CN102289937B - 基于停车线检测器的城市地面道路交通状态自动判别方法 - Google Patents

Abstract

本发明提供了一种基于停车线检测器的城市地面道路交通状态自动判别方法，其特征在于，步骤为：周期性获取城市地面道路交通路网中每个交叉路口的每条车道的流量及占有率，随后计算每条车道在当前周期内的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率等数据，依据该值判断当前车道在当前周期内的交通状态为畅通、拥挤或堵塞。本发明提出的基于停车线检测器的城市地面道路交通状态判别方法可以解决信号控制交叉口进口道交通状态的实时自动判别问题，提高了城市地面道路交通状态判别准确性，为交通管理者、交通出行者提供了实时、准确的城市地面道路动态交通信息，尤其为交通管理者做出准确、高效的交通管理策略及方案提供技术保障。

Description

基于停车线检测器的城市地面道路交通状态自动判别方法

技术领域

本发明涉及一种基于停车线检测器的地面道路交通状态判别方法，尤其涉及一种利用停车线检测器实时检测数据及交叉口信号控制方案判别城市地面道路交通状态的方法，属于智能交通技术领域。

背景技术

目前我国城市信号控制交叉口大多布设了停车线检测器，为制定交叉口红绿灯3的信号配时方案提供数据支撑，如图1所示，停车线检测器1(通常为检测线圈)的布设位置一般为停车线2前5米处。停车线检测器1获取的交通流参数包括流量、占有率和速度。由于交通流状态的改变能通过交通流参数表现出来，因此，许多交通工程工作者基于此建立了多种交通状态自动判别方法。

目前较为常见的基于固定检测线圈判别交通状态的方法主要有：模式识别法，如California算法；统计分析法，如标准差(英文简称为SND)算法；突变理论算法，如McMaster算法；人工智能法，如单截面神经网络算法。

California算法通过分析上下游停车线检测器获取的占有率差值和相对差值，推断交通事故或交通拥挤的发生时刻，然而该算法需要对于每个地点的阈值进行标定，尤其在大的路网中标定工作量较大，同时算法中3个预定的事件判断步骤难以有效地捕捉到所有可能的交通模式。标准差(SND)算法利用时刻t之前m个采样周期的交通参数数据(流量或占有率)的算术平均值作为交通参数在时刻t的预测值，再用标准正态偏差来度量交通参数数据相对于其以前平均值的改变程度，当它超过预先设定的阈值时，则认为发生了偶发***通拥挤。McMaster算法认为三个连续的采样周期内，车速均降至阈值以下，或占有率超过阈值，或流量与占有率都在非拥挤区域之外，可判定有拥挤存在；在连续两个采样周期内，车速、流量和占有率任意两个超过各自的阈值，也可以判断为发生了交通拥挤。

以上三种典型的交通状态判别算法皆面向连续交通流，由于城市地面道路受红绿灯信号控制交叉口的影响，其交通流存在较大的间断性及周期性，导致传统的交通状态判别算法难以得到有效应用。单截面神经网络法运用大量的(包括拥挤和非拥挤状态的)交通数据对算法进行训练，确定其最佳的结构和权值。对于一组特定的交通数据，通过对算法输出结果与决策阈值相比较，确定所反映的交通状态，该算法需要大量的真实数据对算法进行训练，且标定过程复杂，应用范围较小。

发明内容

本发明的目的是提供一种基于停车线检测器的交通状态判别方法，该方法应用范围大，能够适用于交通流存在较大的间断性及周期性的情况。

为了达到上述目的，本发明的技术方案是提供了一种基于停车线检测器的城市地面道路交通状态自动判别方法，其特征在于：步骤为：

步骤1、通过停车线检测器周期性获取城市地面道路交通路网中每个交叉路口的每条车道的流量及占有率，每个交叉路口的周期设定为该交叉路口红绿灯变化的周期，同时，以m秒为时间粒度对每个周期进行划分，设定计数器a，将其初始值设为0，并根据经验设定第一占有率阈值Occ1、第二占有率阈值Occ2、第三占有率阈值Occ3、第一饱和度阈值SI、第二饱和度阈值S2、第三饱和度阈值S3及状态持续周期数DurN；

