CN104408914A - 基于gps数据的信号交叉口单车停车延误时间估计方法及系统 - Google Patents

Abstract

本发明公开了一种基于GPS数据的信号交叉口单车停车延误时间估计方法，首先获取车辆在信号交叉口时的车辆GPS数据；然后根据停车位置来判断车辆是否处于饱和状态；分别建立饱和状态和未饱和状态下单车停车延误时间计算模型；最后得到未饱和与饱和状态下的单车停车延误时间。本发明利用信号交叉口单车停车延误时间与停车位置的线性关系,在考虑GPS数据异常以及车辆偶然停车对延误数据造成的污染的基础上，利用稳健回归的思想，采用最小截尾二乘LTS回归分别建立未饱和与过饱和状态下的单车的停车延误时间与停车位置之间的关系模型，以估计单车在信号交叉口的停车延误时间；实现对单个车辆的跟踪定位，具有很强的实时性。

Description

基于GPS数据的信号交叉口单车停车延误时间估计方法及系统

技术领域

本发明及公路交通检测领域，具体涉及一种估计信号交叉口单车停车延误时间的估计方法，通过GPS数据建立相应模型估计单车的在停车先前的停车延误时间。

背景技术

车辆通过信号交叉口，通常会经历一定时间的延误，有效地估计车辆通过信号交叉口的延误时间有助于公交到站时间预测、交通管理、公交调度等实际工作的开展。

但是由于检测手段、技术条件等限制，尚缺乏操作性较强的信号交叉口单车停车延误时间模型的分析方法。故现在亟需一种信号交叉口单车停车延误时间的估计方法。

而近年来，随着城市交通的发展，浮动车数据采集技术应运而生。一方面，浮动车数据采集技术不需要在道路上安装硬件设施，同时易于组装和进行系统扩展与维护，与固定检测器相比更为实用。而更重要的是，浮动车技术能够全天候、大范围、不间断的获取车辆GPS数据，包括车辆的位置、速度等信息，能实现对单个车辆的跟踪定位，具有很强的实时性，通过浮动车GPS数据可以识别出单个车辆在信号交叉口的行为，使得单车在信号交叉口停车延误时间的估计成为了可能。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种基于GPS数据的信号交叉口单车停车延误时间估计方法，该方法充分利用GPS数据的优势，同时考虑GPS数据的自身特点。

本发明的目的之一是提出一种基于GPS数据的信号交叉口单车停车延误时间估计方法；本发明的目的之二是提出一种基于GPS数据的信号交叉口单车停车延误时间估计系统。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的基于GPS数据的信号交叉口单车停车延误时间估计方法，包括以下步骤：

S1：获取车辆在信号交叉口时的车辆GPS数据，所述车辆GPS数据包括车辆的停车位置和速度信息；

S2：根据停车位置来判断车辆位置是否超过预设停车距离L，如果否，则车辆处于未饱和状态下单车停车状态；采用以下公式来计算单车停车延误时间：

$d_i=-\frac{r}{l}{l}_i+r,l_i<L---\left(2\right)$

式中，d_i为单个车辆的停车延误时间；L为一个信号周期内的饱和排队位置；l为车辆在当前周期内到达车辆的总体排队长度；l_i表示车辆的当前位置与信号灯停车线之间的距离，r表示信号灯的信号红灯时长；

S3：如果是，则车辆处于饱和状态下单车停车状态；按以下公式采用稳健回归方法来计算单车停车延误时间：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(1+\frac{l_0}{l-l_0}),0\&le;l_i<L\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),L^{\&prime;}\&le;l_i<L^{\&prime;\&prime;}\end{array}\right.---\left(6\right)$

式中，l₀表示始排队长度；d_i表示；L为饱和流量对应的排队位置；L′为二倍饱和流量对应的排队位置；L″表示为三倍饱和流量对应的排队位置。

进一步，所述车辆处于饱和状态下单车停车状态包括以下状态：

当V₀＜q≤2V₀时，最大出现两次停车状态，表示二倍饱和流量对应的单车停车状态；

当2V₀＜q≤3V₀时，最大出现三次停车状态，表示三倍饱和流量对应的单车停车状态；

当q＞3V₀时，车道组中部分车辆将会产生四次及以上停车状态，表示四倍饱和流量对应的单车停车状态；

其中，V₀为一个信号周期内车道组的饱和流量，q为车辆的到达数量。

进一步，所述稳健回归方法选用最小截尾二乘回归，所述最小截尾二乘回归的求解目标按照以下公式来计算残差平方和最小值：

$\min \underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{e}_{\left(i\right)}^2---\left(7\right)$

