本发明涉及一种基于浮动车数据的信号交叉口排队长度估计方法与系统，属于交通。
背景技术：
1、信号交叉口的排队长度不仅是城市道路交通运行性能评价的核心指标，也是交通信号配时参数优化等管控应用的重要输入。如何准确估计排队长度是优化信号交叉口通行效率、缓解城市拥堵问题中的重要一环。
2、现有的城市道路信号交叉口排队长度估计方法主要有：(1)基于交通波重构的确定性方法：通过识别排队车辆交通状态发生变化的关键点位，重构排队过程中产生的集结波与消散波，根据两种波的交点在空间中的位置确定最大排队长度；(2)基于概率统计的随机性方法：预先设定交叉口车辆达到的分布，再依据观测数据求解假设分布中的参数，根据最终得出的概率分布均值与方差来描述交叉口的排队长度；(3)基于机器学习的数据驱动方法：通过对交叉口大量历史数据中交通模式信息的挖掘，利用机器学习技术模拟交叉口车辆的到达模式、交通运行状况等信息，推断出对应道路的排队长度。
3、尽管上述方法在特定数据、交通场景下取得了较好的应用效果，但是受当前城市路网可获取交通数据条件的约束，上述方法仍无法满足广泛获取城市道路排队状态的需要。其中方法(1)需要识别车流状态发生变化的关键点位，当车辆排队超出检测区域或检测器检测频率较低时，车流状态将难以识别；方法(2)多数研究仅考虑了排队车辆数据，未充分考虑非停车车辆，而车辆未停车的位置在一定程度上也隐含了排队的上界；方法(3)需要大量高精历史数据对模型参数进行标定，对数据的质量要求较高，当数据质量较差时，模型的估计精度将难以保证。因此上述三类方法尚无法充分满足低频、低渗透率浮动车数据条件下的排队长度估计需求。
4、低频低渗透率浮动车数据是当前城市路网广泛可获取的一类数据源，在城市路网中具有广泛的空间分布(如出租车采集的浮动车数据)。低频低渗透率主要表现为浮动车采样频率为20～60秒、渗透率不足5％。如何利用低频低渗透率数据广泛、低成本获取城市道路排队状态信息，是当前有待解决的问题。
技术实现思路
1、发明目的：针对上述现有技术的不足，本发明旨在提供一种基于低频低渗透率浮动车数据的信号交叉口排队长度估计方法与系统，充分挖掘历史浮动车数据中停车与非停车车辆隐含的排队状态信息，结合当前时段观测的浮动车数据，实现对周期最大排队均值与方差的估计，为大范围获取城市道路交通状态提供基础支撑。
2、技术方案：为实现上述发明目的，本发明采用的技术方案如下：
3、一种基于浮动车数据的信号交叉口排队长度估计方法，包括如下步骤：
4、对浮动车数据进行地图匹配，获取浮动车轨迹匹配点至下游信号交叉口的距离和转向；
5、基于交通波理论与概率统计理论，构建周期最大排队长度与浮动车空间位置分布的概率模型，对模型参数进行标定，获取历史时段内的周期最大排队长度均值；
6、基于历史浮动车数据，根据交叉口信号配时数据，提取浮动车样本的周期最大排队长度，获取历史时段内的周期最大排队长度方差；
7、以历史数据获得的均值与方差，定义周期最大排队长度的先验分布，构建基于贝叶斯理论的周期最大排队长度后验估计模型，采用马尔科夫链蒙特卡罗mcmc方法对后验估计模型参数进行求解。
8、作为优选，所述对浮动车数据进行地图匹配，包括：
9、对浮动车数据进行筛选，剔除研究区域外的数据、重复数据和异常漂移轨迹点，将筛选后的浮动车数据按时间阈值法切割成多条出行轨迹；
10、将路网表示为以交叉口为节点，以路段为边组成的拓扑图；
11、基于单条浮动车出行轨迹，利用基于隐马尔科夫模型的地图匹配算法，获取匹配到路段的轨迹点。
12、作为优选，所述周期最大排队长度与浮动车空间位置分布的概率模型，表示为：
13、
14、其中，fx(x)为位置x处浮动车采样的概率密度，l为研究路段总长度，lr为饱和状态下剩余排队长度，lmax为剩余排队长度至周期最大排队长度的距离，为归一化到达密度，为归一化到达密度在排队队列中的增量，周期最大排队长度l＝lmax+lr。
15、作为优选，基于研究路段上历史浮动车空间位置分布数据集，以最大似然为准则，采用模拟退火算法，求得历史时段内的周期最大排队长度均值；最大似然估计的目标函数表示为：
16、
17、其中，x0为研究路段上历史浮动车空间位置分布数据集xo中的样本。
18、作为优选，所述基于历史浮动车数据，根据交叉口信号配时数据，提取浮动车样本的周期最大排队长度，获取历史时段内的周期最大排队长度方差，包括：
19、将匹配后的轨迹点按交叉口和进口道进行划分，对各交叉口各进口道的浮动车数据进行时间切片处理，根据信号交叉口配时信息，对每个切片时间内的浮动车数据进行周期划分；
20、对每个周期内的浮动车数据进行车辆状态判别，小于等于预设速度阈值的车辆为停车状态，反之则为行驶状态；
21、提取每个周期距离下游交叉口最远且处于停车状态的轨迹点作为周期最大排队长度观测样本；
22、汇聚历史同期时段内的周期最大排队长度观测样本，按正态分布拟合，得到的方差作为历史时段内的周期最大排队长度方差。
