红绿灯位置是道路上行人和车辆的交会点,极大影响着道路结构和交通运行,在城市路网中起着重要的枢纽作用。针对目前红绿灯位置检测方法准确率不够高、覆盖面区域不完整等问题,提出了一种基于轨迹数据的交通灯位置检测方法。该方法基于聚类-合并-分类-合并的四级模型,首先从清理过的轨迹数据中提取隐含的车辆行驶特征,再采用具有噪声的基于密度的聚类(density-based spatial clustering of applications with noise,DBSCAN)方法得到转向和停驻两类聚类中心,对这两类聚类中心进行合并,获得红绿灯位置的候选位置;根据候选位置一定范围内的轨迹点提取该区域的车流行驶特征,然后采用梯度提升决策树(gradient boosting decision tree,GBDT)算法进行分类,最后将候选位置的正样本融合,以检测红绿灯位置。采用成都市浮动车GPS轨迹数据进行实验,检测结果的F1分数为0.947,效果优于常规的机器学习方法。实验结果表明,基于GPS轨迹数据,采用提出的四层模型能有效检测出红绿灯的位置,该模型可被用于城市大范围红绿灯位置信息的快速获取和更新。
针对当前信号灯配时方法应对低高峰期车流量与方向的频繁变换困难问题,提出一种融合历史与当前交通流量的交通信号控制方法。提出基于历史交通数据的路口各方向车流量的规律预测模型、规律与实时车流量学习的融合模型、各相位信号灯最佳信号周期和绿灯时间估计算法。使用真实道路交通数据在交通仿真模拟器(simulation of urban mobility,SUMO)进行仿真试验,结果表明:与定时控制、模糊控制等方法对比,本研究提出的方法减少了车辆的等待时间与等待队伍的长度;通过多个不同类型路口信号灯的综合分析,能够整体提高城市道路出行与服务质量,提升交通运行效率。