$e_i=y_i-x_i^T\mathrm{\&beta;}$

其中，q表示估计量运算过程中包含的数据个数，q＝int[(1-α)n+1]，α为截尾比例，取α＝0.5，估计量的崩溃点BDP＝0.5；e_i表示残差大小；表示残差平方的顺序统计量：

$e_{\left(1\right)}^2\&le;e_{\left(2\right)}^2\&le;...\&le;e_{\left(i\right)}^2\&le;...\&le;e_{\left(n\right)}^2.$

进一步，所述最小截尾二乘回归估计的步骤如下：

Step1：从n个观测值中随机抽取p+1个子样本；

Step2：通过这p+1个样本，得到其回归系数若不能得到，就再增加一个样本，直到能计算出为止；

Step3：在回归系数下计算出最小截尾二乘目标函数值

Step4：返回Step1，直到计算出所有情况，此时对应的为最小截尾二乘的回归系数。

本发明的目的之二是通过以下技术方案来实现的：

本发明提供的基于GPS数据的信号交叉口单车停车延误时间估计系统，包括车辆GPS数据采集模块、停车位置来判模块、未饱和状态下单车停车延误时间计算模块与饱和状态下单车停车延误时间计算模块；

所述车辆GPS数据采集模块，用于获取车辆在信号交叉口时的车辆GPS数据，所述车辆GPS数据包括车辆的停车位置和速度信息；

所述停车位置来判模块，用于根据停车位置来判断车辆位置是否超过预设停车距离L；

所述未饱和状态下单车停车延误时间计算模块，用于按以下公式来计算车辆处于未饱和状态下单车停车延误时间：

$d_i=-\frac{r}{l}{l}_i+r,l_i<L---\left(2\right)$

式中，d_i为单个车辆的停车延误时间；L为一个信号周期内的饱和排队位置；l为车辆在当前周期内到达车辆的总体排队长度；l_i表示车辆的当前位置与信号灯停车线之间的距离，r表示信号灯的信号红灯时长；

所述饱和状态下单车停车延误时间计算模块，用于按以下公式来计算车辆处于饱和状态下单车停车延误时间：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(1+\frac{l_0}{l-l_0}),0\&le;l_i<L\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),L^{\&prime;}\&le;l_i<L^{\&prime;\&prime;}\end{array}\right.---\left(6\right)$

式中，l₀表示始排队长度；d_i表示；L为饱和流量对应的排队位置；L′为二倍饱和流量对应的排队位置；L″表示为三倍饱和流量对应的排队位置。

进一步，所述车辆处于饱和状态下的单车停车状态包括以下状态：

当V₀＜q≤2V₀时，最大出现两次停车状态，表示二倍饱和流量对应的单车停车状态；

当2V₀＜q≤3V₀时，最大出现三次停车状态，表示三倍饱和流量对应的单车停车状态；

当q＞3V₀时，车道组中部分车辆将会产生四次及以上停车状态，表示四倍饱和流量对应的单车停车状态；

其中，V₀为一个信号周期内车道组的饱和流量，q为车辆的到达数量。

进一步，所述稳健回归方法选用最小截尾二乘回归，所述最小截尾二乘回归的求解目标按照以下公式来计算残差平方和最小值：

$\min \underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{e}_{\left(i\right)}^2---\left(7\right)$

$e_i=y_i-x_i^T\mathrm{\&beta;}$

其中，q表示估计量运算过程中包含的数据个数，q＝int[(1-α)n+1]，α为截尾比例，取α＝0.5，估计量的崩溃点BDP＝0.5；e_i表示残差大小；表示残差平方的顺序统计量：

$e_{\left(1\right)}^2\&le;e_{\left(2\right)}^2\&le;...\&le;e_{\left(i\right)}^2\&le;...\&le;e_{\left(n\right)}^2.$

