车辆轨迹重组方法研究

(重庆交通大学 重庆 400074)

一、引言

车辆行驶轨迹是驾驶员的主观意识和其所在的客观实际条件下形成的，车辆轨迹不仅反映了各个车辆每时每刻的行车位置，而且从大量的车辆行驶轨迹中可以挖掘出道路的实时交通信息，对交通规划和预测提供有利的数据支持。但在实际中，由于设备故障、数据传输丢失、缓存数据的溢出等原因，所获取的车辆轨迹数据不完整，所以重组车辆的运行轨迹能够全方位的为交通参数的预估和交通信号的控制方案提供有利的实时数据，对促进我国交通的发展有重要的现实意义。

二、研究现状

Jianhao Yang等提出了一个集成的宏观微观框架来重建现实网络的完整车辆路径；Zhanbo Sun等基于移动交通传感器获得的样本车辆轨迹和延迟的信号交叉口激波边界估计模型，用于对车辆的短轨迹进行重构；Marcello等提出了一种模拟的验证框架，利用NGSIM数据特征、驾驶行为以及宏观交通模型来验证重建轨迹的精确度；唐克双等针对城市干道实际交通数据条件，通过融合定点检测器的交通信号配时数据结合交通波动理论和交通仿真的思想，开发了一种车辆轨迹重构的方法。

三、车辆轨迹重组方法

(一)基本思想。中国的城市道路大多是信控交叉口，部分交叉口设置AVI系统，并在路段上游设置顶点检测器，首先通过交通仿真模拟出可产生的无数可能的车辆行驶轨迹，然后结合实际，加入约束条件筛选出符合要求的合理轨迹，最后根据实际运行参数选出最佳的行驶轨迹，完成车辆轨迹的重组。

(二)粒子滤波理论。粒子滤波利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量接近无穷大时可以逼近任何形式的概率密度分布。

(三)基于粒子滤波的轨迹重组。本文中描述方法，它的更新状态空间概率曲线近似真实状态空间，使用影响车辆空间-时间轨迹的五个校正因子来更新和近似任何车辆的真实状态空间概率曲线。校正因子为：路径一致性因子，行程时间一致性因子，可测量标准因子，重力流模型因子和路径-链路流匹配因子。

根据上述分析，车辆轨迹重构方法是总结如下︰

步骤1： 初始化粒子集(x1,x2…xi)

设x1,x2…xi作为初始粒子集。P(x1),P(x2)…P(xi)代表先前的粒子概率。

没有历史轨迹数据，粒子的先前概率被设置为1/i，其中i表示粒子的数量。

步骤2：重要性抽样

对于i=1,2，…，i，假设粒子的概率分布服从从先前重要性采样导出的密度函数，五个重要性采样过程基于五个校正因子。

路径一致性的权重更新公式表示如下：

在第一重要性采样之后，保留四个重新采样过程(即，行进时间一致性，可测量性准则，重力流模型和路径-链路流匹配)。第一重要性采样过程命名为步骤2.1，计算过程如下：步骤(1)-步骤(2.1)-步骤(2.2)-步骤(2.3)-步骤(2.4)-步骤(2.5)-步骤(3)。剩余的四个采样过程类似于第一个。

步骤3：输出重组轨迹

在粒子滤波理论的基础上，所有可能轨迹的后验概率为描述如下：

根据后验状态空间曲线，最终结果从曲线中的最大权重获得。

四、结语

为了重建轨迹，将一组完整的车辆空间-时间轨迹数据集合中导出初始可能的粒子集合，用于生成初始轨迹集的方法通常涉及流量分配或路径流估计，流量分配用于在合理的条件下向道路分配流量需求。但是，通过此方法选择的路径通常不如真实路径集有效。这种方法高度依赖于AVI数据和其他检测器，如果检测器在路段上覆盖率低，则可能丢失许多可能的轨迹。