智能网联车和人驾车辆混合交通流动态排队长度估计方法

本发明涉及一种车辆混合交通流动态排队长度估计方法，尤其涉及一种智能网联车和人驾车辆混合交通流动态排队长度估计方法。

背景技术：

1、传统的信号交叉口的排队长度估计方法多采用固定检测器采集交通流信息，采集数据容易缺失，因而导致估计误差较大。目前，随着智能网联车渗透率的不断提升，智能网联车随机分布于混合交通流中，智能网联车在城市路网中的轨迹、速度和位置数据能够实时连续获取，进而为利用上述数据对新型混合交通流运行状态进行分析和评估创造了条件，这也为混合交通流排队长度估计的研究提供了新的切入点，并且对于交通信号控制优化、提升交叉口运行效率和服务水平方面均有重要意义。信息通信技术的快速发展、车载gps设备的广泛应用和数据采集与处理技术的快速发展，使得实时获取路网中的高频车辆轨迹数据成为可能。智能网联车的数据获取也更加容易，可以更加便捷、高效和准确的估计信号交叉口的排队长度，进而提高交通流运行效率和稳定性。

2、虽然现有估计方法能够在一定程度上解决交叉口排队长度的估计问题，但这些方法都是基于一定的假设条件，如渗透率(高渗透率)固定、车辆到达分布固定、信号控制固定和排队车辆绝对静止等等，现有的排队长度估计模型或者方法存在一定的局限性，不能够很好的描述真实交通场景。此外，随着智能网联车在城市交通中的普及，智能网联车的渗透率会逐步提升，且不同时间的交叉口到达车辆的渗透率也会动态变化，并且因为各种智能控制算法的存在，排队车辆的低速前进和停车两种运动状态交替出现，已有估计方法更加无法适用于智能网联车逐渐普及的混合交通环境。

3、由上可见，现有排队长度估计方法存在的主要问题如下：

4、(1)在实际的复杂混合交通流情境下，渗透率、车辆到达分布和排队车辆状态等先验信息都是难以获取的，尤其是渗透率的获取是非常困难的并非常依赖历史车流数据。而且目前的估计方法大都基于高渗透率条件下进行的排队长度估计，在低渗透率条件下也提出了一些排队长度估计方法但估计效果不佳，估计误差较大的原因可能在于估计方法不当或者评估方式不够合理。

5、(2)已有的排队长度估计方法中在估计车头间距时，采取基于经验值的方式来近似车头间距，车头间距经常被认为为常值，进而估计排队长度，但是实际交通环境中，队列中的车辆并非处于绝对静止状态，大部分车辆处于低速和停车反复切换的运动状态。因此，使用经验值来估计车头间距不能够很好的反映实际的交通流运行状况，估计误差较大。

技术实现思路

1、本发明所要解决的技术问题是提供一种智能网联车和人驾车辆混合交通流动态排队长度估计方法，在低渗透率和高渗透率条件下均具有更好的估计精度，解决了在低渗透率条件下排队长度估计误差较大的问题。

2、本发明为解决上述技术问题而采用的技术方案是提供一种智能网联车和人驾车辆混合交通流动态排队长度估计方法，包括如下步骤：s1)将交叉口的排队队列分为可观测队列和不可观测队列，所述可观测队列为存在智能网联车的队列，所述不可观测队列为不存在智能网联车的队列；s2)针对可观测队列，先根据排队队列中智能网联车的位置对队列排队长度进行估计，再基于概率统计对队尾位置排队长度进行修正；s3)针对不可观测队列，采用基于贝叶斯定理的估计方法进行排队长度估计。

3、进一步地，所述步骤s2中排队长度估计如下：定位到某车道队列中距停车线最远的智能网联车，获取该车的位置和速度信息，队列排队长度估计结果如下：

4、

5、

6、式中：dmni为第m个周期第n个车道队列第i辆智能网联车到停车线的距离；dmni为第m个周期第n个车道队列中处于排队状态并距离停车线最远的智能网联车到停车线的距离；表示第m个周期第n个车道队列中的智能网联车的数量；qmn表示第m个周期第n个车道队列的排队长度；a和b为调整系数；vc为智能网联车的平均速度。