步骤2、通过停车线检测器获取第I条车道在当前周期j内第t个时间粒度的占有率O(I，j，t)，计算每条车道在当前周期内的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度，其中，绿灯初期及红灯初期分别指绿灯及红灯时长的前m秒，若绿灯时长能够被m秒整除，则绿灯末期指绿灯时长的最后m秒，若绿灯时长不能够被m秒整除，则绿灯末期指绿灯时长的最后h秒，其中，h为将绿灯时长除以m秒所得到的余数，绿灯中期是指除去绿灯初期及绿灯末期的绿灯时长，设第I条车道在当前周期j的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度分别为GreenPre(o)_(I，j)、GreenMid(o)_(I，j)、GreenEnd(o)_(I，j)、RedPre(o)_(I，j)、GreenPre(s)_(I，j)、GreenMid(s)_(I，j)、GreenEnd(s)_(I，j)，则有：

GreenPre(o)_(I，j)、GreenEnd(o)_(I，j)及Red Pre(o)_(I，j)分别为通过停车线检测器得到的绿灯初期、绿灯末期及红灯初期的实测占有率，GreenMid(o)_(I，j)为通过停车线检测器得到的绿灯中期内所有时间粒度的实测占用率的算数平均值；

第I条车道在当前周期j内第t个时间粒度的饱和度 $S(I,j,t)=\frac{N\left(v\right)\_(I,j,t)}{T(I,j,t)/\mathrm{sat}\left(\mathrm{headway}\right)\_(I,j)},$ 其中，N(v)_(I，j，t)为通过停车线检测器得到的第I条车道在当前周期j内第t个时间粒度的实测流量，T(I，j，t)为第t个时间粒度的时长，sat(headway)_(I，j)为第I条车道在当前周期j内的饱和车头时距，该饱和车头时距通过历史数据分析获得，依据上述公式计算得到绿灯初期饱和度GreenPre(s)_(I，j)及绿灯末期饱和度GreenEnd(s)_(I，j)，绿灯中期饱和度GreenMid(s)_(I，j)则为绿灯中期内所有时间粒度的饱和度计算值的算数平均值；

步骤3、依据每条车道的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度判断当前车道在当前周期内的交通状态为畅通、拥挤或堵塞，其中，第I条车道在当前周期j内的交通状态LaneStateMode(I，j)的判断步骤为：

步骤3.1、判断第I条车道在当前周期j内的绿灯初期占有率GreenPre(o)_(I，j)、绿灯中期占有率GreenMid(o)_(I，j)、绿灯末期占有率GreenEnd(o)_(I，j)、红灯初期占用率RedPre(o)_(I，j)、绿灯初期饱和度GreenPre(s)_(I，j)、绿灯中期饱和度GreenMid(s)_(I，j)及绿灯末期饱和度GreenEnd(s)_(I，j)是否满足条件1或条件2，若满足，则跳至步骤3.2，否则，跳至步骤3.6，其中，

条件1为：Occ1≤GreenPre(o)_(I，j)≤100％且Occ3≤GreenMid(o)_(I，j)≤100％且Occ3≤GreenEnd(o)_(I，j)≤100％且Occ2≤RedPre(o)_(I，j)≤100％且0≤GreenPre(s)_(I，j)＜S1且0≤GreenMid(s)_(I，j)＜S1且0≤GreenEnd(s)_(I，j)＜S1；

条件2为：0＜GreenPre(o)_(I，j)≤100％且Occ1≤GreenMid(o)_(I，j)＜Occ3且Occ1≤GreenEnd(o)_(I，j)＜Occ3且Occ2≤RedPre(o)_(I，j)≤100％且0≤GreenPre(s)_(I，j)＜S2且S2≤GreenMid(s)_(I，j)＜S3且S2≤GreenEnd(s)_(I，j)＜S3；

步骤3.2、将计数器a的值加1，进入步骤3.3；

步骤3.3、判断计数器a的值是否不小于状态持续周期数DurN，若是，则进入步骤3.5，否则进入步骤3.4；

步骤3.4、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为拥挤，进入步骤3的下一步；

步骤3.5、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为阻塞，进入步骤3的下一步；

步骤3.6、将计数器a的值归0，进入步骤3.7；

步骤3.7、判断第I条车道在当前周期j内的绿灯初期占有率GreenPre(o)_(I，j)、绿灯中期占有率GreenMid(o)_(I，j)、绿灯末期占有率GreenEnd(o)_(I，j)、红灯初期占用率RedPre(o)_(I，j)、绿灯初期饱和度GreenPre(s)_(I，j)、绿灯中期饱和度GreenMid(s)_(I，j)及绿灯末期饱和度GreenEnd(s)_(I，j)是否满足条件3或条件4，若满足，则跳至步骤3.4，否则，跳至步骤3.8，其中，

