劉云翔，賈　璐，朱　萍

(上海應用技術學院 計算機科學與信息工程學院,上?！?01418)

?

基于車載電子標簽數(shù)據(jù)的單交叉口狀態(tài)判別研究

劉云翔，賈璐，朱萍

(上海應用技術學院 計算機科學與信息工程學院,上海201418)

基于目前交叉口狀態(tài)判別存在設備安裝復雜度高，判別準確率低，受環(huán)境影響大、無法識別具體車輛等問題，提出基于車載電子標簽數(shù)據(jù)的交叉口狀態(tài)判別方法;通過簡化模型，以兩相位單交叉口為例，選擇的參數(shù)為流量，交通密度，停車數(shù)量;最后經(jīng)VISSIM交通仿真軟件的二次開發(fā)，模擬車載電子標簽運行環(huán)境，通過對比仿真試驗所得與專家觀察分析所得，相似度高達90%以上;證明該方法在克服以往方法缺陷的基礎上可有效判別交叉口狀態(tài)。

智能交通；交通流量；交通密度；停車數(shù)量；狀態(tài)判別

Shanghai201418,China)

0　引言

城市的發(fā)展與道路交通狀態(tài)息息相關，道路交通擁擠狀態(tài)是指交通流的總體運行狀況，是用各區(qū)間的交通參數(shù)所表示的交通流狀態(tài)，包括宏觀路網(wǎng)交通狀態(tài)、微觀路段和交叉口交通狀態(tài)。交通狀態(tài)的判別可以為交通的控制與誘導做好準備。而由于交通的復雜性，變化性等特點給道路交通狀態(tài)判別[1-2]帶來一定的困難，至今交通狀態(tài)的判別沒有明確的標準。一般對于交通判別有兩種，一是人工被動判別，一是自動主動判別。近年來，隨著技術的發(fā)展，越來越傾向于主動判別，主動判別有基于固定檢測器、移動監(jiān)測器、多源檢測器等方法。各自有相應的算法，沒有一種算法的績效完全優(yōu)于其他算法。而由于移動式檢測設備的興起，交通狀態(tài)的判別越來越傾向于基于移動設備。移動設備目前主要使用的有GPS與GIS，車載電子標簽與車牌判別等等[3-5]。每種判別的適合領域不一樣。本文主要闡述基于車載電子標簽的狀態(tài)判別。

1　結構設計

在交叉口的設備安裝情況[6]如圖1。模型簡化為單交叉口直行，相位為兩相位。在距離交叉口50m地方安裝背靠背式閱讀器(以下簡稱Reader)，通過調(diào)整閱讀器兩邊的內(nèi)部天線發(fā)射的頻率，控制檢測范圍為靠近交叉口兩端200m(交叉口方向50m，背離交叉口方向150m)。通過與交叉口信號燈之間的通信，在了解信號周期的基礎上結合標簽數(shù)據(jù)進行判別。

圖1　基于車載電子標簽的交通狀態(tài)判別路口設計圖

2　基于參數(shù)的算法設計

2.1參數(shù)選擇

以往交通擁擠自動判別(automaticcongestionidentification，ACI)算法中通常采用的參數(shù)見表1，表中“**”表示其中參數(shù)可以任選其一。從表中可見算法大多采用一個交通參數(shù)，其中使用較多的為交通量與占有率。原因與參數(shù)的獲取難易，對交通的敏感度等有關。

而對于車載電子標簽，有的參數(shù)可以直接獲取，有的只能間接獲取，而有的則無法獲取，具體參數(shù)的獲取情況見下表2。綜合這兩個方面的原因選擇了適合本文判別方法的參數(shù)：選擇對交通狀態(tài)敏感的交通量與交通密度為參數(shù)，為了排除停車對交通狀態(tài)的誤判別，這里新增停車數(shù)量。

表1　各算法通常采用的數(shù)據(jù)

表2　車載電子標簽的參數(shù)獲取情況表

2.2參數(shù)定義

流量Q[2]：

(1)

其中：T為觀測時段的長度(h)；N為觀測時段內(nèi)的車輛數(shù)(veh)。

流量指標最大的優(yōu)點是數(shù)據(jù)獲取容易。在Tag下的流量我們將令T=1，則Q=N。

交通密度K[2]：

(2)