7、进一步地，a表示消散斜率，a和b具有如下关系：lv表示车头间距；采集数据并构造数据集采用最小二乘拟合求出a和lv，进而求出b，其中，表示交叉口排队队列的车辆数，表示交叉口排队队列的长度。

8、进一步地，所述步骤s2中队尾位置排队长度修正如下：

9、

10、

11、式中：λ表示车道数；β表示人驾车辆的比例；r表示距离停车线最远的人驾车辆至距离停车线最近的智能网联车之间的列数。

12、进一步地，所述步骤s3中排队长度估计如下：

13、

14、式中：lmax为周期内排队车辆最大的排队长度；l表示队列长度；其中队列长度均以排队车辆数计量，j为每个车道对应排队车辆组成的列编号。

15、进一步地，所述渗透率p的估算如下：

16、

17、

18、式中：qtotalσ表示第σ周期的车辆数总和，其中σ∈{1,2,...,m}；在估计开始，渗透率未知，利用式(20)，所有车道智能网联车数量已知，初次迭代时，利用每个周期最后一辆智能网联车的位置统计队列长度，此队列长度作为式(20)的分母代入，得到初始估计渗透率p；因为实际队列长度必然大于等于该估计值，因此，初始p为估计值的上限，上限取为一旦得到p，根据式(12)和(18)计算得到qobs和qhid；设置一个步长，以此过程进行反复迭代，从0迭代到p的上限，直至式(20)公式两边的误差小于预设阈值，停止迭代计算，最终得到渗透率p的估计值。

19、本发明对比现有技术有如下的有益效果：本发明提供的智能网联车和人驾车辆混合交通流动态排队长度估计方法，将交叉口的排队队列分为可观测队列和不可观测队列，针对可观测队列进行排队长度估计，根据排队队列中智能网联车的位置对队列排队长度粗略估计，基于概率统计提出了队尾位置排队长度修正方法；针对不可观测队列进行排队长度估计，提出了一种基于贝叶斯定理的排队长度的估计方法；从而大大降低估算误差。此外，本发明考虑智能网联车的位置和速度构建了可变车头间距的估计方法，解决了在交叉口排队长度估计时将车头间距视为常值的问题；并引入渗透率估计模型实时估计渗透率，解决了在已有排队长度估计方法中渗透率为常值并估计困难的问题，以此来优化交通信号控制、提高交通流的运行效率和稳健性。

技术特征：

1.一种智能网联车和人驾车辆混合交通流动态排队长度估计方法，其特征在于，包括如下步骤：

2.如权利要求1所述的智能网联车和人驾车辆混合交通流动态排队长度估计方法，其特征在于，所述步骤s2中排队长度估计如下：

3.如权利要求2所述的智能网联车和人驾车辆混合交通流动态排队长度估计方法，其特征在于，a表示消散斜率，a和b具有如下关系：lv表示车头间距；采集数据并构造数据集采用最小二乘拟合求出a和lv，进而求出b，其中，表示交叉口排队队列的车辆数，表示交叉口排队队列的长度。

4.如权利要求1所述的智能网联车和人驾车辆混合交通流动态排队长度估计方法，其特征在于，所述步骤s2中队尾位置排队长度修正如下：

5.如权利要求1所述的智能网联车和人驾车辆混合交通流动态排队长度估计方法，其特征在于，所述步骤s3中排队长度估计如下：

6.如权利要求5所述的智能网联车和人驾车辆混合交通流动态排队长度估计方法，其特征在于，所述渗透率p的估算如下：

技术总结本发明公开了一种智能网联车和人驾车辆混合交通流动态排队长度估计方法，包括如下步骤：S1)将交叉口的排队队列分为可观测队列和不可观测队列，所述可观测队列为存在智能网联车的队列，所述不可观测队列为不存在智能网联车的队列；S2)针对可观测队列，先根据排队队列中智能网联车的位置对队列排队长度进行估计，再基于概率统计对队尾位置排队长度进行修正；S3)针对不可观测队列，采用基于贝叶斯定理的估计方法进行排队长度估计。本发明提供的智能网联车和人驾车辆混合交通流动态排队长度估计方法，在低渗透率和高渗透率条件下均具有更好的估计精度，解决了在低渗透率条件下排队长度估计误差较大的问题。技术研发人员：赵利英,曹宁博,陈家辉,杨慧受保护的技术使用者：西安理工大学技术研发日：技术公布日：2024/6/23