进一步，所述最小截尾二乘回归估计的步骤如下：

Step1：从n个观测值中随机抽取p+1个子样本；

Step2：通过这p+1个样本，得到其回归系数若不能得到，就再增加一个样本，直到能计算出为止；

Step3：在回归系数下计算出最小截尾二乘目标函数值

Step4：返回Step1，直到计算出所有情况，此时对应的为最小截尾二乘的回归系数。

本发明的有益效果在于：本发明利用信号交叉口单车停车延误时间与停车位置的线性关系；在考虑GPS数据异常以及车辆偶然停车对延误数据造成的污染的基础上，利用稳健回归的思想，采用最小截尾二乘LTS回归分别建立未饱和与过饱和状态下的单车的停车延误时间与停车位置之间的关系模型，以估计单车在信号交叉口的停车延误时间；实现对单个车辆的跟踪定位，具有很强的实时性。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步详细描述，其中：

图1为本发明实施例提供的未饱和状态下单车停车延误时间与停车位置的关系图；

图2为本发明实施例提供的未饱和状态下单车停车延误时间波动范围示意图；

图3为本发明实施例提供的交叉口车道组示意图；

图4为本发明实施例提供的最大三次停车时的单车停车延误时间与停车位置的关系图；

图5为本发明实施例提供的无初始排队长度时单车停车延误时间波动范围示意图；

图6为本发明实施例提供的存在初始排队长度时单车停车延误时间波动范围示意图；

图7为本发明实施例提供的基于GPS数据的信号交叉口单车停车延误时间估计方法流程图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

实施例1

如图1至图7所示，图7为本发明实施例提供的基于GPS数据的信号交叉口单车停车延误时间估计方法流程图；本发明提供的基于GPS数据的信号交叉口单车停车延误时间估计方法，包括以下步骤：

S1：获取车辆在信号交叉口时的车辆GPS数据，所述车辆GPS数据包括车辆的停车位置和速度信息；

S2：根据停车位置来判断车辆位置是否超过预设停车距离L，如果否，则车辆处于未饱和状态下单车停车状态；采用以下公式来计算单车停车延误时间：

$d_i=-\frac{r}{l}{l}_i+r,l_i<L---\left(2\right)$

式中，d_i为单个车辆的停车延误时间；L为一个信号周期内的饱和排队位置；l为车辆在当前周期内到达车辆的总体排队长度；l_i表示车辆的当前位置与信号灯停车线之间的距离，r表示信号灯的信号红灯时长；

S3：如果是，则车辆处于饱和状态下单车停车状态；按以下公式采用稳健回归方法来计算单车停车延误时间：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(1+\frac{l_0}{l-l_0}),0\&le;l_i<L\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),L^{\&prime;}\&le;l_i<L^{\&prime;\&prime;}\end{array}\right.---\left(6\right)$

式中，l₀表示始排队长度；d_i表示车辆的停车延误时间；L为饱和流量对应的排队位置；L′为二倍饱和流量对应的排队位置；L″表示为三倍饱和流量对应的排队位置。

所述车辆处于饱和状态下单车停车状态包括以下状态：

当V₀＜q≤2V₀时，最大出现两次停车状态，表示二倍饱和流量对应的单车停车状态；

当2V₀＜q≤3V₀时，最大出现三次停车状态，表示三倍饱和流量对应的单车停车状态；

当q＞3V₀时，车道组中部分车辆将会产生四次及以上停车状态，表示四倍饱和流量对应的单车停车状态；

其中，V₀为一个信号周期内车道组的饱和流量，q为车辆的到达数量。

所述稳健回归方法选用最小截尾二乘回归，所述最小截尾二乘回归的求解目标按照以下公式来计算残差平方和最小值：

$\min \underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{e}_{\left(i\right)}^2---\left(7\right)$

$e_i=y_i-x_i^T\mathrm{\&beta;}$

其中，q表示估计量运算过程中包含的数据个数，q＝int[(1-α)n+1]，α为截尾比例，取α＝0.5，估计量的崩溃点BDP＝0.5；e_i表示残差大小；表示残差平方的顺序统计量：

$e_{\left(1\right)}^2\&le;e_{\left(2\right)}^2\&le;...\&le;e_{\left(i\right)}^2\&le;...\&le;e_{\left(n\right)}^2.$