其中：S為車輛數(shù)(veh)；l為觀測路段的長度(km)。

交通密度是一個能直觀體現(xiàn)道路上車輛密集程度的指標，能夠彌補單獨使用流量參數(shù)的缺陷。以往獲取交通密度的實測數(shù)據(jù)存在較大難度。這里設觀測路段的長度設為一個單位，則上述公式變?yōu)镵=S。

停車數(shù)量：在交通狀態(tài)暢通的情況下，連續(xù)兩個綠燈周期檢測到相同的車輛，這些車輛數(shù)量即為停車數(shù)量。

(3)

其中：SJ為連續(xù)兩個綠燈周期檢測到的相同車輛數(shù)(veh)；

2.3模型設計與算法

圖2　檢測區(qū)間車輛模型圖

如上圖所示，假設車輛長度l，在正常情況下車間距離為d1，在排隊情況下車間距離為d2，整個路段的距離為L，靠近交叉口方向檢測的距離為L′，進入的檢測區(qū)間的車流為Qi，離開的車流為Qo：

(4)

其中：Qmax為最大的離開車子流量為Tg為該方向上綠燈的時間。

(5)

其中：KLL為路段正常行駛時的最大密度。

(6)

其中：KLH為交通路段的排隊時最大的密度。

(7)

其中：K50max為靠近交叉口50m的最大密度。

將經(jīng)過兩個綠燈周期還有相同的車輛的數(shù)量記為停車數(shù)量[7-8]，停車數(shù)量公式如下：

(8)

針對連續(xù)兩個綠燈周期作如下定義。

定義1：嚴重擁堵：第二個綠燈周期K2>KLH。

定義2：擁堵：兩個綠燈周期KLL

定義3：一般擁堵：第二綠燈周期KLL

定義4：暢通：第二綠燈周期K2≤KLL，J=0。

定義5：停車：第二綠燈周期K2≤KLL，J≠0。

圖3　交通狀態(tài)判別算法流程圖

圖4　交通狀態(tài)判別的流程圖

3　仿真結果與分析

用VISSIM軟件對交叉口進行仿真。為了仿真從更客觀的角度反映問題的本質(zhì)，該仿真做了如下假設：

1)交叉口僅為單交叉口，相位為兩相位；

2)駕駛員不存在看到綠燈不行使的狀態(tài)；

3)安全事故不存在；

4)觀測道路上車輛僅為小轎車；

5)檢測道路為單車道。

利用檢測線圈模擬位于交叉口兩端的接收機接收范圍。分別仿真車流量在200，400，600，800，1 000，1 200時的交叉口交通狀態(tài)。仿真時間3 600s其中含有600s的暖機時間，隨機數(shù)種子選擇42。仿真圖如圖5所示[9]。其中包括交叉口信號燈和數(shù)據(jù)采集點，左邊三條構成交叉口左邊50m,150m的檢測范圍。信號周期為60s，為了仿真的便捷，不設黃燈時間,僅設全紅時間5s。

圖5　仿真實驗圖

仿真結果將數(shù)據(jù)分為10個一組，求出平均值，將所得結果與請10位觀察者在相同時間觀察后打分的結果作比較，比較結果如圖6。

圖6　實驗結果對比圖

實驗結果圖的上面部分為專家組的判別結果，下面部分為算法判別結果。其中每張圖從左至右分別是交通情況為200veh/h,400veh/h,600veh/h,800veh/h,1 000veh/h, 1 200veh/h時的交通狀態(tài)判別結果。實驗結果顯示，利用交通量、交通密度，停車數(shù)量可以較好的判別交叉口交通狀態(tài)，尤其在調(diào)整算法后能較好的克服交通軟件VISSIM在判別嚴重擁堵時的缺陷，更好的判別了交叉口嚴重擁堵的狀態(tài)。在與10組專家打分比較中，比較結果表見表3，表4。

