一種基于智能手機移動檢測的城市快速路交通狀態估計方法
【技術領域】
[0001] 本發明屬于智能交通系統領域，涉及交通數據采集技術、元胞傳輸模型、一階宏觀 交通流模型和分布式融合算法。本發明結合基于智能手機的交通數據采集技術、一階宏觀 交通流模型、卡爾曼濾波和分布式融合算法，實現城市快速路分布式交通狀態實時估計。
【背景技術】
[0002] 隨著社會經濟的發展，城市化、汽車化速度的加快，交通擁擠、交通事故、環境污 染、能源短缺等問題已經成為世界各國面臨的共同問題。通過實施有效的交通控制和誘導 來緩解道路交通擁堵、提高交通管理服務水平的研究日益成熟。而實施交通控制的前提和 基礎是對道路的實時交通狀態估計。
[0003] 交通狀態估計主要分為基于宏觀交通流模型的交通狀態估計和基于數據的交通 狀態估計。宏觀交通流模型將交通流看作由車輛組成的流體介質，關注的是車輛整體的綜 合平均行為，主要關注平均密度，平均速度等平均的宏觀變量。基于宏觀交通流模型的估計 問題在過去近十年里得到了廣泛研究，典型的包括:利用粒子濾波來估計速度擴展的隨機 元胞傳輸模型SCTM、利用擴展卡爾曼濾波來估計交通狀態、基于連續蒙特卡洛算法的交通 狀態估計、基于一階切換模型來描述交通狀態等。盡管各種各樣的基于宏觀交通流模型的 算法被提出，但都存在各自的問題，如受交通參數檢測器位置的約束、邊界流量無法獲取、 不能適用于不同道路等問題。基于交通數據的交通狀態估計是交通控制和誘導的重要基 礎。對于基于交通數據的預測方法，在早期主要以回歸分析為主，但是預測方法只限于線性 分析，無法反應交通系統的不確定性和非線性特征。隨著信息處理技術的發展，一些適應能 力強、沒有固定模型的方法應用到交通數據短時預測領域，如人工神經網絡、基于知識系統 的預測方法等，使得交通數據時間序列的預測得到了更好地發展。
[0004] 交通數據采集技術的發展為交通狀態的實時估計提供了基礎交通數據。現有的交 通數據采集技術有兩類:固定式檢測器和移動式數據采集。固定式檢測器可以采集流量、速 度、密度等交通數據，但是存在采集數據量巨大，信息處理難度較大，投資成本和維護成本 較高，覆蓋率低等問題。目前移動式交通數據采集技術采用最多的是浮動車數據采集技術， 基于GPS定位系統、移動電話定位系統，將車輛動態信息實時傳送到浮動車信息處理中心。 然而由于浮動車數量過少，浮動車數據不足以提供交通流信息和交通流密度。隨著手機普 及率的提高，基于手機定位的交通數據采集技術由于成本低且效率高、具有實時性強、覆蓋 范圍廣等特點，日益受到重視。
[0005] 影響城市快速路交通狀態估計的主要因素包括兩點，一是邊界流量問題，交通流 模型動態由系統當前交通狀態和邊界流量共同確定，而采用基于手機數據的交通數據采集 技術，子路段上的邊界流量通常是未知的；二是系統模型階次問題，城市快速路網通常劃分 為上百個元胞，應用卡爾曼濾波算法估計時，系統模型階次較高，計算量較大，難以滿足實 時性要求。
[0006] 因此，本發明提出了一種新的快速路交通狀態估計方法。首先建立城市快速路元 胞傳輸模型;其次通過智能手機速度檢測參數構建觀測網絡;然后設計基于一階宏觀LWR交 通流模型的狀態空間模型，利用三步式遞歸濾波算法對交通狀態和邊界流量進行同步估 計;然后采用加權平均的算法融合上下游子路段邊界流量，降低模型階次，實現城市快速路 網交通狀態的實時分布式估計。

【發明內容】

[0007] 本發明提出一種新的基于智能手機移動檢測的城市快速路交通狀態估計方法，可 以通過智能手機速度檢測參數構建觀測網絡，一階宏觀LWR交通流模型以及三步式遞歸濾 波算法同步估計交通狀態和出入路段邊界流量，并且通過融合算法實現大范圍快速路分布 式交通狀態估計。
[0008] 本發明的目的在于不增加信息采集設備成本的基礎上，提高城市快速路交通狀態 估計的準確性和實時性。
[0009] 本發明解決其技術問題所采用的技術方案包括四部分，該四部分分別為城市快速 路MCTM模型建模部分A，基于智能手機的交通數據采集部分B，交通狀態與邊界流量的同步 估計部分C，大范圍快速路分布式交通狀態估計部分D;這四部分關系如圖1所示，其中： [0010] A所示部分為城市快速路MCTM模型。根據MCTM模型將快速路劃分成若干個子路段， 每個子路段由不同的元胞組成，該道路劃分方法是交通數據采集和交通狀態估計的基礎， 降低模型階次，簡化算法。
