验证和评价。结果表明，通过叠加5 d相同时段的抽样轨迹数据，15 min的平均排队长度估计误差仅为1.59 veh，相对误差仅为9%。同时，面向不同分析时长，只要给定超过100 veh抽样车辆的观测样本，无论渗透率高低，所提出的方法在定时或自适应信号控制交叉口都可实现时段排队长度分布的准确估计，其成果可进一步用于信号控制交叉口运行可靠性评估以及多时段定时信号控制的鲁棒优化。     

基于短连线的过饱和信号交叉口最大延误模型

为了解决过饱和状态下短连线的信号交叉口路段长度对延误影响的问题,推导出了基于短连线的过饱和信号交叉口最大延误模型。首先分析经典延误模型的盲区:在连接短连线信号交叉口车辆排队长度达到路段长度后,排队车辆就不能再增加;然后利用排队长度与延误关系推导出适用于该状态下的延误模型,并且提出当短连线相连2个交叉口信号相位差为0时所计算出来的延误是最大延误;最后通过算例对比了提出的延误模型与定数理论延误模型。结果表明:路段长度限制对于过饱和状态下连接短连线的信号交叉口延误的计算有很大影响,所提出的方法能够有效解决这一问题。     

基于单截面低频检测数据的信号交叉口排队长度估计

针对我国大多数中小城市信号交叉口交通检测数据条件及基于此数据条件下存在的信号交叉口排队长度估计精度不高问题,研究了基于单截面低频定点检测数据的信号交叉口排队长度估计模型.利用时间占有率与流量、速度之间的函数关系对长排队(排队长度超出检测器位置)进行识别.根据信号配时数据切分低频检测器数据,并与信号配时数据匹配.基于交通波理论,通过关键点的判别求取周期最大排队长度.以青岛市山东路-江西路南进口为例进行仿真和实证验证.结果显示,长排队的识别精度达到了90% 以上,不同饱和度下(低、中、高)的信号交叉口排队长度估计精度均达到了80% 以上,其中,中、低饱和度场景下排队长度平均绝对误差小于20 m/cycle,高饱和度场景下排队长度平均绝对误差小于45 m/cycle.      

交叉口调头区适应性仿真设计及实现——以嘉兴市中环南路-纺工路交叉口为例

在交叉口交通安全及效率提升中,车辆调头合理设置逐渐作为交通流畅通的措施之一,而目前调头区位置设置尚无标准依据.文中以嘉兴市中环南路-纺工路交叉口为例,利用微观仿真软件Vissim对不同调头区位置进行了仿真,采用交叉口总延误及调头延误作为评价指标,得出调头区位置设置在左转车道车辆平均排队长度之后其延误最小.      

基于动态距离窗的交叉口CAV轨迹规划算法

针对目前智能网联车(connected and autonomous vehicle,CAV)通过交叉口的轨迹规划算法无法兼顾效率与安全协同最优的问题,根据CAV驶入交叉口通信范围时的不同初始行驶状态引入动态距离窗(dynamic distance windows,DDW)概念,提出适用于可控安全行驶条件下通行效率最优的轨迹规划算法。算法根据CAV初始行驶状态参数和信号灯信息、最大舒适加/减速度和道路限速约束条件,获得CAV初始行驶状态对应的DDW。针对CAV初始位置与停车线上游特定位置间的距离处于DDW范围之内和之外的两种情况,分别设计相应的轨迹规划算法,实现CAV通过交叉口延误最小。仿真结果显示,所提出的算法可有效提高CAV通过交叉口的效率,并且具有更小的速度波动及更平滑的时空轨迹。     

基于视频数据的交叉口状态判别及排队长度估计

为了评价信号控制交叉口的交通状态及估计周期排队长度,本文以集散波为理论基础,分析视频检测的机动车通过上下游相邻交叉口的数据,提出了基于车辆延误时间的交叉口交通状态判别划分,进一步设计了欠饱和及饱和交通状态下的交叉口最大排队长度估计方法.实例分析表明,本文方法所估计的排队长度比较接近实际调查值,排队相对误差在可接受的范围内,结果验证了所设计的排队长度估计方法是有效可行的.     

