基于网约车数据仿真的信号配时优化算法及应用系统开发

相比于当前应用较为广泛的非结构化的视频数据，网约车轨迹数据字段仅包含经度、纬度、时间戳和速度，是规整的结构化数据，占用存储空间小，节约计算资源，利于挖掘历史数据信息。

“PTV杯”第十三届全国大学生交通科技大赛二等奖得主：QueueSignal团队

团队介绍：团队成员为来自东南大学交通学院的季钧一、李玲慧、杨沫枫、吴坤润，和来自计算机科学与工程学院、软件学院的张晓雯，由东南大学物联网交通应用研究中心曲栩老师和冉斌教授指导。

获奖作品内容分享：

以下是QueueSignal团队为大家分享的演讲内容：

目前广泛应用的交通数据调查方法包括人工计数、地感线圈、射频识别感应和视频监控。这些方法都存在一定的不足。人工计数投入人力物力大，调查时空范围小，线圈数据容易受损，可持续性差，而射频数据普及率低，样本量小，无法监控配时相关参数，视频监控投资成本高且存储周期短。

网约车轨迹数据在优化城市信号交叉口配时中具有得天独厚的优势。相比于当前应用较为广泛的非结构化的视频数据，网约车轨迹数据字段仅包含经度、纬度、时间戳和速度，是规整的结构化数据，占用存储空间小，节约计算资源，利于挖掘历史数据信息。

相比于传统浮动车数据，网约车轨迹数据最大的优势就是采集频率高，且定位精度好，随着智能网联交通的发展，在更优质的数据条件下，轨迹数据进行信号配时优化的方法论能够发挥更重要的作用。

网约车轨迹大数据驱动的信号配时方法有以下三大研究技术难点：首先是网约车轨迹大数据难以满足优化方法研究条件；其次是网约车轨迹大数据交通状态参数估计方法相对不成熟，最后是已有信号配时方法并不适用于网约车轨迹大数据环境。

针对以上三大技术难点，我们逐一击破，下面是我们的技术路线：

首先，我们针对网约车轨迹数据缺少研究环境的技术难点构建了面向网约车数据应用研究的仿真环境。利用VB代码对VISSIM的COM接口进行二次开发，绘制路网后，对南京市双龙大道干线实测原始数据对仿真模型进行标定。

随后，我们在Vissim中定义网约车类，模拟网约车数据采集系统的运作，上传速度、时间、坐标到数据平台，同时记录路段全样的真实路况信息到算法开发数据库。数据库中包括两大数据集，网约车轨迹数据集和数据评价集，网约车轨迹数据集分别包括数据ID、仿真运行次数、车辆编号、X坐标、Y坐标和车辆速度，数据评价集包括时间戳、排队时间、排队次数、延误时间、加速度和停车次数。

通过以上步骤，我们对真实路网进行了仿真环境构建，如视频所示。在可视化界面中，左侧实时展示采集到的网约车位置信息和采集数量等信息，右侧绿色标识的车辆即为网约车。

在获取数据后，我们开始对交通运行参数进行估计，包括路段平均速度和交叉口排队长度。首先是路段平均速度，相关研究表明：只要有2%-5%的浮动车数据，即可对路段行驶速度数据进行精准估计。我们的估计包括以下四个步骤，首先是对网约车轨迹数据进行空间分隔和时间分割，接着对路网离散化、匹配轨迹点，随后确定网约车行驶方向，最后累积流量与速度，得到路段的平均速度。

对于交叉口排队长度估计，我们首先对停车点、启动点和左转直行进行了判断。逐车检索遍历轨迹数据，找到零速度点所在位置遍历所有零速度点后，判断零速度点前记录点的速度得到停车点、判断零速度点前后记录点的速度得到启动点；计算启动点与后十个记录点的坐标偏移区分左转与直行。

在得到停车点后，我们对停车点的历史数据进行累加，每天该时段网约车队尾排队长度的最大值中取最大值，我们即将这个长度作为进行信号配时的设计排队长度。

随后，我们利用后台记录的数据，对5%渗透率下平均速度估计算法、左直分离算法和排队长度算法精度进行了校验，经校验，估计效果良好，精度满足要求。在不同渗透率下，排队长度估计相对误差逐渐下降，也就是说，随着智能网联交通的普及，更多的车辆互联共享后，这套算法的精度也会提升，能够适应智能网联交通时代的信号配时需求。