条件3为：0＜GreenPre(o)_(I，j)≤100％且Occ2≤GreenMid(o)_(I，j)≤100％且Occ3≤GreenEnd(o)_(I，j)≤100％且Occ1≤RedPre(o)_(I，j)≤Occ2且0≤GreenPre(s)_(I，j)＜S2且0≤GreenMid(s)_(I，j)＜S2且0≤GreenEnd(s)_(I，j)＜SI；

条件4为：0＜GreenPre(o)_(I，j)≤100％且Occ3≤GreenMid(o)_(I，j)≤100％且Occ2≤GreenEnd(o)_(I，j)≤Occ3且Occ1≤RedPre(o)_(I，j)≤Occ2且0≤GreenPre(s)_(I，j)＜S2且0≤GreenMid(s)_(I，j)＜S1且0＜GreenEnd(s)_(I，j)＜S2；

步骤3.8、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为畅通，进入步骤3的下一步；

步骤4、进入下一个周期，重新返回执行步骤2。

优选地，在所述步骤3与所述步骤4之间进一步包括判断城市地面道路交通路网中每个交叉路口的每条道路的交通状态，其中，第r条道路由同方向的n条车道组成的，该条道路交通状态的判断步骤为：

步骤A、设定常量Value(Free)、Value(Crowd)及Value(Jam)，Value(Free)、Value(Crowd)及Value(Jam)分别用来表示畅通、拥挤及阻塞，设定畅通下限阈值ValueFree_S、畅通上限阈值ValueFree_E、拥挤下限阈值ValueCrowd_S及拥挤上限阈值ValueCrowd_E，其中，ValueFree_S≤Value(Free)＜ValueFree_E，ValueCrowd_S≤Value(Crowd)≤ValueCrowd_E；

步骤B、选择第r条道路的第一条车道；

步骤C、判断当前车道在当前周期j内的交通状态是否为畅通，若否，进入步骤D，若是，则将当前车道在当前周期j内的交通状态值设定为Value(Free)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤F，若否选择下一条车道返回执行步骤C；

步骤D、判断当前车道在当前周期j内的交通状态是否为拥挤，若否，则进入步骤E，若是，则将当前车道在当前周期j内的交通状态值设定为Value(Crowd)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤F，若否选择下一条车道返回执行步骤C；

步骤E、将当前车道在当前周期j内的交通状态值设定为Value(Jam)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤F，若否选择下一条车道返回执行步骤C；

步骤F、计算第r条道路在当前周期j内的道路交通状态值ApproachStateValue(j，r)，

$\mathrm{ApproachStateValue}(j,r)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{LaneStateValue}(i,j)*[\mathrm{Greentime}(i,j,r)+\mathrm{Yellowtime}(i,j,r)]}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[\mathrm{Greentime}(i,j,r)+\mathrm{Yellow}(i,j,r)]},$ 其中，LaneStateValue(i，j)表示第r条道路中第i条车道的交通状态值，Greentime(i，j，r)及Yellowtime(i，j，r)分别表示第r条道路中第i条车道在当前周期j内的对应相位绿灯时长及对应相位黄灯时长；

步骤G、若ValueFree_S≤ApproachStateValue(j，r)＜ValueFree_E，则将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为畅通，否则，进入步骤H；

步骤H、若ValueCrowd_S≤ApproachStateValue(j，r)≤ValueCrowd_E，则将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为拥挤，否则，将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为阻塞。

优选地，在所述步骤2中，若绿灯时长不能够被m秒整除，则第I条车道在当前周期j的绿灯末期占有率GreenEnd(o)_(I，j)为以h秒为时长的绿灯时长的最后一个时间粒度的实测占有率与绿灯时长的倒数第二个时间粒度的实测占有率的加权平均值，第I条车道在当前周期j的绿灯末期饱和度GreenEnd(s)_(I，j)为以h秒为时长的绿灯时长的最后一个时间粒度的饱和度计算值与绿灯时长的倒数第二个时间粒度的饱和度计算值的加权平均值。

本发明提供的方法有以下几个特点：一、考虑了交叉口信号控制对地面道路交通流的影响，因此能有效判别出城市地面道路交通状态；二、检测设备不受限制，可以利用已经布设的感应线圈、微波雷达以及视频等检测设备；三、考虑了地面交通流特征，通过该方法能有效地将城市地面道路交通状况分为畅通、拥挤、阻塞三种交通状态。