基于比功率法的信号控制交叉口排队车辆尾气排放估计

为了优化信号控制参数以降低机动车在交叉口上的尾气排放,分别根据排队车辆的减速工况、怠速工况、加速工况,按照比功率法建立了一种新颖的反推估计方法,定量估计信号控制交叉口前排队车辆的尾气排放总量,并建立了信号控制参数优化的尾气排放评价依据,最后应用建立的模型对某个单点定时信号控制交叉口前排队车辆的尾气排放进行了估计.研究结果表明:该方法能依据比功率计算公式反推出加速过程和减速过程经历的所有比功率区间对应的时间长度;可根据车辆的到达和离去特征、信号配时参数计算每周期的总停车次数和平均停车延误,以此作为受信号控制影响的停车车辆总数及怠速工况对应的时间长度;应用该方法估计尾气排放是可行的.     

车路协同环境下信号交叉口车速引导建模与仿真

目前交通自适应控制策略中预测交通流到达的方法多为基于车流行驶速度服从统一分布而获得,其效率与可靠性等方面存在不足.文中利用车路协同环境下实时车车、车路通信,基于实时信号状态、排队长度、车辆位置、加速度等参数,以交叉口车辆停车时间最小化为目标,提出面向个体车辆的车速引导机制与模型,有效弥补了上述缺陷.以上海市曹安路嘉松北路交叉口为例进行仿真验证,结果表明,在高饱和状态下,文中模型能有效降低交叉口车均延误30％,减少交叉口平均停车次数60％,在中、低饱和状态下的效益更佳.     

基于高空视频图像的山地城市信号交叉口到达车辆运行特征分析

为明确山地城市信号交叉口到达车辆的运行特征及其影响因素，通过无人机采集4个位于山地城市的道路信号交叉口的高空视频图像数据，利用基于DataFromSky云平台的AI视频分析技术，获得车辆运行参数。基于车辆运行时空图，得到了交叉口直行道停止线前车辆停滞延误特征、停止线位置车头时距和车头间距统计特征，分析车头间距、停止线截面处速度及道路平均坡度之间的相关性。结果表明:不同路段同一排队位次和同一路段不同排队位次的车辆运行特征均有所不同，排队位次越靠前的车辆，停车点分布区间越集中，下坡路段整体停车位置分布范围比上坡路段大；无论是上坡、下坡，还是缓坡，排队位次越靠前的车辆停滞延误分布范围越大，而靠后的车辆停滞延误分布范围小，最大值出现在下坡路段；不同路段类型车头时距分布均集中于1.5 s，上坡路段的车头时距离散程度最大，但峰值比下坡路段和缓坡路段小；不同路段类型的车头间距分布均集中于10 m，上坡路段和下坡路段车头间距分布出现左偏现象，而缓坡路段车头间距分布更为集中；车头间距在上坡、下坡和缓坡路段均和车辆经过停止线位置处时的速度存在较强的正相关性；道路平均坡度与相邻2车车头间距存在正相关性。      

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.      

基于虚拟车队的自动交叉路口车辆时序优化模型

智能网联汽车可通过彼此交互协同安全地通过交叉路口,自动交叉路口控制已成为未来发展趋势。为解决现有基于预约的自动交叉路口控制模型未全局优化车辆通过顺序及模型非线性导致求解效率低等问题,提出一种基于虚拟车队的自动交叉路口车辆时序优化模型,实现车辆通过时序的高效全局优化。首先,为构建到达安全时间间隔约束,基于车辆冲突分析计算交叉口进口道停车线到各相互作用点的距离。其次,为便于建模和求解,基于时间维度构建虚拟车队并形成车辆索引序列。然后,以交叉口车辆总延误最小为优化目标,车辆通过控制区段的最小行程时间和到达冲突区域边界的安全间隔为约束条件,构建自动交叉路口车辆通过时序非线性优化模型。在此基础上,引入0-1变量将该模型转化为混合整数线性规划模型,并基于开源求解器CBC对模型进行求解。最后,设计数值仿真试验验证模型的有效性并进行了模型的参数敏感性分析。研究结果表明:所构建模型在不同交通需求下优化效果均优于基于"先到先服务"规则的模型,车均延误和最大单车延误能够减少61.50%和39.73%;当安全间距和优化周期较大时,构建模型的延误控制效果更为显著;模型和算法为未来智能网联环境下自动交叉路口控制提供了一种可选的方法。     

