: 基于低渗透率车辆轨迹数据的信号交叉口交通状态估计不确定性量化

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:Uncertainty quantification for traffic state estimation at signalized intersections with low penetration vehicle trajectory data

【字体: 大 中 小 】 时间:2026年08月27日 来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 8.4

编辑推荐:

  研究人员提出了一种新颖的隐马尔可夫模型(HMM)公式,用于估计未知的交通状态与参数。通过贝叶斯估计方法实现了交通状态与参数估计的不确定性量化。解决了基于低渗透率车辆轨迹数据进行交通估计的数据充分性挑战。

  
研究人员提出了一种新颖的隐马尔可夫模型(HMM)公式,用于估计未知的交通状态与参数。通过贝叶斯估计方法实现了交通状态与参数估计的不确定性量化。解决了基于低渗透率车辆轨迹数据进行交通估计的数据充分性挑战。
研究背景与意义
交通状态估计长期以来是交通运输研究与实践中的关键课题,因为它直接支持交通控制与运行操作,涉及从可用数据源中推断密度、速度和排队长度等交通状态表征。近年来,通过导航软件和网约车平台等不同资源,获取低渗透率车辆轨迹数据变得日益普及。与受限于安装成本和有限检测范围的固定位置传感器相比,车辆轨迹数据为交通监测提供了一种可扩展、可持续且具有成本效益的方法,并具有更广泛的时空覆盖范围。然而,由于低渗透率,车辆轨迹数据存在稀疏性和不完整性的主要局限性。尽管许多现有研究提出了从有限观测中推断未知交通状态和参数的方法,但大多数方法侧重于点估计,并未明确量化由观测不足引起的估计不确定性。这种不确定性量化至关重要,因为它揭示了应对推断的交通状态和参数赋予多少置信度。此问题在依赖历史数据聚合的统计估计框架中尤为重要,虽然聚合更多数据可以稳定到达率和渗透率等估计量,但也会使平稳性假设的可信度降低。此外,估计的交通量通常作为下游交通建模、交通运行和系统优化问题的输入,在此类应用场景下,当估计误差不可忽略时,仅使用点估计可能导致脆弱或过度自信的决策。为此,研究人员开展了一项研究,提出了一种基于低渗透率车辆轨迹数据的信号交叉口交通状态估计贝叶斯估计框架。该框架产生分布式估计结果,并在有限观测下明确量化不确定性,从而为交通状态和交通参数提供不确定性感知的推断。该研究不仅揭示了交通状态和参数本身的可靠性,还解决了数据充分性挑战,为随机或稳健交通运行模型提供了更合适的输入。该研究成果发表在《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》期刊上。

关键技术方法
研究人员提出了一种概率公式,将轨迹观测与潜在排队动态联系起来。在该公式中,可观测状态由从车辆轨迹中提取的观测到达和停止位置组成,而隐藏的交通流动态由随机点队列过程表示。基于此,构建了隐马尔可夫模型(HMM,一种包含隐藏状态的马尔可夫过程模型)框架,并开发了递归贝叶斯估计框架,该框架联合推断隐藏交通状态和未知交通参数。研究人员采用广义噪声模型来处理观测停止位置中的误差,并使用最大后验估计(MAP,后验分布中概率密度最大的点估计)和网格采样方法获取参数的后验分布。研究使用SUMO微观仿真环境进行模拟验证,并使用了来自NGSIM Peachtree Street数据集的真实轨迹数据进行现实世界验证。

研究结果

模拟验证设置
研究人员使用SUMO微观仿真环境来验证所提出的方法。实验模拟了一个孤立的单一运动,车辆到达遵循齐次泊松过程,并假设固定渗透率。每辆车的自由流速度服从截断正态分布,随机堵塞间距通过随机车辆长度和车辆间距直接生成,随后对真实停止位置加入高斯扰动以模拟定位和其他固定尺度观测误差。

参数估计与可信区间验证
通过网格采样获得到达率和渗透率的联合后验分布。随着纳入更多数据,后验质量变得越来越集中,表明估计不确定性降低,且最大后验估计收敛于真实值。后验质量沿左上至右下的对角线拉长,表明到达率和渗透率之间存在负相关性。实验计算了经验覆盖概率(ECP,真实值落在区间内的实验频率)以验证可信区间(CI,后验分布中包含一定概率质量的区间),结果表明ECP通常与标称CI水平一致。估计中存在约1%的系统偏差,这是由于被视为已知常数的输入超参数(如饱和流量率、有效绿灯开始时间、平均堵塞间距等)的偏差引起的。

参数估计的敏感性分析
研究人员测试了噪声项σ1和σ2对参数估计的影响。结果表明,假设更大的噪声尺度会略微增加到达率估计的平均区间宽度(AIW,多次实验中区间的平均宽度),但对渗透率不确定性的影响可以忽略不计。观测停止位置的噪声对参数估计的不确定性和准确性影响很小,这表明在低渗透率下,大部分系统不确定性源于稀疏观测和随机交通需求,而不是观测车辆停止位置的噪声。这一发现支持了以往研究中忽略随机驾驶行为的假设。

实时排队长度估计
在实时排队长度估计中,当没有观测到轨迹时,不确定性几乎呈线性增加,而在有新观测可用时则下降。排队长度估计的不确定性主要取决于观测次数,而不是输入参数的不确定性。由于实时估计严重依赖于每个周期内可用的实时流数据,低渗透率下的稀疏观测对实时排队长度估计的益处有限。输入到达率的偏差会对实时排队长度估计产生额外偏差,且在较低渗透率下影响更大。

额外验证与比较
研究人员将所提框架与基于停止位置的基准方法进行了比较。结果表明,所提方法在到达率、渗透率和红灯结束排队长度的估计上始终保持较低的误差。在不确定性量化比较中,所提方法产生了更窄的区间,因此相比基准方法更准确地反映了估计的不确定性。在NGSIM Peachtree Street数据集的验证中,后验区间的ECP保持接近标称可信区间水平,表明该方法在真实数据上的后验区间是可靠的。

讨论与结论
研究人员总结得出,通过观测更多的车辆停车,参数估计结果得到改善,即不确定性降低且准确性提高。这意味着对于交通量更大、延误和停车次数更多的拥挤运动,达到相同估计精度所需的历史数据更少。观测噪声对估计的影响微乎其微。对于实时排队长度估计,准确性主要取决于每个周期内可用的实时流数据,低渗透率下的稀疏观测提供的益处有限,表明低渗透率可能不足以支持高度响应的信号控制策略。当前框架假设参数在估计期间近似平稳,如果交通条件发生显著变化,模型失配可能会增加,将该框架扩展到时变或自适应参数估计是未来研究的重要方向。此外,该方法需要信号配时作为已知输入,因为信号状态驱动着潜在的排队动态。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号