作者：Keshuang Tang, Hao Wu, Jiarong Yao, Chaopeng Tan and Yangbeibei Ji*.

已见刊于：Transportmetrica B: Transport Dynamics. 2021, pp. 1-19.

https://doi.org/10.1080/21680566.2021.1991504

关键词：信控交叉口、排队长度、电警数据、车辆漏检、EDM算法

信号交叉口作为城市道路网络中的重要节点，也是交通拥堵的常发地点。排队长度能够形象、直观地反映交叉口的拥挤程度，是交叉口运行效率评价的重要指标之一，也是交叉口信号控制优化的重要参数。目前，国内外关于排队长度估计的研究主要基于累积交通流输出输入模型和交通波理论模型。前者只适用于排队长度未超过检测器位置的情况，且该模型无法得到排队长度的时空演化规律；后者可通过交通波的波速计算还原车辆排队的形成和消散过程，但模型的输入受检测设备的精度和覆盖率影响较大。

图1  双截面电警设备布设场景示意图

另一方面，我国越来越多的城市布设了电警检测器，海量的电警数据可提供丰富的交通信息。相比于传统的定点检测器，电警数据识别度高，能精确记录车辆驶离信息，且能通过车牌匹配还原车辆在路段中的行驶状态，维修较为容易。然而，现有的基于电警数据的排队长度估计方法多基于双截面检测数据，如图1所示。此类检测环境在现实中并不普遍，在只有单个交叉口布设电警设备时，难以对排队长度进行估计。因此，本文在总结现有的排队长度估计模型的基础上，构建基于单截面电警数据的信号交叉口车道排队长度估计模型。

首先，本研究基于同一车道组所包含的车道数量，将研究场景细分为单车道场景与多车道场景，如图2所示。在此基础上，基于电警数据所记录的时间戳信息及离去车头时距信息，针对车道组内所研究方向仅有一条车道布设电警设备的单车道场景，本研究通过定义特征函数以描述车道中车辆的临近间距与车头时距波动的特性，以此识别出离去车头时距序列变点，进而估计周期内该车道上的车辆排队长度，并进一步估计其设备漏检率。

图2 研究场景示意图

此外，基于电警数据所提供的时间戳信息及离去车头时距信息，针对车道组内所研究方向有超过一条车道布设电警设备的多车道场景，通过定义特征函数以描述车道组内各车道车辆的临近间距与车头时距波动的特性，分别识别出各车道的离去车头时距序列变点，通过相互校验从而得到各车道的车辆排队长度及相应的设备漏检率，排队长度识别的示意图如图3所示。

图3  多车道场景排队长度识别示意图

本研究基于常州市晋陵北路-河海东路交叉口所采集的真实电警数据，进行了实证验证及电警设备漏检率的敏感性分析，验证场景如图4所示。其中，本研究选取了3类已有的排队长度估计模型（CPA模型、K-means聚类算法、高斯分布模型）进行对比验证，对应的实证验证与漏检率敏感性分析结果如图5-6所示；在此基础上，本研究进一步使用微观仿真软件VISSIM，基于真实场景构建仿真模型，对重型车比例、饱和度等参数进行了敏感性验证。

图4 验证场景示意图

验证结果表明，本文提出的方法与同类型的排队长度估计方法相比，其准确率更高，周期级排队长度估计的平均绝对误差仅为1.19辆/周期，平均绝对百分比误差仅为21.6%，明显优于其他同类方法；此外，本研究对电警设备的车辆漏检、重型车比例等参数较不敏感。例如，当设备漏检率达到10%时，本方法的平均绝对误差仅为1.6辆/周期，平均绝对百分比误差仅为23.9%。值得注意的是，在同类模型对比验证中，基于高斯分布的排队长度估计模型（Zhan, X., R. Li, and S. V. Ukkusuri. 2020. Link-based Traffic State Estimation and Prediction for Arterial Networks Using License-Plate Recognition Data.  Transportation Research Part C: Emerging Technologies 117: 102660）可得到更为理想的估计结果，其方法对电警设备的车辆漏检更不敏感，但此类方法所需计算时间较长，无法适用于排队长度的实时计算。因此，本研究可在满足排队长度实时计算的基础上，得到较为合理的结果。

图5 实证验证结果

图6 漏检率敏感性分析结果示意图

本研究所提出的排队长度估计模型不需要假设到达率等参数，以电警数据为唯一的数据输入，仅基于所记录的时间戳、车型等信息直接对车道排队长度进行估计，且基于设备布设场景将模型细分为单车道模型与多车道模型，涵盖了绝大部分电警设备布设场景。因此，本研究可为交叉口的交通运行提供科学合理的评价结果，为提升交通管理与控制水平提供技术支持。