所述最小截尾二乘回归估计的步骤如下：

Step1：从n个观测值中随机抽取p+1个子样本；

Step2：通过这p+1个样本，得到其回归系数若不能得到，就再增加一个样本，直到能计算出为止；

Step3：在回归系数下计算出最小截尾二乘目标函数值

Step4：返回Step1，直到计算出所有情况，此时对应的为最小截尾二乘的回归系数。

所述未饱和状态下单车停车延误时间也可以采用稳健回归算法建立如下回归模型：

d_i＝α×l_i+β  (8)

其中，α和β为回归系数，可以通过最小截尾二乘估计得到。

所述饱和状态下单车停车延误时间也可以采用稳健回归算法建立如下回归模型：

$\left\{\begin{array}{cc}{d}_i={\mathrm{\&alpha;}}^{\&prime;}{l}_i+{\mathrm{\&beta;}}^{\&prime;}-r,& 0\&le;l_i<L\\ d_i={\mathrm{\&alpha;}}^{\&prime;}{l}_i+{\mathrm{\&beta;}}^{\&prime;},& L\&le;l_i<L^{\&prime;}\\ d_i={\mathrm{\&alpha;}}^{\&prime;}{l}_i+{\mathrm{\&beta;}}^{\&prime;}+r& L^{\&prime;}\&le;l_i<l\end{array}\right.---\left(9\right)$

其中，α′和β′为回归系数，可以通过对数据拟合估计得到；r为红灯时长；采用最小截尾二乘回归计算估计模型的回归系数α′和β′。

本实施例还提供了一种基于GPS数据的信号交叉口单车停车延误时间估计系统，包括车辆GPS数据采集模块、停车位置来判模块、未饱和状态下单车停车延误时间计算模块与饱和状态下单车停车延误时间计算模块；

所述车辆GPS数据采集模块，用于获取车辆在信号交叉口时的车辆GPS数据，所述车辆GPS数据包括车辆的停车位置和速度信息；

所述停车位置来判模块，用于根据停车位置来判断车辆位置是否超过预设停车距离L；

所述未饱和状态下单车停车延误时间计算模块，用于按以下公式来计算车辆处于未饱和状态下单车停车延误时间：

$d_i=-\frac{r}{l}{l}_i+r,l_i<L---\left(2\right)$

式中，d_i为单个车辆的停车延误时间；L为一个信号周期内的饱和排队位置；l为车辆在当前周期内到达车辆的总体排队长度；l_i表示车辆的当前位置与信号灯停车线之间的距离，r表示信号灯的信号红灯时长；

所述饱和状态下单车停车延误时间计算模块，用于按以下公式来计算车辆处于饱和状态下单车停车延误时间：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(1+\frac{l_0}{l-l_0}),0\&le;l_i<L\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),L^{\&prime;}\&le;l_i<L^{\&prime;\&prime;}\end{array}\right.---\left(6\right)$

式中，l₀表示始排队长度；d_i表示车辆的停车延误时间；L为饱和流量对应的排队位置；L′为二倍饱和流量对应的排队位置；L″表示为三倍饱和流量对应的排队位置。

所述车辆处于饱和状态下单车停车状态包括以下状态：

当V₀＜q≤2V₀时，最大出现两次停车状态，表示二倍饱和流量对应的单车停车状态；

当2V₀＜q≤3V₀时，最大出现三次停车状态，表示三倍饱和流量对应的单车停车状态；

当q＞3V₀时，车道组中部分车辆将会产生四次及以上停车状态，表示四倍饱和流量对应的单车停车状态；

其中，V₀为一个信号周期内车道组的饱和流量，q为车辆的到达数量。

所述稳健回归方法选用最小截尾二乘回归，所述最小截尾二乘回归的求解目标按照以下公式来计算残差平方和最小值：

$\min \underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{e}_{\left(i\right)}^2---\left(7\right)$

$e_i=y_i-x_i^T\mathrm{\&beta;}$

其中，q表示估计量运算过程中包含的数据个数，q＝int[(1-α)n+1]，α为截尾比例，取α＝0.5，估计量的崩溃点BDP＝0.5；e_i表示残差大小；表示残差平方的顺序统计量：