自动驾驶环境下面向交叉口自由转向车道的交通控制模型

在未来自动驾驶环境下，自动驾驶车辆之间能相互配合、相互穿插地通过交叉口，而无需信号灯控制。因此，有必要研究新一代的能保障自动驾驶车辆安全高效通行的交叉口控制模型。已有控制模型可分为基于交叉口空间离散的控制模型和基于交叉口冲突点分析的控制模型，目前主要存在控制方式和模型非线性等方面的不足。建立了基于混合整数线性规划（MILP）的自动驾驶交叉口控制（Autonomous Intersection Control，AIC）模型，设计交叉口自由转向车道，允许交叉口所有进口道都能"左直右"通行，将交叉口空间离散为等距网格并建立网格坐标方程，考虑车辆在交叉口内部的行驶轨迹，建立车辆轨迹的上边界和下边界方程，确定行驶轨迹压过的交叉口网格，并建立网格被车辆路径占用的时间方程，使用同一网格同一时间只能被一台车辆占用的冲突点约束保障交叉口安全通行。模型以所有车辆通过交叉口的总延误最低为目标函数，通过将约束条件线性化处理，使用AMPL （A Mathematical Programming Language）并调用Gurobi数学规划优化器对模型进行求解。最后对模型效益进行了案例分析。结果表明：所提模型能有效处理自由转向车道的交通流到达模式，对比已有模型经常采用的先到先服务控制策略，该模型能整体优化车辆通行方案，降低车均延误50.51%，降低最大车辆延误29.12%，同时交叉口空间利用率提高了66.17%。     

基于车辆检测器选址的半感应信号控制技术

为提高信号交叉口半感应控制效率,减少绿灯损失时间,分析了半感应控制特性,建立车辆检测器选址模型,研究半感应控制配时参数计算方法,提出了可变单位绿灯延长时间模型;以福州市某交叉口为例,采用Synchro仿真软件进行成果验证。仿真结果表明合理设置半感应控制车辆检测器位置和配时参数,可使交叉口单车平均延误从32.63 s下降到27.35 s,平均速度从24.50 km/h上升到30.83 km/h,排队长度从32.40 m降低到14.87 m。     

基于多源轨迹数据的信号交叉口运行评价研究

针对目前信号交叉口运行评价指标估算模型大多需要人工采集、输入多元交通参数,且假设条件较多的局限,考虑到现状评价方法不能有效支撑交叉口绿灯时间分配失衡、车道功能划分不当等问题甄别及交叉口信号控制多方案选择与优化,依据多源轨迹数据特征及交叉口车辆运行特性,论证了基于大样本车辆轨迹数据批量提取排队车辆交叉口通行时间、初始排队长度的技术可行性,提出了基于交叉口通行时间、排队长度、二次停车率的信号交叉口运行评价体系。     

网联自动驾驶车辆通过信号交叉口的速度轨迹优化

以网联自动驾驶汽车(Connected Autonomous Vehicle, CAV)为研究对象, 研究了CAV车队通过城市信号交叉口的速度轨迹优化控制策略。基于最优控制理论, 采用CAV的自动驾驶模型描述车间相互作用, 以所有CAV车辆在行驶过程中的总油耗为优化目标, 根据信号灯的配时信息建立模型约束, 通过优化CAV头车的速度轨迹, 保证整个CAV车队在绿灯相位下快速通过交叉口并实现油耗最小。为了对该优化控制进行高效求解, 采用离散Pontryagin极小值原理建立最优解的必要条件, 利用基于神经网络训练的弹性反向传播(Resilient backpropagation, RPROP)算法设计了数值求解算法。多个典型场景的仿真结果显示: 整个CAV车队均能在不停车的情形下通过信号交叉口, 避免因在红灯时间窗到达停车线造成的停车、启动等过程, 总油耗量最高可减少69.74%。该控制方法利用网联自动驾驶技术的优势, 显著改善了城市交通通行效率和燃油经济性。      

逆向可变车道动态切换及信号控制优化方法

为弥补逆向可变车道切换控制方法判断条件较为单一,且配套的信号控制方法难以适应交通流动态变化的不足,提出逆向可变车道动态启停切换及交通信号优化控制方法.根据交叉口流向饱和度、车道切换效益与车道切换时间间隔等指标获取逆向可变车道动态切换控制决策,实现逆向可变车道的动态开启和关闭;同时,利用检测器获取车辆到达率、车道饱和流率与剩余排队车辆数等实时交通流数据,根据车流到达驶离图示推导交叉口车均延误计算公式.引入左转车道释放流率系数,修正左转车道释放流率,改进了交叉口延误计算公式,构建以延误最小为目标的交叉口信号配时动态优化模型.最后,以武汉市古田四路-长丰大道交叉口为对象开展了仿真实验,结果表明:相比于定时切换控制方式,动态切换控制与信号配时动态优化方式下的逆向可变车道交叉口车均延误减少6.7%~14.9%,含有逆向可变车道进口方向的左转车均延误减少7.6%~15.6%,平均排队长度减少6.4%~21.9%,验证了动态控制方法提升交叉口运行效率的有效性.