英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料
基于车道实时队列长度估计使用车牌识别数据
作者：Xiaoyuan Zhan、Ruimin Li、Satish V Ukkusuri
摘要
车牌识别（LPR）数据是提供丰富信息的新兴数据源，估计城市干线交通状况。而大型LPR系统在美国不常见，近几年来，迅速发展和实施世界许多地方（如中国，泰国和中东地区）。由于隐私问题，LPR数据很少可用于研究社区。但是，可用时，这些数据来源在估计运输系统中的实时操作指标方面可能很有价值，电信设备制造商。本文提出了一种基于路线的实时队列长度估计模型车牌识别（LPR）数据。在该模型中，基于的插值方法开发高斯过程来重建等效的累积到达离开每条车道曲线。无法识别或无与伦比的车辆的缺失信息是从重建的到达曲线获得。随着完整的到达和离开信息，应用基于car-based的模拟方案来估计每个车道的实时队列长度。所提出的模型使用地面实况验证中国廊坊市最长队列长度信息。结果表明该模型可以捕获地面真值数据中队列长度的变化，并且可以合理地估计每个信号周期的最大队列长度准确性。使用提出的模型的估计队列长度信息可以作为一个实时流量控制应用程序的有用性能指标。
概述
队列长度一直被认为是测量信号交叉口性能的关键因素或信号优化。以前队列长度估计的研究依赖于来自数据源的信息，例如环路检测器数据（Skabardonis和Geroliminis，2008），基于事件的信号和车辆检测数据和移动通信传感器。前两种方法通常使用聚合级交通信息（例如交通流，密度和速度），固定传感器的覆盖范围有限，并且需要额外的费用来安装额外的物理下行tructures。另一方面，使用来自移动传感器（例如，GPS数据）的数据不需要固定的传感器并且相对地使用覆盖面较大然而，它对于实际的实现有其自身的限制，例如需要专用的GPS车队装备精良的车辆，渗透率低，难以实时收集和处理分散数据。
车牌识别（LPR）数据是城市和公路运输系统中的新兴数据源。由于一个广泛的交通应用，包括自动收费，执法，交通监控和紧急情况在许多国家，几年来，大规模LPR系统的部署迅速。例如，北京有一个LPR系统，2010年有374个高清（HD）LPR相机，这个数字预计将增加到3000个2015年（北京市委2012年）。这样的LPR系统提供了一种新颖而丰富的数据源，可以进行记录的车辆在交叉点的停靠线处离开时间戳，并且允许重新识别相同的车辆车辆经过连续的十字路口。 LPR数据有三个独特的特点：首先，在交叉点，LPR摄像机记录所有离开停车线的车辆的高精度和完整的时间戳记序列在每条车道上;第二，记录的车牌号能够跟踪同一车辆上游和下游交叉口，可以容易地获得链接行进时间;第三，由于LPR cam-监视动脉的每个通道的停止线，可以实现详细的基于车道的交通状态估计。鉴于LPR数据的独特功能，链路行程时间估计可以轻松实现，并已在几个方面进行了探索使用LPR数据开创性的研究。然而，由于隐私问题，LPR数据是很少提供给研究界，并且研究开发数据分析的研究工作有限复杂的运输应用，如实时动脉队列长度估计。另一方面，因为缺乏相关的建模方法，这些有价值的数据只能被记录并用于执法，机构。 LPR数据提供了非常好的车辆重新识别准确性，因为唯一标识的车牌与其他车辆重新识别数据源相比的数字，例如。双环检测器和车辆签名。这是因为使用LPR数据重新识别车辆是基于唯一的车牌信息，而在其他情况下接近标识符遭受各种不准确之处。例如，车辆长度不是车辆的唯一标识符，并且通过双环路检测器的车辆长度估计也容易出错。据Coifman和Cassidy说（2002）中，从双环路检测器获得的长度测量可能只能准确到两英尺（或更差）。在上另一方面，磁信号（车辆识别方法）对于每个车辆也不一定是唯一的，并且容易出现磁力扰动（Kwong等人，2009），其受到各种因素的影响，例如车速，传感器的分辨率和环境条件。此外，LPR数据不存在存在的低渗透率的问题GPS探测车辆数据，因为LPR摄像机记录了几乎所有车辆从交叉路口出发，而GPS探测器车辆数据仅监控少部分车辆交通。此外，由于LPR数据被记录并保存在集中式系统中，因此克服了实现 - 在分散的基于GPS数据的方法中经常出现的实时数据采集和处理困难。LPR数据的这些特征为开发利用LPR数据进行测量的新型分析模型提供了重要的价值城市操作性能指标，如实时动脉队列长度。在文献中，队列长度估计方法一般可分为两类：投入产出模型和冲击波模型（Lighthill and Whitham，1955; Richards，1956; Stephanopoulos and Michalopoulos，1979;Skabardonis和Geroliminis，2008; Liu et al。，2009; Ban et al。，2011）。输入 - 输出模型估计队列长度基于对链路的累积流量输入 - 输出（到达 - 离开曲线）的分析。这种类型的模型有一个sim-然而，整体概念性质受到无法捕获实际动脉交通中的空间排队的限制。该近来受到越来越多关注的冲击波模型解释了使用交通工具排队的形成和耗散，fic冲击波理论。冲击波模型为队列长度估计提供了更好的分析框架，但是，可能不直接适用于LPR数据。这是因为从LPR数据获得的信息（离散车辆）。