本发明提出的基于停车线检测器的城市地面道路交通状态判别方法可以解决信号控制交叉口进口道交通状态的实时自动判别问题，提高了城市地面道路交通状态判别准确性，为交通管理者、交通出行者提供了实时、准确的城市地面道路动态交通信息，尤其为交通管理者做出准确、高效的交通管理策略及方案提供技术保障。

附图说明

图1为交叉路口示意图；

图2为本发明提供的一种基于停车线检测器的城市地面道路交通状态自动判别方法的流程图；

图3为道路交通状态判断流程图。

具体实施方式

为使本发明更明显易懂，兹以一优选实施例，并配合附图作详细说明如下。

如图2所示，本发明提供的一种基于停车线检测器的城市地面道路交通状态自动判别方法，其步骤为：

步骤1、通过停车线检测器周期性获取城市地面道路交通路网中每个交叉路口的每条车道的流量及占有率，每个交叉路口的周期设定为该交叉路口红绿灯变化的周期，同时，以m秒为时间粒度对每个周期进行划分，根据所需要的计算精度的不同，可以为m秒设定不同的数值，在本实施例中将m设定为5，设定计数器a，将其初始值设为0，并根据经验设定第一占有率阈值Occ1、第二占有率阈值Occ2、第三占有率阈值Occ3、第一饱和度阈值S1、第二饱和度阈值S2、第三饱和度阈值S3及状态持续周期数DurN，其中，第一占有率阈值Occ1、第二占有率阈值Occ2、第三占有率阈值Occ3、第一饱和度阈值S1、第二饱和度阈值S2及第三饱和度阈值S3根据城市道路交通状况的不同可以根据经验设定不同的数值，在本实施例中，针对上海市的道路交通状况，将第一占有率阈值Occ1、第二占有率阈值Occ2、第三占有率阈值Occ3、第一饱和度阈值S1、第二饱和度阈值S2、第三饱和度阈值S3及状态持续周期数DurN分别设定为30、60、90、40、80及120。而状态持续周期数DurN反应的则是拥挤持续到一定时间后会转化为阻塞，DurN可以根据实际交通状况进行调整，在本实施例中设为3。

步骤2、通过停车线检测器获取第I条车道在当前周期j内第t个时间粒度的占有率O(I，j，t)，计算每条车道在当前周期内的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度，其中，绿灯初期及红灯初期分别指绿灯及红灯时长的前m秒，在本实施例中为前5秒，若绿灯时长能够被m秒整除，则绿灯末期指绿灯时长的最后m秒，若绿灯时长不能够被m秒整除，则绿灯末期指绿灯时长的最后h秒，其中，h为将绿灯时长除以m秒所得到的余数，绿灯中期是指除去绿灯初期及绿灯末期的绿灯时长，设第I条车道在当前周期j的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度分别为GreenPre(o)_(I，j)、GreenMid(o)_(I，j)、GreenEnd(o)_(I，j)、RedPre(o)_(I，j)、GreenPre(s)_(I，j)、GreenMid(s)_(I，j)、GreenEnd(s)_(I，j)，则有：

GreenPre(o)_(I，j)及RedPre(o)_(I，j)分别为通过停车线检测器得到的绿灯初期及红灯初期的实测占有率。

若绿灯时长能够被m秒整除，则GreenEnd(o)_(I，j)为通过停车线检测器得到的绿灯末期的实测占有率。

若绿灯时长不能够被m秒整除，则GreenEnd(o)_(I，j)为以h秒为时长的绿灯时长的最后一个时间粒度的实测占有率与绿灯时长的倒数第二个时间粒度的实测占有率的加权平均值，倒数第二时间粒度的时长为m秒，在本实施例中m取5，其具体计算公式为：

$\mathrm{GreenEnd}\left(o\right)\_(I,j)=\frac{m*\mathrm{GreenO}(I,j,k-1)+h*\mathrm{GreenO}(I,j,k)}{m+h},$ 其中，GreenO(I，j，k-1)及GreenO(I，j，k)分别表示绿灯时长的倒数第二个时间粒度及最后一个时间粒度的实测占有率。