表3　誤差分析表1

表4　誤差分析表2

從誤差分析表可得該算法判別結果的準確度較高，在90%以上。并且經(jīng)過適應軟件的修正后在嚴重擁堵情況下判別率幾乎為零。誤差的來源主要集中于一般擁堵與擁堵的狀態(tài)，原因主要為判別等級劃分細度不夠。專家組存在一定人為因素干擾，在等級細度劃分不夠的情況下，該干擾將尤其明顯，特別是在臨界點地方。但總體認為實驗結果可信，利用車載電子標簽獲得的交通流量、交通密度和停車數(shù)量的參數(shù)數(shù)據(jù)，以及配合交叉口信號燈狀態(tài)可以較好的判別交叉口的交通狀態(tài)。

4　結論

基于車載電子標簽數(shù)據(jù)的交叉口狀態(tài)判別，利用tag、reader、控制機與信號燈組組成的聯(lián)動體系，獲得的交通流量、交通密度和停車數(shù)量等參數(shù)數(shù)據(jù)，再配合交叉口綠燈周期，可以較好的判別交叉口的狀態(tài)。數(shù)值仿真結果與專家判別結果對比，相似度高達90%以上，在嚴重擁堵狀態(tài)下的相似度高達100%。證明該方法可有效判別交叉口狀態(tài)。但當交叉口車道不為單車道，相位也增加至超過兩相位時，該判別方法的準確度還需進一步驗證。

[1]張新等.基于視頻投影法的交通擁擠實時檢測算法[J]. 合肥工業(yè)大學學報(自然科學版), 2013(3): 319-323.

[2]胡啟洲,等.城市路網(wǎng)交通擁堵態(tài)勢監(jiān)控的測度理論與方法[M].北京: 科學出版社, 2013.

[3]但雨芳,馬慶祿.RFID,GPS和GIS技術集成在交通智能監(jiān)管系統(tǒng)中的應用研究[J]. 計算機應用研究,2009,12:4628-4630.

[4]賴鍇,米慧超. 基于RFID的未知標簽檢測協(xié)議研究[J]. 計算機應用研究,2015(3):814-820.

[5]MandalK，SenA，ChakrabortyA，etal.RoadtrafficcongestionmonitoringandmeasurementusingactiveRFIDandGSMtechnology[A].IntelligentTransportationSystems(ITSC), 2011 14thInternationalIEEEConferenceon[C],pp.1375-1379, 2011.

[6]邢磊. 車輛檢測技術研究[D]. 重慶: 重慶大學, 2013..

[7]晏承玲.基于模糊理論的城市道路交通狀態(tài)判別研究[D].重慶：重慶大學,2013.

[8]孫曉亮.城市道路交通狀態(tài)評價和預測方法及應用研究[Z].北京:北京交通大學,2013.

[9]VISSIM5.20 用戶手冊[Z].Karlsruhe，Germany. 2009PTVAG.

StudyonsingleIntersectionStateIdentificationBasedonVehicleElectronicTagData

LiuYunxiang,JiaLu,ZhuPing

(SchoolofComputerScienceandInformationEngineering，ShanghaiInstituteofAppliedTechnology,

Duetothecurrentintersectionstateidentificationexitssomeproblems,suchashighconfusedequipmentinstallation,lowaccuracyrateeasilyaffectbythecircumstance,sensitiveparametersaredifficulttoobtain,andsoon.Trafficcongestionidentificationdesignbasedonvehicleelectronictagdataisproposed.Taketwophasesingleintersectionasanexample,selectthetrafficflow,trafficdensity,parkingnumberasparametersfortraffic.ThesimulationenvironmentisbuiltbyVISSIMwithsecondarydevelopment.Bycomparingthesimulationresultswiththeanalysisoftheresultsobtainedfromtheexperts,thedegreeofsimilarityishigherthan90%.Itisprovedthatthismethodcaneffectivelydistinguishtheintersectionstate.

intelligenttransportation;trafficflow;trafficdensity;parkingnumber;statediscrimination

2015-08-30；

2015-09-06。

上海市科委重點支撐項目(12510503800)。

劉云翔(1964-)，男，上海人，工學博士，主要從事人工智能、計算機軟件與理論、信息融合、智能信息處理等領域方向的研究。

賈璐(1991-)，女，江蘇無錫人，研究生，主要從事智能檢測與控制方向的研究。

1671-4598(2016)01-0277-04DOI：10.16526/j.cnki.11-4762/tp.2016.01.077

TB114.3

A