$e_{\left(1\right)}^2\&le;e_{\left(2\right)}^2\&le;...\&le;e_{\left(i\right)}^2\&le;...\&le;e_{\left(n\right)}^2.$

所述最小截尾二乘回归估计的步骤如下：

Step1：从n个观测值中随机抽取p+1个子样本；

Step2：通过这p+1个样本，得到其回归系数若不能得到，就再增加一个样本，直到能计算出为止；

Step3：在回归系数下计算出最小截尾二乘目标函数值

Step4：返回Step1，直到计算出所有情况，此时对应的为最小截尾二乘的回归系数。

实施例2

本实施例与实施例1的区别仅在于：

图1为未饱和状态下单车的停车延误时间与停车位置的关系图，其中L为一个信号周期内的饱和排队位置，即停车位置超过L的车辆将产生二次延误。

当一个信号周期内的车辆排队长度为l时，0＜l＜L，单个车辆的停车延误时间与其排队长度有如下关系：

$d_i=-\frac{r}{l}{l}_i+r,l_i<L---\left(2\right)$

可见，在未饱和周期内，车辆在某一停车位置的停车延误时间与当前周期内到达车辆的总体排队长度l和该信号灯的信号红灯时长r有关。其停车延误时间的变化范围如图2所示，图2为未饱和状态下单车停车延误时间波动范围示意图。

图3为交叉口车道组示意图，周期1为过饱和状态开始形成周期，该周期车辆到达数_q位于V₀与2V₀之间，此时该信号交叉口车道组的饱和度大于1，部分车辆会出现二次排队情况，如图中OC段所示。而这部分车辆会在周期1绿灯时间结束后会在周期2形成初始排队q₀，如图中OC′段所示。若下一周期车辆到达数保持不变，则排队车辆数会继续增长，在周期2出现三次停车的情况。如果车辆到达数继续保持，则根据城市交通流原理，车辆排队将随着时间的增长而无限的增长下去。但这种情况在实际中是基本不存在的，因为当过饱和现象出现后，在交叉口车道组中的部分车辆的出行路线可能会发生改变，从而车辆到达数不会长时间地超过车道组的最大通行能力。

图3为交叉口车道组示意图，由于过饱和状态下，车辆较为密集，其排队间隙可以近似地认为是一常数，因此在考虑平均车长的条件下，可以用饱和排队长度来表征车道组的饱和流量，即图4中A、B、D的位置对于同一车道组可以近似的认为是固定不变的。为了方便起见，本发明将OA段称为区间1，AB段称为区间2，BD段称为区间3。

为了分析过饱和状态下单车停车延误时间与停车位置的关系，先分析最大两次停车的情况，如图4所示，图4为最大三次停车时的单车停车延误时间与停车位置的关系图，其中L为饱和流量V₀对应的排队位置，而L′为该周期到达流量为2V₀时对应的排队位置。

在过饱和状态下，由于车辆到达数超过了车道组的最大通行能力，所以车辆可以近似地看作是均匀到达。

本实施例的最大停车次数为三次，在不考虑初始排队长度的情况下，当一个信号周期内的车辆的最大排队长度为l时，其中L＜l≤L″，单个车辆的停车延误时间与停车位置的关系如图4中细实线所示，其关系可以由如下公式表示：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l}{l}_i+r,0\&le;l_i<L\\ d_i=-\frac{r}{l}{l}_i+2r,L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l}{l}_i+3r,L^{\&prime;}\&le;l_i<l\end{array}\right.---\left(3\right)$

可以发现，最大停车次数为三次的情况下，车辆延误时间与停车位置之间是分段线性的，且其斜率和截距受该周期内车辆最大排队长度l的影响。不考虑初始排队长度，其受l影响而波动的范围如图5所示，图5为无初始排队长度时单车停车延误时间波动范围示意图。

过饱和状态下，初始排队长度是不能忽略的。假设车道组中存在初始排队长度l₀，本发明先考虑0＜l₀＜L的常见情况。此时，单车的停车延误时间与停车位置的关系如图5中粗虚线所示，其关系可由如下公式表示：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(1+\frac{l_0}{l-l_0}),l_0\&le;l_i<L\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),L^{\&prime;}\&le;l_i<l\end{array}\right.---\left(4\right)$