GreenMid(o)_(I，j)为通过停车线检测器得到的绿灯中期内所有时间粒度的实测占用率的算数平均值；

第I条车道在当前周期j内第t个时间粒度的饱和度其中，N(v)_(I，j，t)为通过停车线检测器得到的第I条车道在当前周期j内第t个时间粒度的实测流量，T(I，j，t)为第t个时间粒度的时长，sat(headway)_(I，j)为第I条车道在当前周期j内的饱和车头时距，该饱和车头时距通过历史数据分析获得，依据上述公式计算得到绿灯初期饱和度GreenPre(s)_(I，j)，其中，T(I，j，t)取为m。

若绿灯时长能够被m秒整除，则依据上述公式直接计算得到绿灯末期饱和度GreenEnd(s)_(I，j)，其中，T(I，j，t)的值为m。

若绿灯时长不能够被m秒整除，则GreenEnd(s)_(I，j)为以h秒为时长的绿灯时长的最后一个时间粒度的饱和度计算值与绿灯时长的倒数第二个时间粒度的饱和度计算值的加权平均值，倒数第二时间粒度的时长为m秒，其具体计算公式为：

$\mathrm{GreenEnd}\left(s\right)\_(I,j)=\frac{m*\mathrm{GreenS}(I,j,k-1)+h*\mathrm{GreenS}(I,j,k)}{m+h},$ 其中，GreenS(I，j，k-1)及GreenS(I，j，k)分别表示绿灯时长的倒数第二个时间粒度及最后一个时间粒度的饱和度计算值。

绿灯中期饱和度GreenMid(s)_(I，j)则为绿灯中期内所有时间粒度的饱和度计算值的算数平均值。

步骤3、依据每条车道的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度判断当前车道在当前周期内的交通状态为畅通、拥挤或堵塞，其中，第I条车道在当前周期j内的交通状态LaneStateMode(I，j)的判断步骤为：

步骤3.1、判断第I条车道在当前周期j内的绿灯初期占有率GreenPre(o)_(I，j)、绿灯中期占有率GreenMid(o)_(I，j)、绿灯末期占有率GreenEnd(o)_(I，j)、红灯初期占用率RedPre(o)_(I，j)、绿灯初期饱和度GreenPre(s)_(I，j)、绿灯中期饱和度GreenMid(s)_(I，j)及绿灯末期饱和度GreenEnd(s)_(I，j)是否满足条件1或条件2，若满足，则跳至步骤3.2，否则，跳至步骤3.6，其中，

条件1为：Occ1≤GreenPre(o)_(I，j)≤100％且Occ3≤GreenMid(o)_(I，j)≤100％且Occ3≤GreenEnd(o)_(I，j)≤100％且Occ2≤RedPre(o)_(I，j)≤100％且0≤GreenPre(s)_(I，j)＜S1且0≤GreenMid(s)_(I，j)＜S1且0≤GreenEnd(s)_(I，j)＜S1；

条件2为：0＜GreenPre(o)_(I，j)≤100％且Occ1≤GreenMid(o)_(I，j)＜Occ3且Occ1≤GreenEnd(o)_(I，j)＜Occ3且Occ2≤RedPre(o)_(I，j)≤100％且0≤GreenPre(s)_(I，j)＜S2且S2≤GreenMid(s)_(I，j)＜S3且S2≤GreenEnd(s)_(I，j)＜S3；

步骤3.2、将计数器a的值加1，进入步骤3.3；

步骤3.3、判断计数器a的值是否不小于状态持续周期数DurN，若是，则进入步骤3.5，否则进入步骤3.4；

步骤3.4、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为拥挤，进入步骤3的下一步；

步骤3.5、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为阻塞，进入步骤3的下一步；

步骤3.6、将计数器a的值归0，进入步骤3.7；

步骤3.7、判断第I条车道在当前周期j内的绿灯初期占有率GreenPre(o)_(I，j)、绿灯中期占有率GreenMid(o)_(I，j)、绿灯末期占有率GreenEnd(o)_(I，j)、红灯初期占用率RedPre(o)_(I，j)、绿灯初期饱和度GreenPre(s)_(I，j)、绿灯中期饱和度GreenMid(s)_(I，j)及绿灯末期饱和度GreenEnd(s)_(I，j)是否满足条件3或条件4，若满足，则跳至步骤3.4，否则，跳至步骤3.8，其中，

条件3为：0＜GreenPre(o)_(I，j)≤100％且Occ2≤GreenMid(o)_(I，j)≤100％且Occ3≤GreenEnd(o)_(I，j)≤100％且Occ1≤RedPre(o)_(I，j)≤Occ2且0≤GreenPre(s)_(I，j)＜S2且0≤GreenMid(s)_(I，j)＜S2且0≤GreenEnd(s)_(I，j)＜S1；

