基于交通波特征的车道级车流溯源方法

为支撑城市道路中低渗透率轨迹数据条件下车流溯源分析，本文提出一种基于交通波特征的车道级车流溯源方法。基于NGSIM(Next Generation Simulation)数据集中的真实车辆轨迹信息，解析不同来源车流的交通波特征差异性；结合信号配时方案，从车辆初次停车时刻、集结波起始时空位置、集结波斜率、集结波覆盖长度等多个维度验证了交通波应用于车流溯源的可行性。在此基础上，提取集结波5项特征参数，构建4种基于机器学习的车道级车流实时溯源模型。采用NGSIM数据对模型参数进行训练标定，并对不同归一化方法、不同数据量、不同数据精度下的模型效果进行灵敏性分析。结果表明，在低数据量场景下，特征参数宜采用Min-Max法进行归一化处理，溯源流量平均误差比例最大不超过23.60%；当数据量较为充分时(超过100个信号周期)，特征参数宜采用Z-Score法进行归一化处理，平均误差比例最大不超过9.90%，效果最佳的梯度提升回归模型的平均误差低至0.01%。此外，数据误差对不同模型的影响有所差异，但在误差较大时模型不会出现失效问题。本文所构建方法不依赖于固定检测器数据，未来可进一步研究交通波在网络层面...