这项工作有助于文献的以下几个方面：
- 首先利用和利用LPR数据的独特特征进行动脉队列长度估计的研究之一。
- 混合建模框架，结合统计机器学习技术和完善的交通流量队列长度估计理论。
- 可以从模型中获得详细的车道级队列长度估计，并允许高效实时实现。
- 来自两个现场实验的实际LPR数据和地面真实队列长度数据用于测试和验证该模型。 文献中从未使用类似的测试和地面实况数据。
本文的组织结构如下：下一节介绍拟议模型的方法; 第三和第四部分介绍了现场实验设计和数值计算结果; 最后一节结束了本文。
实现方法
本节介绍所提出的基于通道的实时队列长度估计模型的细节。 在本文中，我们将队列长度作为队列中的车辆数量。 队列长度估计中有两个主要模块程序：
（1）等效累积到达 - 离开曲线重建
（2）通过边界约束车辆跟随模型进行队列长度估计
在典型的LPR系统中，虚拟检测区设置在每个通道的停止线后面，通常具有大小小于或等于车辆所占的面积。只有当车辆通过虚拟机时，LPR相机才会拍摄照片检测区。覆盖虚拟检测区域的固定车辆在通过该区域之前将不会被记录。从而当车辆通过停车线时，可以获得准确的时间戳以及他们认可的牌照号码。由于照明（白天或夜晚），天气，车辆运动等都会有一定的识别错误。这种识别错误将导致无法识别或错误识别的车牌号码。这两种情况都会导致车辆记录上游和下游交叉口之间的无与伦比的车牌号码（称为无与伦比的车辆）。然而，通过交叉路口的每个车辆的时间戳可以以非常高的精度被记录，即使在车牌未正确识别。因此，从下游出发的精确出发曲线可以获得道路的交叉点（因为仅使用经过的时间戳信息）。另一方面，它是由于缺少信息，不足以获得上游交叉口的准确到达曲线无与伦比的到达车辆。在最糟糕的情况下，这种无与伦比的到达车辆可以达到所有抵达的多达50-70％车辆在某些情况下。使用现场实验对不可比拟到达的比例进行更详细的调查，下游出发和上游到达车辆之间的匹配失败，由于以下原因：（1）无法识别车牌号码，导致车辆车牌记录为“未被认可”的数字，以下车辆被称为未识别车辆; （2）错误认可牌照号码和（3）车辆从不受监控的车道进入，例如车辆右转车道，如红色的右转动作通常被允许并且不被监视。准确到达离境信息对于估计每个通道上的队列长度至关重要。来自流程的不完整的信息希望直接实现LPR数据进行队列长度估计，从而重建到达过程变得必要我们提出了一种等效的累积到达 - 离开曲线重构子模型高斯过程。该模型推测并重建了满足先入先出的等效到达过程（FIFO）规则。由于车道变换行为的影响，FIFO通常在实际的LPR数据中不能满足，在车道线上对排队过程建模造成重大困难。在这项研究中，我们考虑到等同的到来而不是实际的到达时间。相当的到达时间不是实际的到达时间，而是最可能的到达时间假设车辆考虑的时间遵循以所提供的信息为特征的相同到达过程然而，在循环期间在车道上的所有其他观察到的对等到达车辆不执行车道改变操作。该相当的到达时间考虑到在其内进行车道更换所产生的额外（或更少）行驶时间道路段，并为每条车道强制执行严格的FIFO。然后可以应用基于车辆跟踪模型的模拟方案估计排队过程。接下来的几个小节将介绍相应的方法和算法累积到达 - 离开曲线重建和队列长度估计。
2.1等效累积到达 - 离开曲线重建
重建等效累积到达曲线的关键要素是推断不匹配的到达曲线的信息。 就像我们一样观察匹配车辆的到达时间，我们需要推断出无与伦比的到达车辆的到达时间，克莱斯。这相当于找到由匹配指定的固定点给出的最可能的到达曲线插值汽车。在本研究中，我们开发了基于高斯过程的新型插值模型来解决等效累积到达曲线重建问题。高斯过程是贝叶斯统计建模和机器中的强大方法学习，其模型有限线性组合的样本作为联合高斯分布。高斯过程定义了一个先前的概率分布函数直接和在无数无限空间上分布功能（Roberts等，2013）。该功能使高斯过程成为等效到达曲线重构的理想工具，因为问题是找到最可能的函数（到达曲线），而不是预测具体值。我们的本文中高斯过程的讨论仅限于建立准确的等效到达离开曲线;更详细的背景信息在Bishop（2006）和Roberts等人（2013年）。