而当L≤l₀＜L′时，车辆停车延误时间与停车位置的关系如公式5所示：

$\left\{\begin{array}{cc}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),& l_0\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),& L^{\&prime;}\&le;l_i<l\end{array}\right.---\left(5\right)$

由公式4和5可以看出，其在单车停车位置l_i位于区间2和区间3时，其关系式形式是一致的，因此在考虑初始排队长度的情况下，车辆的停车延误时间与停车位置的关系，可由如下公式统一表示：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(1+\frac{l_0}{l-l_0}),0\&le;l_i<L\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),L^{\&prime;}\&le;l_i<L^{\&prime;\&prime;}\end{array}\right.---\left(6\right)$

过饱和状态下，车辆不仅受到周期内车辆最大排队长度l的影响，还受到初始排队长度l₀的影响，其停车延误时间的波动范围如图7所示，图7为存在初始排队长度时单车停车延误时间波动范围示意图。

由图6可知，因为受初始排队长度以及不同周期内不同排队长度的影响，过饱和周期中，车辆在同一停车位置其延误时间存在一定的波动，且停车位置位于区间2的车辆，即二次停车的车辆，其停车延误时间波动相对较大。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明所限定的精神和范围。

Claims (8)

1.基于GPS数据的信号交叉口单车停车延误时间估计方法，其特征在于：包括以下步骤：

S1：获取车辆在信号交叉口时的车辆GPS数据，所述车辆GPS数据包括车辆的停车位置和速度信息；

S2：根据停车位置来判断车辆位置是否超过预设停车距离L，如果否，则车辆处于未饱和状态下单车停车状态；采用以下公式来计算单车停车延误时间：

$d_i=-\frac{r}{l}{l}_i+r,l_i<L;$

式中，d_i为单个车辆的停车延误时间；L为一个信号周期内的饱和排队位置；l为车辆在当前周期内到达车辆的总体排队长度；l_i表示，r表示信号灯的信号红灯时长；

S3：如果是，则车辆处于饱和状态下单车停车状态；按以下公式采用稳健回归方法来计算单车停车延误时间：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(1+\frac{l_0}{l-l_0}),0\&le;l_i<L\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),L^{\&prime;}\&le;l_i<L^{\&prime;\&prime;}\end{array}\right.;$

式中，l₀表示始排队长度；d_i表示；L为饱和流量对应的排队位置；L′为二倍饱和流量对应的排队位置；L″表示为三倍饱和流量对应的排队位置。

2.根据权利要求1所述的基于GPS数据的信号交叉口单车停车延误时间估计方法，其特征在于：所述车辆处于饱和状态下单车停车状态包括以下状态：

当V₀＜q≤2V₀时，最大出现两次停车状态，表示二倍饱和流量对应的单车停车状态；

当2V₀＜q≤3V₀时，最大出现三次停车状态，表示三倍饱和流量对应的单车停车状态；

当q＞3V₀时，车道组中部分车辆将会产生四次及以上停车状态，表示四倍饱和流量对应的单车停车状态；

其中，V₀为一个信号周期内车道组的饱和流量，q为车辆的到达数量。

3.根据权利要求1所述的基于GPS数据的信号交叉口单车停车延误时间估计方法，其特征在于：所述稳健回归方法选用最小截尾二乘回归，所述最小截尾二乘回归的求解目标按照以下公式来计算残差平方和最小值：

$\min \underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{e}_{\left(i\right)}^2;$

$e_i=y_i-x_i^T\mathrm{\&beta;}$

其中，q表示估计量运算过程中包含的数据个数，q＝int[(1-α)n+1]，α为截尾比例，取α＝0.5，估计量的崩溃点BDP＝0.5；e_i表示残差大小；表示残差平方的顺序统计量： $e_{\left(1\right)}^2\&le;e_{\left(2\right)}^2\&le;\&CenterDot;\&CenterDot;\&CenterDot;\&le;e_{\left(i\right)}^2\&le;\&CenterDot;\&CenterDot;\&CenterDot;\&le;e_{\left(n\right)}^2.$

