Page 124 - 75252_安防20年5月刊_150dpi

I 智能交通
Intelligent Traffic

环境、不同车道的饱和流率计算，得到的饱和流率能 时距干扰。另外，受车辆性能和加速距离的影响，车
够为交通信号控制方案的制定和交通效果评价提供 队车辆在绿初以一定的加速度启动，前面n辆车的车
有效支撑。 速较低，车头时距较大，随着后面车辆速度的增加，
车速逐渐增加到稳定车速，车头时距也趋向饱和。因
饱和流率提取方法 此还应考虑车队车辆启动延误的影响，要求每条车队

最典型的饱和流率计算方法是利用HCM模型， 包含的车辆数应该大于一定数量N，并从每个车队的
对理想条件下的饱和流率，考虑车道宽度、车道数、大 第n+1辆车开始计算饱和车头时距。
中车比率、坡度、停车、转向等因素进行修正。该方法
因部分数据无法收集或收集困难，计算得到的结果不 饱和车头时距
能保证真实反映路口的实际饱和情况。饱和流率随路
口的实际环境变化，受到车道数、车道宽度、车道渠化
车队前n辆车
和路口相位相序、非机动车等的干扰，所以路口的饱
存在启动延误
和流率计算必须针对路口的具体情况，分别计算各进
口道每一车道的饱和流率，然后累加求和得到整个进 ▲图1 交叉口饱和车流判定
口道的饱和流率。单一车道的饱和流率S可以通过车
DBSCAN聚类降噪
道的饱和车头时距h计算得到。
基于上节提出的阈值法能够获取连续车流，初步
本文基于真实过车时间计算的饱和车头时距，分
排除明显断流的车队数据。接下来根据不同车辆位置
两步排除了非饱和车头时距的干扰，且计算过程中根
对车头时距数据进行聚类拟合，对连续车流进一步降
据实际过车类型考虑了大型车的饱和车头时距数据，
噪，筛选获取符合实际需求的饱和车流数据。饱和车
计算出来的饱和车头时距和饱和流率更加符合路口
头时距的计算需要以车队不同车辆位置为分析对象，
实际情况。
将每个车队相同位置的车辆划为一类，通过聚类分析
饱和车流判定 得到一个车头时距拟合结果。最后，将所有车辆位置
的饱和车头时距拟合值汇总，并按照车辆位置顺序进
信号交叉口绿灯期间，前后两辆车通过停止线或
行曲线拟合，得到饱和车队不同位置车辆的饱和车头
预先设定的检测线的时间间隔为车头时距。通过复合
时距变化趋势，便于实现饱和车头时距和饱和流率的
视频检测器获取车道车辆通过停止线时间，计算后车
分析和计算。
与前车通过停止线的时间差作为后车的车头时距，车
DBSCAN是一种基于密度的空间聚类算法，能够
头时距的计算从第二辆车开始。
把具有足够高密度的区域划分为簇，发现任意形状的
大量文献研究表明，车辆的大小会对车头时距产
聚类。当车队流率接近饱和时，车辆以稳定速度通过
生较大的影响，大型车辆的饱和车头时距普遍比小型
停止线，但少数车辆由于驾驶员分心等原因，车头时
车的饱和车头时距多2-5s。因此判别饱和车流时有必
距大于饱和车头时距，会造成计算的饱和车头时距
要考虑车型的影响，复合视频检测器记录过车时间的
均值偏大。这类数据存在较大的随机性，分布相对离
同时，也会记录车型，可以使用阈值法针对车型大小
散，使用聚类算法能够进一步降噪，减少该类数据干
设置不同的饱和车头时距阈值，初步排除非饱和车头
扰。另外，根据不同车型之间不同的饱和车头时距，

110 第九届深圳国际智能交通与卫星导航位置服务展览会(2020年深圳会展中心)www.its-expo.com

ᇆିࢌ๙ JOEE ྒ௹೘