2.2高斯过程插值模型
我们开始讨论，首先建模来自上游信号交叉口的车辆的平均到达过程。在
这项研究，上游和下游交叉点的确切信号时序计划是已知的。考虑信号具有图4所示的四相的时序计划。进入调查链接的到达车辆可以视为三个到达过程的组合：（1）第一阶段通过运动的到达车辆; （2）抵达车辆从右转转动整个周期1; （3）从左转弯运动到达车辆在最后阶段正交方法中的车道。在这项研究中，假设每个状态的到达率具有恒定的平均到达速率，其变化由扰动项g控制。更具体地说，对于第一和第三次到达过程中，我们引入两个到达率：饱和排放流量和正常到达流量用于来自上游交叉口的直通运动（左转运动）的车辆。饱和放电流量对应于当信号变为绿色时从队列中排出的车辆，这被认为仅发生在时间段0内。正常到达流对应于到达的车辆在队列已经完全消散并且没有体验排队过程之后的交叉路口。
在算法2中，步骤1预处理直接构建出发曲线的数据，并创建所有车辆的索引，基于准确的车辆离开数据，相互匹配（不匹配）。 到达车辆中的FIFO违规然后过滤掉由车道变换行为引起的记录。 这些过滤的到达车辆将被标记为无与伦比的，并与其他无与伦比的到达车辆一起推断。 为了确保高斯预处理中的核函数（方程（3）），塞斯插值模型被明确定义，每个信号周期必须存在至少两个匹配的车辆记录。 这是通过识别每个信号周期的周期起始车辆，从而保证在步骤3中，因此至少两个匹配的数据点（当前周期和下一个周期的起始车辆）存在，而高斯过程模型总是被明确定义可解。 通过顺序检查3个条件来识别循环起始车辆进行。
2.3通过边界限制车辆追踪模型进行队列长度估计
虽然LPR数据提供了车辆何时通过道路的上游和下游交叉路口的信息，道路段内车辆的实际轨迹是未知的。估计给定边界的队列长度在LPR数据中规定的条件下，我们引入了边界约束的汽车跟踪模拟方案。挑战在开发合适的跟随车辆模型时，要确定一个能够满足交通工具边界限制条件的模型，故事并非过于复杂，因此可以进行快速计算。虽然很多车跟随在文献中已经提出了模型，将这种模型应用于队列长度估计问题的难度在本文中出现的几个方面：（1）大多数追尾车型至少需要一些车辆轨迹被认为允许追踪行为，但这在这个问题上是未知的; （2）虽然更多的精致但复杂的车辆跟随模型（例如，更高阶的跟随车型，同时考虑车辆 考虑到车辆状态信息有限，cle的位置，速度和加速度）将更好地捕获交通行为从LPR数据来看，对驾驶员行为和边界控制条件的大量额外假设需要引入以确保边界约束的满足。这将增加建模，校准的难度并计算得到的模型。在这项研究中，我们提出了一个优雅的边界约束汽车跟随模型简单，使用最小的附加假设，并完全满足LPR数据中指定的边界条件。
本研究中的边界约束车辆跟随模型从一阶最优速度（OV）由Tordeux等人开发的汽车追踪模型（2015年）。 Tordeux的汽车跟随模型可以被看作是一流的sim-仅基于最佳速度的经典OV跟随模型（Newell，1961; Bando等人，1995）的整理功能和驾驶员的反应时间。它为队列长度估计提供了几个特别理想的特征，本研究的主要内容：（1）Tordeux的车辆跟踪模型中的速度函数仅取决于所需的行驶速度和当前车辆与其前身之间的间隙距离，这允许在结合边界方面具有很大的灵活性LPR数据中规定的条件; （2）参数数量最少，可以减轻校准难度具有丢失轨迹信息的车后跟模型; （3）模型保证无碰撞状态在停车状态下数值稳定，对排队过程进行建模至关重要; （4）与二次车型和车辆相比，Tordeux的跟车车型的计算成本便宜并行更新，这样可以高效地实时估计队列长度。
现场实验设计
本文提出的基于车道的队列长度估计模型使用实际LPR数据进行了测试，并进行了验证
使用地面实况循环最大队列长度数据从两个现场实验收集。 LPR数据和地面实况数据来自河北省廊坊市和平路720米段北行，中国。田间实验设计如图1所示。高清摄像机放置在下游交叉路口在实验中记录实际排队的视频。录制的视频数据被手动处理获得每个通道的逐周期最大队列长度作为地面真值数据。第一场实验于2014年7月9日上午7:30至9:00进行了LPR数据的获取。但是，高清视频摄像机最初未正确定位，导致队列结束的不准确测量。问题是在上午8时左右发现并解决，因此只有上午8时至9时的地面真相数据可用于执行验证提出的模型。 2014年11月26日进行了更为全面的现场实验从上
全文共5793字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144621]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
