基于低渗透率众包轨迹数据的城市干道交通状态评估诊断与控制优化

Crowdsourcing vehicle trajectory data, which break through the bottleneck of fixed-point detection from both temporal and spatial dimensions, help provide a new approach for traffic management and control. The state-of-the-art studies and practice only realized coarse-grained evaluation and long-time feedback control on arterials, and passively respond to traffic demand and overflow risk. It will be the key to improve arterial operational efficiency through accurate evaluation and active control optimization of traffic states. Based on crowdsourcing vehicle trajectory data, the evaluation indices including queue length and signal timings are first estimated. Then, the trajectories for the whole arterial traffic flow are constructed by applying integrated microscopic particle filtering and macroscopic shockwave theory based on crowdsourcing data and cyber police data. Next, overflow risk models are built for intersections along the arterial, and a maximum flow model is constructed accounting for the combination optimization of constructive variables (i.e., phase, sequence and lane function) and non-constructive variables (i.e., cycle length, green time ratio and offset). The proposed methodology for arterial control optimization is characterized by accurate evaluation, in-depth diagnosis, spatio-temporal cooperation and active control. This project will be of vital academic importance and application value in refining the evaluation of traffic states and developing the active traffic control strategies based on trajectory data.

众包轨迹数据从时空间两个维度突破了定点检测瓶颈，为交通管控提供了全新的途径。现有研究仅实现了干道交通状态粗粒度评估与长时段反馈控制，被动响应需求变化及溢流风险。如何突破低渗透率条件下交通状态评估诊断难题，进一步实现主动控制优化是提高干道运行效率的关键。课题首先基于众包数据估计交叉口高精度运行状态指标（如车道级排队、秒级配时参数等）；然后面向干道，融合众包与电警卡口数据，构建基于粒子滤波与交通波理论的宏微观整合模型，重构干道全样本车流的完整轨迹；在此基础上，建立干道关联交叉口排队溢流风险度模型，设计综合考虑结构性变量（相位、相序、车道功能）和非结构性变量（周期、绿信比、相位差）组合优化的干道最大流主动控制模型；实现以“精准评估-深度诊断-时空协同-主动控制”为特点的新型干道优化控制方法。研究成果为精细化度量交通状态，开发基于轨迹的主动控制策略提供理论与方法支撑。

现有城市交通管控技术建立在以交通检测数据为基础的交通系统分析与优化理论之上，然而大量交通检测为断面集计方式，交通系统运行控制策略大多被动响应交通需求变化。随着城市路网交通需求持续增长，交叉口、干道常处于发生排队溢流的高风险和高频率状态。众包轨迹数据从时空间两个维度突破了定点检测瓶颈，为交通管控提供了全新的途径。因此，基于低渗透率众包数据，分周期、分流向“细粒度”感知交通态势，及时、准确辨识排队溢流风险，实现干道信号控制主动优化，对提升城市交通运行效率、发挥智能交通系统效能具有积极意义。项目首先基于众包数据估计交叉口高精度运行状态指标（如车道级排队、秒级配时参数等）；然后面向干道，融合众包与电警卡口数据，构建基于粒子滤波与交通波理论的宏微观整合模型，重构干道全样本车流的完整轨迹；在此基础上，建立干道关联交叉口排队溢流风险度模型，设计综合考虑结构性变量（相位、相序、车道功能）和非结构性变量（周期、绿信比、相位差）组合优化的干道主动控制模型；实现以“精准评估-深度诊断-时空协同-主动控制”为特点的新型干道优化控制方法。在理论方法研究的基础上，项目选取河北保定市典型干道，实地验证了基于众包轨迹数据的交叉口运行状态评估模型、基于全样本轨迹重构的干道运行状态评估模型，并评价模型精度及适用性，分析估算误差；针对排队溢流实时响应优化控制方法，进行控制模型和算法的集成开发，并在实验基地选择交叉口及干道进行测试验证。研究结果充分证明在低渗透率环境下精准评估、深度诊断交通运行状态，是现阶段基于众包轨迹数据优化交通控制策略的关键，亦是面向未来车联网环境探索和开发下一代交通控制系统的重要支撑。研究成果有助于促进主动交通控制理论与方法的研究及应用，为干道协调控制优化和实时响应控制提供理论依据和分析工具，并为基于众包轨迹数据的交通控制系统开发与功能提升提供理论支持和关键技术指引。