[0011] B所示部分為基于智能手機的交通數據采集。本方法利用車輛內的智能手機采集 關鍵時空位置處車輛交通參數，計算車輛行程速度，然后計算元胞內車輛平均速度，以元胞 內平均速度構建觀測網絡，對交通狀態進行估計。
[0012] C所示部分為交通狀態與邊界流量的同步估計。本方法設計基于LWR交通流模型的 狀態空間模型，并設計一種三步式遞歸濾波算法，把邊界流量作為未知輸入，對子路段內若 干元胞的交通狀態和邊界流量進行同步估計。
[0013] D所示部分為大范圍快速路分布式交通狀態估計。本方法在提出的交通狀態和邊 界流量同步估計的基礎上，將大范圍的快速路分割成若干個子路段，然后對每個子路段交 通狀態和邊界流量進行估計，利用加權平均算法，對相鄰兩個子路段的邊界流量進行融合， 從而估計大范圍快速路的交通狀態。
[0014] A部分的城市快速路MCTM模型對快速路的空間和時間進行離散化，B部分的交通數 據被智能手機端采集，智能手機端采集的數據作為C部分的觀測變量對快速路進行交通狀 態與邊界流量同步估計，最終得出D部分的大范圍快速路分布式交通狀態估計。
[0015] 與現有技術相比，本發明具有如下有益效果。
[0016] 1、選擇智能手機作為交通數據采集的媒介。由于智能手機市場占有率逼近100%， 且在售的智能手機的標準配置中包括GPS模塊，這就為利用手機進行交通數據采集奠定基 礎。快速路車流量巨大，檢測時間長等特點造成采集信息巨大，傳統的交通狀態監控通過固 定檢測器或攝像監控來反映交通狀態，存在傳送和存儲數據量巨大，反映滯后等問題。而本 發明通過手機交通數據采集，只需采集同一時刻相應元胞內有限數量的車輛速度信息，計 算平均速度，作為交通流模型的觀測變量。具備采集成本低，傳送和存儲數據量小，采集范 圍廣，實時性強等特點。適合大范圍路網的交通數據采集，使交通狀態估計不再受檢測器位 置的約束。
[0017] 2、選擇基于LWR交通流模型的狀態空間模型和三步式遞歸濾波算法。現有的關于 交通狀態估計的研究往往在邊界流量已知的情況下進行的，但實際情況往往無法檢測到估 計時所需要的邊界流量，這就局限了交通狀態的估計問題。本發明提出的模型和濾波算法 很好地解決了由邊界流量所帶來的問題。在模型中，邊界流量不在作為已知量，而是作為未 知輸入，在使用濾波器時與交通密度進行同步估計。本發明強調只通過速度檢測數據來監 控整個城市快速路交通系統狀態的潛在應用，沒有傳統數據檢測，比如邊界流量。此方法有 能力估計城市交通網絡任意路段的交通參數。
[0018] 3、將城市快速路劃分成若干子路段，先對子路段進行交通狀態估計，再對各子路 段邊界流量進行信息融合。大尺度路網交通流模型階次高，算法復雜，且運行時間難以滿足 交通控制對實時性的要求。本發明采用狀態空間模型和三步式遞歸濾波算法對子路段內3 或4個元胞的交通狀態和邊界流量進行同步估計，再對相鄰兩個路段的邊界流量進行融合， 融合方法采用加權平均的方法，從而得到完整環路的交通狀態。將較長路段劃分為若干子 路段進行估計，大大降低了模型的階次，提高了算法效率。
【附圖說明】
[0019] 圖1基于智能手機移動檢測的城市快速路交通狀態估計示意圖。
[0020] 圖2三環快速路元胞劃分示意圖。
[0021 ]圖3手機交通數據采集技術獲取速度信息示意圖。
[0022]圖4車輛位置信息采樣示意圖。
[0023]圖5數據采樣與處理流程圖。
[0024] 圖6路段被劃分為N個元胞。
[0025] 圖7城市快速路分布式交通狀態估計框架圖。
[0026] 圖8相鄰子路段邊界流量融合。
[0027]圖9邊界流量融合算法流程圖。
【具體實施方式】
[0028]下面結合附圖對本發明進一步說明。
[0029] A部分是建立城市快速路MCTM模型，（以北京三環快速路為例）在原始元胞傳輸模 型CTM的基礎上，采用改進的元胞傳輸模型MCTM進行建模。
[0030] CTM以每個元胞內的車輛數作為元胞的狀態變量，而MCTM以元胞中的車輛密度作 為狀態變量，這種改進除去了 CTM對于每個元胞的長度必須相等的限制，使得道路的元胞劃 分更加靈活，能夠用更少的元胞來描述城市快速路交通流，從而大大降低了元胞狀態變量 的維數。
[0031 ]根據MCTM模型將空間和時間離散化。空間離散化即元胞劃分方法，將快速路劃分 成多個長度不等的元胞，同時將時間劃分成等時間間隔，作為時間步長，且滿足在一個時間 步長內，車輛以最大速度行駛的距離小