作者：Chaopeng Tan, Lei Liu, Hao Wu, Yumin Cao & Keshuang Tang

已见刊于：Journal of Intelligent Transportation Systems, 2020, 24(5), 449-466, DOI: https://doi.org/10.1080/15472450.2020.1732217.

关键词：数据融合、初始排队、车牌识别数据、浮动车轨迹、排队长度、信号控制交叉口

排队长度是评价信号控制交叉口运行性能的最重要指标之一。随着智能网联技术的发展，利用车辆轨迹数据来估计排队长度已经受到广泛的关注。但是，现有的大多数方法都基于特定的假设，例如已知的到达模式或高渗透率的抽样轨迹。此外，在稀疏轨迹环境下，大多数方法都不够稳定甚至无法实施。因此，本研究引入车牌识别（LPR）数据与轨迹数据进行融合，提出一种基于车道的排队长度估计方法，方法流程图如图1所示。

图1未饱和情况下数据融合方法流程图

首先，通过将LPR数据与抽样轨迹数据进行匹配，可以标定各类车辆（未饱和情况下的排队车辆和非排队车辆，过饱和情况下的一次排队车辆和二次排队车辆）的排队离去车头时距与通过停车线时间的二维概率密度分布；然后，基于周期内观测到的抽样轨迹可以推导排队车辆的上下界；最后，基于贝叶斯理论可以分别推导未饱和情况下的车道级排队长度以及过饱和情况的初始排队的最大概率。

本文方法通过仿真和实证案例都进行了评估。仿真结果表明，在抽样轨迹渗透率低至3%的条件下，本文提出的方法可以在未饱和及过饱和情况下都实现排队长度的准确估计。而实证结果表明，本文的方法优于仅使用抽样轨迹的方法，平均绝对误差MAE和平均相对误差MAPE分别为2.67辆/周期和10.4%，现有方法则分别为2.8辆/周期和14.8%。

本研究的学术贡献在于：1）提出了一种融合LPR和抽样轨迹数据的方法，可以同时估计各周期车道级未饱和情况下的最大排队长度以及过饱和情况下的初始排队。与现有方法不同，本文的方法无需任何先验的到达假设，在极低渗透率条件下同样可以使用；2）利用核密度估计方法推到了不同类型的车辆的车头时距及通过停车线时刻的二维先验分布，该分布同样可以用于其他研究的排队长度估计。