交叉口信号参数估计研究及发展

吴成峰

摘 要：交通信號从一开始就是我们交通网络不可或缺的元素，在可预见的未来不太可能改变形式或功能。本文的主要目的在于梳理交叉口信号参数估计方面的研究情况，以及信号参数估计这一领域的研究发展过程，并分析其使用的数据特点、方法模型、参数估计的精确程度，找出当前研究的不足之处，更进一步的研究提供基础。

关键词：交叉口;浮动车数据;信号周期;绿灯时间

0 引言

城市规模的交通信号相位和定时（TSPaT）信息，包括相位方案、周期长度和定时计划的绿色长度，是各种车载应用不可或缺的输入。在理想情况下，信号灯颜色的估计和相位是已知的，通过控制车速，使车辆到达时为绿色通行。

但是，直接从当地交通管理部门获取TSPaT信息并不容易。一个原因是不同的红绿灯可能来自不同的厂家，属于不同的主管部门。因此，以传统的方式获取这种全市范围的信息是具有挑战性和耗时的。为了克服这些困难并获得城市范围的TSPaT信息，从其他数据源估计信号定时参数是一个更好的可能方向。

1 交叉口信号周期估计

Fogel等人（1988）[8]首先提出了一种基于周期图的方法来求解未知周期。Fayazi等人（2016）[7]计算了几个连续绿色启动的平均值的方差，以找到一天中的偏移变化。然而，他们只考虑偏移变化作为周期断点，而没有考虑其他情况，如周期长度变化和绿色分割变化。

2 利用上下游行驶时间估计交叉口信号

为了寻求收集TSPaT信息的方便和经济的方法，一些研究人员开始利用其它数据。Ban等人（2009）[1]从样本行驶时间中提取交叉口的延迟模式，即在所研究的交叉口的上游和下游位置之间收集的行驶时间，然后使用延迟模式来估计信号定时参数。 Hao 等人（2012）[2]改进了上述方法，采用支持向量机方法进行信号定时估计。

3 GPS轨迹估计交叉口信号

Kerper等人（2012）[4]开始利用GPS轨迹数据对固定时间控制的交叉口信号进行估计。数据来自高采样频率为1赫兹的模拟，显示了不同于典型商业低频FCD的高渗透率。该方法通过观察车辆相对于停车线距离的加速运动来确定绿灯时间的开始。周期长度计算为绿色时间间隔连续开始的时间差。

Yang 等人（2012）[3]将冲击波模型引入SPaT信息估计。然而，其中模拟结果是从高穿透率的要求条件中导出的，该条件假设大部分速度信息可以通过高采样数据获得。 Chuang 等人（2015）介绍了用于从全球定位系统轨迹中发现目标交叉点的相位定时信息的冲击波模型。通过冲击波模型给出了车辆通过交叉口的速度轨迹，并利用它来推断交通信号的时间信息。但是它们使用的轨迹是高频率采样的（1 Hz），因此很难在许多实际场景中使用。

Protschky等人（2015）[5]提出了一种三次误差策略，使用高采样率GPS轨迹重建交叉口的周期长度。他们的直觉是，当轨迹以正确的周期长度折叠时，可以观察到清晰的轨迹模式，而当轨迹以错误的周期长度折叠时，则无法检测到模式。

Axer等人（2017）[6]开发了一种分阶段的方法，该方法允许基于浮动车数据（FCD）为时间相关的固定时间控制和驱动交叉口估计信号定时信息，如周期长度、绿色和红色时间间隔。

4 研究现状总结

通过对相关文献的归纳与总结，发现目前在利用浮动车轨迹数据估计交叉口信号方案的研究上存在以下不足：

（1）早期对交叉口信号定时参数的估计，主要是以交叉口上下游采集的车辆行驶时间作为基础数据来进行交叉口信号定时估计。

（2）上述研究在利用浮动车数据估计信号方案时，主要以某个单独的实例为研究对象，其数据单一的，没有考虑轨迹数据量、轨迹信息采样率、交叉口饱和度等因素对信号方案估计的影响。

（3）在利用低采样率轨迹数据进行信号方案估计时，都做了限制性的假设，大大降低了方法的可迁移能力。

（4）目前对具有多个信号方案交叉口的参数估计研究不足，特别是周期相同而方案不同的情况少有研究。

参考文献：

[1]Ban X，Herring R，Hao P，et al.Delay Pattern Estimation for Signalized Intersections Using Sampled Travel Times[J].Transportation Research Record：Journal of the Transportation Research Board， 2009（1）：119.

[2]Hao P.Signal Timing Estimation Using Sample Intersection Travel Times[J].IEEE Transactions on Intelligent Transportation Systems，2012，13（2）.

[3]Yang，Cheng，Xiao，et al.An Exploratory Shockwave Approach to Estimating Queue Length Using Probe Trajectories[J].Journal of Intelligent Transportation Systems，2012.

[4]Kerper M，Wewetzer C，Sasse A，et al.Learning Traffic Light Phase Schedules from Velocity Profiles in the Cloud[C].New Technologies，Mobility and Security （NTMS），2012 5th International Conference on.IEEE，2012.

[5]Protschky V，Ruhhammer C，Feit S.Learning Traffic Light Parameters with Floating Car Data[C].2015 IEEE 18th International Conference on Intelligent Transportation Systems-（ITSC 2015）.IEEE，2015.

[6]Axer S，Friedrich B.Signal timing estimation based on low frequency floating car data[J]. Transportation Research Procedia，2017（25）：1648-1664.

[7]Fayazi S A，Vahidi A.Crowdsourcing Phase and Timing of Pre-Timed Traffic Signals in the Presence of Queues：Algorithms and Back-End System Architecture[J].IEEE Transactions on Intelligent Transportation Systems，2016，17（3）：870-881.

[8]Fogel E，Gavish M.Parameter estimation of quasi-periodic sequences[C].International Conference on Acoustics，Speech，&Signal Processing，Icassp.IEEE， 1988.