条件4为：0＜GreenPre(o)_(I，j)≤100％且Occ3≤GreenMid(o)_(I，j)≤100％且Occ2≤GreenEnd(o)_(I，j)≤Occ3且Occ1≤RedPre(o)_(I，j)≤Occ2且0≤GreenPre(s)_(I，j)＜S2且0≤GreenMid(s)_(I，j)＜S1且0＜GreenEnd(s)_(I，j)＜S2；

步骤3.8、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为畅通，进入步骤3的下一步；

至此，可以判断出每条车道的交通状态，若希望得到交通路网中每个交叉路口的每条道路的交通状态，则可以进行步骤4，其中，第r条道路由同方向的n条车道组成的，如图3所示，该条道路交通状态的判断步骤为：

步骤4.1、设定常量Value(Free)、Value(Crowd)及Value(Jam)，Value(Free)、Value(Crowd)及Value(Jam)分别用来表示畅通、拥挤及阻塞，设定畅通下限阈值ValueFree_S、畅通上限阈值ValueFree_E、拥挤下限阈值ValueCrowd_S及拥挤上限阈值ValueCrowd_E，其中，ValueFree_S≤Value(Free)＜ValueFree_E，ValueCrowd_S≤Value(Crowd)≤ValueCrowd_E。针对上海市的交通道路状况，Value(Free)、Value(Crowd)及Value(Jam)可以分别设定为1、3、9，畅通下限阈值ValueFree_S、畅通上限阈值ValueFree_E、拥挤下限阈值ValueCrowd_S及拥挤上限阈值ValueCrowd_E可以分别设定为1、2、2、3；

步骤4.2、选择第r条道路的第一条车道；

步骤4.3、判断当前车道在当前周期j内的交通状态是否为畅通，若否，进入步骤4.4，若是，则将当前车道在当前周期j内的交通状态值设定为Value(Free)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤4.6，若否选择下一条车道返回执行步骤4.3；

步骤4.4、判断当前车道在当前周期j内的交通状态是否为拥挤，若否，则进入步骤4.5，若是，则将当前车道在当前周期j内的交通状态值设定为Value(Crowd)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤4.6，若否选择下一条车道返回执行步骤4.3；

步骤4.5、将当前车道在当前周期j内的交通状态值设定为Value(Jam)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤4.6，若否选择下一条车道返回执行步骤4.3；

步骤4.6、计算第r条道路在当前周期j内的道路交通状态值ApproachStateValue(j，r)， $\mathrm{ApproachStateValue}(j,r)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{LaneStateValue}(i,j)*[\mathrm{Greentime}(i,j,r)+\mathrm{Yellowtime}(i,j,r)]}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[\mathrm{Greentime}(i,j,r)+\mathrm{Yellow}(i,j,r)]},$ 其中，LaneStateValue(i，j)表示第r条道路中第i条车道的交通状态值，Greentime(i，j，r)及Yellowtime(i，j，r)分别表示第r条道路中第i条车道在当前周期j内的对应相位绿灯时长及对应相位黄灯时长；

步骤4.7、若ValueFree_S≤ApproachStateValue(j，r)＜ValueFree_E，则将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为畅通，否则，进入步骤4.8；

步骤4.8、若ValueCrowd_S≤ApproachStateValue(j，r)≤ValueCrowd_E，则将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为拥挤，否则，将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为阻塞。

步骤5、进入下一个周期，重新返回执行步骤2。

Claims (3)

1.一种基于停车线检测器的城市地面道路交通状态自动判别方法，其特征在于：步骤为：

步骤1、通过停车线检测器周期性获取城市地面道路交通路网中每个交叉路口的每条车道的流量及占有率，每个交叉路口的周期设定为该交叉路口红绿灯变化的周期，同时，以m秒为时间粒度对每个周期进行划分，设定计数器a，将其初始值设为0，并根据经验设定第一占有率阈值Occ1、第二占有率阈值Occ2、第三占有率阈值Occ3、第一饱和度阈值S1、第二饱和度阈值S2、第三饱和度阈值S3及状态持续周期数DurN；