23、作为优选，所述周期最大排队长度后验估计模型，表示为：
24、
25、其中，l为周期最大排队长度，lr为周期剩余排队长度，为周期归一化到达密度，为似然函数，fl(l)、分别为l、lr、的先验分布，x表示当前分析时段内的浮动车空间位置观测样本数据。
26、作为优选，周期最大排队长度、剩余排队长度的先验分布设置为正态分布，归一化到达密度的先验分布设置为截断正态分布。
27、作为优选，利用马尔科夫链蒙特卡罗mcmc方法估计周期最大排队长度的后验分布，包括：利用当前时段内的观测值和从历史数据中得出的先验分布产生多个后验分布样本，并计算每个后验分布样本的接受概率，当产生的数量满足迭代条件时停止，并使用最终的后验分布样本来估计后验分布，实现周期最大排队分布的估计。
28、基于相同发明构思，本发明提供的一种基于浮动车数据的信号交叉口排队长度估计系统，包括：
29、预处理模块，用于对浮动车数据进行地图匹配，获取浮动车轨迹匹配点至下游信号交叉口的距离和转向；
30、先验信息计算模块，用于基于交通波理论与概率统计理论，构建周期最大排队长度与浮动车空间位置分布的概率模型，对模型参数进行标定，获取历史时段内的周期最大排队长度均值；以及基于历史浮动车数据，根据交叉口信号配时数据，提取浮动车样本的周期最大排队长度，获取历史时段内的周期最大排队长度方差；
31、以及后验估计模块，用于以历史数据获得的均值与方差，定义周期最大排队长度的先验分布，构建基于贝叶斯理论的周期最大排队长度后验估计模型，采用mcmc方法对后验估计模型参数进行求解。
32、基于相同发明构思，本发明提供的一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现所述的一种基于浮动车数据的信号交叉口排队长度估计方法的步骤。
33、有益效果：本发明从历史模式的角度而言，充分挖掘了历史浮动车数据中的先验信息，考虑停车与非停车车辆，分别利用概率模型法和样本与总体的关系获取了历史周期最大排队的均值和方差。从实时估计的角度而言，基于贝叶斯理论，利用当前分析时段内的浮动车观测数据和从历史浮动车数据中获取的先验信息，构建周期最大排队的后验分布估计模型，实现交叉口车辆排队状态的动态估计。与现有技术相比，本发明具有如下优点：
34、1.本发明与基于交通波重构的确定性方法和基于机器学习的数据驱动方法相比，提出的方法能够在有限数据条件下实现周期最大排队均值和方差估计，为大范围获取城市道路交通状态提供了技术支撑。
35、2.本发明与基于概率统计的随机性方法相比，提出的方法充分利用了低频低渗透出率浮动车数据中的停车与非停车车辆信息，提高了交叉口周期最大排队估计的准确性与可靠性。
1.一种基于浮动车数据的信号交叉口排队长度估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于浮动车数据的信号交叉口排队长度估计方法，其特征在于，所述对浮动车数据进行地图匹配，包括：
3.根据权利要求1所述的一种基于浮动车数据的信号交叉口排队长度估计方法，其特征在于，所述周期最大排队长度与浮动车空间位置分布的概率模型，表示为：
4.根据权利要求3所述的一种基于浮动车数据的信号交叉口排队长度估计方法，其特征在于，基于研究路段上历史浮动车空间位置分布数据集，以最大似然为准则，采用模拟退火算法，求得历史时段内的周期最大排队长度均值；最大似然估计的目标函数表示为：
5.根据权利要求1所述的一种基于浮动车数据的信号交叉口排队长度估计方法，其特征在于，所述基于历史浮动车数据，根据交叉口信号配时数据，提取浮动车样本的周期最大排队长度，获取历史时段内的周期最大排队长度方差，包括：
6.根据权利要求1所述的一种基于浮动车数据的信号交叉口排队长度估计方法，其特征在于，所述周期最大排队长度后验估计模型，表示为：
7.根据权利要求6所述的一种基于浮动车数据的信号交叉口排队长度估计方法，其特征在于，周期最大排队长度、剩余排队长度的先验分布设置为正态分布，归一化到达密度的先验分布设置为截断正态分布。
8.根据权利要求6所述的一种基于浮动车数据的信号交叉口排队长度估计方法，其特征在于，利用马尔科夫链蒙特卡罗mcmc方法估计周期最大排队长度的后验分布，包括：利用当前时段内的观测值和从历史数据中得出的先验分布产生多个后验分布样本，并计算每个后验分布样本的接受概率，当产生的数量满足迭代条件时停止，并使用最终的后验分布样本来估计后验分布，实现周期最大排队分布的估计。
9.一种基于浮动车数据的信号交叉口排队长度估计系统，其特征在于，包括：
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现根据权利要求1-8任一项所述的一种基于浮动车数据的信号交叉口排队长度估计方法的步骤。