4.根据权利要求1所述的基于GPS数据的信号交叉口单车停车延误时间估计方法，其特征在于：所述最小截尾二乘回归估计的步骤如下：

Step1：从n个观测值中随机抽取p+1个子样本；

Step2：通过这p+1个样本，得到其回归系数若不能得到，就再增加一个样本，直到能计算出为止；

Step3：在回归系数下计算出最小截尾二乘目标函数值

Step4：返回Step1，直到计算出所有情况，此时对应的为最小截尾二乘的回归系数。

5.基于GPS数据的信号交叉口单车停车延误时间估计系统，其特征在于：包括车辆GPS数据采集模块、停车位置来判模块、未饱和状态下单车停车延误时间计算模块与饱和状态下单车停车延误时间计算模块；

所述车辆GPS数据采集模块，用于获取车辆在信号交叉口时的车辆GPS数据，所述车辆GPS数据包括车辆的停车位置和速度信息；

所述停车位置来判模块，用于根据停车位置来判断车辆位置是否超过预设停车距离L；

所述未饱和状态下单车停车延误时间计算模块，用于按以下公式来计算车辆处于未饱和状态下单车停车延误时间：

$d_i=-\frac{r}{l}{l}_i+r,l_i<L;$

式中，d_i为单个车辆的停车延误时间；L为一个信号周期内的饱和排队位置；l为车辆在当前周期内到达车辆的总体排队长度；l_i表示车辆的当前位置与信号灯停车线之间的距离，r表示信号灯的信号红灯时长；

所述饱和状态下单车停车延误时间计算模块，用于按以下公式来计算车辆处于饱和状态下单车停车延误时间：

$\left\{\begin{array}{c}{d}_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(1+\frac{l_0}{l-l_0}),0\&le;l_i<L\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(2+\frac{l_0}{l-l_0}),L\&le;l_i<L^{\&prime;}\\ d_i=-\frac{r}{l-l_0}{l}_i+r\&CenterDot;(3+\frac{l_0}{l-l_0}),L^{\&prime;}\&le;l_i<L^{\&prime;\&prime;}\end{array}\right.;$

式中，l₀表示始排队长度；d_i表示；L为饱和流量对应的排队位置；L′为二倍饱和流量对应的排队位置；L″表示为三倍饱和流量对应的排队位置。

6.根据权利要求5所述的基于GPS数据的信号交叉口单车停车延误时间估计系统，其特征在于：所述车辆处于饱和状态下的单车停车状态包括以下状态：

当V₀＜q≤2V₀时，最大出现两次停车状态，表示二倍饱和流量对应的单车停车状态；

当2V₀＜q≤3V₀时，最大出现三次停车状态，表示三倍饱和流量对应的单车停车状态；

当q＞3V₀时，车道组中部分车辆将会产生四次及以上停车状态，表示四倍饱和流量对应的单车停车状态；

其中，V₀为一个信号周期内车道组的饱和流量，q为车辆的到达数量。

7.根据权利要求5所述的基于GPS数据的信号交叉口单车停车延误时间估计系统，其特征在于：所述稳健回归方法选用最小截尾二乘回归，所述最小截尾二乘回归的求解目标按照以下公式来计算残差平方和最小值：

$\min \underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{e}_{\left(i\right)}^2;$

$e_i=y_i-x_i^T\mathrm{\&beta;}$

其中，q表示估计量运算过程中包含的数据个数，q＝int[(1-α)n+1]，α为截尾比例，取α＝0.5，估计量的崩溃点BDP＝0.5；e_i表示残差大小；表示残差平方的顺序统计量： $e_{\left(1\right)}^2\&le;e_{\left(2\right)}^2\&le;\&CenterDot;\&CenterDot;\&CenterDot;\&le;e_{\left(i\right)}^2\&le;\&CenterDot;\&CenterDot;\&CenterDot;\&le;e_{\left(n\right)}^2.$

8.根据权利要求5所述的基于GPS数据的信号交叉口单车停车延误时间估计系统，其特征在于：所述最小截尾二乘回归估计的步骤如下：

Step1：从n个观测值中随机抽取p+1个子样本；

Step2：通过这p+1个样本，得到其回归系数若不能得到，就再增加一个样本，直到能计算出为止；

Step3：在回归系数下计算出最小截尾二乘目标函数值

Step4：返回Step1，直到计算出所有情况，此时对应的为最小截尾二乘的回归系数。