步骤2、通过停车线检测器获取第I条车道在当前周期j内第t个时间粒度的占有率O(I，j，t)，计算每条车道在当前周期内的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度，其中，绿灯初期及红灯初期分别指绿灯及红灯时长的前m秒，若绿灯时长能够被m秒整除，则绿灯末期指绿灯时长的最后m秒，若绿灯时长不能够被m秒整除，则绿灯末期指绿灯时长的最后h秒，其中，h为将绿灯时长除以m秒所得到的余数，绿灯中期是指除去绿灯初期及绿灯末期的绿灯时长，设第I条车道在当前周期j的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度分别为GreenPre(o)_(I，j)、GreenMid(o)_(I，j)、GreenEnd(o)_(I，j)、RedPre(o)_(I，j)、GreenPre(s)_(I，j)、GreenMid(s)_(I，j)、GreenEnd(s)_(I，j)，则有：

GreenPre(o)_(I，j)、GreenEnd(o)_(I，j)及RedPre(o)_(I，j)分别为通过停车线检测器得到的绿灯初期、绿灯末期及红灯初期的实测占有率，GreenMid(o)_(I，j)为通过停车线检测器得到的绿灯中期内所有时间粒度的实测占用率的算数平均值；

第I条车道在当前周期j内第t个时间粒度的饱和度

其中，N(v)_(I，j，t)为通过停车线检测器得到的第I条车道在当前周期j内第t个时间粒度的实测流量，T(I，j，t)为第t个时间粒度的时长，sat(headway)_(I，j)为第I条车道在当前周期j内的饱和车头时距，该饱和车头时距通过历史数据分析获得，依据上述公式计算得到绿灯初期饱和度GreenPre(s)_(I，j)及绿灯末期饱和度GreenEnd(s)_(I，j)，绿灯中期饱和度GreenMid(s)_(I，j)则为绿灯中期内所有时间粒度的饱和度计算值的算数平均值；

步骤3、依据每条车道的绿灯初期占有率、绿灯中期占有率、绿灯末期占有率、红灯初期占用率、绿灯初期饱和度、绿灯中期饱和度及绿灯末期饱和度判断当前车道在当前周期内的交通状态为畅通、拥挤或堵塞，其中，第I条车道在当前周期j内的交通状态LaneStateMode(I，j)的判断步骤为：

步骤3.1、判断第I条车道在当前周期j内的绿灯初期占有率GreenPre(o)_(I，j)、绿灯中期占有率GreenMid(o)_(I，j)、绿灯末期占有率GreenEnd(o)_(I，j)、红灯初期占用率RedPre(o)_(I，j)、绿灯初期饱和度GreenPre(s)_(I，j)、绿灯中期饱和度GreenMid(s)_(I，j)及绿灯末期饱和度GreenEnd(s)_(I，j)是否满足条件1或条件2，若满足，则跳至步骤3.2，否则，跳至步骤3.6，其中，

条件1为：Occ1≤GreenPre(o)_(I，j)≤100％且Occ3≤GreenMid(o)_(I，j)≤100％且Occ3≤GreenEnd(o)_(I，j)≤100％且Occ2≤RedPre(o)_(I，j)≤100％且0≤GreenPre(s)_(I，j)＜SI且0≤GreenMid(s)_(I，j)＜SI且0≤GreenEnd(s)_(I，j)＜SI；

条件2为：0＜GreenPre(o)_(I，j)≤100％且Occ1≤GreenMid(o)_(I，j)＜Occ3且Occ1≤GreenEnd(o)_(I，j)＜Occ3且Occ2≤RedPre(o)_(I，j)≤100％且0≤GreenPre(s)_(I，j)＜S2且S2≤GreenMid(s)_(I，j)＜S3且S2≤GreenEnd(s)_(I，j)＜S3；

步骤3.2、将计数器a的值加1，进入步骤3.3；

步骤3.3、判断计数器a的是否不小于状态持续周期数DurN，若是，则进入步骤3.5，否则进入步骤3.4；

步骤3.4、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为拥挤，进入步骤3的下一步；

步骤3.5、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为阻塞，进入步骤3的下一步；

步骤3.6、将计数器a的值归0，进入步骤3.7；

步骤3.7、判断第I条车道在当前周期j内的绿灯初期占有率GreenPre(o)_(I，j)、绿灯中期占有率GreenMid(o)_(I，j)、绿灯末期占有率GreenEnd(o)_(I，j)、红灯初期占用率Re d Pre(o)_(I，j)、绿灯初期饱和度GreenPre(s)_(I，j)、绿灯中期饱和度GreenMid(s)_(I，j)及绿灯末期饱和度GreenEnd(s)_(I，j)是否满足条件3或条件4，若满足，则跳至步骤3.4，否则，跳至步骤3.8，其中，

条件3为：0＜GreenPre(o)_(I，j)≤100％且Occ2≤GreenMid(o)_(I，j)≤100％且Occ3≤GreenEnd(o)_(I，j)≤100％且Occ1≤RedPre(o)_(I，j)≤Occ2且0≤GreenPre(s)_(I，j)＜S2且0≤GreenMid(s)_(I，j)＜S2且0≤GreenEnd(s)_(I，j)＜S1；

条件4为：0＜GreenPre(o)_(I，j)≤100％且Occ3≤GreenMid(o)_(I，j)≤100％且Occ2≤GreenEnd(o)_(I，j)≤Occ3且Occ1≤RedPre(o)_(I，j)≤Occ2且0≤GreenPre(s)_(I，j)＜S2且0≤GreenMid(s)_(I，j)＜S1且0＜GreenEnd(s)_(I，j)＜S2；

步骤3.8、将第I条车道在当前周期j内的交通状态LaneStateMode(I，j)设定为畅通，进入步骤3的下一步；

步骤4、进入下一个周期，重新返回执行步骤2。

2.如权利要求1所述的一种基于停车线检测器的城市地面道路交通状态自动判别方法，其特征在于：在所述步骤3与所述步骤4之间进一步包括判断城市地面道路交通路网中每个交叉路口的每条道路的交通状态，其中，第r条道路由同方向的n条车道组成的，该条道路交通状态的判断步骤为：

步骤A、设定常量Value(Free)、Value(Crowd)及Value(Jam)，Value(Free)、Value(Crowd)及Value(Jam)分别用来表示畅通、拥挤及阻塞，设定畅通下限阈值ValueFree_S、畅通上限阈值ValueFree_E、拥挤下限阈值ValueCrowd_S及拥挤上限阈值ValueCrowd_E，其中，ValueFree_S≤Value(Free)＜ValueFree_E，ValueCrowd_S≤Value(Crowd)≤ValueCrowd_E；

步骤B、选择第r条道路的第一条车道；

步骤C、判断当前车道在当前周期j内的交通状态是否为畅通，若否，进入步骤D，若是，则将当前车道在当前周期j内的交通状态值设定为Value(Free)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤F，若否选择下一条车道返回执行步骤C；

步骤D、判断当前车道在当前周期j内的交通状态是否为拥挤，若否，则进入步骤E，若是，则将当前车道在当前周期j内的交通状态值设定为Value(Crowd)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤F，若否选择下一条车道返回执行步骤C；

步骤E、将当前车道在当前周期j内的交通状态值设定为Value(Jam)，判断是否计算完第r条道路的所有车道，若是，则并进入步骤F，若否选择下一条车道返回执行步骤C；

步骤F、计算第r条道路在当前周期j内的道路交通状态值ApproachStateValue(j，r)， $\mathrm{ApproachStateValue}(j,r)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{LaneStateValue}(i,j)*[\mathrm{Greentime}(i,j,r)+\mathrm{Yellowtime}(i,j,r)]}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[\mathrm{Greentime}(i,j,r)+\mathrm{Yellow}(i,j,r)]},$ 其中，LaneStateValue(i，j)表示第r条道路中第i条车道的交通状态值，Greentime(i，j，r)及Yellowtime(i，j，r)分别表示第r条道路中第i条车道在当前周期j内的对应相位绿灯时长及对应相位黄灯时长；

步骤G、若ValueFree_S≤ApproachStateValue(j，r)＜ValueFree_E，则将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为畅通，否则，进入步骤H；

步骤H、若ValueCrowd_S≤ApproachStateValue(j，r)≤ValueCrowd_E，则将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为拥挤，否则，将第r条道路在当前周期j内的道路交通状态ApproachState(j，r)设定为阻塞。

3.如权利要求1或2所述的一种基于停车线检测器的城市地面道路交通状态自动判别方法，其特征在于：在所述步骤2中，若绿灯时长不能够被m秒整除，则第I条车道在当前周期j的绿灯末期占有率GreenEnd(o)_(I，j)为以h秒为时长的绿灯时长的最后一个时间粒度的实测占有率与绿灯时长的倒数第二个时间粒度的实测占有率的加权平均值，第I条车道在当前周期j的绿灯末期饱和度GreenEnd(s)_(I，j)为以h秒为时长的绿灯时长的最后一个时间粒度的饱和度计算值与绿灯时长的倒数第二个时间粒度的饱和度计算值的加权平均值。

Images